PENERAPAN DATA MINING UNTUK CLUSTERING WILAYAH BERDASARKAN TINGKAT KEMISKINAN DI ACEH MENGGUNAKAN METODE K-MEANS CLUSTERING DAN DENSITY-BASED SPATIAL CLUSTERING OF APPLICATIONS WITH NOISE (DBSCAN)

Abstract

Kemiskinan masih menjadi permasalahan kompleks di Indonesia, yang tidak hanya berdampak pada aspek ekonomi, tetapi juga sosial dan pembangunan manusia. Salah satu provinsi yang mengalami tantangan signifikan dalam hal ini adalah Aceh, yang dalam beberapa tahun terakhir menunjukkan angka kemiskinan yang relatif tinggi dibandingkan provinsi di Sumatera. Penelitian ini bertujuan untuk mengidentifikasi dan mengelompokkan wilayah di Aceh berdasarkan tingkat kemiskinan menggunakan teknik data mining. Metode yang digunakan adalah K-Means Clustering  dan Density-Based Spatial Clustering Of Applications With Noise (DBSCAN). Data yang dianalisis mencakup periode tahun 2020 hingga 2024, dengan variabel persentase penduduk miskin, tingkat pengangguran terbuka, dan PDRB per kapita. Hasil pengelompokan menggunakan metode K-Means menghasilkan 3 cluster utama, yaitu wilayah dengan kategori kemiskinan tinggi, sedang, dan rendah. Sementara itu, metode DBSCAN mampu mengidentifikasi pola distribusi data yang lebih kompleks serta mendeteksi outlier atau wilayah-wilayah dengan karakteristik ekstrem, yang ditandai dengan cluster -1 (noise). Hasil evaluasi menggunakan Silhouette Score, menunjukkan bahwa DBSCAN secara umum memiliki kualitas clustering yang lebih baik dibandingkan K-Means. Meskipun pada tahun 2020 K-Means menunjukkan performa sedikit lebih unggul dengan nilai 0.2838, DBSCAN secara konsisten menunjukkan performa yang lebih baik dari tahun 2021 hingga 2024, dengan nilai tertinggi sebesar 0.4711 pada tahun 2022