Penerapan Algoritma K-Medoids Untuk Pengelompokkan Pengangguran Umur 25 tahun Keatas Di Sumatera Utara
DOI:
https://doi.org/10.58982/krisnadana.v2i2.264Kata Kunci:
Pemodelan, Tingkat Pengangguran terbuka , K-medoidsAbstrak
Pengangguran adalah suatu nilai yang menunjukkan jumlah penduduk usia kerja yang sedang mencari pekerjaan, atau sedang mempersiapkan usaha, atau merasa tidak mungkin mendapatkan pekerjaan, atau sudah punya pekerjaan tetapi belum memulai bekerja. Jumlah pengangguran di Indonesia terus meningkat seiring dengan pertambahan jumlah lulusan dari sekolah maupun perguruan tinggi. Semakin besar jumlah jumlah lulusan dari sekolah maupun perguruan tinggi maka tingkat pengangguran jadi semakin besar. Hal itu dapat menjadi beban tersendiri bagi perekonomian. Karena jika meningkatnya angkatan kerja yang tidak diimbangi dengan bertambahnya lapangan kerja akan menyebabkan masalah pengangguran. Kondisi tersebut dapat menyebabkan kesejahteraannya menurun. Oleh karena itu permasalahan penganggguran juga tidak terlepas dari bagian jumlah angkatan kerja, Penelitian ini akan bertujuan untuk mendapatkan Pengelompokan tingkat pengangguran pada wilayah propinsi Sumatera Utara dengan menggunakan algoritma K-Medoids, Proses pengelompokan dengan algoritma K-Medoids ini menggunakan jumlah sample berdasarkan 34 Kabupaten yaitu umur 25 tahun keatas di Sumatera Utara dan akan di lakukan kluster sebanyak 3 kluster. Kluster yang mempunyai karakteristik pengangguran Terbuka terebanyak adalah Kabupaten dengan tingkat pengangguran yang tertinggi. Guna pengelompokan ini nantinya berfungsi untuk meng-cluster Kabupaten/Kota mana yang menjadi perhatian bagi dinas tenaga kerja untuk memberi lapangan pekerjaan. Hasil pengelompokan diuji dengan rapidminer dalam mengkelompokkan data. Tingkat performance ditunjukkan dengan nilai akurasi. Nilai akurasi tersebut diperoleh dengan pengujian hasil klaster terhadap data training dan data testing. Perbandingan nilai akurasi antar algoritma yang digunakan dapat diketahui algoritma terbaik dalam membuat pengelompokan tingkat pengangguran. Berdasarkan Hasil pengelompokkan terdapat tiga cluster, yaitu 14 kabupaten di cluster nol, 2 Kabupaten di cluster satu, dan 17 Kabupaten di Cluster dua.
Referensi
A. R. Damanik et al., “Implementasi Metode K-Means Dalam Perbandingan Tingkat Pengangguran Dengan Tenaga Kerja Berdasarkan Provinsi,” Pros. Semin. Nas. Ris. Dan Inf. Sci., vol. 2, pp. 24–31, 2020, [Online]. Available: https://www.bps.go.id.
D. Safira, E. D. Lestari, M. Iffa, and S. Annisa, “Berdasarkan Angkatan Kerja Menggunakan Algoritma K-Means,” vol. 6, no. 1, pp. 26–31, 2020.
A. Akramunnisa and F. Fajriani, “Hierarchical Clustering Analysis dalam Pengelompokan Tingkat Pengangguran di Sulawesi Selatan,” Pros. Semant., vol. 2, no. 1, pp. 270–275, 2019, [Online]. Available: https://journal.uncp.ac.id/index.php/semantik/article/view/1525/1336%0Ahttps://journal.uncp.ac.id/index.php/semantik/article/view/1525.
N. Erlangga, S. Solikhun, and I. Irawan, “Penerapan Data Mining Dalam Mengelompokan Produksi Jagung Menurut Provinsi Menggunakan Algoritma K-Means,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 702–709, 2019, doi: 10.30865/komik.v3i1.1681.
L. Purba, S. Saifullah, and R. Dewi, “Pengelompokan Kasus Penyakit Aids Berdasarkan Provinsi Dengan Data Mining K-Medoids Clustering,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 687–694, 2019, doi: 10.30865/komik.v3i1.1679.
Z. Mustofa and Iman Saufik Suasana, “Algoritma Clustering K-Medoids Pada E-Government Bidang Information and Communication Technology Dalam Penentuan Status Edgi,” J. Teknol. Inf. Dan Komun., vol. 9, no. 1, pp. 1–10, 2020, doi: 10.51903/jtikp.v9i1.162.
A. P. Windarto, “Penerapan Datamining Pada Ekspor Buah-Buahan Menurut Negara Tujuan Menggunakan K-Means Clustering Method,” Techno.Com, vol. 16, no. 4, pp. 348–357, 2017, doi: 10.33633/tc.v16i4.1447.
S. Defiyanti, M. Jajuli, and N. Rohmawati, “Optimalisasi K-MEDOID dalam Pengklasteran Mahasiswa Pelamar Beasiswa dengan CUBIC CLUSTERING CRITERION,” J. Nas. Teknol. dan Sist. Inf., vol. 3, no. 1, pp. 211–218, 2017, doi: 10.25077/teknosi.v3i1.2017.211-218.
S. Haryati, A. Sudarsono, and E. Suryana, “Implementasi Data Mining Untuk Memprediksi Masa Studi Mahasiswa Menggunakan Algoritma C4.5 (Studi Kasus: Universitas Dehasen Bengkulu),” J. Media Infotama, vol. 11, no. 2, pp. 130–138, 2015.
##submission.downloads##
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Jurnal Krisnadana
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
