Kode di atas bertujuan untuk membaca dan menyiapkan data yang akan digunakan dalam analisis K-Means Clustering. Data diimpor dari file Excel menggunakan fungsi read.xlsx().

Kode di atas bertujuan untuk melakukan penyesuaian tipe variabel agar setiap variabel memiliki fungsi yang sesuai dalam analisis:

1. kabupaten_kota diubah menjadi factor, karena berisi kategori (nama wilayah).

2. kemiskinan, pengangguran, dan ipm dikonversi menjadi numeric, karena akan digunakan dalam perhitungan matematis untuk proses clustering.

Output di atas menunjukkan bahwa df1 merupakan sebuah objek bertipe data.frame yang terdiri atas:

13 observasi (rows/baris) → masing-masing merepresentasikan satu kabupaten/kota di Provinsi Kalimantan Selatan.

4 variabel (columns/kolom) → yang berisi informasi variabel.

Fungsi summary() digunakan untuk menampilkan statistik deskriptif dasar dari setiap variabel di dalam dataset df1. Dari hasil tersebut, diperoleh ringkasan data sosial ekonomi dari 13 kabupaten/kota di Provinsi Kalimantan Selatan yang terdiri dari tiga variabel utama: kemiskinan, pengangguran, dan Indeks Pembangunan Manusia (IPM). Berdasarkan output tersebut dapat diketahui bahwa:

1. Tingkat kemiskinan di Kalimantan Selatan bervariasi antara 2,36% hingga 5,81%. Sebagian besar daerah memiliki tingkat kemiskinan di sekitar 4%, yang terlihat dari median (4.36) dan mean (4.27) yang hampir sama — menunjukkan distribusi data relatif simetris dan tidak terlalu condong ke satu sisi.

2. Tingkat pengangguran terbuka berkisar antara 2,11% hingga 6,56%. Distribusi pengangguran sedikit condong ke kanan (positively skewed), terlihat dari selisih antara mean (4.04) dan median (3.44).

3. Nilai IPM di Kalimantan Selatan menunjukkan rentang 71,40 hingga 81,65, dengan rata-rata sekitar 74,75. Hal ini menunjukkan bahwa sebagian besar daerah memiliki tingkat pembangunan manusia yang masuk ke dalam kategori “tinggi” dan sisanya masuk ke dalam kategori “sangat tinggi”.

Berdasarkan boxplot di atas dapat diketahui beberapa hal sebagai berikut:

1. Variabel Kemiskinan

Hasil boxplot menunjukkan bahwa tidak terdapat outlier pada variabel kemiskinan. Hal ini menandakan bahwa seluruh kabupaten/kota di Provinsi Kalimantan Selatan memiliki tingkat kemiskinan yang relatif homogen, tanpa adanya daerah dengan nilai ekstrem yang jauh lebih tinggi maupun lebih rendah dibandingkan wilayah lainnya.

Rentang nilai pada boxplot tampak cukup sempit, yang mengindikasikan variasi tingkat kemiskinan antarwilayah tergolong kecil. Dengan demikian, kondisi ini menggambarkan bahwa disparitas ekonomi antar kabupaten/kota di Kalimantan Selatan dalam hal jumlah penduduk miskin tidak terlalu mencolok. Secara umum, persebaran tingkat kemiskinan di provinsi ini dapat dikategorikan sebagai merata.

2. Variabel Pengangguran

Visualisasi boxplot untuk variabel pengangguran juga menunjukkan bahwa tidak ditemukan adanya outlier. Hal ini mengindikasikan bahwa tingkat pengangguran terbuka di seluruh wilayah provinsi relatif berada pada kisaran yang sama, tanpa ada daerah yang menunjukkan nilai ekstrem, baik tinggi maupun rendah.

Posisi median yang berada di tengah kotak boxplot menunjukkan bahwa distribusi data cenderung seimbang, dengan persebaran yang tidak terlalu lebar. Oleh karena itu, dapat disimpulkan bahwa kondisi ketenagakerjaan antar kabupaten/kota di Kalimantan Selatan tergolong merata, dan tidak ada wilayah yang menunjukkan perbedaan signifikan terhadap rata-rata provinsi.

3. Variabel IPM (Indeks Pembangunan Manusia)

Berbeda dengan dua variabel sebelumnya, hasil boxplot untuk IPM memperlihatkan adanya tiga outlier. Daerah tersebut meliputi:

• Barito Kuala, yang berada di bawah batas bawah (lower whisker) boxplot,
• Kota Banjarmasin dan Kota Banjarbaru, keduanya berada di atas batas atas (upper whisker) boxplot.”

Kondisi ini menunjukkan adanya ketimpangan pembangunan manusia antarwilayah di Kalimantan Selatan. Meskipun demikian, secara keseluruhan nilai IPM kabupaten/kota di Kalimantan Selatan telah berada dalam kategori tinggi dan sangat tinggi, sehingga perbedaan ini lebih merefleksikan kesenjangan tingkat pembangunan antarwilayah, bukan rendahnya capaian pembangunan secara umum.

Kode di atas digunakan untuk memilih variabel numerik dari data utama (df1), yaitu kolom ke-2 sampai kolom ke-4. Dengan demikian, variabel yang diambil adalah: kemiskinan, pengangguran, dan IPM.

Sebelum dilakukan analisis gerombol (clustering), seluruh variabel distandardisasi menggunakan fungsi scale() sehingga memiliki rata-rata 0 dan simpangan baku 1. Hal ini memastikan bahwa setiap indikator memiliki pengaruh yang sama besar terhadap proses pembentukan cluster.

1. Tujuan Analisis

Kode berikut digunakan untuk menghitung dan memvisualisasikan jarak antarwilayah berdasarkan tiga variabel yang telah distandardisasi, yaitu: Kemiskinan (%), Pengangguran (%), dan Indeks Pembangunan Manusia (IPM).

Fungsi get_dist() menghitung jarak Euclidean antar kabupaten/kota berdasarkan kemiripan karakteristik sosial-ekonomi mereka. Sementara fungsi fviz_dist() digunakan untuk menampilkan hasilnya dalam bentuk peta jarak berwarna (heatmap).

2. Makna Warna dalam Heatmap

• Warna ungu gelap menunjukkan jarak yang kecil, artinya dua wilayah memiliki karakteristik yang mirip atau hampir sama berdasarkan ketiga indikator (kemiskinan, pengangguran, dan IPM).

• Warna putih menunjukkan jarak sedang.

• Warna merah muda terang menunjukkan jarak yang besar, artinya kedua wilayah memiliki perbedaan karakteristik sosial-ekonomi yang lebih signifikan.

Dengan kata lain, semakin gelap warnanya, semakin mirip kondisi antarwilayah.

3. Pola Hubungan Antar Wilayah

Dari hasil visualisasi terlihat beberapa pola penting:

• Beberapa wilayah seperti (antara Kota Banjarbaru dan Kota Banjarmasin), dan (antara Kotabaru dan Tanah Bumbu) memiliki warna ungu gelap di antara satu sama lain, yang berarti memiliki kemiripan tinggi dalam kondisi sosial-ekonomi (kemiskinan, pengangguran, IPM yang mirip).

• Pola diagonal berwarna ungu tegas dari kiri atas ke kanan bawah menunjukkan jarak nol (0) — artinya setiap wilayah dibandingkan dengan dirinya sendiri.

Dengan demikian, semakin rendah jarak antar dua wilayah, semakin besar peluang keduanya akan tergabung dalam cluster yang sama pada analisis K-Means selanjutnya.

Melalui visualisasi grafik Silhouette Method menggunakan fungsi fviz_nbclust(), terlihat bahwa nilai average silhouette width tertinggi terjadi pada k = 4. Hal ini menunjukkan bahwa model dengan empat cluster (k = 4) merupakan jumlah cluster yang paling optimal.

Nilai silhouette width yang tinggi mengindikasikan bahwa objek dalam suatu cluster memiliki kemiripan yang kuat dengan anggota cluster sendiri dan perbedaan yang cukup jauh dengan anggota cluster lain. Oleh karena itu, pemilihan empat cluster dianggap paling efisien dalam menggambarkan struktur alami data tanpa kehilangan makna pembeda antar kelompok.

Interpretasi Hasil Klasterisasi Kabupaten/Kota (K = 4)

Berdasarkan hasil analisis K-Means Clustering dengan jumlah cluster optimal sebanyak 4 kelompok, kabupaten/kota di Provinsi Kalimantan Selatan terbagi ke dalam empat cluster yang mencerminkan perbedaan kondisi sosial ekonomi berdasarkan tingkat kemiskinan, pengangguran, dan Indeks Pembangunan Manusia (IPM).

Cluster 1 → (Kota Baru, Tanah Bumbu) Ditandai dengan tingkat pengangguran tinggi dan IPM relatif tinggi. Wilayah ini tergolong memiliki kualitas hidup baik, namun masih menghadapi tantangan ketenagakerjaan.

Cluster 2 → (Kota Banjarmasin, Kota Banjarbaru) Mewakili wilayah perkotaan dengan IPM sangat tinggi, disertai tingkat pengangguran lebih tinggi dari rata-rata provinsi. Kedua kota ini menjadi pusat ekonomi dan pembangunan manusia di Kalimantan Selatan.

Cluster 3 → (Barito Kuala, Hulu Sungai Tengah, Hulu Sungai Utara, Tabalong, Balangan) Memiliki kemiskinan yang cukup tinggi.

Cluster 4 → (Tanah Laut, Banjar, Tapin, Hulu Sungai Selatan) Menunjukkan kemiskinan dan pengangguran rendah serta IPM cukup tinggi.

Peta interaktif ini bertujuan untuk menampilkan hasil pengelompokan (klasterisasi) dari 13 kabupaten/kota di Provinsi Kalimantan Selatan berdasarkan variabel kemiskinan, pengangguran, dan IPM. Setiap warna pada peta merepresentasikan cluster dengan karakteristik sosial-ekonomi yang serupa, sementara fitur pop-up memungkinkan pengguna melihat informasi detail tiap wilayah secara langsung. Dengan demikian, peta ini memudahkan analisis spasial kondisi sosial-ekonomi, membantu mengidentifikasi wilayah , serta mendukung perencanaan kebijakan pembangunan daerah.