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.