IMPLEMENTASI KLASTERISASI K-MEANS UNTUK MEMETAKAN JUMLAH PENGANGGURAN DI PROVINSI JAWA BARAT BERDASARKAN TINGKAT PENDIDIKAN

Penulis

  • Teguh Firmansyah Universitas Budi Luhur
  • Yuliazmi Universitas Budi Luhur

Kata Kunci:

Data Mining, Clustering, Pengangguran, K-Means

Abstrak

Pengangguran adalah keadaan dimana seseorang yang tidak memiliki pekerjaan, maupun orang yang sedang mencoba untuk mencari pekerjaan. Pengangguran juga disebabkan beberapa faktor, seperti pertumbuhan penduduk yang tinggi, masyarakat yang kurang bisa adaptasi dengan kemajuan teknologi, kurangnya lapangan kerja, persaingan yang ketat, tingkat pendidikan masyarakat, serta banyaknya tenaga asing yang ada di Indonesia. Provinsi Jawa Barat menjadi salah satu Provinsi yang memiliki tingkat pengangguran yang tertinggi di Indonesia dengan jumlah penduduk terbanyak sehingga dapat dilakukan penelitian lebih lanjut. Hasil yang didapat diharapkan dapat dijadikan evaluasi oleh pemerintah jika tingkat pengangguran yang ada di daerah tersebut tinggi dan dapat dibuat suatu solusi untuk mengurangi masalah tersebut. Data yang diperoleh dari Open Data Jabar dengan kurun waktu 2017-2022. Pada penelitian ini menggunakan teknik dari data mining untuk klasterisasi jumlah pengangguran pada provinsi Jawa Barat. Data diolah dengan menggunakan algoritma K-Means. Dataset terdiri dari 27 Kabupaten / Kota yang terdiri dari Nama Provinsi, Kode Kabupaten, Nama Kabupaten / Kota, Pendidikan, Satuan, Jumlah Pengangguran, Tahun. Pada tingkat pendidikan Tidak / Belum Sekolah, SD, SMP, SMA, SMK, Diploma. Data yang telah dikumpulkan akan diolah dengan melakukan Clustering pada Rapid Miner dalam 3 Cluster yaitu Cluster 0 (jumlah pengangguran rendah) terdapat 6 tingkat pendidikan dengan jumlah 27 Kabupaten / Kota di Provinsi Jawa Barat. Cluster 1 (jumlah pengangguran sedang) terdapat 4 tingkat pendidikan dengan jumlah 6 Kabupaten/Kota. Cluster 2 (jumlah pengangguran tinggi) terdapat 5 tingkat pendidikan dengan jumlah 19 Kabupaten/Kota. Hasil akhir berupa pengelompokkan data pengangguran rendah, sedang dan tinggi pada setiap Kabupaten/Kota di Provinsi Jawa Barat sehingga menjadi masukkan bagi Pemerintah di Provinsi Jawa Barat dalam menganalisis jumlah pengangguran berdasarkan tingkat pendidikan.

Referensi

Putrie, A. A., & Sanjaya, R., “Pengelompokan Kabupaten/Kota Berdasarkan Indikator Tingkat Pengangguran Menggunakan Algoritma K-Means Clustering (Studi Kasus: Provinsi Jawa Barat)”, E-Prosiding Sistem Informasi (POTENSI), 2(2), 111–121, 2021, http://eprosiding.ars.ac.id/index.php/psi/article/view/595.

Kompas.com. (2021). Jawa Barat Jadi Provinsi dengan Penduduk Terbanyak, Bagaimana dengan DKI Jakarta ? Kompas.Com. https://regional.kompas.com/read/2021/12/31/184223678/jawa-barat-jadi-provinsi-dengan-penduduk-terbanyak-bagaimana-dengan-dki?page=al.

Wahyudi, M., & Pujiastuti, S., “Penerapan Data Mining Dalam Mengelompokkan Data Pengangguran Terbuka Menurut Provinsi Menggunakan Algoritma K - Means”, Prosiding Seminar Nasional Riset Dan Informatika Science (SENARIS), 2, 432–440, 2020.

Harits, D. P., “Analisis Klaster Tingkat Pengangguran di Provinsi Kalimantan Timur Menggunakan Algoritma K-Means”. Jurnal Surya Teknika, 9(2), 456–460, 2022. https://doi.org/10.37859/jst.v9i2.4430.

Akramunnisa, A.-, & Fajriani, F., “K-Means Clustering Analysis pada PersebaranTingkat Pengangguran Kabupaten/Kota di Sulawesi Selatan”, Jurnal Varian, 3(2), 103–112, 2020. https://doi.org/10.30812/varian.v3i2.652.

Nurseptia, Bella Voutama, Apriade Haeryana, Nono HSRonggo Waluyo, J., “Penerapan Algoritma K-Means Untuk Mengelompokkan Kabupaten/Kota Dalam Upaya Pemetaan Lapangan Pekerjaan Baru”, Jurnal Teknologi Informasi), 6(2), 181–186, 2022.

Kamila, I., Khairunnisa, U., & Mustakim, M., “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau”, Jurnal Ilmiah Rekayasa Dan Manajemen Sistem Informasi, 5(1), 119, 2019. https://doi.org/10.24014/rmsi.v5i1.7381.

I. A. Salam, K. W. Putra, S. Yuliatina, and B. N. Sari, “Application of Naïve Bayes for Classification of Criteria for Potable Water with the CRISP-DM Method”, Journal of Computer Science and Informatics, vol. 25, no. 1, Mar. 2023.

Astuti, D. (2019). Penentuan Strategi Promosi Usaha Mikro Kecil Dan Menengah (UMKM) Menggunakan Metode CRISP-DM dengan Algoritma K-Means Clustering. Journal of Informatics, Information System, Software Engineering and Applications (INISTA), 1(2), 60–72. https://doi.org/10.20895/inista.v1i2.71.

Dhewayani, F. N., Amelia, D., Alifah, D. N., Sari, B. N., & Jajuli, M. (2022). Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model CRISP-DM. Jurnal Teknologi Dan Informasi, 12(1), 64–77. https://doi.org/10.34010/jati.v12i1.6674.

Unduhan

Diterbitkan

12-10-2023

Cara Mengutip

Firmansyah, T., & Yuliazmi. (2023). IMPLEMENTASI KLASTERISASI K-MEANS UNTUK MEMETAKAN JUMLAH PENGANGGURAN DI PROVINSI JAWA BARAT BERDASARKAN TINGKAT PENDIDIKAN. Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 2(2), 995–1003. Diambil dari https://senafti.budiluhur.ac.id/index.php/senafti/article/view/971

Terbitan

Vol 2 No 2 (2023): Prosiding SENAFTI Ke-3 September 2023

Bagian

Artificial Intelligence

Lisensi

Hak Cipta (c) 2023 Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI)

Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.

Artikel paling banyak dibaca berdasarkan penulis yang sama