Optimalisasi Pemetaan Klaster Kependudukan Provinsi di Indonesia Menggunakan Elbow Method dan Davies-Bouldin Index
DOI:
https://doi.org/10.33795/jip.v12i2.9162Keywords:
Clustering, K-Means, Analisis Demografi, Elbow Method, Davies-Bouldin IndexAbstract
Ketimpangan distribusi dan dinamika pertumbuhan penduduk antarprovinsi di Indonesia menimbulkan tantangan serius dalam perencanaan pembangunan yang berkeadilan dan berkelanjutan. Perbedaan jumlah penduduk, laju pertumbuhan, serta kontribusi terhadap total populasi nasional berimplikasi pada variasi kebutuhan infrastruktur, layanan publik, dan kapasitas wilayah dalam menopang aktivitas sosial-ekonomi. Oleh karena itu, diperlukan pendekatan analitik yang mampu mengelompokkan provinsi berdasarkan kesamaan karakteristik demografis guna mendukung perumusan kebijakan yang lebih terarah. Penelitian ini bertujuan memetakan pola kependudukan antarprovinsi di Indonesia menggunakan algoritma K-Means berdasarkan tiga variabel utama, yaitu rata-rata jumlah penduduk, laju pertumbuhan penduduk, dan persentase distribusi penduduk. Data sekunder yang digunakan bersumber dari Badan Pusat Statistik (BPS) periode 2016-2023 dan dirata-ratakan untuk merepresentasikan kondisi demografi jangka menengah yang relatif stabil. Seleksi variabel dilakukan melalui analisis korelasi, kemudian data dinormalisasi menggunakan Z-score untuk memastikan kesetaraan skala antarvariabel. Penentuan jumlah klaster optimal dilakukan dengan Elbow Method dan divalidasi menggunakan Davies-Bouldin Index (DBI). Hasil analisis menunjukkan titik siku pada k = 4 dan nilai DBI minimum sebesar 0,4430 pada k = 4, yang lebih rendah dibandingkan k = 2 (0,4838) dan k = 3 (0,8006), sehingga empat klaster dinilai sebagai struktur pengelompokan paling representatif. Klasterisasi menghasilkan empat kelompok demografis yang mencerminkan karakteristik berbeda, mulai dari provinsi dengan populasi sangat besar, wilayah berpertumbuhan tinggi dengan jumlah penduduk relatif kecil, kelompok moderat, hingga wilayah dengan kepadatan ekstrem. Temuan ini menunjukkan bahwa pendekatan K-Means yang didukung validasi kuantitatif mampu menggambarkan heterogenitas demografi Indonesia secara lebih terstruktur serta berpotensi menjadi dasar dalam perencanaan pembangunan berbasis karakteristik wilayah.
Downloads
References
Amri, Muh. A., Risal, A. A. N., Bakri, Muh. F., & Surianto, D. F. (2025). Mini-Batch K-Means Clustering Untuk Pengelompokan Kemandirian Daerah Di Sulawesi Selatan. Jurnal Informatika Polinema, 11(2), 235–244. https://doi.org/10.33795/jip.v11i2.6871
Aryanto, R. P., Nilogiri, A., & Wardoyo, A. E. (2024). Klasterisasi Jumlah Penduduk Provinsi Jawa Timur Tahun 2021-2023 Menggunakan Algoritma K-Means. JISKA (Jurnal Informatika Sunan Kalijaga), 9(2), 134–146. https://doi.org/10.14421/jiska.2024.9.2.134-146
Asyafiiyah, G. R. U., Widyastuti, A., & Andriani, F. (2025). Analisis Wilayah Prioritas Pembangunan di Provinsi Jawa Timur Berdasarkan Indikator Sosial Menggunakan Metode K-Means Clustering. Arcitech: Journal of Computer Science and Artificial Intelligence, 5(1), 32–48. https://doi.org/10.29240/arcitech.v5i1.13488
Fahmiyah, I., & Ningrum, R. A. (2023). Human Development Clustering in Indonesia: Using K-Means Method and Based on Human Development Index Categories. Journal of Advanced Technology and Multidiscipline, 2(1), 27–33. https://doi.org/10.20473/jatm.v2i1.45070
Febriansyah, F., & Muntari, S. (2023). Penerapan Algoritma K-Means untuk Klasterisasi Penduduk Miskin pada Kota Pagar Alam. JISKA (Jurnal Informatika Sunan Kalijaga), 8(1), 66–77. https://doi.org/10.14421/jiska.2023.8.1.66-77
Handayanna, F. (2023). Penerapan Algoritma K-Means Untuk Klasterisasi Penduduk Miskin Di Provinsi Banten. Inti Nusa Mandiri, 18(1), 93–99. https://doi.org/10.33480/inti.v18i1.4399
Iswahyudi, L. E., & Rahmawati, F. (2025). Segmentasi Wilayah melalui K-Means Cluster untuk Mencapai SDGs 5 “Kesetaraan Gender.” Jurnal Ilmu Sosial Dan Humaniora, 14(2), 258–268. https://doi.org/10.23887/jish.v14i2.92647
Kurniawan, W., & Kurniawan, R. (2025). Penerapan Algoritma K-Means Clustering Dalam Menentukan Peluang Masuk Siswa Ke Universitas Negeri. Jurnal Informatika Teknologi Dan Sains (Jinteks), 7(1), 386–393. https://doi.org/10.51401/jinteks.v7i1.5586
Mayasari, S. N., & Nugraha, J. (2023). Implementasi K-Means Cluster Analysis untuk Mengelompokkan Kabupaten/Kota Berdasarkan Data Kemiskinan di Provinsi Jawa Tengah Tahun 2022. KONSTELASI: Konvergensi Teknologi Dan Sistem Informasi, 3(2), 317–329. https://doi.org/10.24002/konstelasi.v3i2.7200
Misbakhul Anam, Annisa Maulana Majid, & Ermanto. (2025). Analisis Pola Pengangguran Menggunakan Metode Clustering Algoritma K-Means Di Wilayah Kabupaten Cirebon</b> Jurnal Teknologi Dan Manajemen Industri Terapan, 4(4), 1691–1701. https://doi.org/10.55826/jtmit.v4i4.743
Mu’awwanah, U., & Ridho Illah, G. R. (2022). Problematika Kependudukan Indonesia. Al-Tsaman : Jurnal Ekonomi Dan Keuangan Islam, 4(1), 63–78. https://doi.org/10.62097/al-tsaman.v4i1.877
Novitasari, D., Harmaimun Hidayah, A., Kamila, R., & Nasrudin, M. (2025). Journal of Artificial Intelligence and Engineering Applications Cluster Modeling with K-Means on Provincial Data in Indonesia Based on Environmental Indicators (Vol. 4, Issue 3). https://ioinformatic.org/
Nurparikha, D. A., Ramdani, E. M., Sudrajat, A. S., & Novira, A. (2023). PEMERATAAN Pembangunan Melalui Kebijakan Pemekaran Wilayah. Jurnal Kebijakan Publik, 14(4), 407. https://doi.org/10.31258/jkp.v14i4.8340
Rachma, M., Budy Santoso, C., Informasi, S., Teknologi dan Desain, F., Pembangunan Jaya, U., & Selatan, T. (2025). Klasterisasi Data Pengangguran Di Pulau Jawa Menggunakan Algoritma K-Means Dalam Penanggulangan Pengangguran Tahun 2020-2023. In Idealis: Indonesia Journal Information System (Vol. 8, Issue 2). https://doi.org/https://doi.org/10.36080/idealis.v8i2.3522
Saputra, N. R., & Muflih, G. Z. (2025). Pengelompokan Wilayah Indonesia Berdasarkan Komponen Indeks Pembangunan Manusia Dengan Pendekatan Algoritma K-Means Clustering. Skanika: Sistem Komputer Dan Teknik Informatika, 8(1), 156–167. https://doi.org/10.36080/skanika.v8i1.3318
Siregar, D., Rahayu, W., Wardana, B. M., Ketrin Natasya Stefany, & Bayu Wibisono. (2024). Characteristics of Provinces in Indonesia Based on JKN Indicator Outcomes by Gaussian Mixture Model with Expectation-Maximization Algorithm and Biplot. Jurnal Statistika Dan Aplikasinya, 8(1), 17–30. https://doi.org/10.21009/jsa.08102
Sugiastuti, R. H., & Pratama, M. R. (2022). Dampak Buruk Pembangunan Tanpa Pemerataan : Kesenjangan Ekonomi Antar Wilayah Di Indonesia. https://doi.org/https://doi.org/10.21776/ub.profit.2022.-16.01.8
Syaharani, W., & Sriani, S. (2024). Application of k-Means Algorithm on Clustering Poor Population Data for Extreme Poverty Elimination. SISTEMASI, 13(4), 1732. https://doi.org/10.32520/stmsi.v13i4.4384
Wirda, F., Putra, T. J., Wardani, R., & Herizon, H. (2023). Apakah Pertumbuhan Penduduk Berdampak Bagi Pertumbuhan Ekonomi Kabupaten Solok. Amal: Jurnal Ekonomi Syariah, 5(01). https://doi.org/10.33477/eksy.v5i01.5476






