Teks
PERBANDINGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS DALAM PENGELOMPOKKAN TINGKAT PENGANGGURAN TERBUKA PROVINSI DI INDONESIA
Pengangguran adalah situasi di mana seseorang yang tergolong angkatan kerja
ingin mencari pekerjaan, namun belum menerimanya. Tingginya angka
pengangguran disebabkan banyaknya permintaan dari perusahaan atau lapangan
pekerjaan yang tidak sesuai bagi masyarakat pencari kerja, banyak perusahaan
mencari lulusan Diploma atau Sarjana. Data mining merupakan solusi yang tepat
untuk clustering data. Algoritma K-Means dan Fuzzy C-Means merupakan
algoritma data mining yang dapat digunakan untuk pengumpulan data. Namun
algoritma K-Means mempunyai kelemahan yaitu sensitif terhadap noise dan outlier,
sehingga digunakan Fuzzy C-Means untuk mengatasi kelemahan tersebut.
Penelitian ini bertujuan untuk membandingkan algoritma K-Means dan Fuzzy CMeans dengan menggunakan nilai validitas clustering Davies Bouldin Index (DBI).
Objek pada penelitian ini adalah data tingkat pengangguran terbuka (TPT) yang
diperoleh dari Badan Pusat Statistik (BPS) Indonesia. Data yang digunakan adalah
data tingkat pengangguran terbuka (TPT) per bulan Agustus Provinsi di Indonesia
tahun 2013-2023. Banyaknya objek dalam data adalah 38 Provinsi.
Hasil penelitian menunjukan bahwa algoritma K-Means menggunakan k=4
operator clustering dan operator cluster distance performance menghasilkan nilai
validasi sebesar 0.764 sedangkan algoritma Fuzzy C-Means menggunakan k=4
operator clustering, operator cluster model from data dan operator cluster distance
performance menghasilkan nilai validasi sebesar 0.719. Oleh karena itu dapat
disimpulkan bahwa algoritma Fuzzy C-Means lebih baik dibandingkan algoritma
K-Means karena semakin rendah nilai validasi DBI maka cluster yang dihasilkan
semakin baik.
| S00056.24 | RF TI.S00056.24 Ama p | My Library (Referensi) | Tersedia |
Tidak tersedia versi lain