Pengelompokan Kabupaten/Kota Berdasarkan Indikator Pembangunan Ekonomi dan Potensi Daerah Provinsi Jawa Timur Menggunakan Similarity Weight and Filter Method (SWFM)

Renaldy Aprevia Lutfi, Ismaini Zain

Abstract


Pembangunan ekonomi banyak dilakukan di daerah yang memiliki potensi sumber daya yang lebih baik. Indikator pembangunan ekonomi terbagi menjadi indikator moneter, indikator non-moneter, dan indikator campuran. Terdapat 20 kabupaten/kota di Provinsi Jawa Timur yang berada di dataran rendah dan memiliki potensi pengelolaan di wilayah pesisir. Daerah lainnya di dataran sedang dan tinggi memiliki potensi pertanian yang besar karena merupakan daerah yang relatif subur. Perekonomian Jawa Timur tahun 2017 tumbuh sebesar 5,45 persen, namun kondisi tersebut belum dikatakan baik karena terdapat masalah ketimpangan ekonomi. Untuk mengatasinya, perlu memberikan kebijakan khusus kepada daerah dengan tingkat perekonomian dan potensi daerah yang berbeda. Analisis yang digunakan untuk mengetahui daerah dengan tingkat perekonomian dan potensi daerah yang berbeda adalah dengan analisis klaster. Metode analisis klaster dalam penelitian ini adalah dengan SWFM. SWFM dapat digunakan untuk menggabungkan kelompok data yang berasal dari data numerik dan data kategori. Hasil pengelompokan data numerik dengan metode ward, diperoleh jumlah kelompok optimum sebanyak tiga kelompok. Pada pengelompokan data kategori menggunakan metode k-modes, diperoleh karakteristik yang dapat membedakan antara tiga kelompok yang digunakan. Pengelompokan data numerik dan kategori menggunakan SWFM didapatkan jumlah kelompok optimum sebanyak lima kelompok.

Keywords


K-modes; Pembangunan Ekonomi; Potensi Daerah; SWFM; Ward

Full Text:

PDF

References


Arisman, “Kekurangan dan Kelebihan Kebijakan Otonomi Daerah,” 4 Maret 2014. [Online]. Available: https://www.jakarta.kemenkumham.go.id. [Diakses 7 Februari 2018].

L. Arsyad, Ekonomi Pembangunan, Yogyakarta: UPP STIM YKPN, 2010.

Dinas Lingkungan Hidup, “Informasi Kinerja pengelolaan Lingkungan Hidup Daerah Provinsi Jawa Timur Tahun 2016,” Pemerintah Provinsi Jawa Timur, Surabaya, 2017.

BPS, “Pertumbuhan Ekonomi Jawa Timur Triwulan IV-2017,” pp. 1-2, 5 Februari 2018.

R. A. Johnson dan D. W. Wichern, Applied Multivariate Statistical Analysis, United States: Prentice Hall, 2007.

S. Sharma, Applied MultivariateTechniques, New York: John Wiley and Sons, Inc., 1996.

J. F. Hair, W. C. Black, B. J. Babin dan R. E. Anderson, Multivariate Data Analysis, 7th penyunt., New Jersey: Pearson Prentice Hall, 2010.

A. R. Orpin dan V. E. Kostylev, “Towards a Statistically Valid Method of Textural Sea Floor Characterization of Benthic Habitats,” Marine Geology 225, pp. 209-222, 2006.

Z. Huang, “Extensions to the k-Means Algorithm for Clustering Large Data Sets with Categorical Values,” Data Mining and Knowledge Discovery 2, pp. 283-304, 1998.

M. V. J. Reddy dan B. Kavitha, “Clustering The Mixed Numerical and Catagorical Dataaset Using Similarity Weight and Filter Method,” International Journal of Database Theory and Application, vol. 5, no. 1, pp. 121-134, 2012.

Alvionita, Metode Ensembel Rock dan SWFM Untuk Pengelompokan Data Campuran Numerik dan Kategorik Pada Kasus Aksesi Jeruk, Surabaya: ITS, 2017.

S. Sukirno, Makro Ekonomi, Jakarta: Erlangga, 1996.




DOI: http://dx.doi.org/10.12962/j27213862.v1i2.6724

Refbacks

  • There are currently no refbacks.


Bookmark and Share


Creative Commons License
Inferensi by Department of Statistics ITS is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Based on a work at https://iptek.its.ac.id/index.php/inferensi.

ISSN:  0216-308X

e-ISSN: 2721-3862

Web Analytics Made Easy - StatCounter View My Stats