Analisis Perbandingan Pengelompokan Indeks Pembangunan Manusia Indonesia Tahun 2019 dengan Metode Partitioning dan Hierarchical Clustering

KLIK Kumpulan jurnaL Ilmu Komputer Pub Date : 2021-09-30 DOI:10.24843/jik.2021.v14.i02.p01

Arina Mana Sikana, A. Wijayanto

{"title":"Analisis Perbandingan Pengelompokan Indeks Pembangunan Manusia Indonesia Tahun 2019 dengan Metode Partitioning dan Hierarchical Clustering","authors":"Arina Mana Sikana, A. Wijayanto","doi":"10.24843/jik.2021.v14.i02.p01","DOIUrl":null,"url":null,"abstract":"Indeks Pembangunan Manusia (IPM) merupakan indikator penting dalam pengukuran tingkat keberhasilan pembangunan kualitas hidup manusia. Pengelompokan Indeks Pembangunan Manusia (IPM) bertujuan untuk membagi wilayah-wilayah ke dalam kelompok berdasarkan Indeks Pembangunan Manusia wilayah tersebut tahun 2019. Pengelompokan Indeks Pembangunan Manusia Indonesia tahun 2019 membandingkan metode Partitioning Clustering dan Hierarchical Clustering. Algoritma Partitioning Clustering yang digunakan adalah algoritma K-Means Clustering, sedangkan algoritma Hierarchical Clustering adalah algoritma Agglomerative Ward Clustering. Hasil yang diperoleh adalah metode terbaik untuk pengelompokan provinsi di Indonesia berdasarkan Indeks Pembangunan Manusia untuk tahun 2019 adalah metode K-Means Clustering dengan jumlah kluster optimum adalah 6. Metode ini memberikan Silhoutte Score sebesar 0,6291, Calinski-Harabasz Index sebesar 241,8875, dan Davies-Bouldin Index sebesar 0,3038. Sedangkan metode terbaik untuk pengelompokan kabupaten/kota di Indonesia berdasarkan Indeks Pembangunan Manusia untuk tahun 2019 adalah metode K-Means Clustering dengan jumlah kluster optimum adalah 6. Metode ini memberikan Silhoutte Score sebesar 0,5511, Calinski-Harabasz Index sebesar 1525,4007, dan Davies-Bouldin Index sebesar 0,5234.","PeriodicalId":31227,"journal":{"name":"KLIK Kumpulan jurnaL Ilmu Komputer","volume":"43 1","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2021-09-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"6","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"KLIK Kumpulan jurnaL Ilmu Komputer","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.24843/jik.2021.v14.i02.p01","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 6

Abstract

Indeks Pembangunan Manusia (IPM) merupakan indikator penting dalam pengukuran tingkat keberhasilan pembangunan kualitas hidup manusia. Pengelompokan Indeks Pembangunan Manusia (IPM) bertujuan untuk membagi wilayah-wilayah ke dalam kelompok berdasarkan Indeks Pembangunan Manusia wilayah tersebut tahun 2019. Pengelompokan Indeks Pembangunan Manusia Indonesia tahun 2019 membandingkan metode Partitioning Clustering dan Hierarchical Clustering. Algoritma Partitioning Clustering yang digunakan adalah algoritma K-Means Clustering, sedangkan algoritma Hierarchical Clustering adalah algoritma Agglomerative Ward Clustering. Hasil yang diperoleh adalah metode terbaik untuk pengelompokan provinsi di Indonesia berdasarkan Indeks Pembangunan Manusia untuk tahun 2019 adalah metode K-Means Clustering dengan jumlah kluster optimum adalah 6. Metode ini memberikan Silhoutte Score sebesar 0,6291, Calinski-Harabasz Index sebesar 241,8875, dan Davies-Bouldin Index sebesar 0,3038. Sedangkan metode terbaik untuk pengelompokan kabupaten/kota di Indonesia berdasarkan Indeks Pembangunan Manusia untuk tahun 2019 adalah metode K-Means Clustering dengan jumlah kluster optimum adalah 6. Metode ini memberikan Silhoutte Score sebesar 0,5511, Calinski-Harabasz Index sebesar 1525,4007, dan Davies-Bouldin Index sebesar 0,5234.

查看原文