Klasterisasi Berdasarkan Data Penduduk Miskin di Asia dan Wilayah Indonesia Menggunakan Metode K-Means

Abstract

Penelitian ini bertujuan untuk mengelompokkan negara-negara di Asia dan Indonesia berdasarkan data jumlah penduduk miskin dengan menggunakan metode K-Means Clustering. Data yang digunakan meliputi jumlah penduduk, jumlah penduduk miskin, serta indikator tambahan seperti PDB per kapita dan rasio kemiskinan. Metode Principal Component Analysis (PCA) diterapkan untuk memvisualisasikan hasil pengelompokan dalam ruang dua dimensi. Hasilnya menunjukkan pola pengelompokan negara atau wilayah yang serupa dalam hal kemiskinan, yang dapat digunakan untuk menetapkan prioritas kebijakan penanggulangan kemiskinan di kawasan Asia. Pengelompokan dilakukan dengan menggunakan algoritma K-Means, sedangkan PCA menggunakan visualisasi, menggambarkan distribusi klaster dalam ruang dua dimensi. Tiga klaster utama mewakili wilayah dengan karakteristik sosial ekonomi yang beragam dan spesifik. Klaster pertama ditandai oleh wilayah dengan populasi yang tinggi tetapi tingkat kemiskinan yang rendah dan akses pendidikan yang memadai. Klaster kedua menggambarkan wilayah dengan persentase penduduk miskin yang signifikan. Sementara itu, klaster ketiga menunjukkan akses pendidikan yang terbatas, serta jumlah sekolah dan guru yang relatif sedikit. Visualisasi klaster ini menyoroti perbedaan antarwilayah dan berfungsi sebagai dasar untuk pembuatan kebijakan yang lebih baik di bidang sosial, ekonomi, dan pendidikan.