KLASTERISASI DATA PENGANGGURAN DI PULAU JAWA MENGGUNAKAN ALGORITMA K-MEANS DALAM PENANGGULANGAN PENGANGGURAN TAHUN 2020-2023

Mutia Rachma; Cahyono Budy Santoso

doi:10.36080/idealis.v8i2.3522

Authors

Mutia Rachma Sistem Informasi, Fakultas Teknologi dan Desain, Universitas Pembangunan Jaya, Tangerang Selatan, Indonesia
Cahyono Budy Santoso Sistem Informasi, Fakultas Teknologi dan Desain, Universitas Pembangunan Jaya, Tangerang Selatan, Indonesia

DOI:

https://doi.org/10.36080/idealis.v8i2.3522

Keywords:

K-Means, Tingkat Pengangguran, Tingkat Partisipasi Angkatan Kerja, klasterisasi, Pulau Jawa

Abstract

Pengangguran merupakan masalah utama dalam sektor perekonomian dan turut menimbulkan berbagai permasalahan sosial. Tingkat pengangguran ini muncul akibat dari ketidaksesuaian antara jumlah individu yang siap kerja dengan jumlah lapangan pekerjaan yang tersedia sehingga menimbulkan tantangan dalam penyerapan tenaga kerja. Penelitian ini bertujuan untuk mengidentifikasi dan mengelompokkan Kabupaten/kota di Pulau Jawa berdasarkan rata-rata Tingkat Pengangguran Terbuka (TPT) dan Tingkat Partisipasi Angkatan Kerja (TPAK) selama periode 2020-2023. Metode analisis yang digunakan adalah clustering dengan algoritma K-Means, dengan memanfaatkan data sekunder yang diolah berasal dari Badan Pusat Statistik (BPS) yang mencakup 119 Kabupaten/kota di enam provinsi di Pulau Jawa. Validasi jumlah klaster optimal dilakukan menggunakan Silhouette score, yang menunjukkan nilai tertinggi 0,55 menghasilkan dua klaster optimal. Hasil penelitian menunjukkan dua kelompok wilayah yang berbeda dalam karakteristik ketenagakerjaan. Klaster pertama terdiri dari 52 wilayah yang memiliki TPAK rendah dan TPT tinggi, mengindikasikan tantangan dalam penyerapan tenaga kerja yang lebih kompleks, terutama pada area urban atau pusat industri. Sebaliknya, klaster dua meliputi 67 wilayah yang memiliki TPAK tinggi dan TPT rendah, menunjukkan kondisi ketenagakerjaan yang relatif lebih stabil, seringkali di sektor pertanian atau pekerjaan informal. Analisis ini divisualisasikan menggunakan scatter plot dan boxplot untuk memperkuat interpretasi. Hasil klasterisasi ini diharapkan dapat menjadi acuan bagi pemerintah untuk menetapkan prioritas dan merumuskan kebijakan ketenagakerjaan yang lebih tepat sasaran sesuai dengan karakteristik masing-masing klaster wilayah di Pulau Jawa.

Downloads

Download data is not yet available.

References

[1] B. Aflahza, D. E. Anggraini, M. Rusdi, Y. Yusnida, dan B. Benardin, “Analysis The Factors of Unemployment Rate in Indonesia on 1990-2022,” BICEMBA Bengkulu Int. Conf. Econ. Manag. Bus. Account., vol. 1, no. 1, hal. 38–42, 2023.

[2] R. Maliqi, K. Falgenti, S. Priani, F. Fithri, M. Suherman, dan D. S. Nugraha, “Penerapan Metode K-Means Clustering pada Data Tingkat Pengangguran Terbuka Tahun 2016-2018 dan 2019-2021,” Comput. Sci., vol. 2, no. 2, hal. 109–116, 2022.

[3] T. N. Muthmainnah, S. Indriyana, dan U. Enri, “Penerapan Algoritme K-Means Dalam Mengelompokkan Data Pengangguran Terbuka Di Provinsi Jawa Barat,” J. Inform. dan Rekayasa Perangkat Lunak, vol. 5, no. 2, hal. 122, 2023.

[4] E. Xiao, “Comprehensive K-Means Clustering,” J. Comput. Commun., vol. 12, no. 03, hal. 146–159, 2024.

[5] N. Qona’ah, A. R. Devi, dan I. M. G. M. Dana, “Laboratory Clustering using K-Means, K-Medoids, and Model-Based Clustering,” Indones. J. Appl. Stat., vol. 3, no. 1, hal. 64, 2020.

[6] A. R. dan N. Setuningsih, “Jokowi: 58 Persen Perputaran Uang Ada di Jawa, 17.000 Pulau yang Lain Dapat Apa? Artikel ini telah tayang di Kompas.com dengan judul ‘Jokowi: 58 Persen Perputaran Uang Ada di Jawa, 17.000 Pulau yang Lain Dapat Apa?’, Klik untuk baca: https://nasional.komp,” Kompas.com, 2023. [Daring]. Tersedia pada: https://nasional.kompas.com/read/2023/03/17/08173901/jokowi-58-persen-perputaran-uang-ada-di-jawa-17000-pulau-yang-lain-dapat-apa. [Diakses: 20-Mei-2025].

[7] D. M. Tangke, “Analisis Upah Minimum Dan Pertumbuhan Ekonomi Sebagai Faktor Determinan Tingkat Pengangguran Terbuka Di Provinsi Maluku,” J. Ekon., vol. 13, no. 1, hal. 31, 2023.

[8] U. N. Faizah dan N. Woyanti, “Analisis Pengaruh Pendidikan, Partisipasi Kerja, Dan Upah Minimum Terhadap Pengangguran Di Provinsi Banten Tahun 2011-2020,” BISECER (bus. Econ. Entrep., vol. 6, no. 1, hal. 48, 2023.

[9] S. Kusuma Arum, R. Astuti, dan F. Muhammad Basysyar, “Penerapan Algoritma K-Means Pada Dataset Pengangguran Terbuka Berdasarkan Pendidikan Di Provinsi Jawa Barat,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, hal. 2221–2226, 2024.

[10] R. Maliki, K. Falgenti, S. Priani, F. Fithri, M. Suherman, dan D. S. Nugraha, “Perbandingan Tingkat Pengangguran Terbuka Provinsi di Indonesia Berbasis Metode K-Means Clustering,” Comput. Sci., vol. 2, no. 2, hal. 109–116, 2022.

[11] A. Bahauddin, A. Fatmawati, dan F. Permata Sari, “Analisis Clustering Provinsi Di Indonesia Berdasarkan Tingkat Kemiskinan Menggunakan Algoritma K-Means,” J. Manaj. Inform. dan Sist. Inf., vol. 4, no. 1, hal. 1–8, 2021.

[12] M. F. Al Farizi et al., “Pengelompokan Daerah di Jawa Timur Berbasis Indikator Kesejahteraan Masyarakat dengan Pendekatan Analisis Cluster Hierarki,” Inferensi, vol. 6, no. 2, hal. 141, 2023.

[13] N. Nurjanah, N. Suarna, dan W. Prihartono, “Implementasi K-Means Clustering Untuk Mengelompokan Tingkat Pengangguran,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, hal. 2462–2468, 2024.

[14] S. Informasi, F. Teknologi, dan U. B. Mulia, “IMPLEMENTASI MACHINE LEARNING DALAM PENGELOMPOKAN MUSIK MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING,” Idealis Indones. J. Inf. Syst., vol. 8, hal. 74–83, 2025.

[15] T. Ambarsari, T. Rachmaningsih, dan H. Suryono, “Mengembangkan Diseminasi Official Statistics: Peluang dalam Perbaikan Pelayanan Publik (Developing Dissemination of Official statistics: Opportunities in Public Service Improvement),” Semin. Nas. Off. Stat. 2021, hal. 1–10, 2021.

[16] F. Ridzuan dan W. M. N. Wan Zainon, “A review on data cleansing methods for big data,” Procedia Comput. Sci., vol. 161, hal. 731–738, 2019.

[17] R. W. Sembiring Brahmana, F. A. Mohammed, dan K. Chairuang, “Customer Segmentation Based on RFM Model Using K-Means, K-Medoids, and DBSCAN Methods,” Lontar Komput. J. Ilm. Teknol. Inf., vol. 11, no. 1, hal. 32, 2020.

[18] F. A. Husna, D. Purwitasari, B. A. Sidharta, D. A. Sihombing, A. Fahmi, dan M. H. Purnomo, “A Clustering Approach for Mapping Dengue Contingency Plan,” Sci. J. Informatics, vol. 9, no. 2, hal. 149–160, 2022.

[19] M. Sitorus, M. Melisa, dan D. Herninda, “Driver Predicting Behavior Based on Accelerometer and Gyroscope Sensors with K-Means Algorithm Method,” RIGGS J. Artif. Intell. Digit. Bus., vol. 2, no. 1, hal. 12–17, 2023.