Implementasi Metode K-Means Dalam Perbandingan Tingkat Pengangguran Dengan Tenaga Kerja Berdasarkan Provinsi

Abdi Rahim Damanik, Sarjon Defit, Dedy Hartama, P. P.P.A.N.W Fikrul Ilmi R.H Zer

Abstract


Tenaga kerja mempunyai peranan dan kedudukan yang sangat penting sebagai pelaku dan tujuan pembangunan. Dalam melaksanakan kegiatan pembangunan dengan tujuan mensejahterakan masyarakat. Perlu dilakukannya pengelompokan antara persentasi pengangguran dan tenaga kerja untuk mempermudah dalam pembangunan ketenagakerjaan. Untuk hasil dari pengelompokan akan dilakukan perbandingan antara persentasi pengangguran dan persentasi tenaga kerja. Pengelompokan antara persentasi pengangguran dan tenaga kerja dilakukan menggunakan datamining dengan metode k-means. Berdasarkan hasil yang diperoleh dari proses metode k-means, jumlah provinsi dengan tingkat pengangguran lebih besar 57% daripada jumlah provinsi dengan tenaga kerja dengan persentasi 43%. Hasil yang diperoleh diharapkan dapat menjadi masukan bagi pemerintah dan peneliti selanjutnya dalam penggunakan metode k-means.

Full Text:

PDF

References


C. Dewi Dan W. W. Himawati, “Prediksi Tingkat Pengangguran Menggunakan Adaptif Neuro Fuzzy Inference System ( Anfis ),” Konf. Nas. Sist. Inform., No. 2004, Hal. 9–10, 2015.

D. L. Rahakbauw, L. J. Sinay, Dan V. Enus, “Aplikasi Metode Fuzzy C-Means Untuk Menentukan Tingkat Pengangguran,” J. Ilmu Mat. Dan Terap., Vol. 11, Hal. 95–100, 2017.

L. H. Adha, H. L. Husni, Dan A. Suryani, “Kebijakan Penggunaan Tenaga Kerja Asing Di Indonesia,” J. Huk. Jatiswara, 2016.

E. Kuswantoro Dan Y. K. Suprapto, “Pemodelan Tingkat Angkatan Kerja Dengan Metode K-Means,” J. Ilm. Nero, Vol. 2, No. 1, Hal. 45–52, 2015.

A. P. Windarto, P. Studi, S. Informasi, Dan D. Mining, “Penerapan Data Mining Pada Ekspor Buah-Buahan Menurut Negara Tujuan Menggunakan K-Means Clustering,” Vol. 16, No. 4, Hal. 348–357, 2017.

L. Listiani, Y. H. Agustin, Dan M. Z. Ramdhani, “Implementasi Metode K-Means Cluster Untuk Rekomendasi Pekerjaan Berdasarkan Pengelompokkan Data Penduduk,” Semin. Nas. Sist. Inf. Dan Tek. Inform., Hal. 761–769, 2019.

E. Kuswantoro Dan Y. K. Suprapto, “Penerapan Metode K-Meansdengan Optimasi Jumlah Cluster Untuk Pengelompokan Angkatan Kerja Propinsi Jatim,” Java J. Electr. Electron. Eng., Vol. 13, No. 1, Hal. 58–62, 2015.

N. Butarbutar, A. P. Windarto, D. Hartama, Dan Solikhun, “Komparasi Kinerja Metode Fuzzy C-Means Dan K-Means Dalam Pengelompokan Data Siswa Berdasarkan Prestasi Prestasi Nilaiakademik Siswa,” Jurasik (Jurnal Ris. Sist. Inf. Tek. Inform., Vol. 1, No. 2012, 2016.

T. Imandasari, E. Irawan, A. P. Windarto, Dan A. Wanto, “Metode Naive Bayes Dalam Klasifikasi Lokasi Pembangunan Sumber Air,” Pros. Semin. Nas. Ris. Inf. Sci., No. November, 2019.

I. Parlina, A. P. Windarto, A. Wanto, Dan M. R. Lubis, “Memanfaatkan Metode K-Means Dalam Menentukan Pegawai Yang Layak Mengikuti Asessment Center Untuk Clustering Program Sdp,” Cess (Journal Comput. Eng. Syst. Sci., Vol. 3, No. 1, Hal. 87–93, 2018.

B. M. Metisen Dan H. L. Sari, “Analisis Clustering Menggunakan Metode K-Means Dalam Pengelompokkan Penjualan Produk Pada Swalayan Fadhila,” J. Media Infotama, Vol. 11, No. 2, Hal. 110–118, 2015.

S. R. S. Iskandar, Pilipus Tarigan, “Penerapan Data Mining Dalam Surat Jalan Transportasi Mobil Angkutan Menggunakan Metode Cluestering,” J. Pelita Inform., Vol. 17, No. 4, Hal. 460–464, 2018.




DOI: http://dx.doi.org/10.30645/senaris.v2i0.140

Refbacks

  • There are currently no refbacks.


&nbsp