ITBITB

Journal of Regional and City PlanningJournal of Regional and City Planning

Penelitian ini mencoba mengidentifikasi daerah tertinggal di kabupaten/kota di pulau Jawa, Indonesia, berdasarkan sejumlah indikator infrastruktur. Pendekatan unsupervised learning digunakan untuk melakukan klasterisasi dengan metode K-Means, K-Medoids, dan CLARA. Selain memperoleh hasil klasterisasi secara teknis dan melakukan perbandingan kinerja ketiga metode pembelajaran unsupervised learning, tujuan lain dari penelitian ini adalah untuk memetakan hasil klasterisasi agar lebih mudah dalam mengenali karakteristik daerah yang terindikasi sebagai daerah tertinggal, yang seharusnya mutlak prioritas pembangunan infrastruktur. Ditemukan bahwa metode clustering terbaik adalah metode CLARA, dengan koefisien konektivitas 7,4794 dan nilai indeks Dunn 0,1042. Pengelompokan sekat kabupaten/kota di Pulau Jawa dengan metode CLARA berdasarkan indikator infrastruktur menghasilkan 99 kabupaten/kota yang termasuk dalam klaster daerah dengan infrastruktur tertinggal, sedangkan 12 kabupaten/kota termasuk dalam klaster daerah dengan infrastruktur berkembang, dan 8 kabupaten/kota termasuk dalam klaster daerah yang infrastrukturnya berkembang.

Berdasarkan pendekatan pembelajaran tak terawasi dengan clustering partisional, metode CLARA menghasilkan hasil clustering terbaik karena memberikan nilai koefisien konektivitas dan indeks Dunn yang paling optimal.Analisis menunjukkan bahwa pada Pulau Jawa terdapat 99 kabupaten/kota yang tergolong daerah tertinggal infrastruktur, 12 kabupaten/kota dalam kategori berkembang, dan 8 kabupaten/kota dengan infrastruktur maju.Untuk mengurangi ketertinggalan, diperlukan perbaikan pada jaringan jalan aspal/konstruksi, jalan beraspal, jalan tanah, serta peningkatan fasilitas kesehatan, tenaga kesehatan, dan rumah tangga pengguna telepon di daerah yang tergolong tertinggal.

Penelitian lanjutan dapat menyelidiki (1) bagaimana penambahan variabel sosial‑ekonomi, seperti tingkat pendidikan dan pendapatan per kapita, mempengaruhi pengelompokan daerah tertinggal menggunakan metode CLARA atau algoritma clustering lainnya; (2) apakah penggunaan teknik pembelajaran mendalam seperti auto‑encoder dapat meningkatkan akurasi dalam mengidentifikasi pola outlier pada data infrastruktur berskala besar; serta (3) bagaimana hasil clustering dapat divalidasi secara geografis dengan mengintegrasikan data aksesibilitas transportasi dan layanan publik untuk menghasilkan peta prioritas pembangunan yang lebih realistis. Studi tersebut sebaiknya menerapkan pendekatan multivariat yang menggabungkan data PODES, SUSENAS, serta sumber data satelit untuk memperkaya dimensi analisis. Selain itu, perbandingan performa antara CLARA, DBSCAN, dan Spectral Clustering dapat memberikan wawasan tentang kehandalan masing‑masing metode dalam konteks data dengan outlier yang signifikan. Hasilnya diharapkan dapat memberikan rekomendasi kebijakan yang lebih terarah bagi pemerintah pusat dan daerah dalam upaya mempercepat pengentasan ketimpangan infrastruktur di Pulau Jawa.

Read online
File size580.69 KB
Pages20
DMCAReport

Related /

ads-block-test