ANALISIS CLUSTERING DATA PENDUDUK BERDASARKAN USIA PRODUKTIF DI KECAMATAN BOGOR TIMUR MENGGUNAKAN K-MEANS CLUSTERING
Abstract
Penelitian ini bertujuan untuk menganalisis penduduk usia produktif di Kecamatan Bogor Timur menggunakan algoritma K-Means. Algoritma ini dipilih karena kemudahan penerapannya serta kecepatan dalam pemrosesan data. Metode penelitian yang digunakan bersifat kuantitatif, meliputi pengumpulan data, pemrosesan awal, penentuan jumlah cluster optimal, analisis, dan evaluasi. Pengelompokan dilakukan berdasarkan empat atribut utama, yaitu usia, jenis kelamin, pekerjaan, dan pendidikan. Jumlah cluster optimal dengan menggunakan metode Elbow adalah k=4. Hasil analisis masing-masing cluster didapatkan bahwa cluster 0, 1, dan 2 sebagian besar terdiri dari individu yang tidak atau belum bekerja dengan usia rata-rata yang bervariasi antara 17 hingga 38 tahun, sedangkan Cluster 3 didominasi oleh pekerja lepas dengan rata-rata usia adalah 41,5 tahun. Analisis lebih lanjut menunjukkan bahwa tingkat pendidikan sangat memengaruhi status pekerjaan. Mayoritas individu di Cluster 0 dan 1 hanya memiliki pendidikan SD atau SLTP. Sementara itu, cluster 2 terdiri dari individu yang masih dalam tahap pendidikan, dan Cluster 3 lebih banyak dihuni oleh mereka dengan pendidikan lebih tinggi yang bekerja secara mandiri. Hasil penelitian ini menunjukkan bahwa masih banyak penduduk usia produktif yang belum memiliki pekerjaan.
Kata Kunci : Clustering, K-Means, Metode Elbow, Usia Produktif,
ABSTRACT
This research aims to analyze the productive age population in East Bogor Sub-district using the K-Means algorithm. This algorithm was chosen because of its ease of application and speed in data processing. The research method used is quantitative, including data collection, initial processing, determining the optimal number of clusters, analysis, and evaluation. Clustering was done based on four main attributes, namely age, gender, occupation, and education. The optimal number of clusters using the Elbow method is k=4. The results of the analysis of each cluster found that clusters 0, 1, and 2 consisted mostly of individuals who were not or had not worked with an average age that varied from 17 to 38 years, while Cluster 3 was dominated by freelancers with an average age of 41.5 years. Further analysis shows that education level strongly influences employment status. The majority of individuals in Clusters 0 and 1 only have primary or secondary school education. Meanwhile, Cluster 2 consists of individuals who are still in the education stage, and Cluster 3 is more populated by those with higher education who work independently. The results of this study show that there are still many people of productive age who are unemployed.
Keywords: Clustering, Elbow Method, K-Means, Productive Age.
References
DAFTAR PUSTAKA
Badan Pusat Statistik (BPS), “Statistik Penduduk Indonesia Tahun 2020.”
H. Xie et al., “Improving K-means clustering with enhanced Firefly Algorithms,” Appl. Soft Comput. J., vol. 84, p. 105763, 2019, doi: 10.1016/j.asoc.2019.105763.
C. D. L. Daniel T. Larose, Discovering Knowledge in Data: An Introduction to Data Mining. John Wiley & Sons, Inc., 2014. doi: DOI:10.1002/9781118874059.
D. Triyansyah and D. Fitrianah, “Analisis Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing,” J. Telekomun. dan Komput., vol. 8, no. 3, p. 163, 2018, doi: 10.22441/incomtech.v8i3.4174.
F. Handayani, “Aplikasi Aplikasi Data Mining Menggunakan Algoritma K-Means Clustering untuk Mengelompokan Mahasiswa Berdasarkan Gaya Belajar,” J. Teknol. dan Inf., vol. 12, no. 1, pp. 46–63, 2022, doi: 10.34010/jati.v12i1.6733.
P. Parjito and P. Permata, “Penerapan Data Mining Untuk Clustering Data Penduduk Miskin Menggunakan Algoritma Hard C-Means,” Data Manaj. dan Teknol. Inf., vol. 18, no. 1, pp. 64–69, 2019.
R. Maulida, D. Haryadi, S. Ratu Counsela, and N. Rahmania Az Zahra, “Implementasi Algoritma K-Means dan Rapidminer untuk Clustering Data Kemiskinan Provinsi Banten,” J. Informatics Commun. Technol., vol. 6, no. 1, pp. 17–32, 2024.
N. Nur Afidah, “Penerapan Metode Clustering dengan Algoritma K-means untuk Pengelompokkan Data Migrasi Penduduk Tiap Kecamatan di Kabupaten Rembang,” Prism. Pros. Semin. Nas. Mat., vol. 6, pp. 729–738, 2023, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/
Andi Diah Kuswanto, Azumardi Nabil Fadhila, Paulus Tri Setiawan, Muhammad Kevin Setiawan, and Dody Renal Syahputra, “Penerapan K-Means Clustering Untuk Menentukan Jumlah Pengangguran Berdasarkan Umur,” Repeater Publ. Tek. Inform. dan Jar., vol. 2, no. 3, pp. 135–146, 2024, doi: 10.62951/repeater.v2i3.116.
R. R. Aria, “KLASTERISASI ANGKATAN KERJA DI INDONESIA BERDASARKAN USIA MENGGUNAKAN METODE ALGORITMA K-MEANS,” Inti Nusa Mandiri, vol. 18, no. 2, pp. 157–165, 2024, doi: //doi.org/10.33480/inti.v18i2.5056.
Darmansah, F. K. Putra, and T. N. Putra, “Penerapan Algoritma K-Means Clustering Pada Segmentasi Tenaga Kerja di Batam Dalam Sektor Manufaktur,” JSAI J. Sci. Appl. Informatics, vol. 7, no. 3, pp. 522–530, 2024.
Sugiyono, Metode penelitian pendidikan : pendekatan kuantitatif, kualitatif, dan R&D. ALFABETA, 2016.
T. A. Lubis and M. Mulyati, “Prediksi Harga Saham Pfizer Inc (Fpe) Menggunakan Metode Regresi Linear Berganda Pfizer Inc (Fpe) Stock Price Prediction Using …,” J. Apl. Bisnis dan Komput., vol. 4, pp. 1–7, 2024, [Online]. Available: https://journal.unpak.ac.id/index.php/jubikom/article/view/9715
N. A. Maori and E. Evanita, “Metode Elbow dalam Optimasi Jumlah Cluster pada K-Means Clustering,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 14, no. 2, pp. 277–288, 2023, doi: 10.24176/simet.v14i2.9630.
C. Yuan and H. Yang, “Research on K-Value Selection Method of K-Means Clustering Algorithm,” J, vol. 2, no. 2, pp. 226–235, 2019, doi: 10.3390/j2020016.
Abstract views : 0
views : 0
Refbacks
- There are currently no refbacks.
Copyright (c) 2025 Jurnal Aplikasi Bisnis dan Komputer
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
