Perbandingan K-Means dan Agglomerative Hierarchical Clustering dalam Pengelompokan Provinsi di Indonesia Berdasarkan Tingkat Kepemilikan JKN

Abstrak

Sistem Jaminan Kesehatan Nasional (JKN) merupakan program pemerintah untuk mewujudkan Universal Health Coverage, namun tingkat kepemilikannya di setiap provinsi masih bervariasi. Penelitian ini bertujuan mengelompokkan 38 provinsi di Indonesia berdasarkan tingkat kepemilikan JKN periode 2023–2025 serta membandingkan metode K-Means dan Agglomerative Hierarchical Clustering (AHC) dengan pendekatan Ward Linkage. Data diperoleh dari Badan Pusat Statistik (BPS) dan diolah menggunakan Python pada Google Colab melalui tahapan preprocessing, penentuan jumlah klaster optimal, proses clustering, serta evaluasi menggunakan Silhouette Coefficient dan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan jumlah klaster optimal sebanyak tiga, yaitu kategori rendah, sedang, dan tinggi. K-Means memperoleh Silhouette Coefficient sebesar 0,595773 dan DBI 0,453632, sedangkan AHC memperoleh Silhouette Coefficient 0,587456 dan DBI 0,433335. Berdasarkan nilai Silhouette Coefficient yang lebih tinggi, K-Means direkomendasikan sebagai metode yang lebih optimal untuk mendukung evaluasi kebijakan dan pemerataan kepesertaan JKN di Indonesia.