Implementasi Self Organizing Maps untuk Pengelompokan Kabupaten/Kota Berdasarkan Indeks Pembangunan Manusia

Abstract

Indeks Pembangunan Manusia (IPM) merupakan indikator untuk mengukur keberhasilan dalam membangun kualitas hidup manusia. Di tahun 2022, empat indikator IPM berubah menjadi Umur Harapan Hidup Saat Lahir (UHH), Harapan Lama Sekolah (HLS), Rata-rata Lama Sekolah (RLS), dan Pengeluaran Kapita Pertahun. Namun empat indikator tersebut dianggap sebagian pihak kurang mewakili pembangunan. Penelitian ini bertujuan untuk melakukan pengelompokan IPM Kalimantan Barat dengan adanya penambahan variabel kepadatan penduduk, jumlah guru dan murid, dan jumlah pengangguran menggunakan Self Organizing Maps (SOM). Metode SOM dipilih karena memiliki kelebihan untuk memetakan data berdimensi tinggi kedalam bentuk peta berdimensi rendah. Selain itu digunakan normalisasi Min-Max normalization Benefit dan cost agar normalisasi sesuai dengan kriteria setiap variabel. Hasil penelitian ini menunjukkan bahwa, dengan menggunakan learning rate 0.001, maksimum iterasi 1100, dihasilkan sejumlah 4 cluster dengan nilai Silhouette Coefficients sebesar 0.331611 untuk penambahan variabel kepadatan penduduk, 0.290092 untuk penambahan variabel jumlah guru dan murid, 0.298582 untuk penambahan variabel jumlah pengangguran, dan 0.273734 untuk adanya penambahan variabel kepadatan penduduk, jumlah guru dan murid, dan jumlah pengangguran. Profiling cluster menghasilkan karakteristik dan anggota cluster yang berbeda di setiap penambahan variabel. Abstract The Human Development Index (IPM) is an indicator to measure success in building the quality of human life. In 2022, the four HDI indicators changed to Life Expectancy at Birth (UHH), Years of School Expectation (HLS), Average Years of Schooling (RLS), and Annual Capita Spending. However, some consider the four indicators to be less representative of development. This study aims to carry out the West Kalimantan IPM cluster by adding population density variables, the number of teachers and students, and the number of unemployed using Self Organizing Maps (SOM). The SOM method was chosen because it has the advantage of mapping high-dimensional data into low-dimensional maps. Besides that, Min-Max normalization Benefit and cost normalization are used so that normalization is in accordance with the criteria for each variable. The results of this study indicate that using a learning rate of 0.001, maximum iteration of 1100, a total of 4 clusters are produced with Silhouette Coefficients values of 0.331611 for the addition of the population density variable, 0.290092 for the addition of the number of teachers and students variable, 0.298582 for the addition of the number of unemployed variables, and 0.273734 for the addition of the variable population density, number of teachers and students, and number of unemployed. Cluster profiling produces different characteristics and cluster members in each variable addition.