Analisis Perbandingan Algoritma K-Medoids Clustering Dan Self Organizing Maps (SOM) Dalam Cluster Data (Studi Kasus : Data Indikator Pasar Tenaga Kerja setiap Provinsi di Indonesia tahun 2017-2019)

Abstract

Analisis clustering merupakan analisis yang bertujuan untuk penempatan sekumpulan obyek dalam dua tau lebih kelompok berdasarkan kesamaan objek karakteristiknya. Terdapat beberapa algoritma clustering yaitu Algoritma KMedoids dan Self Organizing Maps (SOM). Studi kasus dalam penelitian ini yaitu

terkait

ketenagakerjaan, tenaga kerja merupakan salah satu bidang untuk memajukan perekonomian suatu negara dari segi kuantitas dan kualitas sebagai sasaran untuk mengembangkan pasar serta sumber daya proses produksi dan distribusi barang dan jasa. Perbaikan masalah ketenagakerjaan di Indonesia menggunakan pasar tenaga kerja memberikan jalan keluar untuk menciptakan kondisi sinergi antara penjual dan pemberi tenaga kerja sehingga perlu diberlakukannya kerjasama baik antara pihak yang terkait, yaitu penjual tenaga kerja, pembeli tenaga kerja, dan pemerintah. Oleh sebab itu, peneliti tertarik melakukan penelitian terkait ketenagakerjaan di Indonesia tahun 2017-2019 menggunakan Algoritma K-Medoids dan Self Organizing Maps (SOM). Berdasrkan hasil cluster menggunakan Algoritma K-Medoids didapatkan hasil pada rata-rata data tahun 2017 sampai 2019 yaitu cluster satu terdiri dari 29 provinsi dan cluster dua terdapat 5 provinsi. Sedangkan hasil menggunakan algoritma SOM didapatkan pada rata-rata data tahun 2017 sampai 2019 yaitu cluster satu terdiri dari 28 provinsi dan cluster dua terdapat 6 provinsi. Selanjutnya berdasarkan hasil perbandingan metode cluster terbaik menggunakan validasi internal (indeks connectivity, dunn , dan silhouette) didapatkan algoritma terbaik yaitu Algoritma K-Medoids.