PENGGUNAAN DAVIES BOULDIN INDEX DALAM PERBANDINGAN ALGORITMA K-MEANS DAN K-MEDOIDS UNTUK KLASTERISASI PROVINSI DI INDONESIA BERDASARKAN TINGKAT INDIKATOR KETENAGAKERJAAN

AZRA N, MUHAMMAD AZIS (2023) PENGGUNAAN DAVIES BOULDIN INDEX DALAM PERBANDINGAN ALGORITMA K-MEANS DAN K-MEDOIDS UNTUK KLASTERISASI PROVINSI DI INDONESIA BERDASARKAN TINGKAT INDIKATOR KETENAGAKERJAAN. S1 thesis, Matematika.

	Text Skripsi Full Text_Muhammad Azis Azra N-dikompresi.pdf Download (2MB)
	Text Cover.pdf Download (561kB)
	Text Halaman Persetujuan.pdf Download (971kB)
	Text Abstrak.pdf Download (2MB)
	Text Bab1-bab 4.pdf Download (3MB)
	Text Bab 5.pdf Download (2MB)
	Text Daftar Pustaka.pdf Download (2MB)

Abstract

Ketenagakerjaan merupakan salah satu pilar utama yang menopang pembangunan ekonomi dari suatu negara. Melalui Bidang ketenagakerjaan mampu meningkatkan produktivitas ekonomi suatu negara yang berdampak pada tingkat kemakmuran negara tersebut. Persebaran tenaga kerja yang ada di Indonesia masih belum merata di setiap provinsinya. Hal ini dapat dilihat berdasarkan persentase tenaga kerja yang ada di beberapa provinsi di Indonesia yang masih berada dibawah 30%, sedangkan di beberapa provinsi lainnya memiliki persentase tenaga kerja diatas 50%. Tidak meratanya persebaran tingkat ketenagakerjaan di provinsi yang ada di Indonesia saat ini mengartikan bahwa dalam pelaksanaan pengalokasian dan pembangunan sumber daya manusia di Indonesia masih belum dilakukan secara optimal. Dalam hal ini tentunya perlu dilakukan identifikasi untuk mengetahui tingkat ketenagakerjaan masing-masing provinsi. Pengidentifikasian tersebut dapat dilakukan dengan mengelompokkan provinsi-provinsi yang ada di Indonesia berdasarkan tingkatan indikator ketenagakerjaan masing-masing provinsi. Proses identifikasi tingkat ketenagakerjaan masing-masing provinsi di Indonesia dapat dilakukan dengan menggunakan analisis cluster, sehingga mampu diperoleh kelompok provinsi berdasarkan kategori tingkat indikator ketenagakerjaanya. Pengelompokan yang dilakukan dengan analisis cluster menggunakan dua algoritma yang berbeda yakni K-Means dan K-Medoids dengan variasi jumlah cluster sebanyak 2 cluster, 3 cluster dan 4 cluster. Kemudian untuk mengetahui hasil cluster terbaik yang dapat dihasilkan diantara kedua algoritma tersebut dapat menggunakan validasi cluster relatif dikarenakan terdapatnya variasi jumlah cluster yang digunakan. Salah satu metode validasi cluster relatif yang dapat digunakan yakni Davies Bouldin Index (DBI), sehingga nantinya dapat diketahui hasil struktur cluster terbaik dari pengelompokan yang dilakukan. Hasil analisis diperoleh pengelompokan dengan algoritma K-Means mampu menghasilkan nilai DBI yang lebih kecil yakni sebesar 0,382479466 dengan jumlah cluster yang digunakan sebanyak 2 cluster, sedangkan pengelompokan dengan algoritma K-Medoids diperoleh nilai DBI terkecil sebesar 1,581981874 dengan jumlah cluster yang digunakan sebanyak 4 cluster. Sehingga pengelompokan dengan algoritma K-Means lebih optimal untuk digunakan dalam mengelompokkan provinsi di Indonesia berdasarkan tingkat indikator ketenagakerjaan dengan membagi provinsi di Indonesia menjadi 2 cluster. Cluster 1 merupakan kelompok provinsi di Indonesia dengan tingkat indikator ketenagakerjaan yang tinggi. Pada cluster 1 beranggotakan 3 provinsi yang terdiri dari Jawa Barat, Jawa Tengah dan Jawa Timur. Sedangkan cluster 2 merupakan provinsi di Indonesia dengan tingkat indikator ketenagakerjaan yang rendah. Pada cluster 2 beranggotakan 31 provinsi yang terdiri dari Aceh, Sumatera Utara, Sumatera Barat, Riau, Jambi, Sumatera Selatan, Bengkulu, Lampung, Kep. Bangka Belitung, Kep. Riau, DKI Jakarta, DI Yogyakarta, Banten, Bali, Nusa Tenggara Barat, Nusa Tenggara Timur, Kalimantan Barat, Kalimantan Tengah, Kalimantan Selatan, Kalimantan Timur, Kalimantan Utara, Sulawesi Utara, Sulawesi Tengah, Sulawesi Selatan, Sulawesi Tenggara, Gorontalo, Sulawesi Barat, Maluku, Maluku Utara, Papua Barat, dan Papua. Employment is one of the main pillars that support the economic development of a country. Through the employment sector, it is able to increase the economic productivity of a country which has an impact on the level of prosperity of the country. The distribution of labor in Indonesia is still uneven in each province. This can be seen based on the percentage of labor in several provinces in Indonesia which is still below 30%, while in several other provinces the percentage of labor is above 50%. The uneven distribution of the level of employment in the provinces in Indonesia currently means that the implementation of the allocation and development of human resources in Indonesia has not been carried out optimally. In this case, it is necessary to identify the level of employment in each province. The identification can be done by grouping the provinces in Indonesia based on the level of each province's employment indicators. The process of identifying the level of employment of each province in Indonesia can be done by using cluster analysis, so that provincial groups can be obtained based on the category of the level of employment indicators. Clustering is done by cluster analysis using two different algorithms namely K-Means and K-Medoids with variations in the number of clusters as many as 2 clusters, 3 clusters and 4 clusters. Then to find out the best cluster results that can be generated between the two algorithms can use relative cluster validation due to variations in the number of clusters used. One of the relative cluster validation methods that can be used is the Davies Bouldin Index (DBI), so that later the best cluster structure results can be known from the clustering performed. The results of the analysis obtained by clustering with the K-Means algorithm can produce a smaller DBI value of 0.382479466 with the number of clusters used as many as 2 clusters, while clustering with the K-Medoids algorithm obtained the smallest DBI value of 1.581981874 with the number of clusters used as many as 4 clusters. So that clustering with the K-Means algorithm is more optimal for use in grouping provinces in Indonesia based on the level of labor indicators by dividing provinces in Indonesia into 2 clusters. Cluster 1 is a group of provinces in Indonesia with a high level of labor indicators. Cluster 1 consists of 3 provinces consisting of West Java, Central Java and East Java. While cluster 2 is a province in Indonesia with a low level of labor indicators. Cluster 2 consists of 31 provinces consisting of Aceh, North Sumatra, West Sumatra, Riau, Jambi, South Sumatra, Bengkulu, Lampung, Bangka Belitung Islands, Riau Islands, DKI Jakarta, Yogyakarta, Banten, Bali, West Nusa Tenggara, East Nusa Tenggara, West Kalimantan, Central Kalimantan, South Kalimantan, East Kalimantan, North Kalimantan, North Sulawesi, Central Sulawesi, South Sulawesi, Southeast Sulawesi, Gorontalo, West Sulawesi, Maluku, North Maluku, West Papua, and Papua.

Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Fakultas Sains dan Teknologi > Matematika
Depositing User:	N
Date Deposited:	15 Jun 2023 06:45
Last Modified:	15 Jun 2023 06:45
URI:	https://repository.unja.ac.id/id/eprint/50141

Actions (login required)

View Item