OPTIMASI ALGORITMA K-MEDOIDS DENGAN PARTICLE SWARM OPTIMAZATION (PSO) DALAM KLASTERISASI PENGANGGURAN TERBUKA USIA 15 TAHUN KE ATAS DI SUMATERA UTARA

Berutu, Verdian Loloate Berutu (2025) OPTIMASI ALGORITMA K-MEDOIDS DENGAN PARTICLE SWARM OPTIMAZATION (PSO) DALAM KLASTERISASI PENGANGGURAN TERBUKA USIA 15 TAHUN KE ATAS DI SUMATERA UTARA. Undergraduate thesis, UPN VETERAN JAWA TIMUR.

	Text COVER.pdf Download (1MB)
	Text (BAB 1) BAB 1.pdf Download (250kB)
	Text (BAB 2) BAB 2.pdf Restricted to Registered users only until 15 June 2028. Download (378kB)
	Text (BAB 3) BAB 3.pdf Restricted to Registered users only until 15 June 2028. Download (599kB)
	Text (BAB 4) BAB 4.pdf Restricted to Registered users only until 15 June 2028. Download (1MB)
	Text (BAB 5) BAB 5.pdf Download (255kB)
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf Download (223kB)

Abstract

Penelitian ini bertujuan untuk mengoptimalkan algoritma K-Medoids dengan pendekatan Particle Swarm Optimization (PSO) dalam proses klasterisasi data pengangguran terbuka penduduk usia 15 tahun ke atas di Provinsi Sumatera Utara. Pengangguran merupakan permasalahan sosial-ekonomi yang berdampak luas terhadap kesejahteraan masyarakat dan pembangunan wilayah. Oleh karena itu, diperlukan analisis spasial yang akurat untuk mengelompokkan wilayah berdasarkan kondisi pengangguran. Metode K-Medoids dipilih karena kemampuannya menangani data dengan outlier dan menghasilkan klaster yang stabil. Namun, algoritma ini memiliki kelemahan dalam hal inisialisasi medoid yang acak, yang dapat menyebabkan hasil klasterisasi kurang optimal. Untuk mengatasi hal tersebut, diterapkan algoritma PSO sebagai metode optimasi untuk menemukan medoid awal yang lebih representatif. Dataset yang digunakan mencakup indikator Tingkat Pengangguran Terbuka (TPT), Tingkat Partisipasi Angkatan Kerja (TPAK), dan Produk Domestik Regional Bruto (PDRB) dari 33 kabupaten/kota di Sumatera Utara selama periode 2019–2023. Evaluasi dilakukan menggunakan metrik Davies-Bouldin Index (DBI) dan waktu komputasi. Hasil penelitian menunjukkan bahwa integrasi PSO berhasil menurunkan nilai DBI dari 0.8227 (K-Medoids standar) menjadi 0.76 (K-Medoids + PSO), yang berarti klaster yang dihasilkan lebih baik dan lebih terpisah. Klasterisasi ini diharapkan dapat membantu pemerintah daerah dalam menyusun kebijakan ketenagakerjaan yang lebih tepat sasaran dan berbasis data.

Item Type:

Thesis (Undergraduate)

Contributors: