Pengelompokan Jumlah Penduduk Sumatera Barat Berdasarkan Angkatan Kerja Menggunakan Algoritma K-Means

Abstract

<jats:p>Indonesia adalah suatu negara berkembang yang memiliki banyak permasalahan dalam bidang kesejahteraan rakyat. Saat ini pemerintah Indonesia sedang berusaha menciptakan kesejahteraan dan kemakmuran rakyat dengan cara meningkatkan pembangunan diberbagai bidang. Salah satu cara yang dilakukan pemerintah saat ini adalah meningkatkan ketersediaan lapangan kerja agar dapat mengurangi masalah angkatan kerja. Masalah angkatan kerja, merupakan masalah umum yang sering dihadapi oleh hampir seluruh penduduk didunia bahkan penduduk dinegara maju sekalipun. Umumnya permasalahan angkatan kerja dinegara maju disebabkan oleh ketidakmampuan perusahaan untuk menggaji karyawan yang tinggi, serta meningkatnya jumlah pengangguran yang disebabkan karena perusahaan lebih tertarik menggunakan tenaga kerja robot dibandingkan tenaga kerja manusia. Dalam penelitian ini, dilakukan pengelompokan jumlah penduduk berdasarkan angkatan kerja menggunakan algoritma K-Means. Tujuan dari pengelompokan data ini adalah untuk mendapatkan pengelompokan angkatan kerja pada wilayah Provinsi Sumatera Barat dengan menggunakan algoritma K-means, dengan pemodelan tersebut menghasilkan tingkat pengagguran berdasarkan hasil masing-masing cluster yang dihasilkan sehingga dapat memberikan informasi kebutuhan tenaga kerja di Provinsi Sumatera Barat. Hasil dari pengelompokan sepenuhnya memiliki akurasi yang sangat dekat dan baik serta tervalidasi menggunakan data BPS. Selain itu K-Means juga mampu memberikan nilai validitas cluster terbaik berdasarkan DBI dengan nilai 0.238.</jats:p>

Analisis Jumlah Penduduk Menggunakan Algoritma K-Means Berdasarkan Kabupaten/Kota Di Indonesia

“…Mengidentifikasi lokasi klaster dilakukan dengan melakukan perbandingan diantara 3 cluster, dan nilai terendah (minimum) dijadikan pilihan, apabila nilai terendah (minimum) teridentifikasi, maka objek dapat dimasukan ke dalam cluster tersebut [11].…”

Komparasi Klaster Pengangguran Terbuka Di Indonesia Sebelum Dan Saat Pandemi Covid-19 Menggunakan K-Mean Clustering

“…Hasil penelitian ini adalah klaster kabupaten/kota dengan tingkat pengangguran tinggi sebanyak 3 kota/kabupaten sedangkan klaster wilayah kota/kabupaten tingkat pengangguran rendah sebanyak 21 kota/kabupaten. Penelitian [11] menggabungkan variabel TPT dengan variabel lain melakukan clustering jumlah angkatan kerja di Provinsi Sumatera Barat.…”

Penerapan Metode K-Means Clustering pada Data Tingkat Pengangguran Terbuka Tahun 2016-2018 dan 2019-2021

“…Pemerintah daerah dapat mengevaluasi dan membuat kebijakan-kebijakan berkaitan dengan penurunan angka pengguran di wilayahnya. Studi lebih lanjut juga dapat dilakukan dengan menambahkan atribut-atribut lain yang berkorelasi untuk menganalisa cluster tingkat kemiskinan di masing-masing provinsi seperti studi yang dilakukan oleh Akramunnisa & Fajriani, (2020) dan (Safira et al, 2020). Metode-metode data mining lainnya seperti model prediksi dan model klasifikasi juga dapat digunakan untuk mengalisa tingkat pengangguran di masing-masing provinsi.…”

“…Penelitian lainnya dengan metode yang sama dilakukan di provinsi Sulawesi Selatan oleh Akramunnisa & Fajriani (2020), penelitian ini tidak hanya menggunakan data tingkat pengangguran terbuka (TPT) untuk analisa cluster, tapi juga upah minimum kabupaten/kota (UMK) dan laju pertumbuhan indeks pembangunan manusia (IPM), penelitian ini menemukan 2 kluster kabupaten/kota dengan tingkat pengangguran tinggi sebanyak 3 kota/kabupaten sedangkan tingkat pengguran rendah 21 wilayah kota/kabupaten. Penelitian lain juga menggunakan k-means clustering dengan variabel TPT, ditambah dengan variabel lainya melakukan clustering jumlah penduduk Sumatera Barat berdasarkan angkatan kerja (Safira et al, 2020) Dari penelitian di atas, para peneliti telah menemukan pengetahuan baru setelah melakukan penambangan data menggunakan metode analisis cluster. Pengetahuan tersebut berupa pemetaan tingkat pengguran berdasarkan cluster data TPT di tingkat nasional, regional maupun di tingkat provinsi.…”