Perbandingan Metode K-means dan Fuzzy C-means dalam Mengelompokkan Kabupaten/Kota di Indonesia Berdasarkan Indikator Indeks Pembangunan Manusia Tahun 2021

K-Means adalah salah satu analisis cluster non hirarki yang membagi objek ke dalam
suatu kelompok berdasarkan jarak objek dengan pusat cluster terdekat. Fuzzy C-Means
adalah analisis cluster non hirarki yang menggunakan model pengelompokkan fuzzy
dimana data dapat menjadi anggota suatu cluster yang terbentuk berdasarkan keanggotaan
berbeda antara 0 sampai 1. Untuk mengetahui metode terbaik diantara kedua metode
tersebut dilakukan pengelompokkan Indeks Pembangunan Manusia (IPM). IPM
merupakan indikator penting untuk mengukur keberhasilan upaya peningkatan kualitas
hidup masyarakat. Peningkatan IPM di Indonesia tidak diiringi dengan pemerataan IPM di
setiap kabupaten/kota di Indonesia. Agar terjadinya pemerataan IPM, pengelompokkan
dilakukan untuk mengetahui karakteristik dari tiap kabupaten/kota. Penelitian ini
membahas tentang penggunaan algoritma K-means dan Fuzzy C-Means dalam
mengelompokkan indikator IPM Tahun 2021 dengan jumlah cluster sebanyak 4.
Penelitian ini merupakan penelitian terapan yang dimulai dengan mempelajari teori
- teori yang relevan dengan permasalahan. Data yang digunakan adalah data sekunder yang
diperoleh dari website Badan Pusat Statistik (BPS) Republik Indonesia. Penelitian ini
dimulai dengan mengelompokkan IPM indikator IPM Tahun 2021 dengan metode KMeans
dan Fuzzy C-Means, kemudian dari hasil cluster yang diperoleh dilakukan uji
validasi untuk mengetahui metode terbaik diantara kedua metode tersebut.
Hasil pengelompokan yang diperoleh adalah adanya indikator IPM yang rendah,
sedang tinggi dan sangat tinggi. Nilai C_index dan S_Dbw index dari metode K-Means
sebesar 0,108 dan 2,444. Sedangkan nilai C_index dan S_Dbw index dari metode Fuzzy CMeans
sebesar 0,105 dan 2,312. Hal ini berarti hasil pengelompokkan terbaik adalah
menggunakan metode Fuzzy C-Means karena memiliki nilai C_index dan S_Dbw index
yang lebih rendah.