PENERAPAN ALGORITMA SELF-ORGANIZING MAP DALAM CLUSTERING KABUPATEN KOTA BERDASARKAN INDIKATOR KESEJAHTERAAN RAKYAT (Studi Kasus :Provinsi Jawa Timur)

Kesejahteraan merupakan indikator penting dalam mengukur kondisi kehidupan masyarakat, mencakup aspek kesehatan, ekonomi, kebahagiaan, dan kualitas hidup. Berdasarkan data BPS (2023), Provinsi Jawa Timur masih menghadapi kemiskinan dengan 4.188.810 penduduk miskin. Untuk merumuskan kebijakan yang tepat sasaran, penelitian ini menerapkan metode Self-Organizing Map (SOM) dalam clustering wilayah berdasarkan tingkat kesejahteraan. Penelitian ini menggunakan data publikasi BPS 2021-2023 dengan 104 data kabupaten/kota, dan 10 variabel. Data melalui pre-processing dengan standarisasi Min-Max dan deteksi outlier menggunakan IsolationForest untuk meningkatkan kualitas klaster. Hasil clustering dengan k=3, epoch 1000, dan learning rate 0.05 menunjukkan Silhouette Coefficient 0.2830 untuk keseluruhan data dan 0.4841 secara rata-rata pada tiap indikator. Untuk memvisualisasikan hasil clustering, dilakukan reduksi dimensi menggunakan Principal Component Analysis (PCA) untuk menampilkan penyebaran klaster dalam bentuk scatter plot. Berdasarkan hasil penerapan algoritma dan skenario uji coba yang telah dilakukan hasil clustering dengan menggunakan beberapa parameter yang berbeda menunjukkan bahwa learning rate menentukan stabilitas perubahan bobot, dan epoch menentukan konvergensi model yang lebih besar. Hal tersebut berpengaruh signifikan terhadap kualitas klaster yang terbentuk. Berdasarkan hasil pengujian menunjukan clustering optimal pada keseluruhan data adalah k=3 dengan epoch 5000 dan learning rate 0.05 menghasilkan nilai silhouette terbesar adalah 0.301, sedangkan pada data tiap indikatornya adalah 2 dengan nilai silhouette 0.499.