Implementasi K-Means Clustring Untuk Mengelompokkan Provinsi di Indonesia Berdasarkan Tingkat Pengangguran Terbuka
Keywords:
Pengangguran Terbuka, K-Means Clustering, TPTDOI:
https://doi.org/10.59435/jgcs.v1i1.2025.24Abstract
Pengangguran terbuka di Indonesia merupakan salah satu masalah sosial dan ekonomi yang signifikan, yang dapat menghambat pertumbuhan ekonomi serta mempengaruhi kesejahteraan masyarakat secara luas. Penelitian ini bertujuan untuk menganalisis Tingkat Pengangguran Terbuka (TPT) Indonesia dari tahun 2020 hingga 2023, dengan fokus pada perubahan klaster data TPT menggunakan metode K-Means Clustering. Data yang digunakan diambil dari Badan Pusat Statistik (BPS), yang memberikan gambaran komprehensif mengenai variasi TPT antarprovinsi. Metodologi yang diterapkan mencakup pengumpulan dan pengolahan data untuk memastikan akurasi serta kelengkapan informasi. Hasil analisis menunjukkan bahwa hanya Provinsi Riau yang berhasil naik ke cluster 1 (TPT rendah), sementara Provinsi Sumatera Barat mengalami penurunan ke cluster 2 (TPT tinggi). Evaluasi menggunakan Davies-Bouldin Index menegaskan pemisahan cluster yang optimal pada jumlah cluster 2, mengindikasikan efektivitas pengelompokan. Temuan dari penelitian ini diharapkan dapat memberikan wawasan berharga bagi pembuat kebijakan untuk merumuskan strategi yang lebih efektif dalam mengatasi masalah pengangguran di Indonesia. Dengan mempertimbangkan karakteristik pengangguran di setiap provinsi, hasil penelitian ini dapat menjadi dasar bagi upaya pengurangan tingkat pengangguran yang lebih terarah dan berdampak.
References
M. Nurfathullah and I. Purnamasari, “Implementasi K-Means Untuk Mengelompokkan Provinsi Di Indonesia Berdasarkan Indeks Jumlah Pengangguran Terbuka,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 2277–2282, 2024, doi: 10.36040/jati.v8i2.9466.
Nabilla Wardah Bonitta and A. H. Primandari, “Analisis Clustering Tingkat Pengangguran Terbuka di Provinsi DIY Tahun 2010-2022 dengan Dynamic Time Warping,” Emerg. Stat. Data Sci. J., vol. 2, no. 1, pp. 135–144, 2024, doi: 10.20885/esds.vol2.iss.1.art13.
T. Dan, “3172-7028-1-Pb,” vol. 22, no. 01, pp. 89–99, 2022.
“No Title,” data badan Pus. Stat., 2024, [Online]. Available: https://www.bps.go.id/id/statistics-table/2/NTQzIzI=/tingkat-pengangguran-terbuka--februari-2024.html
D. Syaputri, P. H. Noprita, and S. Romelah, “Implementasi Algoritma K-Means untuk Pengelompokan Distribusi Sosial Ekonomi Masyarakat Berdasarkan Demografi Kependudukan,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 1, no. 1, pp. 1–6, 2021, doi: 10.57152/malcom.v1i1.5.
C. Naya, A. Siswandi, H. Rahendra Herlianto, and A. Fauzi, “Implementasi Data Mining Untuk Pengelompokan Pengangguran Terbuka di Indonesia dengan Metode Clustering,” SIGMA-Jurnal Teknol. Pelita Bangsa, vol. 14, no. 2, pp. 99–104, 2023.
T. N. Muthmainnah, S. Indriyana, and U. Enri, “Penerapan Algoritme K-Means Dalam Mengelompokkan Data Pengangguran Terbuka Di Provinsi Jawa Barat,” J. Inform. dan Rekayasa Perangkat Lunak, vol. 5, no. 2, p. 122, 2023, doi: 10.36499/jinrpl.v5i2.8736.
J. V. Lenda and M. A. I. Pakereng, “Analisis Tingkat Pengangguran Di Kota Palopo Menggunakan Metode K-Means,” Zo. J. Sist. Inf., vol. 6, no. 2, pp. 400–408, 2024, doi: 10.31849/zn.v6i2.20061.
S. Kasus, W. Jawa, W. P. Priyadi, J. D. Irawan, and A. Faisol, “PENERAPAN DATA MINING UNTUK CLUSTERING WILAYAH PRODUKSI PADI MENGGUNAKAN METODE K-MEANS,” vol. 8, no. 5, pp. 8381–8388, 2024.
W. An-naziz Safaat, R. Kurniawan, and Y. Arie Wijaya, “Penerapan Data Mining Clustering Menggunakan Algoritma Fuzzy C-Means Pada Data Pencari Kerja Di Kabupaten Kuningan,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 1507–1511, 2024, doi: 10.36040/jati.v8i2.8411.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Muhammad Muhajir Saddami, Zaehol Fatah (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.