Kebahagiaan merupakan salah satu ukuran kesejahteraan subjektif masyarakat. World Happiness Report menyajikan skor kebahagiaan negara beserta sejumlah indikator sosial, ekonomi, dan kesehatan. Praktikum ini menggunakan metode K-Means clustering untuk mengelompokkan negara berdasarkan kemiripan faktor-faktor tersebut.
Tujuan analisis adalah melakukan pemeriksaan dan eksplorasi data, menentukan jumlah klaster menggunakan metode Elbow, membentuk klaster negara, serta mendeskripsikan karakteristik masing-masing klaster. Clustering merupakan metode eksploratif untuk menemukan kelompok berdasarkan kemiripan; hasilnya tidak membuktikan sebab-akibat.
Data yang digunakan adalah file
world-happiness-report-2021.csv yang disediakan untuk
praktikum. Unit analisis adalah negara. Variabel masukan K-Means
mencakup enam faktor: GDP per kapita yang telah dilogaritmakan, dukungan
sosial, harapan hidup sehat, kebebasan menentukan pilihan hidup,
kemurahan hati, dan persepsi terhadap korupsi. Ladder score
digunakan untuk menggambarkan rata-rata skor kebahagiaan tiap klaster,
bukan sebagai variabel pembentuk klaster. Dengan demikian, pengelompokan
berfokus pada faktor-faktor penjelas, bukan skor kebahagiaan itu
sendiri.
K-Means menggunakan jarak Euclidean dan sensitif terhadap skala variabel. Oleh sebab itu, keenam variabel distandardisasi menggunakan skor-z sebelum analisis. Jumlah klaster utama ditetapkan k = 3 mengikuti artikel acuan praktikum; grafik Elbow turut diperiksa sebagai pembanding. Label nomor klaster bersifat arbitrer dan dapat berbeda antar-run, sehingga interpretasi didasarkan pada nilai rata-rata karakteristiknya.
Observasi yang memiliki nilai hilang pada salah satu faktor clustering dikeluarkan dari pemodelan agar fungsi K-Means dapat dijalankan. Data negara yang berulang diperiksa, tetapi tidak dihapus otomatis. Statistik jumlah nilai hilang dilaporkan sebelum preprocessing.
| Keterangan | Hasil |
|---|---|
| Jumlah baris data | 149 |
| Jumlah negara unik | 149 |
| Jumlah duplikasi nama negara | 0 |
| Observasi lengkap untuk clustering | 149 |
| Observasi dikeluarkan karena NA faktor clustering | 0 |
| Variabel | Jumlah_NA |
|---|---|
| Ladder_Score | 0 |
| GDP_Log | 0 |
| Dukungan_Sosial | 0 |
| Harapan_Hidup_Sehat | 0 |
| Kebebasan | 0 |
| Kemurahan_Hati | 0 |
| Persepsi_Korupsi | 0 |
| Variabel | N | Rata_rata | Median | Standar_deviasi | Minimum | Maksimum |
|---|---|---|---|---|---|---|
| GDP_Log | 149 | 9.432 | 9.569 | 1.159 | 6.635 | 11.647 |
| Dukungan_Sosial | 149 | 0.815 | 0.832 | 0.115 | 0.463 | 0.983 |
| Harapan_Hidup_Sehat | 149 | 64.993 | 66.603 | 6.762 | 48.478 | 76.953 |
| Kebebasan | 149 | 0.792 | 0.804 | 0.113 | 0.382 | 0.970 |
| Kemurahan_Hati | 149 | -0.015 | -0.036 | 0.151 | -0.288 | 0.542 |
| Persepsi_Korupsi | 149 | 0.727 | 0.781 | 0.179 | 0.082 | 0.939 |
Histogram berikut memperlihatkan distribusi masing-masing faktor sebelum standardisasi.
Gambar 1. Distribusi faktor-faktor kebahagiaan
Catatan: histogram dihasilkan menggunakan data asli. Nilai besar persepsi korupsi berarti persepsi bahwa korupsi lebih jarang terjadi menurut definisi indikator WHR; interpretasi mengikuti dokumentasi sumber data.
Korelasi Pearson dihitung pada faktor-faktor yang digunakan untuk clustering. Korelasi menunjukkan hubungan linear, bukan kausalitas.
Gambar 2. Matriks korelasi faktor clustering
| GDP_Log | Dukungan_Sosial | Harapan_Hidup_Sehat | Kebebasan | Kemurahan_Hati | Persepsi_Korupsi | |
|---|---|---|---|---|---|---|
| GDP_Log | 1.000 | 0.785 | 0.859 | 0.432 | -0.199 | -0.342 |
| Dukungan_Sosial | 0.785 | 1.000 | 0.723 | 0.483 | -0.115 | -0.203 |
| Harapan_Hidup_Sehat | 0.859 | 0.723 | 1.000 | 0.461 | -0.162 | -0.364 |
| Kebebasan | 0.432 | 0.483 | 0.461 | 1.000 | 0.169 | -0.401 |
| Kemurahan_Hati | -0.199 | -0.115 | -0.162 | 0.169 | 1.000 | -0.164 |
| Persepsi_Korupsi | -0.342 | -0.203 | -0.364 | -0.401 | -0.164 | 1.000 |
Setiap faktor diubah menjadi skor-z, yaitu dikurangi rata-ratanya dan dibagi simpangan bakunya. Standardisasi mencegah faktor dengan skala numerik lebih besar mendominasi jarak Euclidean.
Metode Elbow membandingkan within-cluster sum of squares (WSS) untuk beberapa nilai k. WSS selalu menurun ketika jumlah klaster bertambah; titik siku merupakan pertimbangan visual dan bukan bukti tunggal jumlah klaster terbaik. Rentang k adalah 1 sampai 10 atau sebanyak jumlah observasi jika kurang dari 10.
Gambar 3. Metode Elbow untuk pemilihan jumlah klaster
Berdasarkan artikel acuan praktikum, analisis utama menggunakan tiga klaster (k = 3). Grafik Elbow di atas digunakan untuk melihat apakah pilihan tersebut masuk akal terhadap pola penurunan WSS. Karena penentuan siku dapat bersifat subjektif, hasil juga perlu ditafsirkan bersama karakteristik klaster dan konteks penelitian.
Algoritma dijalankan dengan set.seed(123) agar hasil
dapat direproduksi. Nilai nstart = 50 menjalankan beberapa
inisialisasi pusat klaster untuk mengurangi ketergantungan pada
pemilihan awal pusat.
PCA digunakan hanya untuk memproyeksikan enam dimensi terstandardisasi ke dua dimensi agar hasil dapat divisualisasikan. K-Means tetap dibentuk menggunakan seluruh enam faktor, bukan hanya sumbu pada plot PCA.
Gambar 4. Visualisasi klaster pada dua komponen utama PCA
| Klaster | Jumlah_Negara | Persentase |
|---|---|---|
| 1 | 22 | 14.77 |
| 2 | 83 | 55.70 |
| 3 | 44 | 29.53 |
Tabel berikut menyajikan rata-rata faktor pada skala asli. Rata-rata Ladder Score disajikan sebagai deskripsi eksternal klaster; variabel ini tidak digunakan dalam pembentukan klaster.
| Klaster | Jumlah_Negara | Rata_Ladder_Score | GDP_Log | Dukungan_Sosial | Harapan_Hidup_Sehat | Kebebasan | Kemurahan_Hati | Persepsi_Korupsi |
|---|---|---|---|---|---|---|---|---|
| 1 | 22 | 7.015 | 10.842 | 0.929 | 72.557 | 0.908 | 0.068 | 0.398 |
| 2 | 83 | 5.711 | 9.795 | 0.857 | 67.327 | 0.799 | -0.079 | 0.798 |
| 3 | 44 | 4.455 | 8.042 | 0.678 | 56.808 | 0.720 | 0.063 | 0.760 |
Untuk memudahkan deskripsi, klaster diurutkan berdasarkan rata-rata
Ladder score dari yang terendah hingga tertinggi. Urutan
ini hanya untuk memberi label deskriptif dan tidak mengubah hasil
K-Means.
Tabel berikut menampilkan seluruh negara yang masuk ke setiap klaster. Jika laporan menjadi terlalu panjang, bagian ini tetap dapat digunakan untuk memeriksa hasil pengelompokan secara transparan.
| Klaster | Negara | Ladder_Score |
|---|---|---|
| 1 | Australia | 7.183 |
| 1 | Austria | 7.268 |
| 1 | Canada | 7.103 |
| 1 | Denmark | 7.620 |
| 1 | Estonia | 6.189 |
| 1 | Finland | 7.842 |
| 1 | France | 6.690 |
| 1 | Germany | 7.155 |
| 1 | Hong Kong S.A.R. of China | 5.477 |
| 1 | Iceland | 7.554 |
| 1 | Ireland | 7.085 |
| 1 | Luxembourg | 7.324 |
| 1 | Malta | 6.602 |
| 1 | Netherlands | 7.464 |
| 1 | New Zealand | 7.277 |
| 1 | Norway | 7.392 |
| 1 | Singapore | 6.377 |
| 1 | Sweden | 7.363 |
| 1 | Switzerland | 7.571 |
| 1 | United Arab Emirates | 6.561 |
| 1 | United Kingdom | 7.064 |
| 1 | Uzbekistan | 6.179 |
| 2 | Albania | 5.117 |
| 2 | Algeria | 4.887 |
| 2 | Argentina | 5.929 |
| 2 | Armenia | 5.283 |
| 2 | Azerbaijan | 5.171 |
| 2 | Bahrain | 6.647 |
| 2 | Belarus | 5.534 |
| 2 | Belgium | 6.834 |
| 2 | Bolivia | 5.716 |
| 2 | Bosnia and Herzegovina | 5.813 |
| 2 | Botswana | 3.467 |
| 2 | Brazil | 6.330 |
| 2 | Bulgaria | 5.266 |
| 2 | Cambodia | 4.830 |
| 2 | Chile | 6.172 |
| 2 | China | 5.339 |
| 2 | Colombia | 6.012 |
| 2 | Costa Rica | 7.069 |
| 2 | Croatia | 5.882 |
| 2 | Cyprus | 6.223 |
| 2 | Czech Republic | 6.965 |
| 2 | Dominican Republic | 5.545 |
| 2 | Ecuador | 5.764 |
| 2 | Egypt | 4.283 |
| 2 | El Salvador | 6.061 |
| 2 | Gabon | 4.852 |
| 2 | Georgia | 4.891 |
| 2 | Greece | 5.723 |
| 2 | Guatemala | 6.435 |
| 2 | Honduras | 5.919 |
| 2 | Hungary | 5.992 |
| 2 | Israel | 7.157 |
| 2 | Italy | 6.483 |
| 2 | Jamaica | 6.309 |
| 2 | Japan | 5.940 |
| 2 | Jordan | 4.395 |
| 2 | Kazakhstan | 6.152 |
| 2 | Kosovo | 6.372 |
| 2 | Kuwait | 6.106 |
| 2 | Kyrgyzstan | 5.744 |
| 2 | Latvia | 6.032 |
| 2 | Lebanon | 4.584 |
| 2 | Libya | 5.410 |
| 2 | Lithuania | 6.255 |
| 2 | Malaysia | 5.384 |
| 2 | Maldives | 5.198 |
| 2 | Mauritius | 6.049 |
| 2 | Mexico | 6.317 |
| 2 | Moldova | 5.766 |
| 2 | Mongolia | 5.677 |
| 2 | Montenegro | 5.581 |
| 2 | Namibia | 4.574 |
| 2 | Nicaragua | 5.972 |
| 2 | North Cyprus | 5.536 |
| 2 | North Macedonia | 5.101 |
| 2 | Palestinian Territories | 4.517 |
| 2 | Panama | 6.180 |
| 2 | Paraguay | 5.653 |
| 2 | Peru | 5.840 |
| 2 | Philippines | 5.880 |
| 2 | Poland | 6.166 |
| 2 | Portugal | 5.929 |
| 2 | Romania | 6.140 |
| 2 | Russia | 5.477 |
| 2 | Saudi Arabia | 6.494 |
| 2 | Serbia | 6.078 |
| 2 | Slovakia | 6.331 |
| 2 | Slovenia | 6.461 |
| 2 | South Africa | 4.956 |
| 2 | South Korea | 5.845 |
| 2 | Spain | 6.491 |
| 2 | Sri Lanka | 4.325 |
| 2 | Taiwan Province of China | 6.584 |
| 2 | Tajikistan | 5.466 |
| 2 | Thailand | 5.985 |
| 2 | Tunisia | 4.596 |
| 2 | Turkey | 4.948 |
| 2 | Turkmenistan | 5.066 |
| 2 | Ukraine | 4.875 |
| 2 | United States | 6.951 |
| 2 | Uruguay | 6.431 |
| 2 | Venezuela | 4.892 |
| 2 | Vietnam | 5.411 |
| 3 | Afghanistan | 2.523 |
| 3 | Bangladesh | 5.025 |
| 3 | Benin | 5.045 |
| 3 | Burkina Faso | 4.834 |
| 3 | Burundi | 3.775 |
| 3 | Cameroon | 5.142 |
| 3 | Chad | 4.355 |
| 3 | Comoros | 4.289 |
| 3 | Congo (Brazzaville) | 5.342 |
| 3 | Ethiopia | 4.275 |
| 3 | Gambia | 5.051 |
| 3 | Ghana | 5.088 |
| 3 | Guinea | 4.984 |
| 3 | Haiti | 3.615 |
| 3 | India | 3.819 |
| 3 | Indonesia | 5.345 |
| 3 | Iran | 4.721 |
| 3 | Iraq | 4.854 |
| 3 | Ivory Coast | 5.306 |
| 3 | Kenya | 4.607 |
| 3 | Laos | 5.030 |
| 3 | Lesotho | 3.512 |
| 3 | Liberia | 4.625 |
| 3 | Madagascar | 4.208 |
| 3 | Malawi | 3.600 |
| 3 | Mali | 4.723 |
| 3 | Mauritania | 4.227 |
| 3 | Morocco | 4.918 |
| 3 | Mozambique | 4.794 |
| 3 | Myanmar | 4.426 |
| 3 | Nepal | 5.269 |
| 3 | Niger | 5.074 |
| 3 | Nigeria | 4.759 |
| 3 | Pakistan | 4.934 |
| 3 | Rwanda | 3.415 |
| 3 | Senegal | 5.132 |
| 3 | Sierra Leone | 3.849 |
| 3 | Swaziland | 4.308 |
| 3 | Tanzania | 3.623 |
| 3 | Togo | 4.107 |
| 3 | Uganda | 4.636 |
| 3 | Yemen | 3.658 |
| 3 | Zambia | 4.073 |
| 3 | Zimbabwe | 3.145 |
Interpretasi berikut menggunakan perbandingan rata-rata faktor dalam data. Kategori “relatif tinggi/rendah” hanya berarti lebih tinggi/rendah dibandingkan klaster lain pada dataset ini, bukan standar universal.
Klaster ini berisi 22 negara. Rata-rata Ladder Score adalah 7,015. Faktor yang relatif menonjol tinggi: GDP per kapita (log), Dukungan sosial, Harapan hidup sehat, Kebebasan memilih, Kemurahan hati; faktor yang relatif menonjol rendah: Persepsi korupsi. Perbandingan dihitung relatif terhadap rata-rata seluruh negara pada dataset.
Klaster ini berisi 83 negara. Rata-rata Ladder Score adalah 5,711. Faktor yang relatif menonjol tinggi: tidak ada faktor yang menonjol tinggi; faktor yang relatif menonjol rendah: tidak ada faktor yang menonjol rendah. Perbandingan dihitung relatif terhadap rata-rata seluruh negara pada dataset.
Klaster ini berisi 44 negara. Rata-rata Ladder Score adalah 4,455. Faktor yang relatif menonjol tinggi: Kemurahan hati; faktor yang relatif menonjol rendah: GDP per kapita (log), Dukungan sosial, Harapan hidup sehat, Kebebasan memilih. Perbandingan dihitung relatif terhadap rata-rata seluruh negara pada dataset.
Pusat klaster positif menunjukkan nilai rata-rata di atas rata-rata keseluruhan faktor (dalam satuan simpangan baku), sedangkan nilai negatif menunjukkan nilai di bawah rata-rata.
| Klaster | GDP_Log | Dukungan_Sosial | Harapan_Hidup_Sehat | Kebebasan | Kemurahan_Hati | Persepsi_Korupsi |
|---|---|---|---|---|---|---|
| 1 | 1.216 | 0.991 | 1.119 | 1.027 | 0.552 | -1.836 |
| 2 | 0.313 | 0.368 | 0.345 | 0.064 | -0.421 | 0.391 |
| 3 | -1.200 | -1.191 | -1.210 | -0.634 | 0.519 | 0.180 |
| Ukuran | Nilai |
|---|---|
| Jumlah klaster | 3.0000 |
| Total within-cluster sum of squares | 424.0116 |
| Between-cluster sum of squares / Total sum of squares | 0.5225 |
Analisis ini mengelompokkan negara dalam World Happiness Report 2021 menggunakan K-Means dengan tiga klaster berdasarkan enam faktor yang telah distandardisasi: GDP per kapita log, dukungan sosial, harapan hidup sehat, kebebasan memilih, kemurahan hati, dan persepsi korupsi. Jumlah tiga klaster mengikuti acuan praktikum dan dibandingkan secara visual dengan metode Elbow.
Profil masing-masing kelompok dapat dilihat pada Tabel 5–8 dan interpretasi otomatis di atas. Perbedaan rata-rata Ladder Score antar-klaster digunakan sebagai deskripsi, bukan bukti bahwa faktor tertentu menyebabkan kebahagiaan. Karena K-Means bergantung pada pemilihan variabel, skala, dan jumlah klaster, hasil merupakan pengelompokan eksploratif dan bukan klasifikasi mutlak negara.
## [1] "R version 4.5.1 (2025-06-13 ucrt)"
## R version 4.5.1 (2025-06-13 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26200)
##
## Matrix products: default
## LAPACK version 3.12.1
##
## locale:
## [1] LC_COLLATE=English_Indonesia.utf8 LC_CTYPE=English_Indonesia.utf8
## [3] LC_MONETARY=English_Indonesia.utf8 LC_NUMERIC=C
## [5] LC_TIME=English_Indonesia.utf8
##
## time zone: Asia/Jakarta
## tzcode source: internal
##
## attached base packages:
## [1] stats graphics grDevices utils datasets methods base
##
## other attached packages:
## [1] cluster_2.1.8.1 knitr_1.50 dplyr_1.1.4 ggplot2_3.5.2
##
## loaded via a namespace (and not attached):
## [1] vctrs_0.6.5 cli_3.6.5 rlang_1.1.6 xfun_0.52
## [5] generics_0.1.4 jsonlite_2.0.0 labeling_0.4.3 glue_1.8.0
## [9] htmltools_0.5.8.1 sass_0.4.10 scales_1.4.0 rmarkdown_2.29
## [13] grid_4.5.1 evaluate_1.0.5 jquerylib_0.1.4 tibble_3.3.0
## [17] fastmap_1.2.0 yaml_2.3.10 lifecycle_1.0.4 compiler_4.5.1
## [21] RColorBrewer_1.1-3 pkgconfig_2.0.3 rstudioapi_0.17.1 farver_2.1.2
## [25] digest_0.6.37 R6_2.6.1 tidyselect_1.2.1 pillar_1.11.0
## [29] magrittr_2.0.3 bslib_0.9.0 withr_3.0.2 tools_4.5.1
## [33] gtable_0.3.6 cachem_1.1.0