Analisis Spasial dan Klasterisasi Ketimpangan Aset Koperasi di Tingkat Kabupaten/Kota Provinsi Jawa Barat
DOI:
https://doi.org/10.32670/dej.v2i2.23Keywords:
Koperasi, Total Aset, Clustering, K-Means, Ward's MethodAbstract
Koperasi memegang peranan krusial dalam menopang stabilitas ekonomi akar rumput di tingkat daerah. Namun, sebaran modal yang tercermin dari nilai total aset koperasi antar-wilayah seringkali mengalami ketimpangan yang lebar, sehingga memerlukan sistem pemetaan yang objektif untuk mendukung pengambilan kebijakan. Penelitian ini bertujuan untuk mengelompokkan 27 kabupaten/kota di Provinsi Jawa Barat berdasarkan karakteristik kemiripan total aset koperasi menggunakan pendekatan sains data. Metode penelitian yang diterapkan adalah kuantitatif berbasis data mining dengan membandingkan dua arsitektur algoritma clustering, yaitu K-Means Clustering sebagai perwakilan metode non-hierarki dan Agglomerative Hierarchical Clustering dengan Ward’s Method sebagai metode hirarki. Data sekunder berupa total aset koperasi berskala satu dimensi diperoleh dari portal resmi Open Data Jabar. Penentuan jumlah kelompok optimal ditentukan melalui Elbow Method, sedangkan pengujian keandalan struktur klaster dievaluasi menggunakan metrik validasi internal Silhouette Coefficient. Hasil analisis grafik Elbow secara konsisten menunjukkan bahwa jumlah partisi paling efisien untuk dataset ini adalah tiga klaster ($K=3$). Melalui tahapan evaluasi model, algoritma Hierarchical Clustering (Metode Ward) terbukti menghasilkan performa terbaik dengan rata-rata skor Silhouette sebesar 0,665, mengungguli algoritma K-Means yang mencatatkan skor 0,587. Metode Ward dinilai lebih andal dalam memecah data satu dimensi yang memiliki varians timpang tanpa terdistorsi penuh oleh pencilan ekstrem. Hasil pemetaan terbaik mengisolasi Kota Bandung sebagai klaster mandiri tunggal dengan aset super tinggi (Rp 5,15 Triliun), diikuti oleh empat wilayah penyangga industri pada klaster aset tinggi (Rp 1,61 T – Rp 2,94 T), serta 22 kabupaten/kota lainnya yang mendominasi kelompok aset sedang-rendah (di bawah Rp 1,30 Triliun). Temuan ini mengonfirmasi adanya polarisasi ekonomi yang nyata pada ekosistem koperasi di Jawa Barat. Implikasi dari riset ini merekomendasikan pemerintah daerah untuk menerapkan kebijakan pembinaan terarah berbasis klaster (data-driven policy), di mana intervensi bantuan modal stimulan dan pendampingan manajemen diutamakan secara masif pada 22 wilayah berkembang di klaster terendah.
References
Aggarwal, C. C., & Reddy, C. K. (2018). Data Clustering (C. C. Aggarwal & C. K. Reddy, Eds.). Chapman and Hall/CRC. https://doi.org/10.1201/9781315373515
Birchall, Johnston. (2013). Resilience in a downturn : the power of financial cooperatives. International Labour Office.
Bishop, C. M. . (2009). Pattern recognition and machine learning. Springer Science + Business Media.
Cao, Longbing. (2010). Domain driven data mining. Springer.
Dinas Koperasi dan Usaha Kecil Provinsi Jawa Barat. (2026). Jumlah Asset Koperasi Berdasarkan Kabupaten/Kota di Jawa Barat. Https://Opendata.Jabarprov.Go.Id.
Everitt, Brian., Landau, Sabine., Leese, Morven., & Stahl, Daniel. (2011). Cluster Analysis, 5th Edition. John Wiley & Sons.
Han, Jiawei., Kamber, Micheline., & Pei, Jian. (2012). Data mining : concepts and techniques. Elsevier/Morgan Kaufmann.
Hastie, Trevor., Tibshirani, Robert., & Friedman, J. H. . (2017). The elements of statistical learning : data mining, inference, and prediction. Springer.
Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651–666. https://doi.org/10.1016/j.patrec.2009.09.011
Krugman, P. (1991). Increasing Returns and Economic Geography. Journal of Political Economy, 99(3), 483–499. http://www.jstor.org/stable/2937739
Larose, D. T. ., & Larose, C. D. . (2014). Discovering knowledge in data : an introduction to data mining. Wiley.
Legendre, Pierre., & Legendre, Louis. (2012). Numerical ecology. Elsevier.
Murtagh, F., & Contreras, P. (2012). Algorithms for hierarchical clustering: an overview. WIREs Data Mining and Knowledge Discovery, 2(1), 86–97. https://doi.org/10.1002/widm.53
Murtagh, F., & Legendre, P. (2014). Ward’s Hierarchical Agglomerative Clustering Method: Which Algorithms Implement Ward’s Criterion? Journal of Classification, 31(3), 274–295. https://doi.org/10.1007/s00357-014-9161-z
Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65. https://doi.org/10.1016/0377-0427(87)90125-7
Spear, R., & Bidet, E. (2005). Social enterprise for work integration in 12 european countries: a descriptive analysis*. Annals of Public and Cooperative Economics, 76(2), 195–231. https://doi.org/10.1111/j.1370-4788.2005.00276.x
Subramanyam, K. R. ., & Wild, John. (2014). Financial statement analysis K.R. Subramanyam, John Wild. McGraw-Hill.
Sugiastuti, R. H., & Pratama, M. R. (2022). Dampak Buruk Pembangunan Tanpa Pemerataan : Kesenjangan Ekonomi Antar Wilayah di Indonesia. Profit : Jurnal Administrasi Bisnis, 16(1), 79–90.
Tambunan, T. T. H. (2017). Women Entrepreneurs in MSEs in Indonesia: Their Motivations and Main Constraints. International Journal of Gender and Women’s Studies, 5(1). https://doi.org/10.15640/ijgws.v5n1a9
Tan, P.-Ning., Steinbach, Michael., & Kumar, Vipin. (2006). Introduction to data mining. Pearson Addison Wesley.
Undang-Undang Nomor 25 Tahun 1992 Tentang Perkoperasian (1992).
Wu, X., Kumar, V., Ross Quinlan, J., Ghosh, J., Yang, Q., Motoda, H., McLachlan, G. J., Ng, A., Liu, B., Yu, P. S., Zhou, Z.-H., Steinbach, M., Hand, D. J., & Steinberg, D. (2008). Top 10 algorithms in data mining. Knowledge and Information Systems, 14(1), 1–37. https://doi.org/10.1007/s10115-007-0114-2
Yim, O., & Ramdeen, K. T. (2015). Hierarchical Cluster Analysis: Comparison of Three Linkage Measures and Application to Psychological Data. The Quantitative Methods for Psychology, 11(1), 8–21. https://doi.org/10.20982/tqmp.11.1.p008
