PENINGKATAN PERFORMA DBSCAN DENGAN REDUKSI DIMENSI PRINCIPAL COMPONENT ANALYSIS (PCA) DALAM KLASTERISASI TINGKAT KEMISKINAN DI INDONESIA

Muhammad Rifqi Mubarok; Aris Tri Joko Harjanto; Ramadhan Renaldy

doi:10.51401/jinteks.v7i3.6129

Authors

Muhammad Rifqi Mubarok Universitas PGRI Semarang
Aris Tri Joko Harjanto Universitas PGRI Semarang
Ramadhan Renaldy Universitas PGRI Semarang

DOI:

https://doi.org/10.51401/jinteks.v7i3.6129

Keywords:

DBSCAN, PCA, klasterisasi, kemiskinan, evaluasi clustering

Abstract

Tingginya kompleksitas data kemiskinan di Indonesia memerlukan metode analisis yang mampu menangani data multivariat dan tidak teratur. Penelitian ini menerapkan kombinasi algoritma DBSCAN dengan Principal Component Analysis (PCA) untuk mengelompokkan kabupaten/kota berdasarkan lima indikator kemiskinan dari data BPS tahun 2015–2024. DBSCAN dipilih karena keunggulannya dalam mendeteksi klaster arbitrer dan outlier tanpa menentukan jumlah klaster awal, sedangkan PCA digunakan untuk mereduksi dimensi agar struktur data lebih sederhana. Tinjauan Pustaka menunjukkan bahwa kombinasi PCA dan algoritma klasterisasi dapat meningkatkan akurasi pemodelan. Metodologi mencakup tahapan pra-pemrosesan, standarisasi, reduksi PCA, penerapan DBSCAN, serta evaluasi menggunakan Silhouette Score, Calinski-Harabasz Index, dan Davies-Bouldin Index. Hasil menunjukkan bahwa DBSCAN dengan PCA memberikan performa terbaik dibanding K-Means, K-Medoids, dan Hierarchical Clustering, dengan Silhouette Score 0,7336 dan Davies-Bouldin Index 0,2862. Temuan ini membuktikan bahwa pendekatan tersebut efektif dalam mengelompokkan wilayah berdasarkan karakteristik kemiskinan dan dapat mendukung perumusan kebijakan yang lebih tepat sasaran.

References

J. Juliansyah, K. Khoffifah, K. Khoiriyah, and D. Daryono, “Pengembangan Sumber Daya Manusia dalam Pengentasan Kemiskinan di Kalimantan Timur,” J. Syntax Admiration, vol. 5, no. 7, pp. 2642–2654, Jul. 2024, doi: 10.46799/jsa.v5i7.1271.

F. Andrianus and K. Alfatih, “Pengaruh Infrastruktur terhadap Kemiskinan: Analisis Data Panel 34 Provinsi di Indonesia,” J. Inform. Ekon. Bisnis, pp. 54–60, Mar. 2023, doi: 10.37034/infeb.v5i1.206.

M. Amelia, A. Faqih, and A. R. Rinaldi, “PENERAPAN METODE K-MEANS CLUSTERING DALAM PEMETAAN KEMISKINAN KABUPATEN/KOTA DI INDONESIA UNTUK PERENCANAAN KEBIJAKAN YANG TEPAT,” J. Inform. Dan Tek. Elektro Terap., vol. 13, no. 2, Apr. 2025, doi: 10.23960/jitet.v13i2.6231.

D. Yusuf, E. Sestri, and F. Razi, “Implementasi Teknik Clustering Untuk Pengelompokan Mobil Bekas Berdasarkan Grade Pada Mobi Auto,” J-SISKO TECH J. Teknol. Sist. Inf. Dan Sist. Komput. TGD, vol. 6, no. 2, p. 307, Jul. 2023, doi: 10.53513/jsk.v6i2.8352.

F. M. Pranata, S. H. Wijoyo, and N. Y. Setiawan, “Analisis Performa Algoritma K-Means dan DBSCAN dalam Segmentasi Pelanggan dengan Pendekatan Model RFM,” J. Pengemb. Teknol. Inf. Dan Ilmu Komput., vol. 8, no. 7, Jul. 2024, Accessed: May 30, 2025. [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/13962

I. N. Simbolon and P. D. Friskila, “ANALISIS DAN EVALUASI ALGORITMA DBSCAN (DENSITY-BASED SPATIAL CLUSTERING OF APPLICATIONS WITH NOISE) PADA TUBERKULOSIS,” J. Inform. Dan Tek. Elektro Terap., vol. 12, no. 3S1, Oct. 2024, doi: 10.23960/jitet.v12i3S1.5206.

S. Mutiah, Y. Hasnataeni, A. Fitrianto, E. Erfiani, and L. M. R. D. Jumansyah, “Perbandingan Metode Klastering K-Means dan DBSCAN dalam Identifikasi Kelompok Rumah Tangga Berdasarkan Fasilitas Sosial Ekonomi di Jawa Barat,” Teorema Teori Dan Ris. Mat., vol. 9, no. 2, p. 247, Sep. 2024, doi: 10.25157/teorema.v9i2.16290.

E. Kurniawan and N. Hendrastuty, “PENERAPAN ALGORITMA K-MEANS UNTUK MELAKUKAN KLASTERISASI PADA PERINGKASAN TEKS,” J. Inform. Teknol. Dan Sains Jinteks, vol. 6, no. 3, pp. 514–520, Aug. 2024, doi: 10.51401/jinteks.v6i3.4435.

“BULLETIN OF COMPUTER SCIENCE RESEARCH,” vol. 5, no. 4, 2025.

I. Maulana, A. M. Siregar, R. Rahmat, and A. Fauzi, “OPTIMIZATION OF MACHINE LEARNING MODEL ACCURACY FOR BRAIN TUMOR CLASSIFICATION WITH PRINCIPAL COMPONENT ANALYSIS,” J. Tek. Inform. Jutif, vol. 5, no. 3, pp. 903–915, Jun. 2024, doi: 10.52436/1.jutif.2024.5.3.2058.

N. Alfiryal and I. F. Mahdy, “Pengelompokan Daerah Rawan Gempa Bumi di Pulau Jawa Menggunakan Metode Density Based Spatial Clustering of Application with Noise (DBSCAN)”.

D. Hediyati and I. M. Suartana, “Penerapan Principal Component Analysis (PCA) Untuk Reduksi Dimensi Pada Proses Clustering Data Produksi Pertanian Di Kabupaten Bojonegoro,” J. Inf. Eng. Educ. Technol., vol. 5, no. 2, pp. 49–54, Dec. 2021, doi: 10.26740/jieet.v5n2.p49-54.

E. Muningsih, N. Hasan, and G. B. Sulistyo, “Penerapan Metode Principle Component Analysis (PCA) untuk Clustering Data Kunjungan Wisatawan Mancanegara ke Indonesia,” Bianglala Inform., vol. 8, no. 1, pp. 58–62, Mar. 2020, doi: 10.31294/bi.v8i1.8470.

B. P. S. Indonesia, “Data dan Informasi Kemiskinan Kabupaten/ Kota Tahun 2024.” Accessed: May 30, 2025. [Online]. Available: https://www.bps.go.id/id/publication/2024/11/29/d2848c3990f081182125a416/data-dan-informasi-kemiskinan-kabupaten-kota-tahun-2024.html

I. Elzandy, E. Yulia Puspaningrum, and A. Lina Nurlaili, “KLASIFIKASI VARIETAS ANGGUR BERDASARKAN CITRA DAUN MENGGUNAKAN VGG16-XGBOOST,” JATI J. Mhs. Tek. Inform., vol. 9, no. 3, pp. 5483–5491, May 2025, doi: 10.36040/jati.v9i3.14309.

F. K. Rahman, S. Sanjaya, L. Handayani, and F. Insani, “Penerapan Algoritma K-Means Clustering pada Kinerja Mesin Screw press,” vol. 6, no. 2, 2025.

A. Dinanti and J. Purwadi, “Analisis Performa Algoritma K-Nearest Neighbor dan Reduksi Dimensi Menggunakan Principal Component Analysis,” Jambura J. Math., vol. 5, no. 1, pp. 155–165, Feb. 2023, doi: 10.34312/jjom.v5i1.17098.

I. A. Rosyada and D. T. Utari, “Penerapan Principal Component Analysis untuk Reduksi Variabel pada Algoritma K-Means Clustering,” Jambura J. Probab. Stat., vol. 5, no. 1, pp. 6–13, Jun. 2024, doi: 10.37905/jjps.v5i1.18733.

Agustia Hananto, Tukino Tukino, and Elfina Novalia, “Klasterisasi Kesiapan Digital Daerah: Studi Kasus Indeks SPBE di Jawa Barat, Indonesia,” J. Ilm. Tek. Inform. Dan Komun., vol. 5, no. 1, pp. 28–41, Mar. 2024, doi: 10.55606/juitik.v5i1.979.

R. Rianti, R. Andarsyah, and R. M. Awangga, “Penerapan PCA dan Algoritma Clustering untuk Analisis Mutu Perguruan Tinggi di LLDIKTI Wilayah IV,” NUANSA Inform., vol. 18, no. 2, pp. 67–77, Jul. 2024, doi: 10.25134/ilkom.v18i2.211.

R. M. Taufiq, R. Firdaus, F. Handayani, P. F. Muarif, and R. R. Rizqy, “Density Based Clustering Untuk Pemetaan Daerah Rawan Gempa Bumi Di Wilayah Sumatera Barat Menggunakan Metode DBSCAN,” J. FASILKOM, vol. 14, no. 3, pp. 817–822, Feb. 2025, doi: 10.37859/jf.v14i3.8833.

F. P. Azizah, S. S. Hilabi, and A. Hananto, “Perbandingan Algoritma K-Means dan Hierarchical Untuk Klasterisasi Data Kehadiran Karyawan,” vol. 14, no. 1.

Z. I. Nugraha, A. A. Putri, R. Derian, and R. Tutiarna, “PENERAPAN METODE K-MEDOIDS UNTUK PENGELOMPOKAN PASIEN GAGAL JANTUNG MENGGUNAKAN DATASET BMC MEDICAL INFORMATICS AND DECISION MAKING”.

D. T. Setiyawan and A. S. Barkah, “Comparative Analysis of DBSCAN, OPTICS, and Agglomerative Clustering Methods for Identifying Disease Distribution Patterns in Banjarnegara Community Health Centers,” vol. 6, no. 3, 2025.

R. R. Ananda, R. Maharani, M. A. I. Lubis, S. Putra, and H. Sitompul, “ANALISIS HARGA RUMAH DI DAERAH JAKARTA SELATAN DENGAN MENGGUNAKAN ALGORITMA SPECTRAL CLUSTERING”.

G. G. Ghiffary and K. Alifviansyah, “PERBANDINGAN ALGORITMA HDBSCAN DAN AGGLOMERATIVE HIERARCHICAL CLUSTERING DALAM KLASTERISASI PADA DATA YANG MENGANDUNG PENCILAN”.

S. Dewi and M. A. I. Pakereng, “IMPLEMENTASI PRINCIPAL COMPONENT ANALYSIS PADA K-MEANS UNTUK KLASTERISASI TINGKAT PENDIDIKAN PENDUDUK KABUPATEN SEMARANG,” JIPI J. Ilm. Penelit. Dan Pembelajaran Inform., vol. 8, no. 4, pp. 1186–1195, Nov. 2023, doi: 10.29100/jipi.v8i4.4101.

Fakultas Ilmu Komputer, Universitas Muhammadiyah Riau et al., “OPTIMISASI ALGORITMA K-MEANS DENGAN METODE REDUKSI DIMENSI UNTUK PENGELOMPOKAN BIG DATA DALAM ARSITEKTUR CLOUD COMPUTING,” J. Softw. Eng. Inf. Syst., vol. 5, no. 1, pp. 1–8, Dec. 2021, doi: 10.37859/seis.v5i1.7616.