Clustering Data Kemiskinan Multidimensi dengan Algoritma Pam dan K-Prototypes

Wijayanto, Aris (2019) Clustering Data Kemiskinan Multidimensi dengan Algoritma Pam dan K-Prototypes. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 07111750067019-Master_Thesis.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Kemiskinan masih menjadi perhatian serius pemerintah Indonesia. Melalui terminologi Kemiskinan Multidimensi, para ahli mencoba memahami kemiskinan dengan pendekatan yang lebih komprehensif. Dengan menggunakan data dari Survei Sosial Ekonomi Nasional (SUSENAS) 2017 dan metode Alkire-Foster, penelitian ini mengukur kemiskinan dalam hal berbagai kekurangan yang dialami oleh penduduk di Provinsi Jambi. Dimensi yang digunakan dalam penelitian ini terdiri dari 3 dimensi, yaitu: kesehatan, pendidikan, dan standar hidup. Dalam studi ini, rumah tangga miskin multidimensi dikelompokkan. Clustering dilakukan dengan menggunakan variabel kemiskinan mikro-BPS BPS. Variabel untuk pengelompokan adalah tipe data numerik dan kategorikal. Algoritma yang cocok untuk pengelompokan pada tipe data campuran adalah PAM dan K-prototypes. Pemilihan cluster terbaik dilakukan dengan membandingkan nilai koefisien siluet (KS) dari masing-masing metode clustering. Jumlah cluster terbaik di setiap metode adalah 2 cluster. Dalam penelitian ini, pengelompokan dengan K-prototypes adalah 59% lebih baik dari PAM dalam hal nilai KS. Mempertimbangkan nilai KS, kita dapat menyimpulkan bahwa cluster yang terbentuk masuk akal. Hasil uji ANOVA satu arah dan uji Kruskal-Wallis menunjukkan bahwa variabel jumlah anggota ruta, luas lantai rumah per kapita, skor kemiskinan multidimensi, bahan bangunan utama lantai rumah terluas, bahan bangunan utama dinding rumah terluas, lapangan usaha atau bidang pekerjaan utama KRT, status/kedudukan KRT dalam pekerjaan utama, ijazah/STTB tertinggi yang dimiliki KRT, dan kepemilikan aset berupa emas min. 10 gram, sepeda motor, mobil, TV layar datar min. 10 inch, dan tanah/lahan berbeda signifikan secara statistik diantara kelompok-kelompok yang dibentuk.
========================================================================================================================================
Poverty is still a serious concern of the Indonesian government. Through the Multidimensional Poverty terminology, experts try to understand poverty with a more comprehensive approach. Using data from the 2017 National Socio-Economic Survey (SUSENAS) and Alkire-Foster method, this study measures poverty in terms of the various deprivations experienced by residents in Jambi Province. The dimensions used in this study consist of 3 dimensions, namely: health, education, and living standard. In this study, multidimensional poor households were clustered.
Clustering is done using the BPS-Statistics Indonesia micro poverty criteria variable. The variables for clustering are numerical and categorical data types. Algorithms suitable for clustering on mixed data type are PAM and K-prototypes. The selection of the best cluster is done by comparing the value of the silhouette coefficient (SC) from each clustering method. The best number of cluster in each method is 2 clusters. In this study, clustering with K-prototypes is 59 % better than PAM in term of the SC value. Considering the SC value, we can conclude that the cluster formed is reasonable. The one-way ANOVA and Kruskal-Wallis test result shows that variable number of household members, house floor area per capita, multidimensional poverty score, the main building material of the widest house, the main building material for the widest house wall, the main field of employment of KRT, the status / position of household head in the main job, the highest diploma / STTB owned by KRT, and ownership of assets in the form of gold min. 10 grams, motorcycle, car, flat-screen TV min. 10 inch and landare a statistically significant difference between the formed clusters.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Clustering Tipe Data Campuran, Kemiskinan Multidimensi, K-prototypes, PAM
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Electrical Technology > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Aris Wijayanto
Date Deposited:	05 Aug 2026 07:05
Last Modified:	05 Aug 2026 07:05
URI:	http://repository.its.ac.id/id/eprint/67707

Actions (login required)

View Item