Analisis Kinerja K-Means dan DBSCAN dalam Pengelompokan Kepadatan Kendaraan Bermotor Tingkat Provinsi

Syafiq Hafizh Farizi; Muhammad Rasyid; Masna Wati; Joan Angelina Widians

doi:10.55382/jurnalpustakadata.v6i3.1900

Penulis

Syafiq Hafizh Farizi Informatika, Universitas Mulawarman
Muhammad Rasyid Informatika, Universitas Mulawarman
Masna Wati Informatika, Universitas Mulawarman
Joan Angelina Widians Magister Informatika, Universitas Mulawarman

DOI:

https://doi.org/10.55382/jurnalpustakadata.v6i3.1900

Kata Kunci:

K-Means, DBSCAN, Clustering, Kepadatan Kendaraan, Silhouette Coefficient

Abstrak

Pertumbuhan kendaraan bermotor di Indonesia meningkat signifikan dengan distribusi antarprovinsi yang sangat timpang. Data BPS (2024) mencatat ketimpangan ekstrem: Jawa Barat memiliki 27.104.924 unit, sedangkan Kalimantan Utara hanya 305.187 unit. Hal ini menuntut pendekatan analisis untuk mengelompokkan kepadatan kendaraan secara sistematis. Penelitian ini bertujuan membandingkan kinerja algoritma K-Means dan Density-Based Spatial Clustering of Applications with Noise (DBSCAN) dalam mengelompokkan kepadatan kendaraan pada 34 provinsi di Indonesia. Tahapan penelitian meliputi pengumpulan data sekunder, preprocessing (pembersihan, transformasi logaritmik, dan standardisasi), serta penentuan parameter optimal melalui metode Elbow dan Silhouette (K-Means) dan k-distance plot (DBSCAN). Evaluasi performa menggunakan Silhouette Coefficient, Davies-Bouldin Index, dan Calinski-Harabasz Index. Hasilnya, K-Means (K=4) menghasilkan empat tingkat kepadatan yang interpretable dengan nilai Silhouette 0,537, Davies-Bouldin 0,560, dan Calinski-Harabasz 98,00. Sebaliknya, DBSCAN (?=0,8; MinPts=5) hanya membentuk 2 cluster dengan 5 titik noise dan Calinski-Harabasz 42,67. Kesimpulannya, K-Means terbukti lebih unggul dalam menghasilkan separasi cluster yang granular dan informatif untuk pengelompokan tingkat kepadatan kendaraan di Indonesia.

Unduhan

Data unduhan belum tersedia.

Referensi

M. G. Pongilatan, S. Pangerapan, and S. Mintalangi, “Pengaruh kepadatan kendaraan bermotor dan Produk Domestik Regional Bruto (PDRB) sektor transportasi terhadap pajak kendaraan bermotor Provinsi Sulawesi Utara tahun 2020-2024,” Ris. Akunt. dan Portofolio Investasi, vol. 3, no. 2, pp. 378–386, 2025, doi: 10.58784/rapi.348.

T. Lidia Putri and R. Danar Dana, “Penerapan Data Mining Pada Clustering Data Harga Rumah Dki Jakarta Menggunakan Algoritmak-Means,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 1174–1179, 2024, doi: 10.36040/jati.v8i1.8957.

A. Rahmadani and Nursyahira, “IJIRSE: Indonesian Journal of Informatic Research and Software Engineering Implementation of the K-Means Algorithm for Inventory Data Clustering Implementasi Algoritma K-Means Untuk Clustering Data Inventori,” vol. 5, no. 1, pp. 1–11, 2025.

F. Supriadi, “Penerapan Metode Dbscan Dalam Penentuan Mahasiswa Yang Layak Memperoleh Bidikmisi,” Manag. Inf. Syst. J., vol. 3, no. 2, pp. 46–60, 2025, doi: 10.47065/mis.v3i2.1943.

M. Y. Zidane, B. Nurina Sari, I. Maulana, A. Primaya, and G. Garno, “Penerapan Data Mining Dalam Klasifikasi Data Transaksi Produk Koperasi Di Smk Pgri 2 Karawang,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 1, pp. 263–269, 2024, doi: 10.36040/jati.v9i1.12196.

B. Driyandita, I. P. E. N. Kencana, and I. G. N. L. Wijayakusuma, “Analisis Pemilihan Parameter pada Algoritma DBSCAN untuk Pengelompokan Titik Api di Indonesia,” J. Pendidik. dan Teknol. Indones., vol. 5, no. 3, pp. 793–803, 2025, doi: 10.52436/1.jpti.703.

W. Mega, “Prinsip dan Cara Kerja K-Means,” J. Inform., vol. 15, no. 2, pp. 160–174, 2015.

F. Fauji and L. Farokhah, “Penerapan Data Mining Menggunakan K-Means Clustering Dalam Mengelompokkan Tingkat Kesulitan Mata Pelajaran,” J. Inf. Syst. Res., vol. 6, no. 3, pp. 1705–1714, 2025, doi: 10.47065/josh.v6i3.6959.

P. J. Rousseeuw, “Silhouettes: A graphical aid to the interpretation and validation of cluster analysis,” J. Comput. Appl. Math., vol. 20, no. C, pp. 53–65, 1987, doi: 10.1016/0377-0427(87)90125-7.

D. Arthur and S. Vassilvitskii, “K-means++: The advantages of careful seeding,” Proc. Annu. ACM-SIAM Symp. Discret. Algorithms, vol. 07-09-Janu, pp. 1027–1035, 2007.

E. Schubert, J. Sander, M. Ester, H. P. Kriegel, and X. Xu, “DBSCAN revisited, revisited: Why and how you should (still) use DBSCAN,” ACM Trans. Database Syst., vol. 42, no. 3, 2017, doi: 10.1145/3068335.

M. A. Idris, A. Apriyanto, and Rahmawati, “Pemetaan Produksi Perikanan Tangkap di Indonesia dengan Menggunakan Metode DBSCAN,” J. Math. Theory Appl., vol. 5, no. 2, pp. 80–86, 2023, doi: 10.31605/jomta.v5i2.2930.

S. Vijayalaksmi and M. Punithavalli, “A Fast Approach to Clustering Datasets using DBSCAN and Pruning Algorithms,” Int. J. Comput. Appl., vol. 60, no. 14, pp. 1–7, 2012, doi: 10.5120/9757-8924.

A. Khalif, A. N. Hasanah, M. H. Ridwan, and B. N. Sari, “Klasterisasi Tingkat Kemiskinan di Indonesia menggunakan Algoritma K-Means,” Gener. J., vol. 8, no. 1, pp. 54–62, 2024, doi: 10.29407/gj.v8i1.21470.

A. N. Fauzan, F. A. Wandi, A. Z. N. Aiman, M. Wati, and H. Haviluddin, “Pengelompokan Minat Akademik Siswa SMA Negeri 1 Loa Janan Menggunakan Metode Clustering K-means,” J. Rekayasa Teknol. Inf., vol. 9, no. 2, p. 165, 2025, doi: 10.30872/jurti.v9i2.19673.