Penerapan Principal Component Analysis Untuk Reduksi Dimensi Pada Algoritma K-Means Clustering (Studi Kasus : Indikator Kesejahteraan Masyarakat Jawa Barat Tahun 2021)
Abstract
Bersumber dari BPS, pada tahun 2021 Provinsi Jawa Barat menjadi provinsi
dengan jumlah penduduk terbanyak. Jumlah penduduk yang semakin meningkat
tentunya menyebabkan kabupaten dan kota di provinsi tersebut memiliki tingkat
keanekaragaman yang tinggi. Hal tersebut menyebabkan tingkat kesejahteraan
yang berbeda antar wilayah. Ketimpangan antar wilayah dapat mempengaruhi
kebijakan pemerintah Jawa Barat terkait Rencana Pembangunan Jangka Menengah
Daerah. Salah satu cara untuk mengatasi masalah ini adalah dengan
mengelompokkan wilayah menggunakan analisis cluster. K-Means Clustering
merupakan algoritma clustering yang banyak digunakan, namun memiliki
kelemahanya yaitu performa data clustering menurun jika dimensi dari data yang
diolah sangat besar. Masalah dimensi data pada K-Means dapat diatasi dengan
mengkombinasikan metode pengurangan dimensi Principal Component Analysis
(PCA). Penelitian ini menggunakan 7 variabel yang bertujuan untuk mengukur
tingkat kesejahteraan kabupaten/kota. Hasil analisis tersebut memperoleh 2
komponen utama berdasarkan eigen values yang nilainya lebih dari 1, dengan
cumulative proportion komponen ke-1 dan ke-2 sebesar 78,762%.
Pengelompokkan dari analisis cluster dengan metode K-means clustering yang
sudah dilakukan reduksi dimensi menggunakan PCA terbentuk 3 cluster terbaik
dimana jumlah anggota masing-masing cluster terdiri 12, 8, dan 7 kabupaten/kota.
Collections
- Statistics [904]