Analisis Perbandingan Metode Hierarchical Clustering dan K-Means pada Indikator Pendidikan di Jawa Barat Tahun 2024

Abstract

Penelitian ini bertujuan menganalisis perbandingan antara dua metode klasterisasi, yaitu hierarchical clustering dan k-means, dalam mengelompokkan pada indikator pendidikan di Jawa Barat pada tahun 20224. Data penelitian bersumber dari Badan Pusat Statistika (BPS) dan mencakup sepuluh variabel, yaitu angka partisipasi kasar (APK) dan angka partisipasi murni (APM) pada jenjang SD, SMP, dan SMA, rata-rata lama sekolah, harapan lama sekolah, anka melek huruf penduduk usia 15 tahun ke atas, serta Indeks Pembangunan Manusia (IPM). Metode hierarchical clustering memungkinkan pembentukan klaster secara bertingkat tanpa harus menentukan jumlah klaster sejak awal, sedangkan k-means digunakan untuk mengelompokkan data kedalam sejumlah klaster yang telah ditetapkan sebelumnya. Hasil analisis menunjukkan bahwa hierarchical clustering  lebih efektif dalam mengungkap pola data yang kompleks, sedangkan k-means lebih unggul dalam kecepatan dan efisiensi. Kedua metode menghasilkan empat klaster utama dengan struktur yang relatif serupa, dimana wilayah perkotaan seperti Kota Bandung, Kota Bekasi, dan Kota Depok memiliki capaian pendidikan lebih tinggi dibandingkan kabupaten di bagian selatan Jawa Barat, sehingga temuan ini menunjukkan adanya ketimpangan pendidikan antarwilayah dan dapat menjadi dasar perumusan kebijakan pemerataan pendidikan yang berbasis data.