Klasterisasi Disparitas Wilayah di Indonesia Menggunakan Indeks Pembangunan Manusia dan Indikator Kemiskinan

Abstract

Pembangunan sosial-ekonomi di Indonesia masih menunjukkan ketimpangan antarwilayah yang signifikan, khususnya dalam hal Indeks Pembangunan Manusia (IPM) dan tingkat kemiskinan. Indikator nasional sering kali tidak mampu menggambarkan ketimpangan pada tingkat kabupaten/kota, sehingga diperlukan pendekatan berbasis data untuk mengidentifikasi pola yang lebih rinci. Penelitian ini bertujuan untuk menerapkan teknik data mining dalam pengelompokan data IPM dan kemiskinan pada 514 kabupaten/kota di Indonesia tahun 2023 guna menghasilkan wawasan yang dapat dimanfaatkan dalam perencanaan pembangunan dan intervensi kebijakan yang lebih tepat sasaran. Penelitian ini menggunakan metodologi CRISP-DM (Cross-Industry Standard Process for Data Mining) dan mengimplementasikan dua algoritma unsupervised learning, yaitu K-Medoids dan DBSCAN. Data diperoleh dari Badan Pusat Statistik (BPS) dan mencakup tiga indikator numerik: IPM, jumlah penduduk miskin, dan persentase penduduk miskin. Data diproses melalui tahapan pembersihan, standarisasi, dan normalisasi agar siap digunakan dalam pemodelan. Algoritma K-Medoids menghasilkan lima klaster dengan nilai Silhouette Coefficient sebesar 0,35 dan Davies-Bouldin Index sebesar 0,86, sementara DBSCAN membentuk tiga label (termasuk 34 data outlier) dengan Silhouette Coefficient sebesar 0,40 dan DBI sebesar 1,34. Masing-masing klaster mencerminkan karakteristik sosial-ekonomi yang unik. Hasil penelitian menunjukkan bahwa teknik clustering mampu memberikan segmentasi yang bermakna terhadap ketimpangan pembangunan. Temuan ini sangat berguna bagi instansi pemerintah, lembaga pembangunan, LSM, dan sektor swasta dalam merumuskan strategi pembangunan yang lebih adil dan berkelanjutan di tingkat daerah..