Pengelompokan Wilayah di Jawa Barat Menggunakan Robust Sparse K-Means Berdasarkan IPM 2023

Abstract. The Human Development Index (HDI) is one of the main indicators used to assess the quality of development in a region in terms of health, education, and economy. This study aims to cluster regencies/municipalities in West Java Province based on HDI indicators by applying the Robust Sparse K-Means (RSK-Means) method. This method is an extension of the classical K-Means algorithm, capable of handling the presence of outliers and automatically selecting the most influential variables in the clustering process. The analyzed data consist of 27 regencies/municipalities with 8 HDI indicator variables. The analysis results show that the optimal configuration was obtained with 2 clusters, an L1 penalty value of 1.2, and a trimming α of 0.10. Three regions identified as outliers were trimmed, namely Tasikmalaya Regency, Karawang Regency, and Bekasi City. The Silhouette index value of 0.6 indicates that the formed cluster separation is fairly good. The variables Average Years of Schooling and Life Expectancy were found to be the most influential factors in cluster formation. The first cluster represents regions with lower HDI achievements, while the second cluster reflects regions with higher HDI achievements. These findings demonstrate that the RSK-Means method is effective in clustering regions based on human development indicators and can assist in determining more targeted policy priorities. Abstrak. Indeks Pembangunan Manusia (IPM) merupakan salah satu indikator utama untuk menilai kualitas pembangunan suatu daerah dari segi kesehatan, pendidikan, dan ekonomi. Penelitian ini bertujuan mengelompokkan kabupaten/kota di Provinsi Jawa Barat berdasarkan indikator IPM dengan menerapkan metode Robust Sparse K-Means (RSK-Means). Metode ini merupakan pengembangan dari K-Means klasik yang mampu mengatasi keberadaan pencilan (outlier) serta secara otomatis memilih variabel yang paling berpengaruh dalam proses pengelompokan. Data yang dianalisis mencakup 27 kabupaten/kota dengan 8 variabel indikator IPM. Hasil analisis menunjukkan konfigurasi optimal diperoleh dengan 2 klaster, nilai penalti L1 sebesar 1,2, dan trimming α sebesar 0,10. Tiga daerah yang dipangkas karena teridentifikasi sebagai pencilan adalah Kabupaten Tasikmalaya, Kabupaten Karawang, dan Kota Bekasi. Nilai indeks Silhouette sebesar 0,6 mengindikasikan bahwa pemisahan klaster yang terbentuk cukup baik. Variabel Rata-Rata Lama Sekolah dan Umur Harapan Hidup ditemukan sebagai faktor paling berpengaruh dalam pembentukan klaster. Klaster pertama menggambarkan daerah dengan capaian IPM yang lebih rendah, sedangkan klaster kedua mencerminkan daerah dengan IPM yang lebih tinggi. Temuan ini menunjukkan bahwa metode RSK-Means efektif dalam mengelompokkan wilayah berdasarkan indikator pembangunan manusia serta dapat membantu dalam penentuan kebijakan yang lebih tepat sasaran.