JNATIA Volume 1, No 2, Februari 2023

Jurnal Nasional Teknologi dan Aplikasinya

Implementasi Algoritma K-Means Clustering dalam Penentuan Klasifikasi Tingkat Pembangunan Perekonomian di Provinsi Bali

I Wayan Wijaya Kusuma Sandia1, Ida Bagus Gede Dwidasmaraa2

Informatics Department, Faculty of Math and Science, Udayana University South Kuta, Badung, Bali, Indonesia

1[email protected] 2[email protected]

Abstract

Inequality in economic development is one of the problems faced by regencies/cities in Bali Province. Even though Bali is one of the provinces with a fairly large economic contribution in Indonesia, most of its economic resources are still centered in one area. This study aims to form a cluster of districts/cities in Bali Province based on the performance of regional human and economic development using the K-Means Clustering method in order to support an even distribution of economic development in Bali by making regional-based policies that are in adaptability to the level of the economy. The study result showed that three clusters were formed with the first cluster consisting of Klungkung, Karangasem, Bangli, and Jembrana regencies, the second cluster consisting of Badung Regency and Denpasar City, and the third cluster consisting of Gianyar, Buleleng and Tabanan regencies.

Keywords: Pembangunan Ekonomi, K-Means Clustering, Bali.

  • 1.     Pendahuluan

Perekonomian merupakan salah satu prioritas utama dalam pelaksanaan pembangunan nasional, salah satu ciri negara maju adalah sistem perekonomian yang kuat dan berkeadilan. Pembangunan ekonomi adalah serangkaian upaya yang dilakukan dalam perekonomian untuk mengembangkan kegiatan ekonomi guna meningkatkan taraf hidup masyarakat. Pembangunan ekonomi nasional tidak dapat dipisahkan dari pembangunan ekonomi daerah [1], oleh karena itu pembangunan ekonomi daerah harus menjadi salah satu prioritas negara untuk menjadi negara yang lebih maju.

Keberhasilan pembangunan ekonomi daerah dapat diukur dengan beberapa indikator. Indikator utama yang digunakan adalah produk domestik bruto per kapita (PDB) daerah yang dapat digunakan sebagai indikator kegiatan ekonomi secara umum sebagai ukuran kemajuan daerah. Indikator kesejahteraan manusia juga harus dipadukan dengan Indeks Pembangunan Manusia (IPM). IPM dapat memberikan wawasan tentang harapan hidup, pendidikan dan standar hidup di wilayah tersebut. Indikator lain yang dapat digunakan untuk mengukur efisiensi pembangunan ekonomi suatu daerah adalah rasio gini dan pengeluaran per kapita.

Provinsi Bali merupakan salah satu daerah di kawasan Indonesia yang mengalami pertumbuhan ekonomi yang melambat di saat pandemi, perubahan tingkat perekonomian yang terjadi juga berpengaruh pada kesenjangan-kesenjangan perekonomian antar kabupaten/kota di Provinsi Bali [2]. Kesenjangan tersebuat akan lebih mudah diatasi apabila setiap daerah memiliki kebijakan - kebijakan yang sesuai dengan tiingkat perekonomian daerah tersebut, sehingga perekonomian bali tidak hanya ditopang oleh kota-kota besar seperti kabupaten Badung dan kota Denpasar.

Berangkat dari hal tersebut, kajian ini bertujuan untuk membentuk kluster wilayah/kota berdasarkan aktivitas pada tingkat ekonomi wilayah. Melalui klaster yang akan dibentuk, pemerintah pusat dan daerah dapat memantau dan mengevaluasi kinerja perekonomian masing-masing kabupaten/kota. Dengan demikian, perbedaan pembangunan antar kabupaten/kota di Provinsi Bali tidak bertambah. Metode K-Means clustering digunakan dalam penelitian ini untuk membentuk cluster wilayah/kota karena metode ini dapat memperkenalkan model yang lebih

fleksibel dan memudahkan penyelesaian perhitungan masalah yang dirumuskan.

  • 1.1.    Data Mining

Data mining adalah proses pencarian informasi dalam kumpulan data yang memiliki kapasitas yang besar [3]. Data mining bertujuan untuk mencari relasi dan informasi yang terdapat dalam data sehingga dapat dijadikan ilmu pengetahuan yang berguna. Secara garis besar metode dalam data mining dapat dibagi kedalam lima bagian yaitu klasifikasi, prediksi, asosiasi, estimasi dan klastering.

  • 1.2.    Clustering

Clustering adalah metode membagi dataset menjadi beberapa kelompok sesuai dengan karakteristik data [4]. Dalam proses clustering, objek-objek dibagi menjadi dua atau lebih cluster sehingga objek-objek dalam satu cluster sangat mirip satu sama lain. Dengan clustering, lebih mudah untuk menemukan pola distribusi dalam data dan juga lebih mudah untuk menentukan hubungan antar atribut data. Beberapa persyaratan pengelompokan penambangan data meliputi skalabilitas, kemampuan untuk menangani berbagai jenis atribut, kemampuan untuk menangani dimensi tinggi, menangani data yang berisik dan mudah diterjemahkan.

  • 1.3.    K-Means Clustering

K-Means Clustering merupakan metode clustering yang paling umum digunakan, K-Means merupakan salah satu metode pembelajaran unsupervised data mining, yang membagi data menjadi beberapa kelompok, sehingga data dalam sebuah cluster memiliki sifat yang sama [5]. Algoritma K-Means dikenal karena kemampuannya untuk mempartisi sejumlah besar data dan outlier dengan cepat dan mudah. K-Means bekerja dengan memecah data menjadi beberapa cluster dan mengelompokkannya berdasarkan seberapa mirip data tersebut dengan data centroid. Algoritma K-Means adalah metode non-hierarkis yang terlebih dahulu mengambil beberapa komponen populasi untuk bertindak sebagai pusat cluster awal. Pada langkah awal algoritma K-Means, centroid dipilih secara acak dari kumpulan data, setelah itu data diuji kesamaannya dengan setiap centroid yang membentuk cluster. Posisi pusat dihitung kembali hingga semua komponen data pada setiap cluster terklasifikasi dan akhirnya terbentuk pusat cluster baru.

  • 2.    Metode Penelitian

Penelitian ini menggunakan data sekunder dari Badan Pusat Statistik (BPS). Unit analisis mencakup 9 kabupaten/kota di Provinsi Bali dengan acuan waktu tahun 2020. Variabel yang digunakan dalam penelitian ini adalah produk domestik bruto per kapita (PDRB/kapita), pertumbuhan pengeluaran per kapita, rasio gini, angka harapan hidup, rata-rata tahun sekolah dan IPM. Tahapan penelitian ditunjukkan pada Gambar 1.

Gambar 1. Flowchart Alur Penelitian

  • 2.1.    Identifikasi Permasalahan

Pada penelitian ini identifikasi permasalahan dilakukan dengan tujuan untuk mengklasifikasikan wilayah di provinsi bali berdasarkat tingkat perekonomian. Hal ini bertujuan agar peneliti dan pembaca mengetahui tingkat perekonomian setiap daerah sehingga masyarakat dan pemerintah dapat mengambil kebijakan yang tepat untuk mengatasi kesenjangan perekonomian setiap daerah di Provinsi Bali.

  • 2.2.    Pengumpulan Data dan Studi Literatur

Pada tahapan ini dilakukan studi literatur untuk memperdalam pengetahuan dasar dalam memahami metode yang digunakan, yang mana data dalam penelitian ini merupakan data kondisi perekonomian bali. Data tersebut bersumber dari Badan Pusat Statistik Provinsi Bali pada tahun 2020, rincian dari data yang digunakan dapat dilihat dalam Tabel 1.

Table 1. Data Pertumbuhan Perekonomian Provinsi Bali

Kabupaten Kota

PDRB (Milyar)

Umur Harapan Hidup

Pertumbuhan Pengeluaran Perkapita (%)

Gini

Ratio

IPM

Rata-Rata Lama Sekolah

Jembrana

13.465

72,35

14,99

0,353

72,36

8,23

Tabanan

22.332

73,65

8,08

0,324

76,17

8,88

Badung

49.215

75,1

4,04

0,317

81,6

10,39

Gianyar

25.915

73,68

4,54

0,317

77,36

9,04

Klungkung

8.469

71,25

6,32

0,358

71,73

8,13

Bangli

6.722

70,52

12,65

0,283

69,36

7,17

Karangasem

16.453

70,47

14,97

0,327

67,35

6,32

Buleleng

33.359

71,83

4,3

0,285

72,55

7,24

Denpasar

49.583

74,82

12,37

0,33

83,93

11,47

  • 2.3.    Pemrosesan Awal Data

Pada tahapan ini, data yang diperoleh akan diproses menggunakan metode K-Means Clustering. Sebelumnya data tersebut akan diubah kedalam bentuk integer dan akan dinormalisasi untuk mempermudah pemrosesan. Dalam penelitian ini software yang digunakan untuk membantu proses pengolahan data adalah aplikasi Rapid Miner, aplikasi tersebut digunakan untuk menentukan pengelompokan data sehingga dapat menampilkan hasil akhir pengelompokan clustering.

  • 2.4.    Implementasi Algoritma K-Means

Gambar 2. Flowchart Algoritma K-Means

Algoritma K-Means pada penelitian ini digunakan dalam proses klasterisasi data, langkah-langkah dalam implementasinya dapat dilihat sebagai berikut:

  • 1.    Tentukan jumlah klaster yang diinginkan

  • 2.    Pada iterasi awal, tentukan centroid secara acak

  • 3.    Hitung jarak setiap titik ke centroid menggunakan rumus Euclidian Distance

  • 4.    Hitung ulang centroid menggunakan nilai rata-rata setiap variabel dari masing-masing cluster

  • 5.    Ulangi langkah ketiga dan keempat hingga nilai centroid tidak berubah, jika anggota dari masing-masing custer tidak terdapat perubahan maka proses klasterisasi sudah selesai

  • 3.    Hasil dan Pembahasan

    3.1   Seleksi Data

Pada tahap pemilihan data, data yang dipakai adalah data tinjauan perekonomian provinsi Bali pada tahun 2020 yang terdiri dari 7 variabel yaitu nama kabupaten/kota, PDRB, umur harapan hidup, pertumbuhan pengeluaran perkapita, gini ratio, IPM dan rata-rata lama sekolah. Data yag didapakan bia langsng diolah tanpa harus melawati preprocessing terlbih dahulu.

  • 3.2    Centroid Data

Centroid merupakan titik pusat data yang akan digunakan sebagai perhitungan dalam menentukan cluster, pada iterasi pertama nilai centroid ditentukan secara acak, berikut merupakan centroid awal dalam penelitian ini:

Table 2. Centroid Awal Data

Kabupaten Kota

PDRB (Milyar)

Umur Harapan Hidup

Pertumbuhan Pengeluaran Perkapita (%)

Gini Ratio

IPM

Rata-Rata Lama Sekolah

Jembrana

13.465

72,35

14,99

0,353

72,36

8,23

C0

Gianyar

25.915

73,68

4,54

0,317

77,36

9,04

C1

Denpasar

49.583

74,82

12,37

0,33

83,93

11,47

C2

  • 3.3    Menghitung Jarak Data ke Titik Pusat Cluster

Langkah selanjutnya adalah menghitung jarak setiap datum dari centroid asal dengan menggunakan persamaan jarak Euclidean. Pada titik ini, jarak terpendek antara data dengan cluster menentukan apakah data berada di cluster 0, cluster 1, atau cluster 2. Berikut adalah hasil perhitungan jarak data pada iterasi pertama:

Table 3. Hasil Iterasi pertama

Kabupaten/Kota

C0

C1

C2

Output

Jembrana

0

12449,96549

36118,56218

C0

Tabanan

8867,22363

3582,74195

27251,34159

C1

Badung

35750,35304

23300,39047

368,3132727

C2

Gianyar

12449,96549

0

23668,60236

C1

Klungkung

4995,937685

17445,89119

41114,49255

C0

Bangli

6742,931405

19192,89373

42861,49291

C0

Karangasem

2987,935402

9462,041979

33130,63494

C0

Buleleng

19894,1129

7444,152005

16224,45683

C1

Denpasar

36118,56218

23668,60236

0

C2

  • 3.4    Menghitung Nilai Centroid Baru

Langkah berikutnya hitung nilai centroid baru mengunakan nilai rata-rata setiap variabel dari masing-masing cluster. Jika nilai centroid berubah, ulangi kembali proses iterasi sehingga nilai centroid dan cluster tidak lagi ada perbubahan

Table 4. Centroid Data Baru

C0

11277,1775

71,1475

12,2325

0,33025

70,2

7,4625

C1

27202,00667

73,05333333

5,64

0,308666667

75,36

8,386666667

C2

49399,365

74,96

8,205

0,3235

82,765

10,93

  • 3.5    Hasil Akhir Iterasi

Setelah tidak terdapat perubahan dari hasil cluster maupun centroid maka hasil akhir dari perhitungan sudah bisa didapatkan. Berikut merupakan hasil akhir yang didapatkan dari perhitungan:

Table 4. Hasil Akhir Cluster

Kabupaten/Kota

C0

C1

C2

Output

Jembrana

2187,735769

13737,10023

35934,4572

C0

Tabanan

11054,95527

4869,87744

27067,2358

C1

Badung

37938,08542

22013,25443

184,1541884

C2

Gianyar

14637,69658

1287,139042

23484,49591

C1

Klungkung

2808,204222

18733,02715

40930,38667

C0

Bangli

4555,197649

20480,02897

42677,38758

C0

Karangasem

5175,664179

10749,17424

32946,5297

C0

Buleleng

22081,84406

6157,014315

16040,34915

C1

Denpasar

38306,29535

22381,46623

184,160388

C2

  • 3.6    Implementasi Algoritma K-Means Menggunakan RapidMiner

Untuk menerapkan metode K-Means pada data yang telah disiapkan, dataset harus diimpor terlebih dahulu ke dalam aplikasi RapidMiner. Kemudian beralih ke desain proses, yang mencakup implementasi dan pengujian menggunakan metode operator RapidMiner yang ada. Penjelasan lebih rinci tentang langkah-langkah ini adalah sebagai berikut.

  • 1.    Data yang sudah disimpan dalam fomat *.xls diimport terlebih dahulu ke dalam RapidMiner

sesuai dengan lokasi penyimpanan data. Selanjutnya tentukan atribut yang digunakan sebagai label indikator, dalam penelitian ini label indikator yang digunakan adalah kabupaten/kota

Gambar 3. Import Data ke Dalam RapidMiner

  • 2.    Setelah diimport, data diinput ke dalam desain proses dan dilanjutkan dengan memilih

metode yang akan digunakan untuk pemrosesan data, yang mana dalam penelitian ini menggunakan metode K-Means


  • Gambar 4. Desain Proses Pada RapidMiner

    3.


Tahapan selanjutnya adalah menentukan jumlah cluster yang diinginkan dan maksimal iterasi yang dilakukan dalam proses. Untuk lebih jelasnya dapat dilihat dalam gambar berikut


  • Gambar 5. Input Parameter K-Means

    4.


Setelah parameter klasterisasi ditentukan maka proses siap dijalankan. Hasil Clustering dari algoritma K-Means dapat dilihat pada gambar 6 dan 7

Open in

Turbo Prep      ∣^

I AutoModei

Filter (9/9 examples):

all

.. kJ

KatMipatenA-

duster

PDRB<Mi∣yar)

Umur Harap...

Pertumbuha..,

Gini Ralio

IPM

Rata-Rata L-

1

Jembrana

duster_O

13464 910

72.350

14.990

0.353

72.360

8230

2

Tabanan

cluster_2

22332.130

73.650

8.080

0.324

76.170

9 880

3

Badung

cluster_1

49215.260

75.100

4.040

0.317

81.600

10.390

4

Gianyar

cluster_2

25914 970

73.680

4.540

0317

77 360

9 040

5

Klungftjng

duster_O

8468 990

71.250

6.320

0.358

71.730

8130

6

Bangll

ChisierJ)

6721.990

70.520

12.650

0.283

69.360

7.170

. 7

Karangasem

cluster_O

16452.940

70.470

14.970

0.327

67.350

6.320

8

Buleleng

CiusterjZ

33359 020

71.830

4.300

0285

72550

7240

9

Denpasar

ChJStei-I

49583 470

74.820

12 370

0330

83930

11470

  • Gambar 6. Hasil Clustering Dalam Bentuk Tabel

Gambar 7. Hasil Clusterisasi Dalam Bentk Plot

Dari gambar 5 dapat dilihat hasil klasterisasi terbagi menjadi 3 kelompok, Cluster 0 terdiri dari kabupaten Jembrana, Klungkung, Bangli dan Karangasem, Cluster 1 terdiri dari kabupaten Badung dan kota Denpasar dan yang terakhir Cluster 2 terdiri kabupaten Tabanan, Gianyar dan Buleleng

  • 3.7 Rata-Rata Variabel Pada Masing - Masing Klaster

Table 4. Rata-Rata Variabel Pada Klaster

CLuster

PDRB (Milyar)

Umur

Harapan

Hidup

Pertumbuhan

Pengeluaran

Perkapita (%)

Gini Ratio

IPM

Rata-Rata

Lama Sekolah

C0

11.277

71,14

12,23

0,33025

70,2

7,46

C1

49.399

74,96

8,20

0,3235

82,76

10,93

C3

27.202

73,05

5,64

0,3086

75,36

8,38

Berdasarkan Tabel 7 dapat diketahui karakteristik setiap cluster berdasarkan enam variabel yang digunakan dengan rata-rata dari setiap variabel dari setiap cluster yang terbentuk. Karakteristik masing-masing cluster dijelaskan di bawah ini:

  • 1.    Klaster 0 dicirikan dengan rata-rata tingkat pembangunan perekonomian paling rendah

tinggi, dimana rata-rata PDRB pada klaster ini hanya menyumbang 12% dari rata-rata keseluruhan PDRB Provinsi Bali. Rata-rata pertumbuhan pengeluaran perkapita Klaster ini merupakan yang terbesar pada tahun 2020 dikarenakan klaster ini tidak mengalami penurunan penghasilan yang signifikan karena pandemi covid-19. Dari sisi pendidikan penduduknya, kabupaten/kota dalam Klaster 0 memiliki rata – rata RLS sebesar 7,46 tahun. Gini Ratio pada  klaster ini merupakan yang paling  tinggi, hal  tersebut

mengindikasikan bahwa distribusi pendapatan kabupaten/kota Klaster 0 memiliki

ketimpangan yang paling tinggi dibandingkan klaster-klaster lainnya.

  • 2.    Klaster 1 merupakan klaster yang terdiri dari dua wilayah, yaitu Kabupaten Badung dan

Kota Denpasar. Rata-rata PDRB cluster 1 merupakan yang tertinggi diantara klaster lainnya, namun secara pertumbuhan pendapatan perkapita masih lebih kecil jika dibandingkan dengan klaster 0. umur harapan hidup klaster 1 relatif tinggi dibandingkan klaster yang lain, dan kualitas pendidikan penduduk juga berapa pada posisi paling tinggi dengan rata-rata bernilai sebesar 10,93 tahun.

  • 3.    Klaster 2 dicirikan dengan gini ratio yang paling rendah, yang berarti bahwa ketimpangan

pendapatan pada klaster ini lebih rendah dari dua klaster lainnya. Rata-rata pertumbuhan

pendapatan kabupaten/kota klaster ini pada tahun 2020 adalah sebesar 5,64%. PDRB per kapita pada klaster ini berada posisi kedua setelah klaster 1 j, yaitu bernilai 27,202 milyar per tahun. Sama seperti PDRB-nya, secara pendidikan klaster ini berapa pada posisi kedua dengan RLS 8,38 tahun.

  • 4.    Kesimpulan

Berdasarkan penelitian yang sudah dilakukan sebelumnya, klasterisasi indeks tingkat pembangunan perekonomian di Provinsi bali dapat dibagi menjadi 3 klaster yaitu klaster C0 yang terdiri dari Kabupaten Klungkung, Jembrana, Karangasem dan Bangli, klaster C1 yang terdiri dari Kabupaten Badung dan Kota Denpasar, dan yang terakhir klaster C2 yang terdiri dari Kabupaten Tabanan, Gianyar dan Buleleng. Penelitian ini juga membuktikan metode Clustering dengan algoritma KMeans dapat digunakan untuk mengelompokkan tingkat pembangunan perekonomian kabupaten/kota di Provinsi Bali. Adanya penelitian ini diharapkan dapat meningkatkan kesadaran masyarakat dan pemerintah akan ketimpangan sosial yang terjadi sehingga kebijakan yang tepat dapat diambil sesuai dengan kebutuhan dan tingkat pembangunan perekonomian masing-masing daerah.

Daftar Pustaka

  • [1]    Fatmawati, K., & Windarto, A. P., Data Mining: Penerapan Rapidminer Dengan K-Means Cluster Pada Daerah Terjangkit Demam Berdarah Dengue (DBD) Berdasarkan Provinsi, CESS (Journal of Computer Engineering System and Science), Vol. 3, No. 2, 2018

  • [2]    Adnyani, N. K. S., & Agustini, D. A. E. Digitalisasi Sebagai Pemulihan Perekonomian Di Sektor Kerajinan Dalam Mendukung Kebangkitan Umkm Di Provinsi Bali. Jurnal Pengabdian Kepada Masyarakat Media Ganesha FHIS, 1(2), 87-96. 2020

  • [3]    Jollyta, D., Ramdhan, W., & Zarlis, M. Konsep Data Mining Dan Penerapan. Deepublish. 2020

  • [4]    Dharmayanti, D., Bachtiar, A. M., & Prasetyo, A. C. Penerapan Metode Clustering Untuk Membentuk Kelompok Belajar Menggunakan Di Smpn 19 Bandung. Komputa: Jurnal Ilmiah Komputer dan Informatika, 6(2), 49-56. 2017

  • [5]    Nabila, Z., Isnain, A. R., Permata, P., & Abidin, Z. Analisis Data Mining Untuk Clustering Kasus Covid-19 Di Provinsi Lampung Dengan Algoritma K-Means. Jurnal Teknologi Dan Sistem Informasi, 2(2), 100-108. 2021

halaman ini sengaja dibiarkan kosong

770