Pemetaan Wilayah Berdasarkan Minat Baca Masyarakat dengan Algoritma K-Means
DOI:
https://doi.org/10.47701/mbga9p80Keywords:
K-Means, Klasterisasi, Tingkat Kegemaran Membaca, Literasi, Analisis DataAbstract
Tingkat Kegemaran Membaca (TGM) di Indonesia menunjukkan ketidaksetaraan antarwilayah yang signifikan, namun pola pengelompokannya belum terpetakan secara analitis, sehingga menyulitkan perancangan kebijakan yang efektif. Tujuan utama penelitian ini adalah untuk mengelompokkan provinsi-provinsi di Indonesia ke dalam klaster berdasarkan kemiripan karakteristik kegemaran membaca guna menyediakan model segmentasi berbasis data untuk perumusan kebijakan yang lebih strategis. Metode yang digunakan adalah data mining dengan algoritma klasterisasi K-Means. Penelitian ini mengolah data publikasi Perpustakaan Nasional RI tahun 2024, yang mencakup 39 data provinsi. Dua variabel utama yang menjadi dasar analisis adalah skor Tingkat Kegemaran Membaca (skala 1-100) dan Frekuensi Membaca per minggu. Proses klasterisasi dilakukan untuk membentuk dua kelompok, yaitu klaster tinggi dan rendah. Hasil penelitian berhasil mengidentifikasi dua klaster yang berbeda secara statistik. Sebanyak 76.92% provinsi (30 provinsi) terkategori dalam Klaster Tinggi dengan pusat klaster (centroid) TGM pada skor 71.23. Sementara itu, 23.08% provinsi (9 provinsi) masuk ke dalam Klaster Rendah dengan centroid TGM 55.14. Temuan kunci menunjukkan bahwa seluruh anggota Klaster Rendah secara geografis terkonsentrasi di kawasan timur Indonesia, mengonfirmasi adanya kesenjangan literasi regional yang tajam. Kesimpulan utama dari penelitian ini adalah bahwa pendekatan kebijakan literasi yang seragam tidak lagi memadai untuk kondisi Indonesia saat ini. Adanya perbedaan karakteristik yang jelas antar klaster menegaskan perlunya strategi yang berbeda dan terfokus. Penelitian ini merekomendasikan intervensi yang berfokus pada peningkatan aksesibilitas untuk provinsi di Klaster Rendah, dan peningkatan kualitas bacaan untuk Klaster Tinggi, sebagai landasan analitis bagi pemerintah untuk merumuskan kebijakan literasi yang lebih adil dan tepat sasaran.
References
[1] Mahmudi Mahmudi and Zaehol Fatah, “Analisis Pengaruh Jenis Buku Terhadap Minat Baca Mahasiswa di Perpustakaan Ibrahimy dengan Algoritma K-Means Clustering,” J. Ilm. Sains Teknol. Dan Inf., vol. 3, no. 1, pp. 53–65, 2024, doi: 10.59024/jiti.v3i1.1013.
[2] M. Jelita, “Analisis Clustering Menggunakan Metode K-Means untuk Mengelompokkan Kabupaten/Kota di Indonesia berdasarkan UnsurUnsur Pembangun Literasi Masyarakat (UPLM),” Semin. Nas. Off. Stat., vol. 2024, no. 1, pp. 701–710, 2024, doi:
10.34123/semnasoffstat.v2024i1.2188.
[3] N. L. P. I. Candrawengi, “Segmentasi Siswa Berdasarkan Capaian Literasi dan Numerik Menggunakan Teknik Clustering,” J. Educ., vol. 7, no. 2, pp. 9435–9444, 2024, doi: 10.31004/joe.v7i2.7891.
[4] Yurista Bustomi, Fadli Rahdiat Gunadi, and Ratna Sari Dewi, “GERMABUK ‘GERAKAN MEMBACA BUKU’ : Preventif dalam Meningkatan Nilai-Nilai Literasi Pendidikan melalui Perwujudan Sekolah yang Berkarakter,” PUSTAKA J. Bhs. dan Pendidik., vol. 3, no. 2, pp. 196–206, 2023, doi:
10.56910/pustaka.v3i2.511.
[5] Y. Yuliantin and A. Faqih, “Bianglala Informatika: Jurnal Komputer Dan Informatika Univesitas Bina Sarana Informatika Jakarta Algoritma K-Means Untuk Klasterisasi Kampung Di Desa Bojong Berdasarkan Tingkat Pendidikan,” vol. 13, no. 1, p. 2025, 2025.
[6] B. Krismarta and F. Septian, “Implementasi Algoritma K-Means Untuk Klasterisasi Minat Membaca Anak Pada Perpustakaan Sudut Baca Opera,” OKTALJurnal Ilmu Komput. dan Sci., vol. 3, no. 8, pp. 2022–2031, 2024, [Online]. Available: https://journal.mediapublikasi.id/index.php/oktal
[7] E. Fat, “Peningkatan Tingkat Kegemaran Membaca (TGM) Masyarakat Melalui Pengukuran Indeks Gemar Membaca (IGM),” Tik Ilmeu J. Ilmu Perpust. dan Inf., vol. 6, no. 2, p. 341, 2022, doi: 10.29240/tik.v6i2.5498.
[8] L. F. Az Zahroh, N. Rahaningsih, and R. D. Dana, “Klasterisasi Data Kegemaran Membaca Menggunakan Algoritma K-Means Di Sma Al-Islam Cirebon,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 3, pp. 2692–2698, 2024, doi: 10.36040/jati.v8i3.9543.
[9] B. Warsito, A. Rachman Hakim, and E. Fatmawati, “Pengukuran Indeks Pembangunan Literasi Masyarakat (IPLM) Kota Salatiga sebagai Dasar Penyusunan Program Pengembangan dan Pembinaan Perpustakaan,” J. Pustaka Ilm., vol. 9, no. 2, p. 75, 2023, doi: 10.20961/jpi.v9i2.75337.
[10] X. Lin, W. Guan, and Y. Zhang, “Application of Data Mining Technology with Improved Clustering Algorithm in Library Personalized Book Recommendation System,” Int. J. Adv. Comput. Sci. Appl., vol. 14, no. 11, pp. 494–504, 2023, doi: 10.14569/IJACSA.2023.0141151.
