Sumber gambar: Diadaptasi dari Hidayati et al., Comparison of K-Means, Fuzzy C-Means, Fuzzy Gustafson Kessel, and DBSCAN for Village Grouping in Surabaya Based on Poverty Indicators.
Halo Sobat Data!
Pada edisi #IDEA (Insight Data Eksplorasi Akademik) kali ini, kita akan membahas penelitian yang menunjukkan bagaimana data science dapat membantu membaca pola kemiskinan di Surabaya secara lebih terarah.
Penelitian ini ditulis oleh Ibu Sri Hidayati, S.Si., M.Stat., dosen Data Science Telkom University Surabaya yang akrab disapa Bu Sri atau Bu Ida, bersama tim peneliti. Judul jurnalnya adalah Comparison of K-Means, Fuzzy C-Means, Fuzzy Gustafson Kessel, and DBSCAN for Village Grouping in Surabaya Based on Poverty Indicators.
Dari judul penelitian tersebut, Sobat Data mungkin menemukan beberapa istilah teknis seperti K-Means, Fuzzy C-Means, Fuzzy Gustafson Kessel, dan DBSCAN. Namun, inti penelitiannya cukup dekat dengan kehidupan kota, yaitu bagaimana kelurahan-kelurahan di Surabaya dapat dikelompokkan berdasarkan karakteristik kemiskinan yang serupa.
Surabaya merupakan salah satu kota besar dengan dinamika ekonomi yang kuat. Di saat yang sama, persoalan kemiskinan tetap perlu dipahami secara lebih rinci. Kemiskinan tidak hanya berkaitan dengan pendapatan, tetapi juga tercermin dari kondisi rumah tangga, akses terhadap fasilitas dasar, dan pola penerimaan bantuan sosial.
Bu Sri dan tim menggunakan pendekatan clustering untuk mengelompokkan kelurahan di Surabaya berdasarkan berbagai indikator kemiskinan. Melalui proses ini, wilayah yang memiliki pola serupa dapat dikenali dengan lebih jelas. Kelurahan yang letaknya berjauhan pun bisa saja berada dalam kelompok yang sama karena memiliki kondisi sosial-ekonomi yang mirip.
Surabaya memiliki 31 kecamatan dan 154 kelurahan. Jumlah tersebut membuat pemetaan berbasis data menjadi penting agar karakteristik setiap wilayah tidak hanya terbaca sebagai kumpulan angka yang terpisah-pisah. Beberapa wilayah dapat memiliki pola kemiskinan yang serupa meskipun berada di lokasi yang berbeda.
Indikator yang digunakan dalam studi ini meliputi persentase rumah tangga dengan status tanah milik orang lain, sumber air minum dari meteran, penggunaan listrik 450 watt, penggunaan gas elpiji 3 kg, jenis lantai rumah selain keramik atau marmer, serta keikutsertaan dalam program Raskin.
Empat algoritma kemudian dibandingkan. K-Means mengelompokkan data berdasarkan kedekatan dengan pusat kelompok. Fuzzy C-Means memungkinkan satu wilayah memiliki tingkat keanggotaan pada lebih dari satu kelompok. Fuzzy Gustafson Kessel menyesuaikan bentuk kelompok berdasarkan sebaran data. Sementara itu, DBSCAN mengelompokkan data berdasarkan kepadatan dan mampu mengenali pencilan (outlier).
Hasil analisis menunjukkan adanya beberapa nilai pencilan pada indikator tertentu, terutama pada status kepemilikan tanah milik orang lain dan sumber air minum dari meteran. Dalam data sosial, pencilan seperti ini tidak selalu menjadi gangguan. Sebaliknya, pencilan dapat menjadi tanda bahwa terdapat wilayah dengan kondisi khusus yang perlu diperiksa lebih lanjut.
Untuk menilai performa tiap algoritma, penelitian ini menggunakan dua ukuran evaluasi, yaitu within-cluster sum of squares dan average silhouette width. Berdasarkan nilai within-cluster sum of squares, K-Means menjadi metode terbaik karena menghasilkan nilai paling kecil. Sementara itu, berdasarkan average silhouette width, DBSCAN menunjukkan performa terbaik karena nilainya paling mendekati 1.
Hasil ini menunjukkan bahwa pemilihan algoritma tidak bisa dilakukan secara otomatis. K-Means lebih sesuai ketika analisis berfokus pada kelompok yang kompak, sedangkan DBSCAN lebih unggul ketika struktur kepadatan data dan keberadaan pencilan menjadi perhatian.
Meski demikian, hasil clustering tetap perlu dipadukan dengan kondisi di lapangan. Dua wilayah yang berada dalam kelompok yang sama belum tentu membutuhkan bentuk intervensi yang identik. Faktor seperti jenis pekerjaan, kepadatan penduduk, akses transportasi, dan kondisi ekonomi lokal tetap perlu dipertimbangkan.
Dari sini, riset Bu Sri dan tim menjadi contoh bahwa algoritma seperti K-Means dan DBSCAN tidak hanya digunakan untuk latihan teknis di kelas. Pendekatan tersebut juga dapat membantu memahami persoalan nyata di masyarakat melalui analisis data.
Selengkapnya dapat diakses pada tautan berikut:
https://journal.iainkudus.ac.id/index.php/jmtk/article/view/16552
Terus ikuti sesi #IDEA untuk mengeksplorasi lebih banyak penelitian menarik di bidang sains data dan aplikasinya di dunia nyata!
Yuk, segera daftarkan diri kamu di Data Science Telkom University Surabaya dan wujudkan impianmu!
Playing with Data, Winning the Era.
More info:
Website: https://bds-sby.telkomuniversity.ac.id/
Instagram: https://www.instagram.com/ds.telkomsurabaya/