PENGELOMPOKAN KABUPATEN/KOTA DI INDONESIA BERDASARKAN INDIKATOR INDEKS PEMBANGUNAN MANUSIA MENGGUNAKAN METODE CLUSTERING LARGE APPLICATION

Jihan Rifka Mareta, NIM : 202001638 (2023) PENGELOMPOKAN KABUPATEN/KOTA DI INDONESIA BERDASARKAN INDIKATOR INDEKS PEMBANGUNAN MANUSIA MENGGUNAKAN METODE CLUSTERING LARGE APPLICATION. Diploma thesis, ITESA Muhammadiyah Semarang.

[thumbnail of DAFTAR PUSTAKA Tugas Akhir-Jihan Rifka Mareta - Jihanrifka-39-60.pdf] Text
DAFTAR PUSTAKA Tugas Akhir-Jihan Rifka Mareta - Jihanrifka-39-60.pdf
Restricted to Registered users only until 4 September 2028.

Download (1MB)
[thumbnail of Bab 1 Tugas Akhir-Jihan Rifka Mareta P.pdf] Text
Bab 1 Tugas Akhir-Jihan Rifka Mareta P.pdf
Restricted to Registered users only until 4 September 2028.

Download (1MB)
[thumbnail of Full Text Tugas Akhir-Jihan Rifka Mareta L.pdf] Text
Full Text Tugas Akhir-Jihan Rifka Mareta L.pdf
Restricted to Registered users only until 4 September 2028.

Download (8MB)

Abstract

Indeks Pembangunan Manusia (IPM) merupakan tolok ukur keberhasilan pembangunan manusia yang mencakup tiga dimensi kehidupan manusia, yaitu dimensi umur panjang dan hidup sehat diukur dengan Angka Harapan Hidup, dimensi pengetahuan diukur dengan Rata-rata Lama Sekolah dan Harapan Lama Sekolah, dan dimensi standar hidup layak diukur dengan Pengeluaran Perkapita. Menurut UNDP tahun 2021/2022 jika dilihat dari peringkat ASEAN dan dunia, Indonesia berada diperingkat 7 ASEAN dan 116 di dunia dari 191 negara. Di kawasan Asia Tenggara dalam hal IPM Indonesia masih tertinggal dari Singapura, Brunei Darussalam, Malaysia, Thailand, dan Filipina. Pengelompokkan wilayah kabupaten/kota di Indonesia perlu dilakukan sebagai bahan perencanaan dan evaluasi sasaran program pemerintah. Tujuannya untuk meningkatkan angka pembangunan manusia berdasarkan komponen IPM. Pengelompokan Kabupaten/Kota di Indonesia berdasarkan indikator IPM kali ini menggunakan metode Clustering Large Application (CLARA). Metode ini memiliki kelebihan dalam pengelompokan data berukuran besar (>100) dan dapat bekerja lebih baik untuk kumpulan data yang padat dibandingkan metode Partitioning Arround Medoid (PAM). Pada penelitian ini menggunakan jumlah cluster k optimal = 4. Hasil penelitian berdasarkan jumlah cluster optimal yaitu cluster pertama terdiri dari 167 Kabupaten/Kota, cluster kedua terdiri dari 127 Kabupaten/Kota, cluster ketiga terdiri dari 206 Kabupaten/Kota, cluster keempat terdiri dari 14 Kabupaten/Kota.

Item Type: Thesis (Diploma)
Uncontrolled Keywords: CLARA, Clustering, Indeks Pembangunan Manusia, Clustering Large Application
Subjects: H Social Sciences > HA Statistics
H Social Sciences > HC Economic History and Conditions
Divisions: Faculty of Engineering, Science and Mathematics > School of Mathematics
Depositing User: Unnamed user with email [email protected]
Date Deposited: 27 Feb 2024 02:49
Last Modified: 24 Jul 2024 02:39
URI: https://repository.itesa.ac.id/id/eprint/228

Actions (login required)

View Item
View Item