Pengelompokan Kemiskinan di Indonesia Menggunakan Time Series Based Clustering

Abstract

Indonesia memiliki komitmen yang besar dalam mencapai Sustainable Development Goals (SDGs) 2030, salah satu target dalam SDGs tersebut adalah pengentasan kemiskinan. Kemiskinan sendiri diartikan sebagai ketidakmampuan orang atau sekelompok orang dalam memenuhi kebutuhan makanan dan bukan makanan. Pada masa pandemi Indonesia mengalami peningkatan persentase kemiskinan yaitu mencapai puncaknya pada bulan September 2020 dengan angka sebesar 10,19%. Pada pencatatan terakhir bulan Maret 2022 angka tersebut sudah menurun sebesar 0,75% atau setara dengan 1,79 juta penduduk. Namun, demikian tidak semua provinsi mengalami penurunan masih ada provinsi yang mengalami peningkatan. Perlu dilakukan analisa untuk mengelompokan provinsi-provinsi di Indonesia tersebut berdasarkan persentase kemiskinan dengan tujuan untuk memberikan treatment yang lebih tepat. Metode analisis yang digunakan dalam penelitian adalah metode time series based clustering pada jarak Dynamic Time Warping (DTW). Algoritma penentuan kelompok yang digunakan adalah hirarki cluster complete linkage. Hasil analisa diperoleh bahwa penggunaan jarak DTW dapat meningkatkan nilai koefisien silhouette menjadi 0,75 dibandingkan menggunakan jarak Euclidean. Koefisien silhouette merupakan salah satu parameter yang digunakan untuk menentukan kebaikan hasil pengelompokan, dimana nilai 0,75 sudah dapat dikatakan hasil pengelompokan sudah sangat baik. Kelompok optimal hasil clustering sebanyak 3 kelompok dengan kategori kemiskinan rendah, sedang, dan tinggi. Provinsi NTT, Papua, dan Papua Barat merupakan provinsi dengan tingkat kemiskinan tertinggi, namun memiliki progress penurunan kemiskinan yang signifikan. Kata kunci⎯ cluster, DTW, hirarki, kemiskinan, dan time seriesABSTRACT ⎯ Indonesia has a strong commitment in achieving the 2030 SDGs, which one of the targets is reducing poverty. Poverty itself is defined as the inability of an individual or group to meet the basic needs of both food and non-food. During the pandemic, Indonesia experienced an increase in poverty percentage, which peaked in September 2020 with 10.19%. The latest data in March 2022, showed that the number has decreased by 0.75% or equivalent of 1.79 million people. However, the decrease does not encompass all provinces, there are several provinces that still suffer from increasing poverty. Therefore, it is necessary to group the provinces in Indonesia based on its percentage of poverty, in order to provide more appropriate treatment. The analysis method used in this research is the time series-based clustering with dtw distance. The clustering algorithm used is hierarchical cluster complete linkage. Based on the analysis result, the use of dtw distance can increase the silhouette coefficient value to 0.75 compared to using the Euclidean distance. The silhouette coefficient is one of the parameters used to determine the goodness of the clustering results, where the value of 0.75 can already be said to be very good clustering results. The optimum result of the clustering is a total of 3 groups with low...

Grouping of Poverty in Indonesia Using K-Means With Silhouette Coefficient

“…In addition, cluster analysis has also been studied in grouping regencies/cities in West Java Province based on poverty indicators using the k-means algorithm which produces 5 clusters (Febianto & Palasara, 2019). On the other hand, Setiawan & Zahra (2023) used time series-based clustering to classify poverty in Indonesia in which there are 3 clustering groups were created, that are low, medium and high poverty categories.…”

Statistical Clustering Approach: Mapping Population Indicators Through Probabilistic Analysis in Aceh Province, Indonesia

“…Another clustering research is the application of Time Series Clustering in Poverty Clustering in Indonesia [6]. This study is one of Hierarchical Clustering.…”