Optimasi Kernel K-Means dalam Pengelompokan Kabupaten/Kota Berdasarkan Indeks Pembangunan Manusia di Indonesia

Abstract

Kernel k-means (KKC) bekerja dengan mengubah data dari initial space ke dalam featured space dan k-means dijalankan menggunakan data featured space tersebut. Permasalahan utama dari KKC adalah inisialisasi centroid dimana posisi centroid sangat mempengaruhi hasil dari pengelompokan itu sendiri. Paper ini menjelaskan peran optimasi dalam pencarian titik centroid yang tepat untuk menemukan hasil yang baik dan stabil. Particle swarm optimization (PSO) dipilih karena mudah untuk diimplementasikan. Principal Component Analysis (PCA) digunakan untuk mereduksi dimensi tanpa mengurangi karakteristik data secara signifikan. Kemampuan PCA inilah yang kemudian digunakan untuk meningkatkan akurasi dari clustering. Keuntungan dari KKC-PSO dengan PCA adalah menemukan centroid yang tepat dengan waktu pencarian yang lebih singkat. Hasil percobaan menunjukkan bahwa KKC-PSO dengan PCA memberikan hasil yang optimal dilihat dari akumulasi within sum square yang kecil, dan juga stabil dilihat dari hasil perulangan yang selalu berhasil mendapatkan nilai optimal. Selanjutnya, algoritma ini digunakan untuk melihat pengelompokan kabupaten/kota di Indonesia berdasarkan indikator indeks pembangunan manusia (IPM) menggunakan data yang bersumber dari Badan Pusat Statistik. Kabupaten atau kota dapat dibagi menjadi 3 kelompok berdasarkan variabel IPM, yaitu kelompok dengan IPM yang rendah (kelompok 2), sedang (kelompok 3), dan tinggi (kelompok 1). Dari penelitian ini terlihat bahwa masih terdapat perbedaan IPM antar kabupaten, dimana perbedaan IPM ini cenderung terkelompok dan berdekatan antara satu dengan yang lainnya.