Analisis Klaster pada Faktor-Faktor yang Mempengaruhi Indikator Kesejahteraan Sosial dan Ekonomi di Provinsi Jawa Timur Tahun 2023

Authors

  • Oktaviana Nur Rohmatulillah Institut Teknologi Sepuluh Nopember
  • Karisma Bunga Nirmala Institut Teknologi Sepuluh Nopember
  • Sri Pingit Wulandari Institut Teknologi Sepuluh Nopember

DOI:

https://doi.org/10.58192/ebismen.v3i4.2784

Keywords:

Klaster Analysis, Complete Linkage, K-means, Social and Economic Welfare

Abstract

Social and economic welfare reflects the quality of life in a region and is influenced by local social, economic, and environmental factors. East Java, as the second most populous province in Indonesia, faces challenges in improving the welfare of its residents, particularly due to varying regional characteristics such as employment, education, and population demographics. To understand the patterns of interrelationships among factors affecting welfare, this study conducted a klaster analysis to group regions based on similar characteristics. The klaster analysis employed both hierarchical (complete linkage) and non-hierarchical (K-means) approaches to determine the optimal number of klasters. The results revealed that the level of diversity across regions in East Java tends to be homogeneous in social and economic aspects, with average values exceeding standard deviations. Assumption tests for the klaster analysis confirmed that the data met the assumptions of multivariate normal distribution and dependency.Through hierarchical (complete linkage) and non-hierarchical (K-means) klaster analysis, two main klasters were formed, dividing districts/cities in East Java based on welfare characteristics. Using the complete linkage method, 27 regions were grouped into klaster 1, and 11 regions into klaster 2, while K-means grouped 26 regions into klaster 1 and 12 regions into klaster 2. Out of the six variables used, one variable was found to be insignificant in influencing the klastering results. Based on the mapping results, the grouping aligns with similar criteria, where urban areas predominantly fall into one klaster, and the other klaster is dominated by rural areas.

References

Apriliana, T., & Widodo, E. (2023). Analisis Cluster Hierarki untuk Pengelompokan Provinsi di Indonesia berdasarkan Jumlah Base Transceiver Station dan Kekuatan Sinyal. KONSTELASI: Konvergensi Teknologi dan Sistem Informasi.

Asiska, N., Satyahadewi, N., & Perdana, H. (2019). PENCARIAN CLUSTER OPTIMUM PADA SINGLE LINKAGE, COMPLETE LINKAGE DAN AVERAGE LINKAGE. Buletin Ilmiah Math, Stat, dan Terapannya (Bimaster).

Badan Pusat Statistik (BPS) Jawa Timur. (2024). Garis Kemiskinan Menurut Kabupaten/Kota di Jawa Timur (Rupiah/Bulan/Kapita), 2022-2024.

Badan Pusat Statstik. (2024). Persentase Penduduk Miskin (Persen), 2024.

Badruttaman, A., Sudarno, & Maruddani, D. I. (2020). Penerapan Analisis Klaster K Modes dengan Validasi Davies Bouldin Index dalam Menentukan Karakteristik Kanal YouTube di Indonesia vol 9; halaman 263-272. JURNAL GAUSSIAN, Volume 9, Nomor 3, Tahun 2020, Halaman 263-272.

Farisi, S. A., & dkk. (2022). Peran UMKM (Usaha Mikro Kecil Menengah) dalam Meningkatkan Kesejahteraan Masyarakat) vol 9; halaman 79. Jurnal Dinamika Ekonomi Syariah.

Hasmira, Alwi, W., & Nurfadhilah, K. (2023). Kemiskinan, Penentuan Cluster Hirarki Optimum dalam Pengelompokan Kabupaten/Kota di Provinsi Sulawesi Selatan dengan Indikator. Jurnal Matematika dan Statistika serta Aplikasinya.

I Wayan Terimajaya, N. L. (2024). Dasar-Dasar Statistika : Konsep dan Metode Analisis.

Indra Kertati, H. S. (2023). Implementasi Kebijakan Publik : Dari Hulu ke Hilir.

Ismail, I. H., Bahriani, M., Wahyudi, E., Nurrahman, A., Negara, H. R., Syafii, A., . . . M, M. A. (2024). ANALISIS DATA KUANTITATIF DENGAN PROGRAM R.

Khoirunnisa, H., Ruchjana, B. N., Irianingsih, I., & Suhadi, B. (2020). Perbandingan Penerapan Metode Agglomerative dengan Metode K-Means pada Data Curah Hujan di Wilayah Bogor. KUBIK: Jurnal Publikasi Ilmiah Matematika .

Luh Titi Handayani, A. (2023). STATISTIK DESKRIPTIF.

Pemerintah Kabupaten Pemalang. (2017). Pengeluaran Penduduk. Pemalang.

Salsabila, F., Fitriani, I., Umaidah, Y., & Heryana, N. (2023). PENERAPAN METODE CRISP-DM UNTUK ANALISA PENDAPATAN BERSIH BULANAN PEKERJA INFORMAL DI PROVINSI JAWA BARAT DENGAN ALGORITMA K-MEANS. DINAMIK.

Saputra, E. A., & Natalini, Y. (2021). Analisis Pengelompokan Data Nilai Siswa untuk Menentukan Siswa Berprestasi Menggunakan Metode Clustering K-Means. Journal of Information Systems and Informatics.

Septin Puji Astuti, E. S. (2023). Pengantar dan Analisis Desain Eksperimen Menggunakan MINITAB.

Suhaeni, C., Kurnia, A., & Ristiyani. (2018). Perbandingan Hasil Pengelompokan menggunakan Analisis Cluster Berhirarki, K-Means Cluster, dan Cluster Ensemble (Studi Kasus Data Indikator Pelayanan Kesehatan Ibu Hamil). Jurnal Media Infotama.

uryana, D. (2024). Matematika: Matematika Jilid 2. .

Walpole, R. E. (2017). Pengantar Statistika. In Standard Methods for the Examination of Water and Wastewater (Vol. 1).

Published

2024-12-13

How to Cite

Rohmatulillah, O. N., Nirmala, K. B., & Wulandari, S. P. (2024). Analisis Klaster pada Faktor-Faktor yang Mempengaruhi Indikator Kesejahteraan Sosial dan Ekonomi di Provinsi Jawa Timur Tahun 2023. Jurnal Ekonomi, Bisnis Dan Manajemen, 3(4), 307–325. https://doi.org/10.58192/ebismen.v3i4.2784

Similar Articles

<< < 1 2 3 4 5 6 7 8 9 10 > >> 

You may also start an advanced similarity search for this article.