Analisis Cluster Kabupaten/Kota Berdasarkan Tingkat Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Pendekatan Fuzzy C-Means (FCM)

Wa Dina; Amijaya Fidia Deny Tisna; Raming Idriasri

doi:10.30598/sora.6.2.63-70

Wa Dina Universitas Mulawarman
Amijaya Fidia Deny Tisna Universitas Mulawarman
Raming Idriasri Universitas Mulawarman

DOI: https://doi.org/10.30598/sora.6.2.63-70

Keywords: Fuzzy C-Means, Silhouette Coefficients, pengangguran

Abstract

Metode Fuzzy C-Means (FCM) adalah salah satu metode cluster non hirarki yang memiliki tujuan untuk mengelompokan data yang memiliki kesamaan atribut dalam satu kelompok dan atribut yang berbeda dikelompokan dalam kelompok yang lain. Metode Fuzzy C-Means dapat diterapkan untuk mengelompokan tingkat pengangguran. Penelitian ini membahas mengenai analisis cluster kabupaten/kota Provinsi Kalimantan Timur berdasarkan tingkat pengangguran dengan menggunakan pendekatan Fuzzy C-Means (FCM). Penelitian ini bertujuan untuk mengetahui hasil dari penerapan metode Fuzzy C-Means (FCM) untuk mengelompokan Kabupaten/Kota di Provinsi Kalimantan Timur dengan tingkat pengangguran tinggi, sedang, dan rendah. Adapun variabel yang digunakan yaitu Produk domestik Regional Bruto (), Tingkat Partisipasi Angkatan Kerja (), Indeks Pembangunan Manusia () dan jumlah penduduk usia 15 tahun ke atas (). Berdasarkan hasil dan pembahasan diperoleh tiga cluster tingkat pengangguran. Cluster 1 dikategorikan untuk wilayah dengan tingkat pengangguran sedang yang terdiri atas 5 kabupaten/kota, cluster 2 dikategorikan untuk wilayah dengan tingkat pengangguran tinggi yang terdiri atas 1 kabupaten/kota, dan cluster 3 dikategorikan untuk wilayah dengan tingkat pengangguran rendah yang terdiri atas 4 kabupaten/kota. Nilai validitas hasil cluster dengan menggunakan metode Silhouette Coefficients diperoleh sebesar 0, 419568 yang berarti struktur hasil cluster tersebut lemah.

Downloads

Download data is not yet available.

References

Adyaksa F. F. 2020. Analisis Faktor-Faktor Yang Mempengaruhi Pengangguran Terdidik di Indonesia Tahun 2018. Jurnal Ilmiah Mahasiswa FEB, 8(2).

Afira, N., dan Wijayanto, A. W. (2021). Analisis Cluster dengan Metode Partitioning dan Hierarki pada Data Informasi Kemiskinan Provinsi di Indonesia Tahun 2019. Komputika: Jurnal Sistem Komputer, 10(2), 101-109.

Anggraini, L., dan Arum, P. R. (2022). Analisis Cluster Menggunakan Algoritma K-Means Pada Provinsi Sumatera Barat Berdasarkan Indeks Pembangunan Manusia Tahun 2021. Prosiding Seminar Nasional Publikasi Hasil-Hasil Penelitian Dan Pengabdian Masyarakat, 5, 636–646.

Aprizkiyandari, S., Satyahadewi, N., Pratama, A. N., Rivaldo, R., Nurdiansyah, S. I., dan Helena, S. (2023). Implementasi K-Means Cluster untuk Menentukan Persebaran Tingkat Pengangguran. Empiricism Journal, 4(2), 400–406.

Azzahra, Q. N., Pratama, M. N., Prionggo, E. A., Nurillatiffah, T., Pravitasari, A. A., dan Indrayatna, F. (2023). Pengelompokan Tingkat Pengangguran, Kemiskinan, Dan Pendapatan Di Kabupatenkota Provinsi Jawa Barat. BIAStatistics: Jurnal Statistika Teori Dan Aplikasi: Biomedics, Industry dan Business And Social Statistics, 2, 67–80.

BPS Kalimantan Timur. (2024). Indikator Strategi. kaltim.bps.go.id. (Online), (https://kaltim.bps.go.id/quickMap.html) diakses 20-01-2024

Dewayanti, A. A. (2018). Penerapan Data Mining Pada Data Nilai Siswa Dengan Menggunakan Algoritma Asosiation Rule Metode Apriori (Studi Kasus di SMP N 36 Semarang). Prosiding Seminar Nasional Matematika Dan Pendidikan Matematika, 1–10.

Dewi, D. A. I. C., dan Pramita, D. A. K. (2019). Analisis Perbandinagn Metode Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali. Jurnal Matrix, 9(3), 102-109.

Harahap, P. N., Sulindawaty. (2019). Implementasi Data Mining Dalam Memprediksi Transaksi Penjualan Menggunakan Algoritma Apriori (Studi Kasus PT.Arma Anugerah Abadi Cabang Sei Rampah). Matics:Jurnal Ilmu Komputer Dan Teknologi Informasi, 11(2), 46–50.

Huddin, S., Haerani, E., dan Oktavia, L. (2023). Penerapan Fuzzy C-Means Pada Klasterisasi Penerima Bantuan Pangan Non Tunai. KLIK: Kajian Ilmiah Informatika Komputer, 4(1), 453–461.

Junaidi, dan Junaidi, A. (2023). Pengaruh Produk Domestik Regional Bruto Dan Pendidikan Serta Upah Terhadap Tingkat Pengangguran. KINERJA: Jurnal Ekonomi Dan Manajemen, 20(3), 455–466.

Kurniawan, H., Defit, S., dan Sumijan. (2020). Data Mining Menggunakan Metode K-Means Clustering Untuk Menentukan Besaran Uang Kuliah Tunggal. Journal of Applied Computer Science and Technology, 1(2) 80–89.

Maulana, A. R., Ulinnuha, N., dan Novitasari, D. C. R. (2023). Penerapan Fuzzy CMeans Untuk Pengelompokkan Tingkat Kualitas Pendidikan Di Jawa Timur. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 14(2),419–426.

Mayasari, S. N., dan Nugraha, J. (2023). Implementasi K-Means Cluster Analysis Untuk Mengelompokkan Kabupaten/Kota Berdasarkan Data Kemiskinan Di Provinsi Jawa Tengah Tahun 2022. KONSTELASI: Konvergensi Teknologi dan Sistem Informasi, 3(2),317-329.

Novianti, F., Aisyah Yasmin, Y. R., dan Novitasari, D. C. R. (2022). Penerapan Algoritma Fuzzy C-Means (FCM) dalam Pengelompokan Provinsi di Indonesia berdasarkan Indikator Penyakit Menular Manusia. UMANJI (Jurnal Masyarakat Informatika Unjani), 6(1), 23-33.

Rahakbauw, D. L., Ilwaru, V. Y. I., dan Hahury, M. H. (2017). Implementasi Fuzzy C-Means Clustering Dalam Penentuan Beasiswa. Jurnal Ilmu Matematika Dan Terapan, 11(1), 1–11.

Suyanto. (2018). Machine Learning Tingkat Dasar dan Lanjut. Bandug: informatika Bandung.

Ramadhan, A., Mustakim, M., dan Handinata, R. (2019). Implementasi Algoritma Fuzzy C-Means untuk Pengelompokan Wilayah Bencana Banjir. Seminar Nasional Teknologi Informasi, Komunikasi Dan Industri (SNTIKI), 11, 171–177.

Rouza, E., dan Fimawahib, L. (2020). Implementasi Fuzzy C-Means Clustering dalam Pengelompokan UKM Di Kabupaten Rokan Hulu. Techno.COM, 19(4), 481–495.

Saputra, P. R. N., dan Chusyairi, A. (2020). Perbandingan Metode Clustering Dalam Pengelompokan Data Puskesmas Pada Cakupan Imunisasi Dasar Lengkap. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 4(6), 1077–1084.

Sarbaini, Saputri, W., Nazaruddin, dan Muttakin, F. (2022). Cluster Analysis Menggunakan Algoritma Fuzzy K-Means Untuk Tingkat Pengangguran Di Provinsi Riau. Jurnal Teknologi Dan Manajemen Industri Terapan (JTMIT), 1(2), 78–84.

Sari, D. N., Oktaviana, H., dan Saifudin, I. (2022). Penerapan Data Mining Untuk Klasifikasi Gaya Belajar Siswa Menggunakan Algoritma C4.5. Jurnal Smart Teknologi, 3(4), 413–422.

Sejati, D. P. (2020). Pengangguran Serta Dampaknya Terhadap Pertumbuhan Dan Pembangunan Ekonomi. AKSELERASI: Jurnal Ilmiah Nasional, 2(3), 98–105

Syadidan, A. (2023). Profil Provinsi Kalimantan Timur: Letak Geografis dan Sejarah, (Online), (Jurnalkaltim.Com.https://jurnalkaltim.com/kalimantan-timur/profil-provinsi-kalimantan-timur/) diakses 18-01-2024.

Tumilaar, T. v., Maramis, M. B., dan F. Dj. Siwu, H. F. D. (2022). Pengaruh Jumlah Penduduk, Pendidikan, Dan Upah Minimum Terhadap Tingkat Pengangguran Terbuka Di Kabupaten/Kota Provinsi Kalimantan Timur. urnal Berkala Ilmiah Efisiensi, 22(5), 61–72.

Wardoyo, A. E., dan Tripuspita, N. (2020). Penentuan Cluster Optimum pada Tingkat Pengangguran dan Tingkat Kemiskinan di Jawa Timur Menggunakan Algoritma Fuzzy C-Means. IOS: Jurnal Teknologi Informasi Dan Rekayasa Komputer, 1(2), 40–47.