EUVIMEDEUVIMED entdecken
Open Access · CC BY-SA 4.0

Perbandingan Kinerja Algoritma K-Means dan K- Medoids dalam Pengelompokan Data Kemiskinan

Hillary Octa Fatica, Aviv Fitria Yulia, Ferly Ardhy, Fahlul Rizki

ANTHOR: Education and Learning Journal · 27.07.2026 · 5 (4) · 1195-1203

DOI: 10.31004/anthor.v5i4.1049 ↗

Kurz gefasst

Fachartikel in der Zeitschrift ANTHOR: Education and Learning Journal, online erschienen am 27.07.2026. Verfasst von Hillary Octa Fatica und 3 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-SA 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Kemiskinan merupakan permasalahan kompleks yang memerlukan pendekatan analisis berbasis data untuk mendukung ketepatan sasaran kebijakan pemerintah. Kabupaten Pringsewu sebagai salah satu daerah di Provinsi Lampung masih menghadapi tantangan dalam pengelolaan data kemiskinan yang dapat digunakan secara efektif untuk menentukan prioritas intervensi kebijakan. Penelitian ini bertujuan untuk membandingkan kinerja algoritma K-Means dan K-Medoids dalam pengelompokan data kemiskinan Kabupaten Pringsewu ke dalam tiga tingkatan, yaitu Sangat Miskin, Miskin, dan Rentan Miskin. Data bersumber dari Dinas Ketahanan Pangan Kabupaten Pringsewu sebanyak 731 data, yang setelah melalui proses seleksi, pembersihan, dan transformasi (encoding) menghasilkan 517 data siap olah dengan sembilan variabel, yaitu pekerjaan, kepemilikan rumah, jenis atap, jenis dinding, jenis lantai, daya listrik, bahan bakar, sumber air, dan fasilitas buang air besar. Hasil penelitian menunjukkan bahwa K-Means dan K-Medoids menghasilkan nilai Silhouette Coefficient yang berdekatan (0,1808 untuk K-Means dan 0,1721 untuk KMedoids), namun K-Means menunjukkan stabilitas konvergensi yang lebih baik dengan berhasil konvergen pada iterasi ke-12, sementara K-Medoids mengalami osilasi hingga batas maksimum 100 iterasi. Berdasarkan stabilitas yang lebih baik, K-Means dapat direkomendasikan sebagai algoritma yang relatif lebih sesuai untuk pengelompokan rumah tangga kemiskinan pada dataset ini, menghasilkan distribusi 128 rumah tangga Sangat Miskin, 162 rumah tangga Miskin, dan 227 rumah tangga Rentan Miskin. Informasi ini dapat dimanfaatkan oleh instansi terkait untuk menentukan prioritas dan jenis intervensi kebijakan penanggulangan kemiskinan yang lebih terarah sesuai dengan kondisi masingmasing kelompok.

Zitieren

APA

Fatica, H. O., Yulia, A. F., Ardhy, F., & Rizki, F. (2026). Perbandingan Kinerja Algoritma K-Means dan K- Medoids dalam Pengelompokan Data Kemiskinan. ANTHOR: Education and Learning Journal, 5(4), 1195-1203. https://doi.org/10.31004/anthor.v5i4.1049

Vancouver

Fatica HO, Yulia AF, Ardhy F, Rizki F. Perbandingan Kinerja Algoritma K-Means dan K- Medoids dalam Pengelompokan Data Kemiskinan. ANTHOR: Education and Learning Journal. 2026;5(4):1195-1203. doi:10.31004/anthor.v5i4.1049

BibTeX
@article{Fatica2026,
  author = {Fatica, Hillary Octa and Yulia, Aviv Fitria and Ardhy, Ferly and Rizki, Fahlul},
  title = {Perbandingan Kinerja Algoritma K-Means dan K- Medoids dalam Pengelompokan Data Kemiskinan},
  journal = {ANTHOR: Education and Learning Journal},
  year = {2026},
  volume = {5},
  number = {4},
  pages = {1195--1203},
  doi = {10.31004/anthor.v5i4.1049}
}
Kostenlos starten →