Main Article Content

Abstract

Kelompok penduduk usia yang belum produktif (<15 tahun) dan kelompok penduduk yang tidak lagi produktif (>64 tahun) bergantung pada penduduk usia kerja. Semakin tinggi jumlah penduduk yang tidak produktif maka semakin tinggi rasio ketergantungan yang ada pada suatu negara. Jika penduduk usia kerja banyak yang bekerja maka akan mendorong ekonomi negara tetapi sebaliknya akan menciptakan ketidakstabilan sosial maupun politik. Indonesia diperkirakan akan menghadapi bonus demografi puncaknya pada tahun 2030. Untuk mempermudah penduduk usia kerja mendapatkan pekerjaan maka dibutuhkan pembangunan dan kebijakan pemerintah salah satunya pemerintah Sumatera Selatan. Membuat kebijakan membutuhkan gambaran keadaan penduduk usia kerja yang dapat diperoleh dengan menggelompokan data sensus provinsi Sumatera selatan tahun 2010 yang diproleh dari Badan Pusat Statistik menjadi beberapa cluster dan melihat pola dari setiap cluster. Data akan di cluster dengan menggunakan R-studio dengan metode K-modes. Dari hasil nilai silhouette yang diperoleh maka penduduk usia kerja akan dikelompokan menjadi 8 cluster. C1 sebanyak 132.866 objek yang merupakan kumpulan laki-laki yang tinggal di desa dan masih bekerja, C2 sebanyak 68.281 orang dimana sebagian besar memiliki usia 25 tahun yang masih sekolah C3 sebanyak 47.38 orang perempuan tinggal di desa dan tidak bekerja, C4 sebanyak 51.925 orang dimana sebagian besar merupakan perempuan yang tinggal di desa, C5 sebanyak 62.411 orang rata-rata laki-laki tinggal di kota yang bekerja di bidang jasa kesehatan, perdagangan dan konstruksi, C6 sebanyak 31.542 orang yang merupakan kelompok perempuan yang tinggal di desa bekerja yang rata-rata memiliki 1 anak, C7 (31932 jiwa) laki-laki belum menikah < 30 tahun yang bekerja di perkebunan,dan terakhir C8 sebanyak 46.074 jiwa kumpulan ibu rumah tangga yang tinggal di kota.

Article Details

Author Biographies

fithri selva jumeilah, STMIK Global Informatika MDP

Saya seorang dosen di SMTIK Global Informatika yang biasanya mengajar tentang pemrogram seperti Dasar pemrograman, Algoritma Struktur Data, dan Pemrograman Berorientasi Objek. Saya mendapatkan gelas S1 (S.Kom) dari Teknik Informatika di Universitas Sriwijaya dan jenjang S2 (M.T.I) saya peroleh dari MAgister Teknologi Informasi di Universitas Indonesia.

Dicky Pratama, STMIK Global Informatika MDP

Dicky Pratama laki-laki usia 30 Tahun, memperoleh gelar sarjana komputer (S.Kom) dari STMIK GI MDP Palembang pada tahun 2012. Kemudian memperoleh gelar Magister Teknologi Informasi dari Universitas Indonesia, tahun 2014. Saat ini bekerja sebagai dosen tetap pada program studi Sistem Informasi STMIK Global Informatika MDP Palembang.
How to Cite
jumeilah, fithri selva, & Pratama, D. (2018). Identifikasi Cluster Penduduk Usia Kerja Sumatera Selatan Menggunakan Metode K-Modes. Jurnal Komputer Terapan, 4(1), 1–9. Retrieved from https://jurnal.pcr.ac.id/index.php/jkt/article/view/1629

References

  1. Republik Indonesia Undang-undang Nomor 13 Tahun 2003 tentang ketenagakerjaan.
  2. Badan Pusat Statistik. “Jumlah dan Distribusi Penduduk.†Internet: https://sp2010.bps.go.id/index.php/site/index, 2010, [Sep, 27, 2017].
  3. Ngadi, et. al. “Kebijakan Ketenaga kerjaan menghadapi Ledakan Penduduk Usia Kerja di Indonesiaâ€. Jakarta: LIPI, 2010.
  4. Djoko M. A.S., et. al. Mobilitas Penduduk dan Bonus Demografi. Bandung: Unpad Press, 2015, pp. 84-85.
  5. Anuraga Gangga. “Hierarchical Clustering Multiscale Bootstrap untuk Pengelompokan Kemiskinan di Jawa Timur.†Jurnal Statistika, Vol. 1, No. 3, pp. 28-33. 2015.
  6. Nengsih Warnia. “Clustering K-Means Analisysis (Studi Kasus: Koleksi Perpustakaan).†In Seminar Nasional Teknologi Informasi Komunikasi dan Industri, 2014.
  7. Kristanto H. N., A. L. Christopher Andreas, dan S. Budi Halim. “Implementasi K-means Clustering untuk Pengelompokan Analisis Rasio Profitabilitas dalam Working Capital.†Jurnal Informatika dan Sistem Informasi, Vol. 02, No. 01, pp. 9-14, 2016.
  8. Iswari Lizda dan Ayu Gita Ervina. “Pemanfaatan Algoritma K-means untuk Pemetaan Hasil Klasterisasi Data Kecelakaan Lalu Lintas.†Jurnal Teknologi dan Indostri, Vol. 21, No. 1, pp. 01-11, 2015.
  9. Huda Misbachul, Hayun Rahma Dian, Sri Annisa. “Diversity-based Attribute Weighting for K-Modes Clustering.†Jurnal Ilmu Komputer dan Informasi, Vol. 7, No. 2, pp. 61-66, 2014.
  10. S.Neelamegam, Dr.E.Ramaraj."Classification algorithm in Data mining: An Overview ". International Journal of P2P Network Trends and Technology (IJPTT), Vol.3, No. 8. pp.369 – 374, 2013
  11. Aranganayagi, S., and Thangavel, K., “Improved K-Modes for Categorical Clustering Using Weighted Dissimilarity Measure.†International Journal of Computer, Electrical, Automation, Control and Information Engineering, Vol.3, No.3, pp. 729-735, 2009.
  12. Huang, Z., “A Fast Clustering Algorithm to cluster Very Large Categorical Datasets in Data Miningâ€, In Proc. SIGMOD Workshop on Research Issues on Data Mining and Knowledge Discovery. 1997.
  13. Xiang, Z., and Zahidul, M.. Hartigan’s Method for K-modes Clustering and Its Advantages. Proceedings of the Australasian Data Mining Conference, Vol.158, 2014.