Pengelompokan Kabupaten/Kota Berdasarkan Indikator Tingkat Pengangguran Menggunakan Algoritma K-Means Clustering (Studi Kasus: Provinsi Jawa Barat)

Article Sidebar

eProsiding Sistem Informasi
PDF
Published: Dec 17, 2021
Keywords:
Pengelompokan, Pengangguran, K-Means, Rapidminer, Davies Bouldin Index

Main Article Content

Anggia Arfiani Putrie
Universitas Adhirajasa Reswara Sanjaya
Rangga Sanjaya

Abstract

Permasalahan yang selalu muncul setiap tahunnya adalah masalah pengangguran. Pada tahun 2018 tingkat pengangguran terbuka di Provinsi Jawa Barat sebesar 8,23%, pada tahun 2019 persentase pengangguran terbuka di Jawa Barat berkurang menjadi 8.04% dan pada tahun 2020 bertambah menjadi 10.46%. Oleh karena dalam penelitian ini membahas tentang persoalan pengangguran berdasarkan indikator tingkat pengangguran khususnya jumlah penduduk dan upah minimum kabupaten/kota, kemudian dikelompokan menggunakan metode K-Means Clustering berdasarkan wilayah/kota. Tujuan penelitian ini untuk mendapatkan hasil pengelompokan Kabupaten/Kota di Provinsi Jawa Barat berdasarkan indikator tingkat pengangguran. Berdasarkan hasil penelitian diperoleh 4 cluster, yaitu cluster 0 menunjukkan daerah dengan tingkat pengangguran paling rendah terdapat 18 kabupaten/kota Cluster 1 menunjukkan daerah dengan tingkat pengangguran rendah terdapat 2 kabupaten/kota. Cluster 2 menunjukkan daerah dengan pengangguran tinggi terdapat 1 kabupaten, dan cluster 3 menunjukkan daerah dengan tingkat pengangguran sedang terdapat 2 Kota. Pada tahap evaluasi menggunakan metode Davies Bouldin Index pada rapid miner menghasilkan Davies Bouldin sebesar 0.328 artinya hasilnya baik karena hasilnya 0 (non-negatif).

Article Details

Issue
Vol. 2 No. 2 (2021): eProsiding Sistem Informasi (POTENSI) 2021
Section
Articles

References

S. Prawira, “Pengaruh pertumbuhan ekonomi, upah minimum provinsi, dan tingkat pendidikan terhadap pengangguran terbuka di Indonesia,” J. Ecogen, vol. 1, no. 1, pp. 162–168, 2018.

T. B. Hartanto, “Analisis Pengaruh Jumlah Penduduk, Pendidikan, Upah Minimum Dan Produk Domestik Regional Bruto (Pdrb) Terhadap Jumlah Pengangguran Di Kabupaten Dan Kotaprovinsi Jawa Timur Tahun 2010-2014,” JIET J. Ilmu Ekon. Terap., vol. 2, no. 1, 2017.

K. Berliani, “Pengaruh Tingkat Pengangguran, Tingkat Pendidikan dan Laju Pertumbuhan Penduduk Terhadap Tingkat Kemiskinan Penduduk Provinsi Jawa Barat Tahun 2015-2020,” Syntax Lit. J. Ilm. Indones., vol. 6, no. 2, pp. 872–882, 2021.

I. Itang, “Faktor Faktor Penyebab Kemiskinan,” Tazkiya, vol. 16, no. 01, pp. 1–30, 2017.

R. Sanjaya and F. Fitriyani, “Prediksi Bedah Toraks Menggunakan Seleksi Fitur Forward Selection dan K-Nearest Neighbor,” JEPIN J. Edukasi Dan Penelit. Inform., vol. 5, no. 3, pp. 316–320, 2019.

B. M. Metisen and H. L. Sari, “Analisis clustering menggunakan metode K-Means dalam pengelompokkan penjualan produk pada Swalayan Fadhila,” J. Media Infotama, vol. 11, no. 2, 2015.

M. Wahyudi, L. Pujiastuti, and S. Solikhun, “Penerapan Data Mining Dalam Mengelompokkan Data Pengangguran Terbuka Menurut Provinsi Menggunakan Algoritma K-Means,” in Prosiding Seminar Nasional Riset Information Science (SENARIS), 2020, vol. 2, pp. 432–440.

F. Fitriyani and R. Sanjaya, “KOMPARASI ALGORITMA LR, K-NN DAN SVM UNTUK ESTIMASI AREA KEBAKARAN HUTAN,” Infotronik J. Teknol. Inf. Dan Elektron., vol. 3, no. 2, pp. 103–110, 2018.

R. Sanjaya, D. Puspitasari, and others, “Noise Reduction through Bagging on Neural Network Algorithm for Forest Fire Estimates,” in 2018 6th International Conference on Cyber and IT Service Management (CITSM), 2018, pp. 1–5.

V. Kotu and B. Deshpande, Predictive analytics and data mining: A framework for optimizing decisions with R tool. 2015. doi: 10.4018/978-1-4666-4940-8.ch004.