Pengelompokan Tingkat Kemiskinan Provinsi

di Indonesia Menggunakan Metode Clustering

K-Mean
M Dery Roy A1, M Naufa Dzulfiqar2, Pramanda Arya3, Dwi Novianto Prima P4
1,2,3
Jurusan Sistem Informasi, Fakultas Teknik dan Ilmu Komputer
Universitas Komputer Indonesia
Jl. Dipati Ukur No.112-116, Lebakgede, Kecamatan Coblong, Kota Bandung, Jawa Barat 40132
1
dery.10519088@mahasiswa.unikom.ac.id, 2naufa.10519098@mahasiswa.unikom.ac.id,3
pramanda.10519093@mahasiswa.unikom.ac.id, 4dwi.10519096@mahasiswa.unikom.ac.id

Abstrak

Menurut sumber informasi dari Badan Pusat Statistik (BPS), kita dapat mengetahui angka kemiskinan seluruh provinsi
di Indonesia. Namun dalam data yang disampaikan ke BPS, angka kemiskinan hanya ditampilkan per provinsi, dan
dalam upaya pengentasan kemiskinan saat ini, pemerintah perlu mengetahui daerah mana yang memiliki rata-rata angka
kemiskinan tinggi, sedang, dan rendah, sehingga pemerintah dapat menentukan sasaran pengentasan kemiskinan
prioritas dan upaya penanggulangan kemiskinan. Oleh karena itu, pemilahan tingkat kemiskinan provinsi-provinsi di
Indonesia perlu dilakukan agar pemerintah dapat merumuskan kebijakan atau langkah-langkah penanggulangan
kemiskinan yang tepat secara tepat waktu sesuai dengan tingkat kemiskinan masing-masing provinsi. Pada penelitian
ini, metode clustering dengan algoritma K-Means digunakan untuk mengurutkan provinsi menurut tingkat kemiskinan
menggunakan software. Hasil penelitian menunjukkan bahwa dari provinsi di Indonesia yang diklasifikasikan
berdasarkan tingkat kemiskinan, terdapat 3 kelompok: Kelompok 0 (provinsi dengan tingkat kemiskinan rendah),
Kelompok 1 (provinsi dengan tingkat kemiskinan sedang) dan Kelompok 2 (provinsi dengan tingkat kemiskinan yang
tinggi). Provinsi yang termasuk dalam kelompok provinsi dengan angka kemiskinan tinggi adalah Papua, Papua Barat,
dan Maluku.

Kata kunci: Tingkat Kemiskinan, K-Mean, Pengelompokan

Abstract

Based on information sources from the Central Statistics Agency (BPS), we can find out the poverty rate in all
provinces in Indonesia. However, in the data submitted to BPS, the poverty rate is presented per province only, whereas
in the current poverty alleviation effort, the government needs to know which areas have high, moderate or weak
average poverty rates so that the government can set priorities for the fight against poverty. Therefore, ranking
provinces in Indonesia based on poverty level is necessary so that the government can produce the right anti-poverty
policies or approaches at the right time according to the poverty level of each province. In this study, the clustering
method with the K-Means algorithm was used to sort provinces according to missile level using software. The results
showed that of the provinces in Indonesia which were classified based on poverty levels, there were 3 groups: Group 0
(provinces with low poverty rates), Group 1 (provinces with moderate poverty rates) and Group 2 (provinces with high
poverty rates). Provinces included in the group of provinces with high poverty rates are Papua, West Papua and
Maluku.

Keywords: Poverty Rate, K-Means, Classification

I. PENDAHULUAN menentukan jumlah kasus kemiskina. Dengan adanya

Kemiskinan adalah ketidakmampuan untuk membeli
kebutuhan seperti pangan, sandang, papan, Pendidikan,
dan Kesehatan. Kemiskinan disebabkan oleh kurangnya
mengakses Pendidikan dan lapang pekerjaan.
Kemiskinan di negara Indonesia bermacam – macam dari
tingkat kota ke desa. Dalam penelitian ini, data yang
digunakan dari Badan Pusat Statistik. Tujuan penelitian
ini adalah menggunakan Teknik clustering untuk
penelitian ini diharapkan pemerintah dapat meningkatkan
lapang pekerjaan dan meningkatkan perekonomian
masyarkat Indonesia.
Dalam penelitian ini, penulis akan melakukan
klasifikasi kemiskinan Indonesia menggunakan metode
K-Mean. Data yang digunakan dalam penelitian ini
berasal dari Badan Pusat Statistik (BPS). Data yang
diperoleh untuk angka kemiskinan Indonesia dari tahun
2012 sampai dengan tahun 2018, menjelaskan bahwa
kemiskinan di Indonesia semakin meningkat setiap
tahunnya.
Clustering adalah proses pengelompokan objek data
ke dalam sejumlah kecil kelompok sehingga setiap
kelompok memiliki kesamaan. Penulis menjelaskan
bahwa clustering adalah proses pemisahan data yang
tidak berlabel menjadi kelompok – kelompok data yang
serupa. Penelitian ini bertujuan untuk mengklasifikasikan
provinsi mana di Indonesia yang memiliki tingkat
kemiskinan tinggi, sedang, dan rendah. Hasil
pengelompokan menunjukkan bahwa provinsi mana di
Indonesia yang layak mendapat prioritas dan perhatian
khusus untuk mengatasi kemiskinan, sehingga dapat
memungkinkan mereka ada kemajuan dan peningkatan
dalam hal pekerjaan dan ekonomi.
II. TINJAUAN PUSTAKA
Penelitian sebelumnya melakukan analisis clustering
dengan menggunakan metode K-Means, termasuk
penelitiannya. Pada penelitian ini metode analisis
clustering dengan algoritma K-Means digunakan untuk
mengurutkan provinsi di Indonesia berdasarkan kriteria
kemiskinan.
Penelitian lainnya adalah penelitian dengan
menggunakan analisis K-means clustering untuk
mengklasifikasikan provinsi-provinsi di Indonesia
berdasarkan data kemiskinan.
A. ANALISIS DATA
Analisis data adalah proses pengolahan data dengan
tujuan untuk menemukan informasi yang berguna yang
dapat digunakan sebagai dasar pengambilan keputusan
untuk memecahkan suatu masalah. Proses analisis ini
meliputi kegiatan pengelompokan data berdasarkan
karakteristiknya, melakukan pembersihan data,
transformasi data, dan pembuatan model data untuk
menemukan informasi kunci dari data. Ingatlah bahwa
data yang telah melalui proses ini harus disajikan dalam
format yang menarik dan mudah dipahami, biasanya
berupa grafik atau bagan. Penggunaan teknologi
sekarang memengaruhi hampir semua hal yang kita
lakukan. Teknologi ini tentunya terkait dengan jumlah
data yang terus meningkat. Jika Anda membiarkan data
menumpuk, itu hanya akan sia-sia. Meskipun dapat
digunakan untuk mengolah data dan memperoleh
informasi yang bermanfaat. Oleh karena itu, analisis data
merupakan langkah yang sangat penting dalam
pengolahan data. Ada berbagai pendekatan atau teknik
analisis data yang dapat digunakan. Ada berbagai jenis
analisis data saat melakukan kegiatan penelitian: analisis
kualitatif dan analisis kuantitatif. Analisis kualitatif
adalah analisis sistematis yang tidak menggunakan model
matematis atau statistik. Dengan kata lain, analisis ini
dilakukan dengan membaca tabel, grafik atau data lain
yang tersedia yang diperoleh dari berbagai sumber
dengan menggunakan teknik pengumpulan data tertentu.
Tujuan analisis kualitatif adalah untuk menemukan
makna dalam data. Analisis kuantitatif adalah analisis
yang menggunakan model matematis atau statistik untuk
mengolah data. Hasil analisis biasanya berupa angka-
angka yang disajikan dan dideskripsikan oleh peneliti.
Metode yang digunakan dalam analisis kuantitatif
meliputi metode analisis deskriptif dan metode analisis
inferensi yang masing-masing memiliki fungsinya
masing-masing.
Dalam melakukan analisis data tentunya terdapat
prosedur dan langkah-langkah yang harus dilakukan.
Langkah pertama, tentu saja, mengumpulkan data yang
diperlukan untuk penelitian. Pastikan data yang
digunakan lengkap dan jelas sumbernya. Selanjutnya,
identifikasi data dan kelompokkan berdasarkan
karakteristiknya. Selain itu juga dilakukan normalisasi
data agar data dalam format yang sama untuk
memudahkan proses analisis. Kemudian analisis data
menggunakan metode atau teknik yang sesuai. Hasil
analisis data ditampilkan dalam format yang menarik dan
mudah dipahami.
Termasuk studi sebelumnya dan studi yang
melakukan analisis pengelompokan menggunakan
metode KMeans. Pada penelitian ini, teknik analisis
clustering menggunakan algoritma K-Means digunakan
untuk mengelompokkan semua desa dalam satu
kecamatan. Akurasi klasifikasi kemudian diperiksa
menggunakan kriteria kemiskinan dengan menggunakan
metode analisis diskriminan. Kajian lain menggunakan
analisis K-means clustering untuk mengklasifikasikan
kabupaten dan kota di Jawa Barat berdasarkan informasi
data kemiskinan. Penelitian ini menggunakan algoritma
KMeans untuk memeringkat mahasiswa berdasarkan
kinerjanya dalam perkuliahan menggunakan bahasa
pemrograman Python.
B. ANALISIS CLUSTRING
Clustering adalah proses membagi objek dari
kumpulan data menjadi banyak cluster homogen. Tujuan
utama dari clustering adalah untuk mengelompokkan
beberapa data/objek ke dalam cluster (kelompok)
sehingga setiap cluster memuat data yang semirip
mungkin. Clustering berupaya menempatkan objek yang
mirip atau berdekatan dalam suatu cluster dan membuat
jarak antar cluster sejauh mungkin. Artinya, objek-objek
dalam satu cluster sangat mirip dan berbeda dengan
objek-objek di cluster lain.
Secara umum, teknik clustering dapat dikelompokkan
menjadi empat kategori : (i) metode partisi, (ii) metode
hirarkis, (iii) metode density based, dan (iv) cluster grid
based. Metode partisi melakukan pengelompokan dengan
langsung mencari kelompok yang berbeda dan
merelokasi titik data untuk meningkatkan kualitas
pengelompokan dari solusi asli. Pendekatan hierarki
membangun cluster secara bertahap, termasuk
menggabungkan cluster kecil menjadi cluster yang lebih
besar atau memisahkan cluster yang lebih besar menjadi
cluster yang lebih kecil.
Untuk metode density based, metode ini
mengidentifikasi cluster dengan menghubungkan daerah
dengan beberapa titik data. Sedangkan pada metode grid
based, untuk meningkatkan efisiensi clustering, metode
ini membagi ruang data menjadi beberapa sel
membentuk struktur grid padat untuk membentuk cluster.
 C. ALGORITMA K-MEANS
Pada algoritma K-Mean, objek atau data yang ada
dikelompokkan menjadi k grup atau cluster. Untuk
melakukan clustering ini, nilai k harus ditentukan terlebih
dahulu. Biasanya, pengguna atau user sudah memiliki
beberapa informasi awal tentang subjek yang dipelajari,
termasuk jumlah cluster yang paling cocok. Dalam
algoritma K-Mean, ukuran perbedaan digunakan untuk
mengelompokkan objek. Perbedaan ini diterjemahkan ke
dalam konsep jarak. Jika dua objek cukup dekat, maka
kedua objek tersebut serupa. Artinya, semakin dekat,
semakin besar kesamaannya. Semakin tinggi nilai jarak,
semakin tinggi ketidaksamaan.
Pengelompokan data menggunakan algoritma K-
Means biasanya dilakukan dengan menggunakan
algoritma berikut:
1. Tentukan jumlah kelompok.
2. Alokasikan data ke kelompok acak
Inisialisasi k cluster (centroid). Ini dapat
dilakukan dengan berbagai cara. Metode
yang paling sering digunakan adalah
pengacakan, yaitu pusat klaster diberi nilai
awal dengan bilangan acak.
3. Hitung pusat kelompok (centroid) dari data
masing-masing kelompok.
4. Tetapkan setiap data ke centroid cluster
terdekat. Kedekatan dua objek ditentukan
berdasarkan jarak antara kedua objek
tersebut. Begitu pula jarak data ke cluster
tertentu ditentukan berdasarkan jarak antara
data dengan pusat cluster. Data tersebut akan
diimpor ke dalam klaster sehingga jarak
antara data dengan pusat klaster paling dekat.
Untuk menghitung jarak antara data dan
pusat cluster, jarak Euclidean sering
digunakan, meskipun jarak Manhattan atau
Minkowsky juga dapat digunakan. Untuk
menghitung jarak seluruh data ke setiap titik
pusat cluster menggunakan teori jarak
Euclidean digunakan rumus sebagai berikut:
A (ib) = ……… (1)
Di mana :
A(ib) = jarak data ke (i) ke pusat klaster (j)
Xki = data ke (i) pada atribut data ke (k)
Xkj = titik pusat (j) pada atribut (k)
5. Hitung ulang pusat klaster dengan
keanggotaan klaster saat ini. Pusat cluster
adalah rata-rata dari semua data/objek di
setiap cluster.
6. Ulangi langkah (2) dan (3) dengan pusat
cluster baru. Jika pusat cluster tidak lagi
berubah, maka clustering selesai atau
dikatakan konvergen.
III. METODOLOGI PENELITIAN
Metode yang peneliti gunakan adalah Algoritma K-
Means clusterring yang merupakan salah satu algoritma
Clustering atau pengelompokkan. K-means Clustering
adalah salah satu algoritma yang paling banyak
digunakan yang membentuk kelompok data berdasarkan
kesamaan antara instance data. Agar algoritma khusus ini
berfungsi, jumlah cluster harus ditentukan agar bisa
sesuai dan berfungsi dengan semestinya. K adalah K-
means yang mengacu kepada banyaknya cluster. K-
means termasuk dalam kategori pengelompokkan data
berbasis centroid. Centroid tidak bisa dipastikan menjadi
anggota dataset. Clustering berbasis-centroid adalah
suatu algoritma iterative di mana gagasan kesamaan
diturunkan dengan beberapa dekat suatu titik data dengan
centroid dari cluster.
Software yang digunakan dalam penelitian ini adalah
menggunakan sofware Python. Software ini digunakan
untuk membandingkan hasil perhitungan secara grafik
dengan hasil yang didapatkan dengan proses di software
Python. Python adalah sebuah Bahasa pemrograman
yang digunakan untuk membuat aplikasi, melakukan
analisis data, dan perintah komputer. Python bisa
digunakan untuk membuat program dan menyelesaikan
berbagai permasalahan pada suatu program.
Library Python yang kami gunakan adalah Pandas
adalah pustaka sumber terbuka berlisensi BSD yang
menyediakan struktur data dan analisis data yang mudah
digunakan dan kuat untuk bahasa pemrograman Python.
Dengan kata lain, panda adalah pustaka analisis data,
dengan struktur data yang diperlukan untuk mengubah
data mentah menjadi format yang sesuai untuk analisis
(seperti tabel). Panda melakukan tugas-tugas penting
seperti: Misalnya, mencocokkan data untuk
membandingkan dan menggabungkan kumpulan data,
menangani data yang hilang, dll. Ini telah menjadi
pustaka de facto untuk manipulasi data tingkat tinggi
(seperti statistik) dengan Python. Panda pada awalnya
dikembangkan untuk memproses data keuangan, dan
alternatif umum adalah menggunakan spreadsheet
(seperti Microsoft Excel). NumPy (Numerical Python)
adalah pustaka Python yang berfokus pada komputasi
ilmiah. NumPy dapat membuat objek array N-dimensi
yang mirip dengan daftar Python. Keuntungan array
NumPy dibandingkan daftar Python adalah konsumsi
memori yang lebih rendah dan runtime yang lebih cepat.
NumPy juga memfasilitasi aljabar linier, terutama
bekerja dengan vektor (array satu dimensi) dan matriks
(array dua dimensi). Matplotlib adalah pustaka Python
yang berfokus pada visualisasi data seperti
merencanakan bagan. Matplotlib awalnya ditulis oleh
John D. Hunter dan sekarang dikelola oleh tim
pengembang yang besar. Awalnya, matplotlib
dikembangkan untuk membuat plot yang cocok untuk
publikasi di jurnal dan artikel ilmiah. Matplotlib
umumnya digunakan dalam skrip Python, shell Python
dan IPython, server aplikasi web, dan beberapa toolkit
antarmuka pengguna grafis (GUI) lainnya.
 IV. HASIL DAN PEMBAHASAN
A. Dataset
Dataset yang digunakan dalam penelitian ini
adalah kumpulan data Badan Pusat Statistik C. Clustering dengan model Guassian Mixture
(BPS) yang kita temukan untuk di teliti.
Terdapat 503 data yang tersedia dalam
dataset ini. Dataset ini terdiri dari tujuh
atribut yang terdiri dari id, kode provinsi,
nama provinsi, semester, penduduk miskin,
satuan, tahun.

TABEL I. Atribut Dataset

i kode nama_pr seme pendu satua tah
d _ ovinsi ster duk_ n un
prov miskin
insi
1 1100 ACEH 1/1/0 19,46 PERS 201
1 EN 2

2 1100 ACEH 2/1/0 18,58 PERS 201

1 EN 2 Gambar 2. K-means Clustering model
Guassian Mixture
3 1200 SUMATE 1/1/0 10,67 PERS 201
RA 1 EN 2 Berdasarkan gambar 2, kita bisa mengetahui
UTARA bahwa id provinsi ke 100 sampai 200 ada
4 1200 SUMATE 2/1/0 10,41 PERS 201 pada tingkat kemiskinan yang tinggi hingga
RA 1 EN 2 mencapai 30 dan juga tingkat kemiskinan
UTARA yang rendah hingga mencapai 0.
5 1300 SUMATE 1/1/0 8,19 PERS 201
RA 1 EN 2 D. K-means Elbow
BARAT

B. K-means Clustering

Gambar 3. Grafik K-means Elbow

berdasarkan gambar diatas, grafik ini

berfungsi menentukan perbandingan antar
Gambar 1. Grafik K-means Clustering hasil jumlah cluster yang akan membentuk
suatu titik terakhir, dimana dalam grafik ini
Berdasarkan gambar 1, diperlihatkan grafik menunjukkan titik-titik tertinggi dari
tingkat penduduk kemiskinan yang ada pada Distortion menuju titik K-means dan menuju
tiap provinsi di Indonesia dengan titik paling optimal K-means yaitu 3 cluster.
menggunakan K-means Clustering, bisa di
lihat dari grafik di atas ini daerah Papua lebih E. Grafik Scatter
tinggi tingkat kemiskinan hingga 30 dan
provinsi Kalimanta Utara dengan tingkat
kemiskinan yang paling rendah dari provinsi
lainnya.
 Gambar 4. Scatter Gambar 5. Clustering Spectral

Pada grafik scatter ini kita bisa mengetahui
bahwa tingkat penduduk miskin yang berada
pada beberapa provinsi di Indonesia
mengalami kenaikan dan penurunan, bisa
dilihat dari grafik diatas ini ada beberapa
provinsi yang mengalami kenaikan sampai ke
30 dan ada yang mengalami penurunan
hingga mencapai 0.
Berdasarkan gambar diatas, terdapat 0 hingga
500 id provinsi yang terclusterisasi adalah 5
cluster cluster 0 adalah cluster provinsi dari
id 0 sampai id di bawah serratus dalam
cluster ini tingkat kemiskinan lebih dari 30%
sedangkat cluster dengan tingkat kemiskinan
terendah adalah berada di cluster 0 dan 1
dengan tingkat kemiskinan hamper
menyentuh angka 0.

V. KESIMPULAN DAN SARAN

Dari penelitian yang telah dilakukan pada kumpulan
data Badan Pusat Statistik (BPS) dengan subjek data
penduduk miskin berdasarkan provinsi yang berada pada
negara indonesia (2012-2018) yang terdapat 503 data.
Pada data tersebut terdapat tujuh atribut, dan
menggunakan algoritma K-means dan analisis
Clustering. Dapat disumpulkan bahwa penerapan data
mining dengan metode algoritma Clustering K-Means
dapat diterapkan. Jumlah record yang digunakan
sebanyak 34 provinsi dengan menghasilkan 4 cluster
yakni cluster tinggi pada id provinsi 200 sampai 350 dan
Ini adalah contoh lebih jelas dari grafik
cluster rendah terhadap id provinsi 0 sampai 100.
scatter dimana penduduk sumatera
Berdasarkan hasil pengujian K-means untuk kasus
mengalami penurunan dan penduduk Aceh
persentase data penduduk miskin menggunakan softwere
mengalami peningkatan pada tingkat
Python diperoleh hasil dengan analisis perhitungan
kemiskinan.
algoritma dimana diperoleh provinsi Kalimantan Utara
dan sekitarnya mengalami penurunan dalam tingkat
F. Clustering model spectral
kemiskinan dan provinsi Papua dan sekitarnya
mengalami peningkatan dalam tingkat kemiskinan yang
menjadi perhatian bagi pemerintah dalam melakukan
pemetaan dan sosialisasi dalam pemberian bantuan pada
provinsi tersebut.
Dalam penelitian ini diharapkan menjadi dasar bagi
pemerintah dalam memberikan bantuan atau kebijakan
untuk mengatasi kemiskinan yang terjadi dengan
mengetahui karakteristik di setiap provinsi terutama
provinsi dengan tingkat kemiskinan yang tinggi. Untuk
penelitian berikutnya akan lebih baik apabila
ditambahkan dengan metode yang lain untuk
meningkatkan dan menghitung kevalidan dari hasil
analisis cluster.
 DAFTAR PUSTAKA
Hidayat, A. (2022, january 3). Penjelasan Lengkap Tentang Analisis Cluster. Retrieved from www.statistikian.com:
https://www.statistikian.com/2014/03/analisis-cluster.html
Mahyudin, D. (2022, july 26). MENGENAL ANALISIS CLUSTER: DEFINISI, METODE DAN CARA PENGGUNAAN.
Retrieved from lp2m.uma.ac.id: https://lp2m.uma.ac.id/2022/07/26/mengenal-analisis-cluster-definisi-metode-
dan-cara-penggunaan/#:~:text=Analisis%20klaster%20adalah%20metode%20statistik,kluster%2Dkluster
%20lain%20yang%20berbeda
Nasution, I. (2020). Penerapan Algoritma K-MeansDalam Pengelompokan Data Penduduk Miskin Menurut Provinsi.
Building of Informatics, Technology and Science (BITS), 76-83.
Sunia, D. (2019). PENERAPAN DATA MINING UNTUK CLUSTERING DATA PENDUDUK MISKIN
MENGGUNAKAN ALGORITMA K-MEANS. STIKOM Dinamika Bangsa, 121.
Syafnidawaty. (2020, April 19). K-MEANS CLUSTERING. Retrieved from raharja.ac.id:
https://raharja.ac.id/2020/04/19/k-means-clustering/
Talakua, M. W. (2017). ANALISIS CLUSTER DENGAN MENGGUNAKAN METODE K-MEANS UNTUK
PENGELOMPOKKAN KABUPATEN/KOTA DI PROVINSI MALUKU BERDASARKAN INDIKATOR
INDEKS PEMBANGUNAN MANUSIA TAHUN 2014. Jurnal Ilmu Matematika dan Terapan , 119 – 128.
Trivusi. (2022 , juli 27). K-Means Clustering: Pengertian, Cara Kerja, Kelebihan, dan Kekurangannya. Retrieved from
https://www.trivusi.web.id/: https://www.trivusi.web.id/2022/06/algoritma-kmeans-clustering.html