Klasterisasi Tingkat Kemiskinan Menggunakan Fuzzy CMeans dengan Optimalisasi Entropy Weight dan PCA

Abstract

Kemiskinan merupakan permasalahan utama di Provinsi Jawa Timur, yang memiliki tingkat kemiskinan tertinggi ketiga di Indonesia. Untuk memahami pola dan karakteristik kemiskinan, diperlukan metode analisis yang dapat mengelompokkan daerah secara lebih akurat. Penelitian ini menerapkan metode Fuzzy C-Means (FCM) dengan optimalisasi Entropy Weight dan Principal Component Analysis (PCA) untuk klasterisasi tingkat kemiskinan di kabupaten/kota di Jawa Timur. Seleksi fitur menggunakan Entropy Weight menghasilkan 5 variabel utama dari 12 variabel awal, yaitu Jumlah Penduduk Miskin, P1, P2, Garis Kemiskinan, dan Pengeluaran per Kapita. Selanjutnya, PCA digunakan untuk reduksi dimensi, menghasilkan dua komponen utama (PC1 dan PC2) yang menjelaskan 85,91% informasi dataset. Proses klasterisasi dengan FCM menghasilkan 3 cluster dengan nilai silhouette score 0,5210, menunjukkan hasil yang layak. Cluster 1 memiliki tingkat kemiskinan terendah, Cluster 2 berada di tingkat menengah, dan Cluster 3 memiliki kemiskinan tertinggi. Evaluasi model menggunakan silhouette score sebesar 0,52, yang menunjukkan bahwa hasil clustering sesuai, dengan Cluster 1 lebih seragam, sementara Cluster 2 dan 3 lebih bervariasi dalam karakteristik sosial-ekonomi.