Home
Login.
Artikelilmiahs
45522
Update
ADELLA ANGGUN PRAMESTI
NIM
Judul Artikel
Pengelompokkan Kota Inflasi di Indonesia Menggunakan Algoritma Agglomerative Hierarchical Clustering
Abstrak (Bhs. Indonesia)
Pandemi COVID-19 yang terjadi beberapa tahun lalu memberikan dampak terhadap perekonomian Indonesia berupa penurunan perekonomian dan ketidakstabilan inflasi. Inflasi merupakan kondisi perekonomian yang ditandai dengan meningkatnya laju kenaikan harga yang mengakibatkan turunnya minat beli masyarakat, sehingga kestabilan inflasi perlu diperhatikan. Penelitian ini bertujuan mengelompokkan 88 kota berdasarkan 11 kelompok pengeluaran dengan algoritma Agglomerative Hierarchical Clustering menggunakan metode Ward dan Mahalanobis distance karena adanya multikolinieritas. Dari 88 variasi cluster yang terbentuk, metode silhouette coefficient digunakan untuk menentukan jumlah cluster terbaik, yang akhirnya menghasilkan 4 cluster dengan nilai silhouette sebesar 0,0898. Cluster 1, dengan 24 anggota, menunjukkan tingkat inflasi relatif sangat tinggi, terutama pada pengeluaran kesehatan (3,884%) dan perawatan pribadi (3,316%). Cluster 4, yang terdiri dari 10 anggota, memiliki inflasi relatif tinggi pada pengeluaran pakaian (1,738%) dan pendidikan (3,637%). Cluster 2, yang berisi 50 anggota, memiliki inflasi relatif sedang, namun tinggi pada pengeluaran makanan, minuman, dan tembakau (5,726%). Cluster 3, dengan 4 anggota, memiliki inflasi relatif rendah, meskipun terdapat lonjakan inflasi pada pengeluaran transportasi sebesar 8,078%.
Abtrak (Bhs. Inggris)
The COVID-19 pandemic significantly impacted Indonesia's economy, leading to an economic downturn and inflation instability. Inflation, marked by rising prices and reduced purchasing power, requires careful management. This study focused on clustering 88 cities in Indonesia based on 11 expense categories using Agglomerative Hierarchical Clustering with Ward's method, addressing data multicollinearity with Mahalanobis distance. After forming 88 cluster variations, the silhouette coefficient was used to identify four optimal clusters with a value of 0.0898. Cluster 1, with 24 cities, shows a relatively very high inflation rate, especially in health (3.884%), information and financial services (0.079%), and personal care (3.316%). Cluster 4, consisting of 9 cities, has a relatively high inflation rate in clothing (1.738%), recreation (2.440%), and education (3.637%). Cluster 2, including 50 cities, displays a relatively moderate inflation rate of 0-1%, with higher inflation in food and beverages (5.726%). Cluster 3, containing 5 cities, has a relatively low overall inflation rate, except for a spike in transportation (8.078%). This analysis offers valuable insights into inflation patterns across different regions and expense categories in Indonesia.
Kata kunci
Pembimbing 1
Pembimbing 2
Pembimbing 3
Tahun
Jumlah Halaman
Save