Perbandingan Metode K-Means dan K-Medoids dalam Klasterisasi Pencemaran Lingkungan
Studi Kasus: Berdasarkan Jumlah Desa Provinsi di Indonesia
DOI:
https://doi.org/10.26714/uwc.v8.596-607.2025Kata Kunci:
pencemaran lingkungan, klasterisasi, provinsi, k-means, k-medoidsAbstrak
Latar belakang: Pencemaran lingkungan, seperti pencemaran air, tanah, dan udara, masih menjadi persoalan utama di banyak wilayah Indonesia. Meskipun data dari Badan Pusat Statistik (BPS) menunjukkan banyak desa dan kelurahan terdampak, belum tersedia segmentasi provinsi yang komprehensif untuk mendukung kebijakan berbasis data. Penelitian ini memfokuskan pada pengelompokan 38 provinsi di Indonesia berdasarkan jenis pencemaran lingkungan menggunakan dua metode klasterisasi yaitu K-Means dan K-Medoids. Tujuannya adalah mengevaluasi metode mana yang lebih optimal dalam membentuk cluster wilayah terdampak. Metode: Penilaian dilakukan dengan Davies-Bouldin Index untuk menentukan jumlah cluster. Hasil Penelitian: terbaik. Hasil menunjukkan bahwa dua cluster merupakan konfigurasi optimal, dengan K-Means menunjukkan performa lebih baik (DBI = 0.432) dibandingkan K-Medoids (DBI = 0.465). Kesimpulan: Oleh karena itu, K-Means direkomendasikan sebagai metode yang lebih efektif dalam pengelompokan wilayah berdasarkan tingkat pencemaran dengan karakteristik cluster menunjukkan cluster 1 mewakili wilayah dengan pencemaran rendah dan cluster 2 mewakili wilayah dengan pencemaran tinggi.
____________________________________________________________________
Abstract
Background: Environmental pollution, such as water, soil, and air pollution, remains a major issue in many regions of Indonesia. Although data from Statistics Indonesia (BPS) indicate that many villages and urban neighborhoods are affected, a comprehensive provincial-level segmentation to support data-driven policymaking is still unavailable. This study focuses on clustering 38 provinces in Indonesia based on types of environmental pollution using two clustering methods, namely K-Means and K-Medoids. The objective is to evaluate which method is more optimal in forming clusters of affected regions. Method: The evaluation was carried out using the Davies-Bouldin Index to determine the optimal number of clusters. Result: The results show that two clusters represent the optimal configuration, with K-Means demonstrating better performance (DBI = 0.432) compared to K-Medoids (DBI = 0.465). Conclusion: Therefore, K-Means is recommended as the more effective method for clustering regions based on pollution levels with the cluster characteristics showing that Cluster 1 represents regions with low pollution levels, while Cluster 2 represents regions with high pollution levels.
Referensi
M. Anjelita, A. P. Windarto, A. Wanto, And I. Sudahri, “Pengembangan Datamining Klastering Pada Kasus Pencemaran Lingkungan Hidup,” Seminar Nasional Teknologi Komputer & Sains (Sainteks), 2020, Pp. 309–313.
I. Mardianti, K. Kasmantoni, And A. Walid, “Pengembangan Modul Pembelajaran Ipa Berbasis Etnosains Materi Pencemaran Lingkungan Untuk Melatih Literasi Sains Siswa Kelas Vii Di Smp,” Bio-Edu: Jurnal Pendidikan Biologi, Vol. 5, No. 2, Pp. 98–107, Aug. 2020, Doi: 10.32938/Jbe.V5i2.545.
R. Maulana, “Analisis Tingkat Pencemaran Lingkungan Pada Kota/Kabupaten Di Jawa Tengah Menggunakan Metode K-Means,” Jurnal Informatika Dan Teknik Elektro Terapan, Vol. 11, No. 3, Aug. 2023, Doi: 10.23960/Jitet.V11i3.3177.
N. Rohman And A. Wibowo, “Perbandingan Metode K-Medoids Dan Metode K-Means Dalam Analisis Segmentasi Pelanggan Mall,” Sintech Journal, Vol. 7, No. 1, Pp. 49–58, 2024, Doi: Https://Doi.Org/10.31598.
M. Bhakti, J. Dedy Irawan, And D. Rudhistiar, “Pengelompokan Game Berdasarkan Data Top Seller Pada Website ‘Steam’ Menggunakan Metode K-Medoids,” Jurnal Mahasiswa Teknik Informatika, Vol. 8, No. 5, Pp. 8242–8249, 2024, [Online]. Available: Https://Store.Steampowered.Com/
A. T. Sipayung, Saifullah, And W. Riki, “Penerapan Metode K-Means Dalam Mengelompokkan Banyaknya Desa/Kelurahan Menurut Jenis Pencemaran Lingkungan Hidup Berdasarkan Provinsi,” Kesatria: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen), Vol. 1, No. 4, Pp. 104–111, 2020, [Online]. Available: Http://Www.Bps.Go.Id.
G. Mardiatmoko, “The Importance Of The Classical Assumption Test In Multiple Linear Regression Analysis (A Case Study Of The Preparation Of The Allometric Equation Of Young Walnuts),” Barekeng, Vol. 14, No. 3, Pp. 333–342, Sep. 2020, Doi: 10.30598/Barekengvol14iss3pp333-342.
I. N. Azizah, P. R. Arum, And R. Wasono, “Model Terbaik Uji Multikolinearitas Untuk Analisis Faktor-Faktor Yang Mempengaruhi Produksi Padi Di Kabupaten Blora Tahun 2020,” Prosiding Seminar Nasional Unimus, 2021, Pp. 61–69.
D. S. Purba, W. J. Tarigan, M. Sinaga, And V. Tarigan, “Pelatihan Penggunaan Software Spss Dalam Pengolahan Regressi Linear Berganda Untuk Mahasiswa Fakultas Ekonomi Universitas Simalungun Di Masa Pandemi Covid 19,” Jurnal Karya Abdi, Vol. 5, No. 2, Pp. 202–208, Aug. 2021.
D. Ramdhan, G. Dwilestari, R. Danar Dana, And A. Ajiz, “Clustering Data Persediaan Barang Dengan Menggunakan Metode K-Means.,” Means (Media Informasi Analisa Dan Sistem), Vol. 7, No. 1, Pp. 1–9, 2022, Doi: Http://Ejournal.Ust.Ac.Id/Index.Php/Jurnal_Means/.
A. Fira, C. Rozikin, And Garno, “Komparasi Algoritma K-Means Dan K-Medoids Untuk Pengelompokkan Penyebaran Covid-19 Di Indonesia,” Journal Of Applied Informatics And Computing (Jaic), Vol. 5, No. 2, Pp. 133–138, Dec. 2021, Doi: Http://Jurnal.Polibatam.Ac.Id/Index.Php/Jaic.
A. Sulistiyawati And E. Supriyanto, “Implementasi Algoritma K-Means Clustring Dalam Penetuan Siswa Kelas Unggulan,” Jurnal Tekno Kompak, Vol. 15, No. 2, 2020.
A. Sobrinho Campolina Martins, L. Ramos De Araujo, And D. Rosana Ribeiro Penido, “K-Medoids Clustering Applications For High-Dimensionality Multiphase Probabilistic Power Flow,” International Journal Of Electrical Power And Energy Systems, Vol. 157, Jun. 2024, Doi: 10.1016/J.Ijepes.2024.109861.
N. Wahidah, O. Juwita, And F. Nurman Arifin, “Pengelompokkan Daerah Rawan Bencana Di Kabupaten Jember Menggunakan Metode K-Means Clustering,” 2023.
S. A. Sanmas, R. Nurmalita, D. Sulistiyani, And M. Al Haris, “Pengelompokkan Wilayah Banjir Di Jawa Tengah Untuk Mitigasi Banjir Menggunakan Pendekatan K-Medoids,” Jurnal Statistika Dan Komputasi, Vol. 3, No. 2, Pp. 51–61, Dec. 2024, Doi: 10.32665/Statkom.V3i2.3223.
Sekar Setyaningtyas, B. Indarmawan Nugroho, And Z. Arif, “Tinjauan Pustaka Sistem Pada Data Mining: Studi Kasus Algotitma K-Meansclustering,” Jurnal Teknoif Teknik Informatika Institut Teknologi Padang, Vol. 10, No. 2, Pp. 52–61, Oct. 2022, Doi: 10.21063/Jtif.2022.V10.2.52-61.
