Komparasi Gabungan Algoritma Average Linkage Dan K-Means Dengan Kmeans Clustering Untuk Analisa Faktor Pengangguran Dan Angkatan Kerja - Comparison Of Algorithms Average Linkage and K-Means Clustering with K-Means Clustering to Analyze the Unemployment Factor on Work Force

Kuswantoro, Endik (2016) Komparasi Gabungan Algoritma Average Linkage Dan K-Means Dengan Kmeans Clustering Untuk Analisa Faktor Pengangguran Dan Angkatan Kerja - Comparison Of Algorithms Average Linkage and K-Means Clustering with K-Means Clustering to Analyze the Unemployment Factor on Work Force. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
2214206706-Master thesis.pdf - Published Version

Download (1MB)

Abstract

Masalah pengangguran selalu jadi masalah bagi setiap daerah, di Jawa Timur tingkat pengangguran terbuka menurut data BPS selalau 2 Tahun terakhir mengalami kenaikan, hal itu disinyalir kebijakan pemerintah yang tidak tepat sasaran, dan faktor pengangguran yang bersifat dinamis setiap waktu. Pada penelitian ini akan menganalisa dengan mengkelompokkan faktor pengangguran dengan metode clustering, sehingga dalam analisa faktor pengangguran diperlukan pemilihan metoda yang tepat dan efektif. Algoritma k-means merupakan metode clustering yang mudah diimplementasikan akan tetapi Algoritma K-Means mempunyai kekurangan pada waktu membangkitkan nilai centroid awal yang menyebabkan hasil dari pengelompokan terkadang baik terkadang hasilnya jelek. Pada penelitian ini penentuan centroid awal K-Means dengan menggunakan Average Linkage clustering sebagai salah satu alternatifnya. Dari hasil uji coba perbandingan dari dataset faktor pengangguran nilai Silhoutte index nilai validasi Average Linkage dan K-Means mengalami peningkatan nilai validasi 9,01 % sampai 27,4 % dari nilai K-Means murni. ======================================================================================================================== The problem of unemployment is always a problem for every region, in East Java, the open unemployment rate according to BPS data over the last 2 years has increased, it pointed out the government's policy which is not effective, and the factors of unemployment that is dynamic every time, resulting in a factor analysis of unemployment is required the selection of appropriate methods and effective. K-means algorithm is a clustering method that is easy to implement, but the K-Means algorithm has shortcomings at the time of initial centroid generate a value which causes the result of the grouping is sometimes good sometimes bad result. In this study, the determination of the initial centroid K-Means is clustering using Average Linkage as one alternative. From the test results of a comparative dataset unemployment factor Silhouette index value Average value validation Linkage and K-Means increases in value validation 9.01% to 27.4% of the value of the K-Means pure

Item Type: Thesis (Masters)
Additional Information: RTE 519.53 Kus k
Uncontrolled Keywords: k-means, Average Linkage, Penentuan centroid awal, Faktor pengangguran, Silhoutte index, k-means, Average Linkage, initial centroid, Factor of unemployment, Silhoutte index
Subjects: Q Science > QA Mathematics > QA278.55 Cluster analysis
Divisions: Faculty of Industrial Technology > Electrical Engineering
Depositing User: ansi aflacha
Date Deposited: 17 Dec 2019 04:27
Last Modified: 17 Dec 2019 04:27
URI: http://repository.its.ac.id/id/eprint/72394

Actions (login required)

View Item View Item