Pengelompokan Kemiskinan di Provinsi Sulawesi Selatan Tahun 2023 dengan Metode K-Means Clustering

Authors

  • A. Elisha Wulandari Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hadanuddin, Makassar, 60294, Indonesia
  • Andi M. Alfin Baso Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hadanuddin, Makassar, 60294, Indonesia
  • Belia Nurul Fajri Departemen Ekonomi Pembangunan, Fakultas Ekonomi dan Bisnis, Universitas Hadanuddin, Makassar, 60294, Indonesia
  • Anisa Kalondeng Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hadanuddin, Makassar, 60294, Indonesia
  • Anna Islamiyati Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hadanuddin, Makassar, 60294, Indonesia
  • Abdullah Pannu Badan Pusat Statistik Provinsi Sulawesi Selatan, Makassar, 90125, Indonesia
  • Muhammad Fadil Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hadanuddin, Makassar, 60294, Indonesia
  • Alfian Akbar Vallarino Badan Pusat Statistik Provinsi Sulawesi Selatan, Makassar, 90125, Indonesia
  • Anugrah Nur Isnaeni Rahman Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hadanuddin, Makassar, 60294, Indonesia

DOI:

https://doi.org/10.20956/ejsa.v6i2.45824

Keywords:

Poverty, K-Means Clustering, Clustering, South Sulawesi, Silhouette Index

Abstract

Poverty remains a significant social and economic issue in South Sulawesi Province. This study aims to classify districts/cities in South Sulawesi based on poverty levels using the K-Means Clustering method. The data used were obtained from the Central Bureau of Statistics (BPS) for 2023, including indicators such as the percentage of poor population, education level, and employment sector. The Silhouette Index method was applied to determine the optimal number of clusters. The results indicate that South Sulawesi is divided into two clusters, representing high and low poverty levels. The scatter plot further reveals that cluster 1 is more varied, while cluster 2 is more concentrated. These findings can serve as a foundation for formulating more targeted policies to reduce poverty in South Sulawesi.

References

Hardinandar, F. Determinan kemiskinan (studi kasus 29 kota/kabupaten di Provinsi Papua). Jurnal REP (Riset Ekonomi Pembangunan), 4(1), 1-12, 2019.

Rizkiyanto, M. Analisis Pengelompokan Kemiskinan di Indonesia Menggunakan Metode K-Means. Prosiding Seminar Kecerdasan Artifisial, Sains Data, dan Pendidikan Masa Depan, PROKASDADIK, 1, 102-106, 2023.

Irfan, & Faizal, L. Implementasi Algoritma K-Means untuk Mengelompokkan Data Tingkat Kemiskinan di Sulawesi Selatan Berdasarkan Kota/Kabupaten. Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI), 7(2), 261-269, 2024.

Arwani, I. Optimasi Proses Klasterisasi di MySQL DBMS dengan Mengintegrasikan Algoritme MIC-Kmeans Menggunakan Bahasa SQL dalam Stored Procedure. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 7(2), 391-398, 2020.

Latupeirissa, S. J., Lewaherilla, N., & Hiariey, A. Pengelompokan Kabupaten/Kota di Provinsi Maluku Berdasarkan Data Kemiskinan Tahun 2021 Menggunakan Metode K-Means Cluster. Jurnal Variance, 4(1), 15-22, 2022.

Tadi, M., & Ningsi, B. A. Analisis Klaster Kemiskinan Kabupaten Kota di Provinsi Banten Menggunakan Metode K-Means. Lebesgue: Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistika, 4(1), 374-385, 2023.

Aulia, S. Klasterisasi Pola Penjualan Pestisida Menggunakan Metode K-Means Clustering (Studi Kasus Di Toko Juanda Tani Kecamatan Hutabayu Raja). Djtechno: Jurnal Teknologi Informasi, 1(1), 1–5, 2021.

Widyadhana, D., Hastuti, R. B., Kharisudin, I., & Fauzi, F. Perbandingan Analisis Klaster K-Means dan Average Linkage untuk Pengklasteran Kemiskinan di Provinsi Jawa Tengah. PRISMA, Prosiding Seminar Nasional Matematika, 4, 584-594, 2021.

Downloads

Published

2025-08-04

Issue

Vol. 6, No. 2, Juli, 2025 : Estimasi

Section

Articles

License

Copyright

It is the author's responsibility to ensure that his or her submitted work does not infringe any existing copyright. Authors should obtain permission to reproduce or adapt copyrighted material and provide evidence of approval upon submitting the final version of a manuscript.