Pengelompokan Kabupaten/Kota di Provinsi Sumatera Barat Berdasarkan Sebaran Tingkat Pengangguran Menggunakan Metode Density Based Spatial Clustering Applications with Noise

Difitria Oktaviani -
Dewi Murni -

Abstract


Jumlah penduduk dan partisipasi angkatan kerja di Provinsi Sumatera Barat mengalami peningkatan pada tahun 2022. Namun, juga terjadi ketidakseimbangan antara jumlah pencari kerja dan lowongan kerja. Hal ini mengakibatkan naiknya angka pengangguran di Provinsi Sumatera Barat. Penelitian ini bertujuan untuk mengelompokkan kabupaten/kota di Sumatera Barat berdasarkan tingkat pengangguran menggunakan metode Density Based Spatial Clustering Applications with Noise, dan validasi cluster dengan metode evaluasi silhouette coefficient. Berdasarkan hasil pengelompokannya diperoleh dua cluster dan satu noise. Secara keseluruhan, dengan metode ini diperoleh hasil validasi cluster sebesar 0,50 yang berarti kategori struktur cluster yang baik.

Full Text:

PDF

References


BPS Provinsi Sumatera Barat, Provinisi Sumatera Barat dalam Angka 2023. Padang: Padang, 2023.

F. S. N. Ramadhani, “Pengaruh Kondisi Demografi, Ketenagakerjaan, dan Ekonomi Terhadap pengangguran Terdidik di Indonesia,” J. Ilm. Mhs. FEB, vol. 10, no. 2, 2022.

G. M. Prasetya and A. Sumanto, “Pengaruh Tingkat Pengangguran dan Tenaga Kerja Terhadap Kemiskinan Melalui Pertumbuhan Ekonomi,” IKINERJA J. Ekon. dan Manaj., vol. 19, no. 2, pp. 467–477, 2022.

Yuliani, M. Saleh, and A. Busari, “Faktor-faktor yang Mempengaruhi Penawaran Tenaga Kerja di Kota Samarinda.,” J. Ilmu Ekon. Mulawarman, vol. 3, no. 4, 2018.

M. F. Talokon et al., “Faktor-faktor yang Mempengaruhi tingkat Pengangguran di Kota Tomohon,” J. Agribussines Rural Dev. (Jurnal Agribisnis dan Pengemb. Pedesaan), vol. 1, no. 2, 2019.

J. Supranto, Analisis Multivariat: Arti dan Interpretasi. Jakarta: Rineka Cipta, 2010.

P. Lopez, J. Carlos, and J. S. Perez, “An unsupervised pattern recognition methodology based on factor analysis and a genetic-DBSCAN algorithm to infer operational conditions from strain measurements in structural applications,” Chinese J. Aeronaut., vol. 34, no. 2, pp. 165–181, 2021, doi: 10.1016/j.cja.2020.09.035.

M. Hahsler, M. Piekenbrock, and D. Doran, “DBSCAN: Fast Density-based Clustering with R,” J. Stat. Softw., vol. 91, pp. 1–30, 2019.

M. M. Putri, C. Dewi, E. P. Siam, G. A. Wijayanti, N. Aulia, and R. Nooraeni, “Comparison of DBSCAN and K-Means Clustering for Grouping the Village Status in Central Java 2020,” J. Mat. Stat. dan Komputasi, vol. 17, no. 3, pp. 394–404, 2021.

A. Yuwono, Y. Oslan, and D. Dwijono, “Implementasi Metode Density Based Spatial Clustering of Applications with Noise untuk Mencari Arah Penyebaran Wabah Demam Berdarah (Studi Kasus : Data Dinas Kesehatan Kodya Jogjakarta),” J. EKSIS, vol. 2, no. 1, 2015.

D. Safitri, T. Wuryandari, and R. Rahmawati, “Metode DBSCAN untuk Pengelompokkan Kabupaten/Kota di Provinsi Jawa Tenagh Berdasarkan Produksi Padi Sawah dan Padi Ladang,” J. Stat. Univ. Muhammadiyah Semarang, vol. 5, no. 1, 2017.

I. Hasan, Pokok-Pokok Materi Statistik 1 (Statistika Deskriptif). Jakarta: PT Bumi Aksara, 2001.

Buaton, Sundari, and Maulita, “Clustering Tindak Kekerasan Terhadap Anak Menggunakan Algoritma K-Means dengan Perbandingan Jarak Kedekatan Manhattan City dan Euclidean.,” Media Inf. Anal. dan Sist., vol. 1, no. 2, pp. 47–53, 2016.

R. Hidayati, A. Zubair, A. H. Pratama, and L. Indana, “Analisis Sillhoutte Coefficient Pada 6 Perhitungan jarak K-Means Clustering,” Techno.Com, vol. 20, no. 2, pp. 186–197, 2021.

L. Qadrini, “Metode K-Means dan DBSCAN pada Pengelompokan Data Dasar Kompetensi Laboratorium ITS Tahun 2017,” J Stat. J. Ilm. Teor. dan Apl. Stat., vol. 13, no. 2, pp. 5–11, 2020.




DOI: http://dx.doi.org/10.24036/unpjomath.v9i4.16734