Update Artikelilmiah: 52293

ADINDA SABRINA RAMADHANTY

NIM

Judul Artikel

Abstrak (Bhs. Indonesia)

Kemiskinan merupakan salah satu permasalahan pembangunan yang masih menjadi perhatian di Indonesia, termasuk di Provinsi Jawa Tengah. Perbedaan kondisi kemiskinan antarkabupaten/kota menyebabkan kebijakan penanggulangan kemiskinan yang bersifat umum kurang efektif. Oleh karena itu, diperlukan analisis pengelompokan wilayah untuk memahami kesamaan karakteristik kemiskinan antardaerah. Penelitian ini bertujuan untuk membandingkan metode K-Means dan Hierarchical Clustering dalam pengelompokan kabupaten/kota di Provinsi Jawa Tengah berdasarkan indikator kemiskinan. Tahapan penelitian meliputi preprocessing data, penentuan jumalh Cluster optimal, serta penerapan kedua metode Clustering. Hasil penelitian menunjukkan bahwa kedua metode menghasilkan dua kelompok wilayah dengan karakteristik tingkat kemiskinan yang berbeda. Berdasarkan hasil evaluasi kualitas Cluster, metode Hierarchical Clustering memberikan hasil pengelompokan yang lebih baik dibandingkan metode K-Means. Hal ini ditunjukkan dari nilai Silhouette Score Hierarchical sebesar 0,246425896 yang lebih tinggi dibandingkan K-Means sebesar 0,240624876, serta nilai Davies-Bouldin Index sebesar 1,437492999 yang lebih rendah dibandingkan K-Means sebesar 1,483173224.

Abtrak (Bhs. Inggris)

Poverty remains one of the key development issues in Indonesia, including in Central Java Province. Differences in poverty conditions across districts and municipalities make general poverty alleviation policies less effective. Therefore, a regional Clustering analysis is needed to better understand the similarities in poverty characteristics among regions. This study aims to compare the K-Means and Hierarchical Clustering methods in grouping districts and municipalities in Central Java based on poverty indicators. The research stages include data preprocessing, determining the optimal number of Clusters, and applying both Clustering methods. The results show that both methods produce two groups of regions with different poverty characteristics. Based on the Cluster quality evaluation, the Hierarchical Clustering method provides better grouping results than the K-Means method. This is indicated by a higher Silhouette Score of 0,246425896 for Hierarchical Clustering compared to 0,240624876 for K-Means, as well as a lower Davies-Bouldin Index of 1,437492999 compared to 1,483173224 for K-Means.

Kata kunci

Pembimbing 1

Pembimbing 2

Pembimbing 3

Tahun

Jumlah Halaman