Perbandingan K-Means Clustering dan Fuzzy C-Means Clustering untuk Mengelompokkan Kabupaten/Kota Berdasarkan Faktor Tingkat Pengangguran di Jawa Barat Tahun 2023

Abstract. Cluster analysis groups data based on the similarity of several characteristics. The methods used in this research are K-Means and Fuzzy C-Means. K-Means has the advantage of fast clustering process and easy to implement. K-Means works by partitioning data with similar characteristics into clusters and different data into other clusters. Fuzzy C-Means (FCM) works based on the degree of membership at each data point in the cluster, so it is able to group data accurately. Unemployment is the working age group that does not yet have a job. Here are some factors that cause unemployment such as Open Unemployment Rate (TPT), Labor Force Participation Rate (TPAK), Human Development Index (HDI), and Regency / City Minimum Wage (UMK). to compare the two methods using Scatt & DensBw (S_Dbw), namely Scatt measures how far the data deviates from the cluster center, DensBw measures the density between clusters. The K-Means method is better because it has an S_Dbw value of 2.5233 smaller than FCM of 2.5297. using 2 clusters, in K-Means Cluster 1 has 9 members, namely 4 districts and 5 cities, cluster 2 has 18 members, namely 14 districts and 4 cities. while FCM cluster 1 (high unemployment rate) has 17 members, namely 14 districts and 3 cities, cluster 2 (low unemployment rate) has 10 members, namely 4 districts and 6 cities. Abstrak. Analisis cluster mengelompokkan data berdasarkan kemiripan karakteristik. Metode yang digunakan pada penelitian ini adalah K-Means dan Fuzzy C-Means (FCM). K-Means memiliki kelebihan proses clustering cepat dan mudah diimplementasikan. K-Means bekerja dengan cara mempartisi data yang berkarakteristik mirip ke dalam cluster dan data berbeda ke cluster lain. FCM bekerja berdasarkan derajat keanggotaan di setiap titik data dalam cluster, sehingga mampu mengelompokkan data dengan akurat. Pengangguran adalah kelompok usia kerja yang belum memiliki pekerjaan. Berikut beberapa faktor penyebab pengangguran seperti Tingkat Pengangguran Terbuka (TPT), Tingkat Partisipasi Angkatan Kerja (TPAK), Indeks Pembangunan Manusia (IPM), dan Upah Minimum Kabupaten/Kota (UMK). untuk membandingkan kedua metode tersebut menggunakan Scatt & DensBw (S_Dbw), yaitu Scatt mengukur jarak penyimpangan data terhadap pusat cluster, DensBw mengukur kepadatan antar cluster. Metode K-Means lebih baik karena memiliki nilai S_Dbw sebesar 2,5233 lebih kecil daripada FCM sebesar 2,5297. menggunakan 2 cluster, pada K-Means Cluster 1 memiliki anggota sebanyak 9 anggota yaitu 4 kabupaten dan 5 kota, cluster 2 memiliki 18 anggota yaitu 14 kabupaten dan 4 kota. sedangkan FCM cluster 1 (tingkat pengangguran tinggi) memiliki 17 anggota yaitu 14 kabupaten dan 3 kota, cluster 2 (tingkat pengangguran rendah) memiliki 10 anggota yaitu 4 kabupaten dan 6 kota.