Cluster Analysis of Open Unemployment Rates Across Indonesian Provinces Using the K-Means Algorithm
Keywords:
K-Means, clustering, unsupervised learningAbstract
Pengangguran tetap menjadi tantangan yang terus-menerus dalam pembangunan ekonomi regional Indonesia, yang tercermin dalam variasi Tingkat Pengangguran Terbuka (Open Unemployment Rate/OUR) di berbagai provinsi. Studi ini bertujuan untuk mengidentifikasi dan mengklasifikasikan pola pengangguran regional menggunakan pendekatan pengelompokan berbasis data. Desain kuantitatif dengan kerangka kerja pembelajaran tanpa pengawasan (unsupervised learning) digunakan, memanfaatkan data sekunder tentang Tingkat Pengangguran Terbuka provinsi untuk tahun 2025 yang diperoleh dari Badan Pusat Statistik (BPS). Algoritma pengelompokan K-Means diterapkan setelah pra-pemrosesan dan normalisasi data, sedangkan jumlah cluster optimal ditentukan menggunakan Metode Elbow. Hasil menunjukkan bahwa tiga cluster mewakili struktur pengelompokan yang paling tepat, mengkategorikan provinsi ke dalam cluster pengangguran rendah (3,03%), sedang (4,41%), dan tinggi (6,32%). Temuan ini mengungkapkan heterogenitas regional yang signifikan dalam kondisi pasar tenaga kerja dan menunjukkan bahwa kesenjangan pengangguran secara struktural berbeda di berbagai provinsi. Studi ini menegaskan efektivitas K-Means dalam mengungkap pola regional laten tanpa bergantung pada asumsi kausal dan memberikan landasan empiris untuk mengembangkan kebijakan ketenagakerjaan yang tepat sasaran dan peka terhadap wilayah di Indonesia.
References
[1] M. M. Anwar, N. Aida, and A. R. Y. Taher, “The Effect of Open Unemployment and Education on Poverty in Indonesia,” Int. J. Accounting, Manag. Econ. Soc. Sci., vol. 3, no. 4, pp. 1384–1393, 2025, doi: 10.61990/ijamesc.v3i4.556.
[2] Y. Tang, “Some Causes of Unemployment and Their Relationship with the Creation and the Destruction of Jobs,” 2024, doi: 10.61173/1asfks49.
[3] A. Bina, L. K. Optari, and H. Widiya, “Income Inequality Across Provinces in Indonesia: An Empirical Analysis of Human Development, Economic Performance, and Labor Market Conditions,” Priviet Soc. Sci. J., vol. 5, no. 6, pp. 119–126, 2025, doi: 10.55942/pssj.v5i6.617.
[4] A. I. Ramadhan, P. D. Atika, and K. F. Ramdhania, “Analisis Clustering K-Means untuk Pemetaan Tingkat Pengangguran Terbuka di Provinsi-Provinsi Indonesia Tahun 2013–2023,” J. Students’ Res. Comput. Sci., vol. 5, no. 2, pp. 109–122, 2024, doi: 10.31599/wbpydb62.
[5] F. Rahmawati and S. I. Fallo, “Hierarchical Agglomerative Clustering dengan Metode Ward untuk Pemetaan Pasar Tenaga Kerja Pascapandemi di Jawa Tengah: Pendekatan Machine Learning Berbasis Klasterisasi,” Leibniz, vol. 5, no. 01, pp. 65–77, 2025, doi: 10.59632/leibniz.v5i01.573.
[6] Y. Jiang, “Research on Optimizing Data Preprocessing Using Clustering Algorithms,” 2025. doi: 10.1109/iccea65460.2025.11103230.
[7] W. M. Baihaqi, Chyntia Raras Ajeng Widiawati, and Tegar Insani, “K-Means Clustering Based on Otsu Thresholding For Nucleus of White Blood Cells Segmentation,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 5, pp. 907–914, 2020, doi: 10.29207/resti.v4i5.2309.
[8] J. Wala and R. Umar, “Implementasi K-Means Clustering pada Pengelompokan Pasien Penyakit Jantung,” vol. 9, no. 3, pp. 205–216, 2024.
[9] B. N. Yulisasih, H. Herman, S. Sunardi, and H. Yuliansyah, “Evaluation of K-Means Clustering Using Silhouette Score Method on Customer Segmentation,” Ilk. J. Ilmiah; Vol 16, No 3 (2024)DO - 10.33096/ilkom.v16i3.2325.330-342 , Dec. 2024, [Online]. Available: https://jurnal.fikom.umi.ac.id/index.php/ILKOM/article/view/2325
[10] J. Arriaga Hernández, B. Cuevas Otahola, A. Diaz Nayotl, A. Jaramillo Núñez, A. Pérez Villegas, and O. Valenzuela, “Machine learning K-means algorithm applied to wavefront sensing in Bi-Ronchi/Hartmann tests with SLM,” Optik (Stuttg)., vol. 346, p. 172607, 2026, doi: https://doi.org/10.1016/j.ijleo.2025.172607.
[11] V. S. R. Fatmawaty Imam; Herman, Herman, “Klasterisasi Perguruan Tinggi LLDIKTI V Berdasarkan Indikator Kinerja Utama dan PDDIKTI Menggunakan K-Means Clustering,” J. MEDIA Inform. BUDIDARMA, no. Vol 8, No 2 (2024): April 2024, pp. 878–888, 2024, [Online]. Available: https://ejurnal.stmik-budidarma.ac.id/index.php/mib/article/view/7497/3852
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Journal of Artificial Intelligence and Legal Technology
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
