Applications of K-Means Analysis in Indonesian Labor in 2023
Pengelompokan Tenaga Kerja dengan Analisis K-Means di Indonesia Tahun 2023
DOI:
https://doi.org/10.21831/pspmm.v10i2.343Keywords:
Analisis K-means, Clustering, Tenaga Kerja, KetenagakerjaanAbstract
Penelitian ini memiliki signifikansi penting dalam mengeksplorasi kondisi ketenagakerjaan di Indonesia dengan menerapkan analisis K-Means untuk pengelompokan provinsi berdasarkan kualitas tenaga kerja. Data sekunder diperoleh dari Badan Pusat Statistik dan mencakup variabel kunci seperti Tingkat Pengangguran Terbuka (X1), Tingkat Partisipasi Angkatan Kerja (X2), Pekerjaan Formal (X3), Tingkat Kerja Paruh Waktu (X4), dan Persentase Tenaga Kerja Berpendidikan Rendah (X5). Analisis statistik deskriptif sebagai metode untuk merangkum dan menggambarkan karakteristik dasar suatu kumpulan data membantu menyoroti aspek penting yang membedakan kondisi ketenagakerjaan antar provinsi. Proses pengelompokan menggunakan metode K-Means menghasilkan tiga kelompok, memungkinkan pemeriksaan lebih mendalam terhadap karakteristik tenaga kerja di tingkat provinsi. Evaluasi jumlah optimal kelompok menggunakan silhouette mengkonfirmasi bahwa tiga kelompok mencerminkan kondisi paling relevan. Kelompok pertama berisi 19 provinsi menandai provinsi dengan profil pekerja yang stabil dan beragam, menunjukkan tingkat pengangguran rendah dan partisipasi angkatan kerja yang seimbang. Sementara itu, kelompok kedua yang berisi 12 provinsi menggambarkan pasar tenaga kerja yang dinamis dengan partisipasi tinggi dan perubahan signifikan dalam struktur pekerjaan. Namun, kelompok ketiga yang berisi 3 provinsi menghadapi tantangan di pasar kerja dengan tingkat pengangguran yang tinggi. Hasil analisis ini memberikan pemahaman yang lebih dalam tentang disparitas ketenagakerjaan di Indonesia, memungkinkan formulasi rekomendasi kebijakan yang lebih fokus dan responsif yang disesuaikan dengan kebutuhan masing-masing provinsi.
References
Indonesia, P. R. (2003). Undang-undang republik Indonesia nomor 13 tahun 2003 tentang ketenagakerjaan. Jakarta: Sekretariat Negara.
Statistik, B. P. (2020). Keadaan Ketenagakerjaan Indonesia Februari 2020. Statistik Indonesia 2020. Accessed on: https://www.bps.go.id/id/publication/2020/04/29/e9011b3155d45d70823c141f/statistikindonesia-2020.html
Moeis, F. R., Dartanto, T., Moeis, J. P., & Ikhsan, M. (2020). A longitudinal study of agriculture households in Indonesia: The effect of land and labor mobility on welfare and poverty dynamics. World Development Perspectives, 20, 100261.
IAR, I. (2011). ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI TINGKAT TENAGA KERJA TERDIDIK PARUH WAKTU DI SUMATERA BARAT (Doctoral dissertation, UNIVERSITAS ANDALAS).
Warolemba, M.W., Resmawan, R., & Isa, D.R. (2023). Analisis Cluster Fuzzy C-Means dan Diskriminan untuk Pengelompokan Data Kesejahteraan Rakyat. Sainsmat : Jurnal Ilmiah Ilmu Pengetahuan Alam.
Safira, D., Mustakim, M., 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.
Handayani, D., Salsabila, S. F., & Ladayya, F. (2021, December). Analisis Klaster Hierarki untuk Pengelompokkan Provinsi di Indonesia Berdasarkan Indikator Ketenagakerjaan. In E-Prosiding Seminar Nasional Statistika| Departemen Statistika FMIPA Universitas Padjadjaran (Vol. 10, pp. 16-16).
Putri, M. R., Nugraha, G. S., & Dwiyansaputra, R. (2023). Pengelompokan Provinsi di Indonesia Berdasarkan Indikator Pendidikan Menggunakan Metode K-Means Clustering. Journal of Computer Science and Informatics Engineering (J-Cosine), 7(1), 76-83.
Rahmawati, N., Karno, F., Purba, R. B. J., & Athoillah, M. (2023). Klasterisasi Kabupaten Kota di Jawa Timur Berdasarkan Kualitas Ketenagakerjaan Menggunakan K Means. SNHRP, 5, 2291-2298.
Aggarwal, C. C. (2015). Data mining: the textbook (Vol. 1). New York: springer.
Kotu, V., & Deshpande, B. (2014). Predictive analytics and data mining: concepts and practice with rapidminer. Morgan Kaufmann.
Rahmadini, R., LorencisLubis, E. E., Priansyah, A., Yolanda, R. W. N., & Meutia, T. (2023). Penerapan Data Mining Untuk Memprediksi Harga Bahan Pangan Di Indonesia Menggunakan Algoritma K-Nearest Neighbor. Jurnal Mahasiswa Akuntansi Samudra, 4(4), 223-235.
Tendean, T., & Purba, W. (2020). Analisis Cluster Provinsi Indonesia Berdasarkan Produksi Bahan Pangan Menggunakan Algoritma K-Means. Jurnal Sains dan Teknologi, 1(2), 5-11.
Nurzaman, M. Y. (2023). Implementasi K-Means Clustering Dalam Pengelompokkan Banyaknya Jumlah Petani Berdasarkan Kecamatan Di Provinsi Jawa Barat. JATISI (Jurnal Teknik Informatika dan Sistem Informasi), 10(3), 131-144.
Wibowo, A. S., & Mulyastuti, I. D. (2022). Penerapan Algoritma K-Means Clustering Pada Jumlah Fasilitas Kesehatan Menurut Pemerintah Provinsi DKI Jakarta. Jurnal Ilmiah Teknik Informatika (TEKINFO), 23(2), 116-122.
Han, J., Pei, J., and Tong, H. (2022). Data mining: concepts and techniques. Morgan kaufmann Publishers.
Izzadin, F. M. (2020). Optimasi Jumlah Cluster K-Means Dengan Metode Elbow Dan Silhouette Pada Produktivitas Tanaman Pangan Di Provinsi Jawa Tengah Tahun 2018.
Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of computational and applied mathematics, 20, 53-65.
Maliqi, R., Falgenti, K., Priani, S., Fithri, F., Suherman, M., & Nugraha, D. S. (2022). Penerapan Metode K-Means Clustering pada Data Tingkat Pengangguran Terbuka Tahun 2016-2018 dan 2019-2021. Computer Science (CO-SCIENCE), 2(2), 109-116.
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
