PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN INDIKATOR PENDIDIKAN MENGGUNAKAN METODE K-MEANS DAN HIERARCHICAL CLUSTERING

Abstract

Pendidikan merupakan salah satu indikator penting dalam pembangunan sumber daya manusia dan kemajuan suatu daerah. Namun, kualitas pendidikan di Indonesia masih menunjukkan adanya ketimpangan antarprovinsi, baik dalam hal akses ke pendidikan maupun pencapaian berbagai indikator pendidikan. Kondisi itu menunjukkan bahwa perlu adanya pemetaan tentang karakteristik pendidikan di berbagai daerah agar kebijakan pendidikan bisa dibuat dengan lebih tepat. Penelitian ini bertujuan mengelompokkan provinsi-provinsi di Indonesia berdasarkan indikator-indikator pendidikan dengan menggunakan dua metode, yaitu K-Means dan hierarchical clustering. Data yang digunakan berasal dari publikasi Badan Pusat Statistik (BPS) tahun 2025, yang mencakup berbagai indikator terkait pendidikan, seperti rata-rata lama sekolah, harapan lama sekolah, angka partisipasi dalam pendidikan, tingkat kemampuan membaca dan menulis, serta indikator pendidikan lainnya. Penelitian ini menunjukkan bahwa metode K-Means dengan nilai k=3 menghasilkan silhouette score sebesar 0,2438. Pembagian klaster terdiri dari 24 provinsi dalam klaster tinggi, 12 provinsi dalam klaster sedang, serta 2 provinsi dalam klaster rendah, yaitu Papua Tengah dan Papua Pegunungan. Sementara itu, metode Hierarchical Clustering Average Linkage dengan nilai k=2 menghasilkan silhouette score sebesar 0,7536. Pembagian klaster terdiri dari 36 provinsi yang berada di klaster tinggi, serta 2 provinsi yang berada di klaster rendah, yaitu Papua Tengah dan Papua Pegunungan. Berdasarkan nilai silhouette score, hierarchical clustering dengan average linkage menghasilkan kualitas pengelompokan yang lebih baik dibandingkan K-Means. Namun, K-Means memberikan segmentasi yang lebih detail melalui pembentukan tiga kategori klaster, sehingga lebih mampu menggambarkan variasi karakteristik pendidikan antarprovinsi. Oleh karena itu, kedua metode memiliki keunggulan masing-masing, baik dari aspek kualitas pengelompokan maupun interpretasi karakteristik klaster.