Pengelompokan Wilayah di Indonesia Berdasarkan Tingkat Pengangguran Menggunakan Metode Gaussian Mixture Model (GMM)
DOI:
https://doi.org/10.26714/uwc.v8.431-442.2025Keywords:
bayesian information crietrion (BIC), expectation maximization, gaussian mixture model (GMM), pengangguran, pengelompokanAbstract
Latar belakang : Tingginya tingkat pengangguran merupakan permasalahan serius yang berdampak pada aspek sosial dan ekonomi suatu negara, termasuk Indonesia. Pada tahun 2024, Indonesia mencatatkan tingkat pengangguran tertinggi di Asia Tenggara sebesar 5,2%. Kondisi ini menuntut adanya strategi yang tepat dalam menangani masalah tersebut, salah satunya melalui pengelompokan wilayah berdasarkan karakteristik pengangguran. Metode : Gaussian Mixture Model (GMM) dipilih karena memiliki keunggulan dalam mengidentifikasi pola distribusi data yang kompleks, mampu menangkap keragaman karakteristik antar wilayah, serta lebih fleksibel dibandingkan metode clustering lainnya. GMM tidak hanya membagi data ke dalam kelompok secara tegas, tetapi juga memberikan probabilitas keanggotaan setiap provinsi terhadap masing-masing cluster. Dengan demikian, GMM lebih sesuai digunakan untuk data sosial-ekonomi yang seringkali memiliki karakteristik yang saling tumpang tindih. Data yang digunakan adalah data indikator pengangguran di Indonesia. Hasil penelitian : Hasil analisis menunjukkan bahwa model terbaik diperoleh dengan jumlah cluster optimal sebanyak dua berdasarkan nilai Bayesian Information Criterion (BIC) tertinggi sebesar –624,5664. Kesimpulan : Cluster 1 beranggotakan 24 provinsi yang umumnya memiliki tingkat pengangguran dan kemiskinan lebih tinggi dan cluster 2 beranggotakan 14 provinsi dengan partisipasi kerja laki-laki lebih tinggi namun tingkat pengangguran lebih rendah.
____________________________________________________________________
Abstract
Background : The high unemployment rate represents a serious issue that affects both the social and economic aspects of a country, including Indonesia. In 2024, Indonesia recorded the highest unemployment rate in Southeast Asia at 5.2%. This condition necessitates the implementation of appropriate strategies to address the problem, one of which is regional clustering based on unemployment characteristics. Method : The Gaussian Mixture Model (GMM) was selected due to its advantages in identifying complex data distribution patterns, capturing the heterogeneity of regional characteristics, and offering greater flexibility compared to other clustering methods. Unlike traditional clustering techniques that assign observations strictly to a single group, GMM provides the probability of each province’s membership across clusters. Consequently, GMM is more suitable for socio-economic data, which often exhibit overlapping characteristics. The dataset employed in this study consists of unemployment indicators in Indonesia. Result : The analysis revealed that the best-fitting model was obtained with an optimal number of two clusters, as indicated by the highest Bayesian Information Criterion (BIC) value of –624.5664. Conclusion : Cluster 1 comprises 24 provinces that generally exhibit higher unemployment and poverty rates, while Cluster 2 consists of 14 provinces characterized by higher male labor force participation but lower unemployment rates.
References
A. Octamaya Tenri Awaru, Nurulmiati Nurulmiati, Nita Talia, Mustika Mustika, Melfin Dwi Sofiana, and Yulianti Yulianti, “Dampak Sosial Ekonomi Pemberdayaan Masyarakat Kelompok Tani Swadaya Oleh Industri PT. Manakkara Unggul Lestari,” Harmon. J. Ilmu Komun. dan Sos., vol. 1, no. 3, pp. 196–203, Jul. 2023, doi: 10.59581/harmoni-widyakarya.v1i3.1013.
Akramunnisa and Fajriani, “K-Means Clustering Analysis pada PersebaranTingkat Pengangguran Kabupaten/Kota di Sulawesi Selatan,” J. Varian, vol. 3, no. 2, pp. 103–112, Apr. 2020, doi: 10.30812/varian.v3i2.652.
N. A. Rahman and N. Z. Riani, “Analisis Pengangguran Terbuka di Indonesia,” J. Kaji. Ekon. dan Pembang., vol. 5, no. 3, p. 43, Sep. 2023, doi: 10.24036/jkep.v5i3.15285.
D. Purwanto, R. A. Pratama, R. B. Lein, I. Prastyo, and M. Al Haris, “Clustering of Districts in Central Java According to People’s Welfare Indicators Using Ward’s Method,” Var. J. Stat. Its Appl., vol. 7, no. 1, pp. 73–82, 2025, doi: https://doi.org/10.30598/variancevol7iss1page73-82.
C. N. Rianda, “Analisis Dampak Pengangguran Berpengaruh Terhadap Individual,” At-Tasyri’ J. Ilm. Prodi Huk. Ekon. Syariah, vol. 2, no. 1, p. 17, Jul. 2020, doi: 10.47498/tasyri.v12i01.358.
S. Frisnoiry, H. M. W. Sihotang, N. Indri, and T. Munthe, “Analisis Permasalahan Pengangguran di Indonesia,” Kompak J. Ilm. Komputerisasi Akunt., vol. 17, no. 1, pp. 365–374, 2024, doi: https://doi.org/10.51903/kompak.v17i1.1866.
International Monetary Fund, “The World Economic Outlook (WEO) database,” International Monetary Fund. [Online]. Available: https://www.imf.org/en/Countries/IDN
Badan Pusat Statistik, “Tingkat Pengangguran Terbuka (TPT) sebesar 4,91 persen dan Rata-rata upah buruh sebesar 3,27 juta rupiah per bulan,” Badan Pusat Statistik. [Online]. Available: https://www.bps.go.id/id/pressrelease/2024/11/05/2373/tingkat-pengangguran-terbuka--tpt--sebesar-4-91-persen-.html
A. Sidik and M. Nanang, “Upaya Pemerintah Desa untuk Mengurangi Angka Pengangguran di Desa Darmawangi Kecamatan Tomo Kabupaten Sumedang Provinsi Jawa Barat,” eJournal Pembang. Sos., vol. 11, no. 1, pp. 579–589, 2023, doi: https://ejournal.ps.fisip-unmul.ac.id/site/?p=1661.
F. D. Kurniawan and L. Fauziah, “Pemberdayaan Usaha Mikro Kecil dan Menengah (UMKM) dalam Penanggulangan Kemiskinan,” JKMP (Jurnal Kebijak. dan Manaj. Publik), vol. 2, no. 2, pp. 165–176, Sep. 2014, doi: 10.21070/jkmp.v2i2.436.
Sufi, “Sistem Pengelolaan Badan Usaha Milik Desa (BUMDes) dalam Pembangunan Tambak Milik Desa (Studi Desa Lhok Euncien Kecamatan Baktiya Barat),” Negot. J. Ilmu Adm. Bisnis, vol. 4, no. 1, pp. 46–58, 2021, [Online]. Available: https://ojs.unimal.ac.id/na/article/view/4923/pdf
L. G. Pramono and Yuliawati, “Peran Kelompok Tani Terhadap Pendapatan Petani Padi Sawah di Kelurahan Kauman Kidul Kecamatan Sidorejo Kota Salatiga,” Agritech J. Fak. Pertan. Univ. Muhammadiyah Purwokerto, vol. 21, no. 2, p. 129, Jan. 2020, doi: 10.30595/agritech.v21i2.5064.
R. Rahmati and A. W. Wijayanto, “Analisis Cluster dengan Algoritma K-Means, Fuzzy C-Means dan Hierarchical Clustering (Studi Kasus: Indeks Pembangunan Manusia Tahun 2019),” JIKO (Jurnal Inform. dan Komputer), vol. 5, no. 2, pp. 73–80, 2021, doi: http://dx.doi.org/10.26798/jiko.v5i2.422.
A. M. Dyfa, M. Al Haris, and A. Imron, “Pengelompokan Kabupaten/Kota di Jawa Tengah Berdasarkan Rasio Tenaga Kesehatan Menggunakan Metode Fuzzy Gustafson Kessel,” in Seminar Nasional Sains Data 2025(SENADA 2025), 2025, pp. 347–362. doi: https://doi.org/10.33005/senada.v5i1.488.
M. Musfiani, “Analisis Cluster dengan Menggunakan Metode Partisi pada Pengguna Alat Kontrasepsi di Kalimantan Barat,” Bimaster Bul. Ilm. Mat. Stat. dan Ter., vol. 8, no. 4, Oct. 2019, doi: 10.26418/bbimst.v8i4.36584.
R. Rahman, J. Junaidi, and N. F. Gamayanti, “Pengelompokkan Kabupaten/Kota di Pulau Sulawesi Berdasarkan Indikator Indeks Khusus Penanganan Stunting Menggunakan Gaussian Mixture Model,” Maj. Ilm. Mat. dan Stat., vol. 23, no. 2, p. 148, Sep. 2023, doi: 10.19184/mims.v23i2.36389.
Musdalifah M. Ramly, S. Sudarmin, and B. Poerwanto, “Analisis Hierarchical Clustering Multiscale Bootstrap (Kasus: Indikator Kemiskinan di Provinsi Sulawesi Selatan Tahun 2020),” VARIANSI J. Stat. Its Appl. Teach. Res., vol. 4, no. 3, pp. 142–152, Dec. 2022, doi: 10.35580/variansiunm26.
U. Syafiyah, D. P. Puspitasari, I. Asrafi, B. Wicaksono, and F. M. Sirait, “Analisis Perbandingan Hierarchical dan Non-Hierarchical Clustering pada Data Indikator Ketenagakerjaan di Jawa Barat Tahun 2020,” in Seminar Nasional Official Statistics, Nov. 2022, pp. 803–812. doi: 10.34123/semnasoffstat.v2022i1.1221.
M. P. Lawuna, Y. Zega, and R. N. Mendrofa, “Analisis Cluster Mahasiswa Pendidikan Matematika Universitas Nias,” J. Cendekia J. Pendidik. Mat., vol. 8, no. 2, pp. 946–961, Apr. 2024, doi: 10.31004/cendekia.v8i2.2940.
A. Triayudi et al., Clustering. Sleman: PT Penamudamedia, 2024.
A. Milson, D. E. Herwindiati, and N. J. Perdana, “Penerapan Klasifikasi Suara Sebagai Autentikasi Keamanan Sistem Login Menggunakan Gaussian Mixture Models,” Comput. J. Comput. Sci. Inf. Syst., vol. 8, no. 1, pp. 104–109, Apr. 2024, doi: 10.24912/computatio.v8i1.16229.
F. Yessica, D. Kusnandar, and N. Imro’ah, “Implementasi Metode Latent Class Cluster Analysis dalam Pengelompokan Wilayah Berdasarkan Indikator Indeks Pembangunan Manusia,” Bul. Ilm. Math. Stat dan Ter., vol. 11, no. 2, pp. 213–220, 2022, [Online]. Available: https://jurnal.untan.ac.id/index.php/jbmstr/article/view/53269/75676592495
R. Narulita and A. Kudus, “Penerapan Gaussian Mixture Model pada Klasterisasi Desa di Kalimantan Barat berdasarkan Indeks Desa Membangun Tahun 2021,” in Bandung Conference Series: Statistics, Jul. 2022, pp. 226–233. doi: 10.29313/bcss.v2i2.3877.
J. Riyono, S. D. Puspa, and C. E. Pujiastuti, “Simulasi Clustering Provinsi di Indonesia dalam Penyebaran Covid-19 berdasarkan Indikator Kesehatan Masyarakat Menggunakan Algoritma Gaussian Mixture Model,” Majamath J. Mat. dan Pendidik. Mat., vol. 5, no. 1, pp. 43–60, 2022, doi: MAJAMATH: Jurnal Matematika Dan Pendidikan Matematika.
K. E. Setiawan and A. Kurniawan, “Pengelompokan Rumah Sakit di Jakarta Menggunakan Model DBSCAN, Gaussian Mixture, dan Hierarchical Clustering,” J. Inform. Terpadu, vol. 9, no. 2, pp. 149–156, Sep. 2023, doi: 10.54914/jit.v9i2.995.
E. Patel and D. S. Kushwaha, “Clustering Cloud Workloads: K-Means vs Gaussian Mixture Model,” in Procedia Computer Science, 2020, pp. 158–167. doi: 10.1016/j.procs.2020.04.017.
