Electronic Theses and Dissertation

Inflasi merupakan salah satu indikator ekonomi yang sangat penting dalam perekonomian suatu negara, termasuk indonesia. penelitian ini bertujuan untuk menerapkan metode clustering k-means pada data time series dalam studi kasus nilai laju inflasi di indonesia. data yang digunakan dalam penelitian ini merupakan data time series nilai laju inflasi bulanan dari 82 kabupaten/kota di indonesia selama periode 1 januari 2014 hingga 1 juni 2024, yang diambil dari situs badan pusat statistik (bps). penelitian ini berfokus pada perbandingan kinerja tiga metode pengukuran jarak, yaitu dynamic time warping (dtw), soft dynamic time warping (soft-dtw), dan euclidean, dalam proses clustering menggunakan algoritma k-means. tujuan dari penelitian ini adalah untuk memperoleh hasil pengelompokan terbaik dari data inflasi kabupaten/kota menggunakan metode k- means dengan jarak yang berbeda serta menganalisis karakteristik tiap kelompok yang dihasilkan. untuk mengevaluasi hasil clustering, digunakan silhouette coefficient sebagai indikator kualitas pengelompokan. hasil penelitian menunjukkan bahwa metode soft-dtw dengan jumlah cluster (k) = 2 memberikan hasil pengelompokan terbaik dengan nilai silhouette coefficient sebesar 0,746, dibandingkan dengan jarak dtw dan euclidean. penelitian ini mengidentifikasi dua kelompok wilayah berdasarkan nilai laju inflasi. klaster pertama terdiri dari wilayah-wilayah dengan rata-rata nilai inflasi yang lebih stabil dan terkontrol, sementara klaster kedua memiliki variabilitas inflasi yang lebih tinggi.

Inflation is one of the most important economic indicators in a country's economy, including Indonesia. This research aims to apply the K-Means clustering method to time series data in a case study of inflation rate values in Indonesia. The data used in this study are time series data of monthly inflation rate values from 82 districts/cities in Indonesia during the period January 1, 2014 to June 1, 2024, taken from the Central Bureau of Statistics (BPS) website. This research focuses on comparing the performance of three distance measurement methods, namely Dynamic Time Warping (DTW), Soft Dynamic Time Warping (Soft-DTW), and Euclidean, in the clustering process using the K-Means algorithm. The purpose of this study is to obtain the best clustering results from district/city inflation data using the K-Means method with different distances and analyze the characteristics of each group produced. To evaluate the clustering result, silhouette coefficient is used as an indicator of clustering quality. The results show that the Soft-DTW method with the number of clusters (k) = 2 provides the best clustering results with a silhouette coefficient of 0.746, compared to DTW and Euclidean distances. This study identifies two clusters of regions based on the inflation rate. The first cluster consists of regions with a more stable and controlled average inflation rate, while the second cluster has higher inflation variability.