Perbandingan K-Means dan K-Medoids Pada Pengelompokan Data Miskin di Indonesia: Comparison of K-Means and K-Medoids on Poor Data Clustering in Indonesia

Abstrak

Di Indonesia,masalah kemiskinan selalu menjadi pusat perhatian dan terus meningkat. Hal ini dapat menjadi hambatan baik di bidang ekonomi, sosial, maupun politik karena kurangnya perhatian pemerintah dalam menangani masalah tersebut. Pemerintah melakukan upaya untuk mengurangi angka kemiskinan dengan cara memberikan bantuan langsung tunai (BLT) dan kebijakan maupun program lainnya kepada masyarakat yang membutuhkan. Dalam penelitian ini, sumber data utama diperoleh dari website Badan Pusat Statistik (BPS) dari tahun 2014 hingga 2021. Penduduk miskin di Indonesia mencapai 26,50 juta jiwa atau sekitar 9,7% dan termasuk salah satu penduduk miskin terbesar di dunia. Pada penelitian ini dilakukan pengelompokan data penduduk miskin di Indonesia guna dapat memberikan informasi pada pemerintah mengenai gambaran wilayah miskin dengan angka tertinggi. Penelitian dilakukan dengan membandingan dua algoritma yaitu K-Means dan K-Medoids yang bertujuan untuk mengetahui hasil algoritma terbaik. Berdasarkan hasil penelitian, didapatkan bahwa algoritma K-Means lebih baik jika dibandingkan dengan K-Medoids dalam mengklasterisasi data miskin yang ada di Indonesia. Dibuktikan dengan nilai terbaik DBI K-means sebesar 0.041 dengan percobaan K=8.