<![CDATA[Penelitian ini bertujuan untuk membandingkan efektivitas dua metode klastering, yaitu K-Means dan Density-Based Spatial Clustering of Applications with Noise (DBSCAN), dalam mengelompokkan rumah tangga berdasarkan karakteristik sosial ekonomi di Jawa Barat. Perbandingan kedua metode ini penting karena masing-masing metode memiliki kelebihan dan keterbatasan yang berbeda, K-Means unggul dalam menangani data dengan klaster yang lebih seragam, sedangkan DBSCAN lebih fleksibel dalam mengelola outlier dan klaster tidak teratur yang sering muncul dalam data sosial ekonomi. Data yang digunakan meliputi empat kategori: Fasilitas Rumah Tangga, Ketersediaan dan Kualitas Air, Bantuan Sosial dan Ekonomi, serta Kesejahteraan Ekonomi. Hasil analisis menunjukkan ketimpangan dalam akses fasilitas, air bersih, dan bantuan sosial ekonomi di berbagai wilayah, di mana wilayah seperti Bandung dan Garut lebih unggul dibanding Indramayu dan Cirebon. Motode terbaik dilihat dari nilai silhouette tertinggi. Metode K-Means menghasilkan segmentasi yang lebih terstruktur dengan skor silhouette 0,69, menunjukkan performa yang baik dalam mengelompokkan data dengan karakteristik yang lebih seragam. Sebaliknya, metode DBSCAN, yang lebih fleksibel dalam menangani outlier, menghasilkan 7 klaster dengan 248 noise points dan skor silhouette yang lebih rendah yaitu 0,398, mengindikasikan struktur klaster yang kurang kuat. Perbandingan kedua metode ini relevan dalam konteks klastering rumah tangga di Jawa Barat, di mana K-Means lebih efektif untuk wilayah dengan akses fasilitas yang seragam, sedangkan DBSCAN lebih baik dalam menangkap variasi yang tidak beraturan dan outlier. Penjelasan perbandingan kedua metode ini telah diperinci lebih lanjut untuk mencakup bagaimana variasi akses sosial ekonomi di berbagai wilayah memengaruhi efektivitas masing-masing metode sehingga memberikan pemahaman yang lebih mendalam tentang keunggulan dan keterbatasan keduanya dalam menangani heterogenitas data social ekonomi di Jawa Barat.Kata kunci: DBSCAN, K-Means, Klastering, Susenas]]>
