Penerapan Metode K-Means Clustering pada Data Tingkat Pengangguran Terbuka Tahun 2016-2018 dan 2019-2021
DOI:
https://doi.org/10.31294/coscience.v2i2.1151Kata Kunci:
Analisa clustering, data mining, k-means, pengangguranAbstrak
Masalah pengangguran berdampak pada kemiskinan, kriminalitas, dan ketimpangan taraf hidup. Pemerintah harus mengantisipasi dampak tersebut melalui berbagai kebijakan pemerintah. Pengetahuan memainkan peran penting dalam mendukung pengambilan keputusan dan perumusan kebijakan pemerintah terkait dengan pengangguran. Beberapa peneliti telah menggali data untuk mendapatkan pengetahuan baru dari data Tingkat Pengangguran Terbuka (TPT) Indonesia. Data yang tersedia perlu terus digali untuk mendapatkan pengetahuan baru. Penelitian ini bertujuan untuk menambang data TPT Indonesia dari tahun 2016 hingga tahun 2021. Secara lebih spesifik penelitian ini melihat perubahan klaster data TPT tahun 2016-2018 dibandingkan dengan klaster data TPT tahun 2019-2021. Metode data mining adalah analisis clustering menggunakan algoritma k-means. Hasil penelitian; berdasarkan analisis k-means clustering, hanya Provinsi Riau yang naik ke cluster 1 (TPT rendah), dan hanya provinsi Sumatera Barat yang turun ke cluster 2 (TPT Tinggi).
Referensi
Akramunnisa, A.-, & Fajriani, F. (2020). K-Means Clustering Analysis pada PersebaranTingkat Pengangguran Kabupaten/Kota di Sulawesi Selatan. Jurnal Varian, 3(2), 103–112. https://doi.org/10.30812/varian.v3i2.652
Amrullah, W. A., Istiyani, N., & Muslihatinningsih, F. (2019). Analisis Determinan Tingkat Pengangguran Terbuka di Pulau Jawa Tahun 2007-2016. E-Journal Ekonomi Bisnis Dan Akuntansi, 6(1), 43. https://doi.org/10.19184/ejeba.v6i1.11074
BPS. (2022). Tingkat Pengangguran Terbuka Menurut Provinsi. https://www.bps.go.id/indicator/6/543/1/tingkat-pengangguran-terbuka-menurut-provinsi.html
Gustientiedina, G., Adiya, M. H., & Desnelita, Y. (2019). Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan. Jurnal Nasional Teknologi Dan Sistem Informasi, 5(1), 17–24. https://doi.org/10.25077/teknosi.v5i1.2019.17-24
Johan, K., Marwoto, P. A. N. B., & Pratiwi, D. (2016). Analisis Pengaruh Pertumbuhan Ekonomi, Inflasi Dan Investasi Terhadap Pengangguran Di Indonesia. Ilmiah Progresif Manajemen Bisnis (Jipmb), 13(2), 20–32.
Safira, D., Mustakim, M., Lestari, E. D., Iffa, M., & Annisa, S. (2020). Pengelompokan Jumlah Penduduk Sumatera Barat Berdasarkan Angkatan Kerja Menggunakan Algoritma K-Means. Jurnal Ilmiah Rekayasa Dan Manajemen Sistem Informasi, 6(1), 26. https://doi.org/10.24014/rmsi.v6i1.8682
Sardar, T. H., & Ansari, Z. (2018). An analysis of MapReduce efficiency in document clustering using parallel K-means algorithm. Future Computing and Informatics Journal, 3(2), 200–209. https://doi.org/10.1016/j.fcij.2018.03.003
Sembiring, F., Rizqi, S. B., Aziz, M. A., & Firmansyah, D. (2019). Analisis Pemetaan Tingkat Pengangguran Di Pulau Jawa Dan Bali Dengan Metode K-Means. 4(1).
Susanto, H., & Sudiyatno, S. (2014). Data mining untuk memprediksi prestasi siswa berdasarkan sosial ekonomi, motivasi, kedisiplinan dan prestasi masa lalu. Jurnal Pendidikan Vokasi, 4(2), 222–231. https://doi.org/10.21831/jpv.v4i2.2547
Tanjung, F. A., Windarto, A. P., & Fauzan, M. (2021). Penerapan Metode K-Means Pada Pengelompokkan Pengangguran Di Indonesia. Jurasik (Jurnal Riset Sistem Informasi Dan Teknik Informatika), 6(1), 61. https://doi.org/10.30645/jurasik.v6i1.271
Wardiansyah, M., Yulmardi, & Bahri, Z. (2016). Analisis Faktor-Faktor Yang Mempengaruhi Tingkat pengangguran (Studi kasus provinsi-provinsi Se-Sumatra). E-Jurnal Ekonomi Sumberdaya Dan Lingkungan Vol., 5(1), 13–18.
##submission.downloads##
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2022 Rayhan Maliqi, Kursehi Falgenti, Sinta Priani, Fajrul Fithri, Muhammad Suherman, Dwi Satria Nugraha
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.