Analisis Klaster Hierarki untuk Pengelompokkan Provinsi di Indonesia Berdasarkan Indikator Ketenagakerjaan

Authors

  • Dian Handayani Universitas Negeri Jakarta
  • Faroh Ladayya Universitas Negeri Jakarta
  • Syifa Fadia Salsabila Universitas Negeri Jakarta

DOI:

https://doi.org/10.1234/pns.v10i.116

Keywords:

analisis cluster, cluster hierarki, agglomerative, ketenagakerjaan

Abstract

Pandemi Covid-19 di Indonesia telah menyebabkan aktivitas ekonomi menurun tajam. Hal ini dikarenakan pada masa pandemi telah diberlakukan pembatasan proses produksi, distribusi dan kegiatan operasional lainnya. Tidak sedikit dari masyarakat Indonesia yang kehilangan pekerjaan. Upaya pemulihan sektor ketenagakerjaan yang terdampak pandemi di berbagai wilayah Indonesia perlu mendapat perhatian dikarenakan setiap wilayah memiliki potensi dan tantangan ketenagakerjaan yang berbeda. Tujuan dari penelitian ini adalah mengelompokkan provinsi di Indonesia berdasarkan indikator ketenagakerjaan. Pengelompokkan dilakukan berdasarkan metode hierarki agglomerative, yaitu Single Linkage, Complete Linkage, Average Linkage, Ward's, dan Centroid. Hasil analisis menunjukkan metode average linkage memiliki koefisien korelasi cophenetic tertinggi, sehingga metode ini merupakan metode yang paling cocok dalam pengelompokkan provinsi di Indonesia berdasarkan indikator ketenagakerjaan. Terdapat dua kelompok yang terbentuk berdasarkan average linkage, yaitu: cluster 1 yang beranggotakan 9 provinsi merupakan cluster dengan karakteristik perkembangan tenaga kerja yang masih belum maksimal dan cluster 2 yang beranggotakan 25 provinsi merupakan cluster dengan karakteristik perkembangan tenaga kerja yang sudah baik.

Downloads

Download data is not yet available.

References

Aldenderfer, M. S., & Blashfield, R. K. (1984). Cluster Analysis (Quantitative Applications in the Social Sciences). Beverly Hills: Sage Publications.

[BPS] Badan Pusat Statistik. (2021). Laporan Perekonomian Indonesia 2021. Jakarta: Badan Pusat Statistik.

Gujarati, D. N. (2009). Dasar-Dasar Ekonometrika Jilid 2. Jakarta: Erlangga.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). United Kingdom: Cengage Learning.

Kalkstein, L. S., Tan, G., & Skindlov, J. A. (1987). An Evaluation of Three Clustering Procedures for Use in Synoptic Climatological Classification. Journal of Applied Meteorology and Climatology, 26(6), 717-730.

Milligan, G. W. (1980). An Examination of The Effect of Six Types of Error Perturbation on Fifteen Clustering Algorithms. Psychometrika, 45(3), 325-342.

Silva, A. R., & Dias, C. T. (2013). A Cophenetic Correlation Coefficient for Tocher’s Method. Pesquisa Agropecuária Brasileira, 48(6), 589-596. doi:10.1590/S0100-204X2013000600003

Simamora, B. (2005). Analisis Multivariat Pemasaran. Jakarta: PT. Gramedia Pustaka.

Sokal, R. R., & Rohlf, F. J. (1962). The Comparison of Dendogram by Objective Methods. Taxon, 11(2), 33-40.

Stooksbury, D. E., & Michaels, P. J. (1991). Cluster Analysis of Southeastern U.S. Climate Stations. Theoretical and Applied Climatology, 44(3), 143-150.

Sudjana. (2002). Metode Statistika. Bandung: Tarsito.

Supranto, J. (2004). Analisis Multivariat Arti dan Interpretasi. Jakarta: Rineka Cipta.

Wijaya, T., & Budiman, S. (2016). Analisis Multivariat untuk Penelitian Manajemen. Yogyakarta: Pohon Cahaya.

Downloads

Published

2021-12-30

How to Cite

Handayani, D. ., Ladayya, F. ., & Fadia Salsabila, S. . (2021). Analisis Klaster Hierarki untuk Pengelompokkan Provinsi di Indonesia Berdasarkan Indikator Ketenagakerjaan. Prosiding Seminar Nasional Statistika, 10, 16. https://doi.org/10.1234/pns.v10i.116