Article Sidebar

Submitted
June 16, 2023
Published
October 9, 2023
Download
PDF
Statistic
Read Counter : 371 Download : 1

Main Article Content

Abstract

Unemployment is a major social problem in many regions, including West Java province in Indonesia. West Java province is one of the most populous regions with a high level of urbanization. With population growth and urbanization, the challenge of creating enough jobs becomes more difficult. Therefore, the purpose of this study is to cluster open unemployment data in West Java communities classified by the number of unemployed people by district or city. This research uses CRISP-DM method with K-Means clustering algorithm. The result of this research is 10 regencies/cities that have low level of unemployment, then there are 15 regencies/cities that have medium level of unemployment and there are 2 regencies/cities that have high level of unemployment. The result of the test using Davies Bouldin Index cluster = 3 has the best cluster quality, because the value of the Davies Bouldin Index test result with c = 3 is the smallest value of 0.28, which is the lower, the better the cluster.

Keywords

Clustering Data Mining Unemployment

Article Details

References

  1. Akramunnisa, Akramunnisa -, and Fajriani Fajriani. 2020. “K-Means Clustering Analysis Pada PersebaranTingkat Pengangguran Kabupaten/Kota Di Sulawesi Selatan.†Jurnal Varian 3 (2): 103–12. https://doi.org/10.30812/varian.v3i2.652.
  2. Ali, Universitas Darwan. 2023. “Klasterisasi Pendidikan Masyarakat Untuk Mengetahui Daerah Dengan Pendidikan Terendah Menggunakan Algoritma K-Means†5 (1): 38–44.
  3. Allo, Yosua Sitoto Tandi, Verra Sofica, Noor Hasan, and Minda Septiani. 2022. “Penggunaan Metode Naïve Bayes Dalam Mengklasifikasi Pengangguran Pada Desa Bojong Kulur.†Bianglala Informatika 10 (1): 30–35. https://doi.org/10.31294/bi.v10i1.12333.
  4. Auliasari, Karina, and Mariza Kertaningtyas. 2022. “Analisis Cluster Atribut Audio Pada Lagu Terpopuler Aplikasi TikTok.†Jurnal Sains Dan Informatika 8 (2): 140–49. https://doi.org/10.34128/jsi.v8i2.497.
  5. Dan, Tahun. 2022. “3172-7028-1-Pb†22 (01): 89–99.
  6. Febianto, Nugroho Irawan, and Nicodias Palasara. 2019. “Analisa Clustering K-Means Pada Data Informasi Kemiskinan Di Jawa Barat Tahun 2018.†Jurnal Sisfokom (Sistem Informasi Dan Komputer) 8 (2): 130–40. https://doi.org/10.32736/sisfokom.v8i2.653.
  7. Handoko, Suhandio, Fauziah Fauziah, and Endah Tri Esti Handayani. 2020. “Implementasi Data Mining Untuk Menentukan Tingkat Penjualan Paket Data Telkomsel Menggunakan Metode K-Means Clustering.†Jurnal Ilmiah Teknologi Dan Rekayasa 25 (1): 76–88. https://doi.org/10.35760/tr.2020.v25i1.2677.
  8. Kamila, Insanul, Ulya Khairunnisa, and Mustakim Mustakim. 2019. “Perbandingan Algoritma K-Means Dan K-Medoids Untuk Pengelompokan Data Transaksi Bongkar Muat Di Provinsi Riau.†Jurnal Ilmiah Rekayasa Dan Manajemen Sistem Informasi 5 (1): 119. https://doi.org/10.24014/rmsi.v5i1.7381.
  9. Masykur, Abdussalam Al, Siska Kurnia Gusti, Suwanto Sanjaya, and Febi Yanto. 2023. “Penerapan Metode K-Means Clustering Untuk Pemetaan Pengelompokan Lahan Produksi Tandan Buah Segar†10 (1).
  10. Muningsih, Elly, Ina Maryani, and Vembria Rose Handayani. 2021. “Penerapan Metode K-Means Dan Optimasi Jumlah Cluster Dengan Index Davies Bouldin Untuk Clustering Propinsi Berdasarkan Potensi Desa.†Jurnal Sains Dan Manajemen 9 (1): 95–100. https://ejournal.bsi.ac.id/ejurnal/index.php/evolusi/article/view/10428/4839.
  11. Nasution, Irmanita, Agus Perdana Windarto, and M Fauzan. 2020. “Penerapan Algoritma K-Means Dalam Pengelompokan Data Penduduk Miskin Menurut Provinsi.†Building of Informatics, Technology and Science (BITS) 2 (2): 76–83. https://doi.org/10.47065/bits.v2i2.492.
  12. Riani, Adella Putri, Apriade Voutama, and Taufik Ridwan. 2023. “Penerapan K-Means Clustering Dalam Pengelompokan Hasil Belajar Peserta Didik Dengan Metode Elbow.†J-SISKO TECH (Jurnal Teknologi Sistem Informasi Dan Sistem Komputer TGD) 6 (1): 164. https://doi.org/10.53513/jsk.v6i1.7351.
  13. Sugianto, Castaka Agus, Ayu Hendrati Rahayu, and Aditia Gusman. 2020. “Algoritma K-Means Untuk Pengelompokkan Penyakit Pasien Pada Puskesmas Cigugur Tengah.†Journal of Information Technology 2 (2): 39–44. https://doi.org/10.47292/joint.v2i2.30.
  14. Sunia, Dina, Kurniabudi, and Pareza Alam Jusia. 2019. “Penerapan Data Mining Untuk Clustering Data Penduduk Miskin Menggunakan Algoritma K-Means.†Jurnal Ilmiah Mahasiswa Teknik Informatika 1 (2): 121–34.
  15. Suriani, Lilis. 2020. “Pengelompokan Data Kriminal Pada Poldasu Menentukan Pola Daerah Rawan Tindak Kriminal Menggunakan Data Mining Algoritma K-Means Clustering.†Jurnal Sistem Komputer Dan Informatika (JSON) 1 (2): 151. https://doi.org/10.30865/json.v1i2.1955.
  16. Tanjung, Fadhillah Azmi, Agus Perdana Windarto, and M Fauzan. 2021. “Penerapan Metode K-Means Pada Pengelompokkan Pengangguran Di Indonesia.†Jurasik (Jurnal Riset Sistem Informasi Dan Teknik Informatika) 6 (1): 61. https://doi.org/10.30645/jurasik.v6i1.271.
  17. Wahyudi, Mochamad, and Solikhun Pujiastuti. 2020. “Penerapan Data Mining Dalam Mengelompokkan Data Pengangguran Terbuka Menurut Provinsi Menggunakan.†Prosiding Seminar Nasional Riset Dan Informatika Science (SENARIS) 2: 432–40.