PERBANDINGAN K-MEANS DAN FUZZY C-MEANS PADA PENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI SUMATERA UTARA BERDASARKAN PENDIDIKAN

Pendidikan berperan penting dalam peningkatan kualitas kehidupan. Pemerataan pendidikan menjadi salah satu program prioritas yang dirancang oleh Gubernur Provinsi Sumatera Utara. Kemajuan pendidikan di Sumatera Utara masih didominasi oleh wilayah perkotaan, sebagaimana terlihat dari tingginya indikator harapan lama sekolah, rata-rata lama sekolah, dan tingkat penyelesaian pendidikan di kota Medan. Oleh karena itu, pengelompokan wilayah berdasarkan indikator pendidikan menjadi langkah penting dalam merancang kebijakan pemerataan kualitas pendidikan. Penelitian ini menggunakan dua algoritma pengelompokan, yaitu K-Means dan Fuzzy C-Means, dengan jarak Euclid sebagai ukuran kedekatan antar data. Jumlah cluster optimal ditentukan menggunakan metode Elbow dan Silhouette. Hasil analisis menunjukkan bahwa pada algoritma K-Means, jumlah cluster optimal adalah 2, sedangkan pada algoritma Fuzzy C-Means, jumlah cluster optimal adalah 4. Pada pengelompokan menggunakan K-Means, cluster 1 terdiri atas 4 kabupaten/kota dan cluster 2 terdiri atas 29 kabupaten/kota. Sementara itu, pada Fuzzy C-Means, cluster 1 beranggotakan 13 kabupaten/kota, cluster 2 sebanyak 6 kabupaten/kota, cluster 3 sebanyak 4 kabupaten/kota, dan cluster 4 sebanyak 10 kabupaten/kota. Berdasarkan hasil evaluasi validitas klaster, algoritma K-Means memberikan performa lebih baik, ditunjukkan oleh nilai Silhouette Index sebesar 0,37 dan nilai Davies-Bouldin Index sebesar 0,897