dc.contributor.advisor | Kurnia, Anang | |
dc.contributor.advisor | Rahardiantoro, Septian | |
dc.contributor.advisor | Mattjik, Ahmad Ansori | |
dc.contributor.author | Hanniva | |
dc.date.accessioned | 2021-08-30T13:08:17Z | |
dc.date.available | 2021-08-30T13:08:17Z | |
dc.date.issued | 2021 | |
dc.identifier.uri | http://repository.ipb.ac.id/handle/123456789/108940 | |
dc.description.abstract | Capaian indeks pembangunan manusia di Indonesia berbeda antar wilayah dengan kesenjangan mencolok terjadi pada wilayah bagian barat dan timur Indonesia. Perbedaan capaian ini dapat diketahui lebih jelas dengan menggerombolkan kabupaten/kota di Indonesia berdasarkan empat indikator indeks pembangunan manusia. Dengan tujuan tersebut, penelitian ini menggunakan metode k-means dan fuzzy c-means untuk menentukan ukuran gerombol optimal dengan dua pendekatan jarak, yaitu jarak Euclidean dan Manhattan pada data indikator indeks pembangunan manusia tahun 2020. Selain itu, penelitian ini juga berupaya untuk mengidentifikasi persebaran kabupaten/kota berdasarkan karakteristik indikator indeks pembangunan manusia pada hasil penggerombolannya. Hasilnya diperoleh bahwa ukuran jarak terbaik adalah jarak Euclidean dengan ukuran gerombol optimal adalah empat untuk k-means dan enam untuk fuzzy c-means. Selain itu, hasil penggerombolan yang diperoleh dengan metode k-means lebih optimal dibanding fuzzy c-means dikarenakan nilai evaluasinya lebih baik. Secara umum, empat gerombol yang terbentuk sesuai dengan pengelompokan yang dilakukan oleh BPS dengan persentase kesesuaian mencapai 66,54%. Ringkasnya, sebagian besar kabupaten/kota di Pulau Sumatera, Jawa, Kalimantan dan Sulawesi memiliki capaian angka harapan hidup dan pengeluaran perkapita yang lebih tinggi dibanding banyak kabupaten/kota di Kepulauan Nusa Tenggara (selain Provinsi Bali), Maluku dan Papua. Pencapaian yang sangat tinggi untuk setiap indikator IPM didominasi oleh ibu kota dari setiap provinsi dengan kondisi kurang baik terjadi pada sebagian besar kabupaten/kota di Provinsi Papua. | id |
dc.description.abstract | The achievement of the human development index in Indonesia differs between regions with striking gaps occurring in the western and eastern parts of Indonesia. This difference in achievement can be seen more clearly by grouping regencies/municipalities in Indonesia based on the four indicators of the human development index. With this aim, this study uses the k-means and fuzzy c-means methods to determine the optimal cluster size with two distance approaches, namely the Euclidean and Manhattan distances on the human development index indicators data in 2020. In addition, this study also seeks to identify the distribution of regencies/municipalities based on the characteristics of the human development index indicators in the clustering result. The result is that the best distance measure is Euclidean distance with optimal cluster size is four for k-means and six for fuzzy c-means. In addition, the clustering results obtained by the k-means method are more optimal than the fuzzy c-means because the evaluation value is better. In general, the four clusters formed were in accordance with the grouping carried out by BPS with the percentage of conformity reaching 66,54%. In summary, most regencies/municipalities on the Island of Sumatera, Java, Borneo and Sulawesi have higher life expectancy and percapita expenditure than many regencies/municipalities in the Nusa Tenggara Islands (besides Bali), Moluccas and Papua. Very high achievement for each HDI indicators is dominated by the capital city of each province with unfavorable conditions occurring in most regencies/municipalities in Papua Province. | id |
dc.language.iso | id | id |
dc.publisher | IPB University | id |
dc.title | Penggerombolan Kabupaten/Kota di Indonesia Berdasarkan Indikator Indeks Pembangunan Manusia Menggunakan Metode K-Means dan Fuzzy C-Means | id |
dc.title.alternative | Regencies/Municipalities Clustering in Indonesia Based on Human Development Index Indicators Using the K-Means and Fuzzy C-Means Methods | id |
dc.type | Undergraduate Thesis | id |
dc.subject.keyword | cluster analysis | id |
dc.subject.keyword | fuzzy c-means | id |
dc.subject.keyword | human development index | id |
dc.subject.keyword | k-means | id |