PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN DATA PENGANGGURAN MENGGUNAKAN AGGLOMERATIVE HIERARCHICAL CLUSTERING AVERAGE LINKAGE ALGORITHM
Abstract
Keywords
Full Text:
PDF (Bahasa Indonesia)References
Awalluddin, A. S., & Taufik, I. (2017, November). Analisis Cluster Data Longitudinal pada Pengelompokan Daerah Berdasarkan Indikator IPM di Jawa Barat. In Prosiding Seminar Nasional Metode Kuantitatif (No. 1).
BPS. (2022). Keadaan Angkatan Kerja di Indonesia Februari 2022. Jakarta: BPS RI.
____. (2022). Booklet Sakernas Februari 2022. Jakarta: BPS RI.
Cui, X., Luo, Q., Zhou, Y., Deng, W., & Yin, S. (2022). Quantum-Inspired Moth-Flame Optimizer With Enhanced Local Search Strategy for Cluster Analysis. Frontiers in Bioengineering and Biotechnology, 10. https://doi.org/10.3389/fbioe.2022.908356
Ediyanto, M. N. M., & Satyahadewi, N. (2013). Pengklasifikasian Karakteristik Dengan Metode K-Means Cluster Analysis. Bimaster: Buletin Ilmiah Matematika, Statistika dan Terapannya, 2(02). http://dx.doi.org/10.26418/bbimst.v2i02.3033
Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern recognition letters, 31(8), 651-666. http://dx.doi.org/10.1016/j.patrec.2009.09.011
Johnson, R.A. And Wichern, D. (2007). Applied Multivariate Statistical Analysis. USA : Pearson Education,Inc.
Laraswati, T. F. (2014). Perbandingan Kinerja Metode Complete Linkage, Metode Average Linkage, dan Metode K-Means dalam Menentukan Hasil Analisis Cluster. Yogyakarta: Universitas Negeri Yogyakarta.
Liu, W., Zou, P., Jiang, D., Quan, X., & Dai, H. (2022). Zoning of reservoir water temperature field based on K-means clustering algorithm. Journal of Hydrology: Regional Studies, 44, 101239. https://doi.org/10.1016/j.ejrh.2022.101239
Mifrahi, M. N., & Darmawan, A. S. (2022). Analisis tingkat pengangguran terbuka di Indonesia periode sebelum dan saat pandemi covid-19. Jurnal Kebijakan Ekonomi dan Keuangan, 111-118. https://doi.org/10.20885/JKEK.vol1.iss1.art11
Ningsih, S., Wahyuningsih, S., & Nasution, Y. N. (2016, July). Perbandingan Kinerja Metode Complete Linkage dan Average Linkage dalam Menentukan Hasil Analisis Cluster. In Prosiding Seminar Sains dan Teknologi FMIPA Unmul (Vol. 1, No. 1).
Ningtias, I. P., & Rahayu, S. P. (2017). Pemodelan Faktor-faktor yang Mempengaruhi Tingkat Pengangguran Terbuka di Provinsi Jawa Timur Tahun 2015 Menggunakan Regresi Spasial. Jurnal Sains dan Seni ITS, 6(2), D212-D218. http://dx.doi.org/10.12962/j23373520.v6i2.24984
Pratiwi, H., Prawastyorini, A. N., & Sugiyanto, S. (2019). Analisis data panel pada tingkat pengangguran terbuka kabupaten/kota di Pulau Jawa. Jurnal Matematika, Statistika dan Komputasi, 16(1), 51-57. https://doi.org/10.20956/jmsk.v16i1.6713
Putra, R.Y. (2017). Pemodelan Tingkat Pengangguran Terdidik di Indonesia Menggunakan Pendekatan Regresi Nonparametrik Spline. Skripsi. Departemen Statistika FMIPA Institut Teknologi Sepuluh Nopember. Surabaya.
Putri, A., Azzahra, A., Andiany, D. D., Abdurohman, D., Sinaga, P. P., & Yuhan, R. J. (2021). Perbandingan Faktor-Faktor yang Memengaruhi Tingkat Pengangguran Terbuka di Indonesia Sebelum dan Saat Pandemi Covid-19. Jurnal Kajian Ekonomi dan Pembangunan, 3(2), 25-46. http://dx.doi.org/10.24036/jkep.v3i2.13605
Syukria, A., Putra, R. Y., Larasati, M., Putri, T. M., & Fadhlan, A. Klasterisasi Perusahaan yang Tergabung dalam Jakarta Islamic Index 70 Berdasarkan Rasio Profitabilitas Menggunakan K-Means Clustering. Jurnal Manajemen dan Kewirausahaan, 13(1), 1-6.
Talakua, M. W., Leleury, Z. A., & Taluta, A. W. (2017). Analisis cluster dengan menggunakan metode k-means untuk pengelompokkan Kabupaten/Kota di provinsi maluku berdasarkan indikator indeks pembangunan manusia tahun 2014. BAREKENG: Jurnal Ilmu Matematika dan Terapan, 11(2), 119-128.
Utma, S. S., Waridin, W., & Agunggunanto, E. Y. (2020). Faktor-Faktor yang Mempengaruhi Pengangguran Terbuka (Studi Kasus di 29 Kabupaten Provinsi Jawa Tengah Tahun 2013-2017) (Doctoral dissertation, UNDIP: Fakultas Ekonomika dan Bisnis).
Velmurugan, T. (2014). Performance based analysis between k-Means and Fuzzy C-Means clustering algorithms for connection oriented telecommunication data. Applied Soft Computing, 19, 134-146. https://doi.org/10.1016/j.asoc.2014.02.011
Xian, Z., Keikhosrokiani, P., XinYing, C., & Li, Z. (2022). An RFM Model Using K-Means Clustering to Improve Customer Segmentation and Product Recommendation. In P. Keikhosrokiani (Ed.), Handbook of Research on Consumer Behavior Change and Data Analytics in the Socio-Digital Era (pp. 124-145). IGI Global. https://doi.org/10.4018/978-1-6684-4168-8.ch006
DOI: http://dx.doi.org/10.15548/maqdis.v7i2.242
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
View My Stats