KLASTERISASI ANGKATAN KERJA DI INDONESIA BERDASARKAN USIA MENGGUNAKAN METODE ALGORITMA K-MEANS

  • Ririn Restu Aria (1*) Universitas Bina Sarana Informatika

  • (*) Corresponding Author
Keywords: k-means, labor force, rapidminer

Abstract

The concept of the population is divided into two groups, namely the working age population and the population not working age. Indonesia, which has 34 provinces, has an unequal distribution of labor force due to the level of economic growth that is still not evenly distributed in several sectors. Labor is the most important and influential element in managing and controlling the economic system. In this study the method used in the grouping of provinces was based on the workforce in 34 provinces using the K-Means algorithm. The purpose of grouping data is done to get a province grouping that has a workforce in Indonesia by grouping / clustering into 3 groups based on age groups using the K-Means algorithm. Based on the calculations, the results of cluster 0 were 6 provinces, cluster 1 as many as 3 provinces and cluster 2 were 25 provinces. The K-Means algorithm can be used to understand the workforce problems and make it easier to describe the characteristics or characteristics of each group. Based on these results, the local government can give more attention to the regions with the smallest workforce such as the Province of Central Sulawesi, East Kalimantan, Jambi so that economic growth in various sectors can be increased so that the welfare of the workforce, especially in terms of work in the field of work can be easily obtained.

Downloads

Download data is not yet available.

References

Akil, I. (2021). Penilaian Kinerja Tim Evaluasi Perijinanpembukaan Program Studidengan Teknik Clustering K-Means. INTI Nusa Mandiri, 16(1), 1–6.

Andriatno, A., Pasha, A. I., Nasida, F. K., & Alfi, N. (2021). Klasterisasi Provinsi Di Indonesia Menurut Karakteristik Ketenagakerjaan Tahun 2019 Menggunakan Metode Fuzzy C-Means Clustering. Jurnal Manajemen Dan Kebijakan Publik, 6(2), 124–136.

Arifandi, M., Hermawan, A., & Avianto, D. (2021). Implementasi Algoritma K-Medoids Untuk Clustering Wilayah Terinfeksi Kasus Covid19 Di Dki Jakarta. JTT (Jurnal Teknologi Terapan), 7(2), 120–128.

Aziz, A., & Norhasanah, S. (2023). Klastrisasi Data Tenaga Kerja Terbuka Menurut Provinsi Dengan Penggunaan Algoritma K-Means. Jurnal Teknik Informatika Dan Sistem Informasi, 10(3), 444–456.

BPS. (2023). Keadaan Angkatan Kerja di Indonesia. Badan Pusat Statistik. http://bps.go.id

Damanik, A. R., Defit, S., Hartama, Dedy, P. P. P. A. N. . F. I., & Zer, R. . (2020). Implementasi Metode K-Means Dalam Perbandingan Tingkat Pengangguran Dengan Tenaga Kerja Berdasarkan Provinsi. Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2020, 24–31.

Fajriati, Y. R., & Syafriandi. (2022). Pengklasifikasian Status Kerja pada Angkatan Kerja di Kabupaten Tanah Datar Menggunakan Metode CART dan Metode CHAID. Journal of Mathematics UNP, 7(3), 25–33.

Fitriani, M., Nama, G. F., & Mardiana. (2022). Implementasi Association Rule Dengan Algoritma Apriori Pada Data Peminjaman Buku Upt Perpustakaan Universitas Lampung Menggunakan Metodologi CRISP-DM. Jurnal Informatika Dan Teknik Elektro Terapan (JITET), 10(1), 41–49.

Gustientiedina, Adiya, M. H., & Desnelita, Y. (2019). Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan Pada RSUD Pekanbararu. Jurnal Nasional Teknologi Dan Sistem Informasi, 5(1), 17–25.

Handayanna, F. (2023). Penerapan Algoritma K-Means Untuk Klasterisasi Penduduk Miskin Di Provinsi Banten. INTI Nusa Mandiri, 18(1), 93–99.

Kurnia, H., Zahrotun, L., & Linarti, U. (2021). Pengelompokan Mahasiswa Berdasarkan Data Akademik Sebelum Kuliah dan Masa Studi Menggunakan K-Medoids. InfoTekJar : Jurnal Nasional Informatika Dan Teknologi Jaringan, 5(2), 265–272.

Nagari, S. S., & Inayati, L. (2020). Implementationof Clustering Usingk-Means Method To Determine Nutritional Status. Jurnal Biometrika Dan Kependudukan, 9(1), 62–68.

Nurseptia, B., Voutama, A., & Haeryana, N. (2022). Penerapan Algoritma K-Means Untuk Mengelompokkan Kabupaten/Kota Dalam Upaya Pemetaan Lapangan Pekerjaan Baru. Jurnal Teknologi Informasi, 6(2), 181–186.

Rahmati, R., & Wijayanto, A. W. (2021). ANALISIS Cluster Dengan Algoritma K-Means, Fuzzy C-Means Dan Hierarchical Clustering (Studi Kasus: Indeks Pembangunan Manusia tahun 2019). JIKO (Jurnal Informatika Dan Komputer), 5(2), 73–80.

RapidMiner. (2023). Welcome to RapidMiner Documentation! https://docs.rapidminer.com/

Rohmah, A., Sembiring, F., & Erfina, A. (2021). Implementasi Algoritma K-Means Clustering Analysis Untuk Menentukan Hambatan Pembelajaran Daring (Studi Kasus: Smk Yaspim Gegerbitung). SISMATIK (Seminar Nasional Sistem Informasi Dan Manajemen Informatika), 291–298.

Safira, D., Mustakim, Lestari, E. D., Iffa, M., & Annisa, S. (2020). Pengelompokan Jumlah Penduduk Sumatera Barat Berdasarkan Angkatan Kerja Menggunakan Algoritma K-Means. Jurnal Ilmiah Rekayasa Dan Manajemen Sistem Informasi, 6(1), 26–31.

Saputra, I. S., Zulfanetti, & Edi, J. K. (2019). Analisis faktor-faktor yang mempengaruhi Tingkat Partisipasi Angkatan Kerja (TPAK) di Provinsi Jambi. Ekonomi Sumberdaya Dan Lingkungan, 8(2), 68–81.

Sudarsono, B. G., Leo, marcell I., Santoso, A., & Hendrawan, F. (2021). Analisis Data Mining Data Netflix Menggunanakan Aplikasi Rapid Miner. Journal of Business and Audit Information Systems, 4(1), 13–21.

Utomo, W. (2020). Penerapan Algoritma K-Means Untuk Pengelompokkan Penyakit Kronis pada Warga Lansia (Studi Kasus Pada: Posyandu Lansia RW 07). Jurnal Media Informatika Budidarma, 4(4), 1153–1161.

Published
2024-02-05
How to Cite
Aria, R. (2024). KLASTERISASI ANGKATAN KERJA DI INDONESIA BERDASARKAN USIA MENGGUNAKAN METODE ALGORITMA K-MEANS. INTI Nusa Mandiri, 18(2), 157-165. https://doi.org/10.33480/inti.v18i2.5056
Article Metrics

Abstract viewed = 25 times
PDF downloaded = 23 times