PERBANDINGAN K-MEANS DAN AGGLOMERATIVE CLUSTERING UNTUK PENGELOMPOKAN KINERJA REALISASI PAD OPD SURABAYA 2022–2024
Keywords:
Agglomerative Clustering, Davies-Bouldin Index, K-Means, Pendapatan Asli Daerah, Silhouette Score, Organisasi Perangkat DaerahAbstract
Pendapatan Asli Daerah (PAD) Kota Surabaya dihimpun oleh beberapa Organisasi Perangkat Daerah (OPD) dengan kinerja realisasi yang beragam, tetapi pengelompokan kinerja tersebut secara kuantitatif dan lintas tahun belum banyak dilakukan. Penelitian ini membandingkan K-Means dan Agglomerative Clustering untuk mengelompokkan kinerja realisasi PAD OPD Surabaya tahun 2022–2024 dengan unit analisis OPD per tahun. Data diekstraksi dari tiga dokumen rincian realisasi APBD per organisasi, kemudian diaudit dan diagregasi pada akun 4.1.01–4.1.04. Audit menemukan 22 baris pendapatan ganda pada dokumen 2024 yang bernilai Rp1.303,06 miliar untuk akun PAD; baris tersebut dihapus sebelum analisis. Dari 47 rekaman OPD-tahun yang memiliki akun PAD, 44 observasi dianalisis karena tiga rekaman tidak memiliki anggaran PAD. Variabel utama adalah persentase realisasi PAD dan kontribusi PAD; pertumbuhan realisasi hanya diuji pada skenario 2023–2024 karena data 2021 tidak tersedia. Data distandardisasi dengan StandardScaler, jumlah cluster ditentukan melalui metode Elbow, Silhouette Score, Davies-Bouldin Index (DBI), Calinski-Harabasz Index (CHI), dan dendrogram. Pada k = 5, K-Means memperoleh Silhouette 0,615, DBI 0,376, dan CHI 205,94, sedangkan Agglomerative Ward memperoleh Silhouette 0,603, DBI 0,365, dan CHI 189,52. K-Means unggul pada dua dari tiga indeks, dan kesepakatan kedua algoritma sangat tinggi (Adjusted Rand Index 0,939; hanya satu observasi berbeda). Cluster yang terbentuk meliputi penghimpun dominan, realisasi jauh melampaui target, memenuhi target, di bawah target, dan realisasi rendah. Sebanyak 7 dari 14 OPD yang lengkap tiga tahun berpindah cluster, dengan kecenderungan bergeser ke cluster memenuhi target. Hasil ini menunjukkan K-Means sedikit lebih baik pada skenario utama, tetapi selisihnya kecil, sementara Dinas Perhubungan konsisten berada pada cluster realisasi rendah.
References
[1] Pemerintah Republik Indonesia, Undang-Undang Republik Indonesia Nomor 1 Tahun 2022 tentang Hubungan Keuangan antara Pemerintah Pusat dan Pemerintahan Daerah. Jakarta, Indonesia, 2022. [Online]. Available: https://peraturan.bpk.go.id/Details/195696/uu-no-1-tahun-2022
[2] Kementerian Dalam Negeri Republik Indonesia, Peraturan Menteri Dalam Negeri Nomor 77 Tahun 2020 tentang Pedoman Teknis Pengelolaan Keuangan Daerah. Jakarta, Indonesia, 2020. [Online]. Available: https://peraturan.bpk.go.id/details/162792/permendagri-no-77-tahun-2020
[3] S. P. Faradilla and N. Hanifa, “Analisis Rasio Efektivitas PAD, Efisiensi PAD dan Kemandirian Kota Surabaya,” INDEPENDENT: Journal of Economics, vol. 4, no. 3, pp. 98–104, 2024.
[4] Pemerintah Kota Surabaya, “Rincian APBD Menurut Urusan Pemerintahan Daerah, Organisasi, Program, Kegiatan, Sub Kegiatan, Kelompok, dan Jenis Pendapatan, Belanja, dan Pembiayaan, Tahun Anggaran 2022, 2023, dan 2024 (Realisasi),” Pemerintah Kota Surabaya, Surabaya, Indonesia, 2023–2025.
[5] J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Waltham, MA, USA: Morgan Kaufmann, 2012.
[6] A. E. Ezugwu et al., “A comprehensive survey of clustering algorithms: State-of-the-art machine learning applications, taxonomy, challenges, and future research prospects,” Engineering Applications of Artificial Intelligence, vol. 110, p. 104743, 2022, doi: 10.1016/j.engappai.2022.104743.
[7] F. A. I. S. Aji, S. Achmadi, and F. Ariwibisono, “Penerapan Metode Clustering pada Analisis Realisasi Pendapatan Asli Daerah dengan Algoritma K-Means,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 5, no. 2, pp. 443–451, 2021, doi: 10.36040/jati.v5i2.3741.
[8] T. Rahmadianissa, “Clustering Menggunakan Algoritma K-Means dan DBSCAN pada Anggaran Pendapatan dan Belanja Daerah di Indonesia,” Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Riau, Pekanbaru, Indonesia, 2022. [Online]. Available: https://repository.unri.ac.id/handle/123456789/10905
[9] R. Wulaningrum, V. E. Satya, M. Kadafi, and A. Azizah, “Clustering of Provincial Government in Indonesia Based on Fixed Asset Ownership and Economic Growth,” in Proc. Int. Conf. Applied Science and Technology on Social Science 2021 (iCAST-SS 2021), Atlantis Press, 2022, pp. 471–476, doi: 10.2991/assehr.k.220301.077.
[10] H. I. Abdalla, “A Brief Comparison of K-means and Agglomerative Hierarchical Clustering Algorithms on Small Datasets,” in Proc. 2021 Int. Conf. Wireless Communications, Networking and Applications, Lecture Notes in Electrical Engineering. Singapore: Springer, 2022, pp. 623–632, doi: 10.1007/978-981-19-2456-9_64.
[11] D. G. Purnama, Safrizal, and C. B. Santoso, “A Comparison of K-Means, Hierarchical Clustering, and K-Medoids for Market Segmentation Based on Silhouette Score Evaluation,” JSAI (Journal Scientific and Applied Informatics), vol. 9, no. 2, pp. 294–305, 2026, doi: 10.36085/jsai.v9i2.10849.
[12] M. Sholeh and K. Aeni, “Perbandingan Evaluasi Metode Davies Bouldin, Elbow dan Silhouette pada Model Clustering dengan Menggunakan Algoritma K-Means,” STRING (Satuan Tulisan Riset dan Inovasi Teknologi), vol. 8, no. 1, pp. 56–65, 2023, doi: 10.30998/string.v8i1.16388.
[13] A. M. Ikotun, A. E. Ezugwu, L. Abualigah, B. Abuhaija, and J. Heming, “K-means clustering algorithms: A comprehensive review, variants analysis, and advances in the era of big data,” Information Sciences, vol. 622, pp. 178–210, 2023, doi: 10.1016/j.ins.2022.11.139.
[14] K. P. Sinaga and M.-S. Yang, “Unsupervised K-Means Clustering Algorithm,” IEEE Access, vol. 8, pp. 80716–80727, 2020, doi: 10.1109/ACCESS.2020.2988796.
[15] X. Ran, Y. Xi, Y. Lu, X. Wang, and Z. Lu, “Comprehensive survey on hierarchical clustering algorithms and the recent developments,” Artificial Intelligence Review, vol. 56, no. 8, pp. 8219–8264, 2023, doi: 10.1007/s10462-022-10366-3.
[16] F. Murtagh and P. Legendre, “Ward’s Hierarchical Agglomerative Clustering Method: Which Algorithms Implement Ward’s Criterion?,” Journal of Classification, vol. 31, no. 3, pp. 274–295, 2014, doi: 10.1007/s00357-014-9161-z.
[17] L. Kaufman and P. J. Rousseeuw, Finding Groups in Data: An Introduction to Cluster Analysis. Hoboken, NJ, USA: John Wiley & Sons, 1990, doi: 10.1002/9780470316801.
[18] P. J. Rousseeuw, “Silhouettes: A graphical aid to the interpretation and validation of cluster analysis,” Journal of Computational and Applied Mathematics, vol. 20, pp. 53–65, 1987, doi: 10.1016/0377-0427(87)90125-7.
[19] M. Shutaywi and N. N. Kachouie, “Silhouette Analysis for Performance Evaluation in Machine Learning with Applications to Clustering,” Entropy, vol. 23, no. 6, p. 759, 2021, doi: 10.3390/e23060759.
[20] D. L. Davies and D. W. Bouldin, “A Cluster Separation Measure,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-1, no. 2, pp. 224–227, 1979, doi: 10.1109/TPAMI.1979.4766909.
[21] T. Caliński and J. Harabasz, “A dendrite method for cluster analysis,” Communications in Statistics, vol. 3, no. 1, pp. 1–27, 1974, doi: 10.1080/03610927408827101.
[22] F. Pedregosa et al., “Scikit-learn: Machine Learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011.
[23] scikit-learn developers, “Clustering,” scikit-learn User Guide. [Online]. Available: https://scikit-learn.org/stable/modules/clustering.html
[24] W. McKinney, Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter, 3rd ed. Sebastopol, CA, USA: O’Reilly Media, 2022.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Putri Amanda Khairunnisa (Author)

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

