Pengelompokan Kabupaten/Kota Maluku dan Nusa Tenggara Barat Berdasarkan Faktor Kemiskinan Menggunakan Self Organizing Maps
DOI:
https://doi.org/10.59632/leibniz.v5i02.607Keywords:
Kemiskinan, Self Organizing Maps, Klaster , Validasi InternalAbstract
Provinsi Maluku dan Nusa Tenggara Barat masih menghadapi tantangan serius dalam upaya pengentasan kemiskinan. Kedua provinsi ini tidak hanya mengalami peningkatan persentase penduduk miskin, tetapi juga termasuk sebagai wilayah dengan persentase penduduk miskin tertinggi di Indonesia. Persentase penduduk miskin di Provinsi Maluku pada tahun 2023 mencapai 16,42%, naik sebesar 0,45%. Sementara itu, persentase penduduk miskin di Provinsi Nusa Tenggara Barat mencapai 13,85%, naik sebesar 0,17%. Angka-angka ini masih jauh dari target pemerintah yang menetapkan 6%-7% untuk persentase kemiskinan nasional. Penelitian ini bertujuan untuk mengelompokkan kabupaten/kota di Provinsi Maluku dan Nusa Tenggara Barat berdasarkan faktor yang memengaruhi kemiskinan serta mengidentifikasi karakteristik hasil klaster yang terbentuk. Penelitian ini menggunakan metode Self Organizing Maps (SOM). Data penelitian ini bersumber dari publikasi Badan Pusat Statistik (BPS), yaitu Maluku dalam Angka 2024 dan Nusa Tenggara Barat dalam Angka 2024. Hasil analisis menunjukkan terbentuknya 3 klaster wilayah yang divalidasi menggunakan pendekatan validasi internal (Connectivity, Dunn, dan Silhouette). Klaster 1 terdiri dari 2 kota ditandai oleh keunggulan dalam indikator pendidikan, kesehatan, dan ekonomi. Klaster 2 terdiri dari 15 kabupaten/kota yang dicirikan dengan potensi tenaga kerja yang tinggi, namun mengahadapi tantangan jumlah penduduk yang besar. Sementara itu, klaster 3 terdiri dari 4 kabupaten memiliki keterbatasan dalam berbagai aspek, termasuk pendidikan, kesehatan, ekonomi, dan infrastruktur.
Downloads
References
Asan, U., & Ercan, S. (2012). An Introduction to Self-Organizing Maps. Paris: Atlantis Press.
Aselnino, P., & Wijayanto, A. W. (2024). Analisis Perbandingan Metode Hierarchical dan Non-Hierarchical dalam Pembentukan Cluster Provinsi di Indonesia Berdasarkan Indikator Women Empowerment. Indonesian Journal of Applied Statistics, 6(1), 57–68.
Badan Pusat Statistik. (2023). Profil Kemiskinan di Indonesia Maret 2023.
Brock, G., Datta, S., Pihur, V., & Datta, S. (2008). clVallid: An R Package for Cluster Validation. Journal of Statistical Software, 25(4), 371–372.
Direktorat Jenderal Perbendaharaan Kementerian Keuangan Republik Indonesia. (2024). Pengentasan dari Kemiskinan: Strategi dan Peran KPPN selaku Treasurer dan Financial Advisor. Diakses pada 17 Juni 2025 dari
Harnanto, Y. I., Rusgiyono, A., & Wuryandari, T. (2017). Penerapan Analisis Klaster Metode Ward Terhadap Kabupaten/Kota Di Jawa Tengah Berdasarkan Pengguna Alat Kontrasepsi. Jurnal Gaussian, 6(4), 528–537.
Heatubun, E. L., Wattimena, A. Z., & Batkunde, H. (2024). Analisis Klaster Daerah Sampah Menggunakan Metode Som, Single Linkage dan Average Linkage. PARAMETER: Jurnal Matematika, Statistika Dan Terapannya, 3(01), 33–48.
Imani, N., Alfassa, A. I., & Yolanda, A. M. (2023). Self Organizing Map (SOM) Clustering untuk Analisis Data Indikator Sosial di Provinsi Nusa Tenggara Timur. Jurnal Gaussian, 11(3), 458–467.
Kohonen, T. (2001). Self-Organizing Maps. New York: Springer.
Larose, D. T., & Larose, C. D. (2015). Data Mining and Predictive Analytics: Second Edition. New Jersey: John Wiley & Sons.
Mahadesyawardani, A., Zhafirab, A. A., Ariyawan, J., Humaira, E. P., Mardianto, M. F. F., Amelia, D., & Ana, E. (2024). Pengelompokan Kabupaten dan Kota di Jawa Timur berdasarkan Percepatan Pemulihan Ekonomi Menggunakan Pendekatan Hirearki. Eksponensial, 15(1), 39–48.
Nugroho, S. (2008). Statistika Mutivariat Terapan. Bengkulu: In UNIB Press Bengkulu.
Thamrin, N., & Wijayanto, A. W. (2021). Comparison of Soft and Hard Clustering: A Case Study on Welfare Level in Cities on Java Island. Indonesian Journal of Statistics and Its Applications, 5(1), 141–160.
Ulinnuh, N., & Veriani, R. (2020). Analisis Cluster dalam Pengelompokan Provinsi di Indonesia Berdasarkan Variabel Penyakit Menular Menggunakan Metode Complete Linkage, Average Linkage dan Ward. InfoTekJar : Jurnal Nasional Informatika Dan Teknologi Jaringan, 5(1), 101–108.
Wati, R. K., Pratiwi, H., & Sulandari, W. (2024). Perbandingan Algoritma Density-Based Spatial Clustering Algorithm with Noise (DBSCAN) dan Self-Organizing Map (SOM) untuk Clustering Data Gempa Bumi. Jurnal Statistika, 24(2), 151–160.
Worldometer. (2023). Population of Indonesia 2023. Diakses pada tanggal 25 Februari 2025, dari https://www.worldometers.info/world-population/indonesia-population/
Yahya, L. M., Kertanah, K., & Hidayaturrohman, U. (2024). Penerapan Algoritma Self Organizing Maps (SOM) dan K-Means untuk Mengelompokkan Akseptor KB Di NTB. Jurnal Statistika Dan Komputasi (STATKOM), 3(1), 32–41.
Yulianto, S., & Hidayatullah, K. H. (2014). Analisis Klaster untuk Pengelompokan Kabupaten/Kota di Provinsi Jawa Tengah Berdasarkan Indikator Kesejahteraan Rakyat. Jurnal Statistika, 2(1), 56–63.
Zulfahmi, R. N., Daul, M. K., Ayyubi, M. Al, Pradnyana, I. W. J., & Bekti, R. D. (2023). Pemetaan Kerentanan Tingkat Kriminalitas Menggunakan Metode Self Organizing Map. INSOLOGI: Jurnal Sains Dan Teknologi, 2(5), 872–881.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Yuke Aulia, Dwi Sulistiowati, Yenni Kurniawati, Admi Salma
This work is licensed under a Creative Commons Attribution 4.0 International License.
