Evaluasi K-Means dan Hierarchical Clustering dalam Segmentasi Wilayah Penerimaan Bantuan Sosial Pangan di Provinsi X
Abstract
The allocation of food social assistance in Indonesia faces challenges in targeting accuracy and distribution effectiveness. To improve distribution efficiency, this study explores regional segmentation using two clustering methods K-Means and Hierarchical Clustering based on social and economic characteristics. The analysis uses 324 secondary records from the Satu Data Indonesia portal, categorized by regency and city in Province X. Clustering performance was evaluated using the Silhouette Coefficient and Davies-Bouldin Index. Results show that K-Means Clustering outperforms Hierarchical Clustering, achieving a Silhouette Coefficient of 0.5371 and a Davies-Bouldin Index of 0.7173 with five clusters. In contrast, Hierarchical Clustering produced a Silhouette Coefficient of 0.4976 and a Davies-Bouldin Index of 0.7607. Based on these findings, K-Means is recommended for more effective regional segmentation in the distribution of food social assistance
Keywords: Regional Segmentation; Food Social Assistance; K-Means; Hierarchical Clustering
Abstrak
Alokasi bantuan sosial pangan di Indonesia masih menghadapi kendala ketepatan sasaran dan efektivitas penyaluran. Salah satu pendekatan untuk meningkatkan efisiensi penyaluran adalah dengan melakukan segmentasi wilayah penerima bantuan sosial pangan berdasarkan atribut sosial dan ekonomi. Penelitian ini bertujuan untuk mengkaji dua teknik klasterisasi, yaitu K-Means dan Hierarchical Clustering, untuk melakukan segmentasi wilayah penerima bantuan sosial pangan di Provinsi X. Data yang digunakan adalah data sekunder yang bersumber dari portal Satu Data Indonesia sebanyak 324 record yang dikelompokkan berdasarkan kabupaten dan kota. Evaluasi kinerja klasterisasi dilakukan dengan menggunakan dua metrik, yaitu Silhouette Coefficient dan Davies-Bouldin Index. Hasil penelitian menunjukkan bahwa pendekatan K-Means Clustering menghasilkan segmentasi wilayah yang unggul, ditunjukkan dengan nilai Silhouette Coefficient sebesar 0,5371 dan Davies-Bouldin Index sebesar 0,7173 untuk lima klaster. Pendekatan Hierarchical Clustering menghasilkan nilai Silhouette Coefficient sebesar 0,4976 dan Davies-Bouldin Index sebesar 0,7607. Dengan demikian, metode K-Means direkomendasikan untuk menggambarkan wilayah dalam distribusi bantuan sosial pangan.
Keywords
References
I. D. Anjani and A. Bahtiar, “Penerapan Algoritma K-Means Clustering Untuk Mengelompokkan Penerima Bantuan Sosial Tunai (Bst) Di Jawa Barat,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 3, pp. 2743–2747, 2024, doi: 10.36040/jati.v8i3.8974.
R. Behzadidoost and H. Izadkhah, “Identifying Effective Algorithms and Measures for Enhanced Clustering Quality: A Comprehensive Examination of Arbitrary Decisions in Hierarchical Clustering Algorithms,” J. Classif., vol. 42, pp. 1–31, 2025, doi: 10.1007/s00357-025-09506-5.
Z. Muhammad, “Analisis Perbandingan Algoritma K-Means dan Hierarchial Clustering untuk Pengelompokan Data Penduduk Indeks Pembangunan Manusia pada Kecamatan Percut Sei Tuan,” Skripsi, Program Studi Teknik Informatika, Universitas Medan Area, Medan, 2024.
R. Alwisyah et al., “Penerapan Clustering dalam Distribusi Bantuan Sosial Menggunakan K-Means,” Jurnal Teknologi Informasi dan Komputer., vol. 9, no. 3, pp. 112–125, 2021.
T. Gunawan et al., “Evaluasi Kinerja Algoritma Clustering Menggunakan Silhouette Score,” Jurnal Sains dan Teknologi Komputer., vol. 10, no. 1, pp. 33–45, 2021.
A. Suhendra et al., “Perbandingan Algoritma Clustering dalam Analisis Data Sosial,” Jurnal Artificial Intelligence dan Data Science., vol. 7, no. 2, pp. 55–68, 2022.
N. A. Hidayatullah and W. Prihartono, “Clustering Algoritma K-Means Untuk Meningkatkan Efektivitas Program Sosial Di Kota / Kabupaten Cirebon,” vol. 13, no. 1, pp. 629–636, 2025.
L. Rahmawati, A. Siregar, and B. Nugroho, “Implementasi K-Means dalam Clustering Data Penerima Bantuan Sosial,” Jurnal Data Mining Indonesia., vol. 8, no. 4, pp. 54–67, 2021.
I. Indra, N. Nur, M. Iqram, and N. Inayah, “Perbandingan K-Means dan Hierarchical Clustering dalam Pengelompokan Daerah Beresiko Stunting,” INOVTEK Polbeng - Seri Inform., vol. 8, no. 2, p. 356, 2023, doi: 10.35314/isi.v8i2.3612.
Y. Filki, “Algoritma K-Means Clustering dalam Memprediksi Penerima Bantuan Langsung Tunai (BLT) Dana Desa,” J. Inform. Ekon. Bisnis, vol. 4, pp. 166–171, 2022, doi: 10.37034/infeb.v4i4.166.
R. A. Restu, S. Susilowati, and I. R. Rahadjeng, “Data Mining dalam Menentukan Cluster Penerima Program Bantuan dengan Metode K-Means” REMIK (Riset dan E-Jurnal Manajemen Informatika Komputer), vol. 5, no. 4, pp. 200–215, 2023.
Y. K. Saheed, M. O. Arowolo, and A. U. Tosho, “An Efficient Hybridization of K-Means and Genetic Algorithm Based on Support Vector Machine for Cyber Intrusion Detection System,” Int. J. Electr. Eng. Informatics, vol. 14, no. 2, pp. 426–442, 2022, doi: 10.15676/ijeei.2022.14.2.11.
N. L. W. S. R. Ginantra, H. H. Wijaya, and F. N. Arifah et al., Data Mining dan Penerapan Algoritma. 1st ed. Yogyakarta: Yayasan Kita Menulis, 2021.
The Pennsylvania State University, “Example: Agglomerative hierarchical clustering.” Accessed: Feb. 10, 2025. [Online]. Available: https://online.stat.psu.edu/stat555/node/86/
B. M. Metisen and H. L. Sari, “Analisis Clustering Menggunakan Metode K-Means Dalam Pengelompokkan Penjualan Produk Pada Swalayan Fadhila,” J. Media Infotama, vol. 11, no. 2, pp. 110–118, 2015.
A. Fadilah, M. N. Pangestu, S. Lumbanbatu, and S. Defiyanti, “Pengelompokan Kabupaten/Kota Di Indonesia Berdasarkan Faktor Penyebab Stunting Pada Balita Menggunakan Algoritma K-Means,” JIKO (Jurnal Inform. dan Komputer), vol. 6, no. 2, p. 223, 2022, doi: 10.26798/jiko.v6i2.581.
G. Erda, C. Gunawan, and Z. Erda, “Grouping of Poverty in Indonesia Using K-Means With Silhouette Coefficient,” Param. J. Stat., vol. 3, no. 1, pp. 1–6, 2023, doi: 10.22487/27765660.2023.v3.i1.16435.
How To Cite This :
Refbacks
- There are currently no refbacks.
