Electronic Theses and Dissertation

Indeks pembangunan manusia (ipm) merupakan salah satu ukuran yang digunakan untuk mengukur tingkat keberhasilan pembangunan manusia di suatu daerah. permasalahan yang sering timbul dalam proses pembangunan adalah tidak meratanya pembangunan di setiap kabupaten/kota di indonesia. hal ini dapat dilihat dari nilai ipm yang masih beragam di setiap kabupaten/kota di indonesia. tujuan dari penelitian ini adalah untuk mengelompokan kabupaten/kota di indonesia berdasarkan indikator-indikator ipm dengan menggunakan analisis k-means cluster serta menentukan fungsi pengelompokan kabupaten/kota berdasarkan indikator-indikator ipm dengan menggunakan analisis diskriminan fisher. data yang digunakan adalah data indikator ipm tahun 2015 yang diperoleh dari website bps setiap provinsi. kabupaten/kota di indonesia dikelompokan menjadi 4 kelompok dengan kategori nilai indikator ipm rendah, sedang, tinggi, dan sangat tinggi. penentuan kategori untuk masing-masing kelompok dilakukan dengan membandingkan nilai rata-rata indikator ipm setiap kelompok dengan kelompok lainnya. hasil pengelompokan kabupaten/kota dengan analisis k-means cluster diperoleh kelompok pertama terdiri dari 20 kabupaten yang merupakan kabupaten dengan nilai indikator ipm rendah, kelompok kedua terdiri dari 148 kabupaten/kota yang memiliki nilai indikator ipm sedang, kelompok ketiga terdiri dari 88 kabupaten/kota yang memiliki nilai indikator ipm sangat tinggi, dan kelompok keempat terdiri dari 258 kabupaten/kota yang memiliki nilai indikator ipm tinggi. setelah dilakukan pengelompokan kabupaten/kota di indonesia, selanjutnya dilakukan pembentukan fungsi pengelompokan tersebut dengan menggunakan analisis diskriminan fisher. untuk menentukan fungsi pengelompokan digunakan 80% data (411 kabupaten/kota) dan data sisanya digunakan untuk validasi fungsi diskriminan. terdapat 4 fungsi pengelompokan yang terbentuk dengan tingkat ketepatan klasifikasi sebesar 93,20%. kata kunci: indeks pembangunan manusia, analisis diskriminan fisher, analisis cluster k-means