Segmentasi Provinsi di Indonesia Menggunakan Metode K-Means Berdasarkan Tujuan Mengakses Internet Tahun 2024

Anugrah Putri Nabila, Bunga Mardhotillah

Abstract


Kesenjangan digital dan pemahaman tentang cara masyarakat di daerah menggunakan internet sangat penting dalam membuat kebijakan pembangunan yang tepat sasaran di Indonesia. Penelitian ini bertujuan untuk mengelompokkan provinsi ke dalam kelompok-kelompok yang memiliki karakteristik serupa, berdasarkan persentase penduduk yang mengakses internet untuk tujuan tertentu pada tahun 2024. Metode yang digunakan adalah K-Means Clustering, dengan data yang sudah diatur agar mudah dibandingkan. Jumlah kelompok terbaik ditentukan melalui metode Elbow. Penelitian menemukan lima kelompok yang mewakili perilaku pengguna internet yang berbeda, mulai dari daerah yang cenderung hanya mengakses internet secara pasif hingga wilayah yang menjadi pusat aktivitas digital. Contohnya, Kelompok 3 dikenal sebagai pusat ekonomi digital karena tingkat penggunaan internet yang tinggi untuk keperluan jual beli, bekerja dari rumah, dan belajar online. Sementara itu, Kelompok 1 memiliki kesenjangan digital yang tinggi karena adopsi internet rendah di semua aspek. Hasil pemilahan kelompok ini memberikan dasar analisis yang solid dan berdasarkan fakta untuk pemerintah dalam merancang kebijakan yang tepat, seperti meningkatkan literasi digital, membangun infrastruktur, atau melatih tenaga ahli, sesuai dengan kebutuhan masing-masing kelompok.

Keywords


Segmentasi Provinsi; K-Means Clustering; Perilaku Digital; Geografi Digital; BPS 2024

Full Text:

PDF

References


[1] H. D. Ramadhanti and E. T. Astuti, “Digital divide and a spatial investigation of convergence in ICT development across provinces in Indonesia,” Journal of Regional Development, pp. 69–84, 2023.

[2] I. Widiasanti, S. Rahmadani, and D. A. Nur, “Kesetaraan akses internet dan tantangan literasi digital di Indonesia,” Jurnal Ilmiah Nasional, vol. 9, pp. 19631–19637, 2025.

[3] A. F. Zabidi, “Penerapan algoritma K-Means untuk pengelompokan koleksi perpustakaan dengan data mining,” Media Jurnal Informatika, vol. 16, no. 2, p. 233, 2024. doi: 10.35194/mji.v16i2.4814.

[4] R. A. Indraputra and R. Fitriana, “K-Means clustering data COVID-19,” Jurnal Teknik Informatika, vol. 10, no. 3, pp. 275–282, 2020.

[5] N. T. Hartanti, “Metode elbow dan K-Means guna mengukur kesiapan siswa SMK dalam ujian nasional,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 6, no. 2, pp. 82–89, 2020. doi: 10.25077/teknosi.v6i2.2020.82-89.

[6] A. Kassambara, Practical Guide to Cluster Analysis in R. STHDA, 2015.

[7] I. W. Pratama and P. Putra, “Standarisasi Z-Score sebagai pendekatan alternatif dalam evaluasi prestasi akademik mahasiswa,” Jurnal Pendidikan Tinggi, vol. 1, no. 2, pp. 77–85, 2023.

[8] D. Abdullah, Statistika Terapannya pada Bidang Informatika. Graha Ilmu, 2014.

[9] P. A. Ariawan, “Optimasi pengelompokan data pada metode K-Means dengan analisis outlier,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 5, no. 2, pp. 88–95, 2019. doi: 10.25077/teknosi.v5i2.2019.88-95.

[10] F. N. A. Wahidah Nilam, J. Oktalia, and O. Juwita, “Pengelompokkan daerah rawan bencana di Indonesia menggunakan metode clustering K-Means,” Jupiter: Jurnal Ilmu Keteknikan Industri Teknik Elektro dan Informatika, vol. 3, no. 1, pp. 9–16, 2024. doi: 10.61132/jupiter.v3i1.644.

[11] T. W. I. R. Fahrur and I. T. Utami, “Implementasi algoritma K-Medoids dan K-Error untuk pengelompokan kabupaten/kota di Provinsi Jawa Tengah berdasarkan jumlah produksi peternakan tahun 2020,” Jurnal Gaussian, vol. 11, pp. 366–376, 2023. doi: 10.14710/j.gauss.11.3.366-376.

[12] E. Prayitno, I. J. Perdana, E. Iskandar, B. Heri, and A. A. Subagyo, “Optimalisasi profitabilitas ritel melalui segmentasi pelanggan dengan K-Means clustering,” Jurnal Manajemen Bisnis, vol. 9, no. 3, pp. 113–120, 2024.

[13] F. N. Cahya, Y. Mahatma, and S. R. Rohimah, “Perbandingan metode perhitungan jarak Euclidean dan Manhattan pada K-Means clustering,” JMT: Jurnal Matematika dan Terapan, vol. 5, no. 1, pp. 43–55, 2023. doi: 10.21009/jmt.5.1.5.

[14] M. Kurniawan, Kupas Tuntas Algoritma Clustering. Informatika Bandung, 2021.




DOI: https://doi.org/10.18860/jrmm.v5i2.38985

Refbacks

  • There are currently no refbacks.