skip to main content

PENERAPAN k-MODES CLUSTERING DENGAN VALIDASI DUNN INDEX PADA PENGELOMPOKAN KARAKTERISTIK CALON TKI MENGGUNAKAN R-GUI

*Hanik Malikhatin  -  Departemen Statistika, Fakultas Sains dan Matematika, Universitas Diponegoro, Indonesia
Agus Rusgiyono  -  Departemen Statistika, Fakultas Sains dan Matematika, Universitas Diponegoro, Indonesia
Di Asih I Maruddani  -  Departemen Statistika, Fakultas Sains dan Matematika, Universitas Diponegoro, Indonesia
Open Access Copyright 2021 Jurnal Gaussian under http://creativecommons.org/licenses/by-nc-sa/4.0.

Citation Format:
Abstract

Prospective TKI workers who apply for passports at the Immigration Office Class I Non TPI Pati have countries destinations and choose different PPTKIS agencies. Therefore, the grouping of characteristics prospective TKI needed so that can be used as a reference for the government in an effort to improve the protection of TKI in destination countries and carry out stricter supervision of PPTKIS who manage TKI. The purpose of this research is to classify the characteristics of prospective TKI workers with the optimal number of clusters. The method used is k-Modes Clustering with values of k = 2, 3, 4, and 5. This method can agglomerate categorical data. The optimal number of clusters can be determined using the Dunn Index. For grouping data easily, then compiled a Graphical User Interface (GUI) based application with RStudio. Based on the analysis, the optimal number of clusters is two clusters with a Dunn Index value of 0,4. Cluster 1 consists of mostly male TKI workers (51,04%), aged ≥ 20 years old (91,93%), with the destination Malaysia country (47%), and choosing PPTKIS Surya Jaya Utama Abadi (37,51%), while cluster 2, mostly of male TKI workers (94,10%), aged ≥ 20 years old (82,31%), with the destination Korea Selatan country (77,95%), and choosing PPTKIS BNP2TKI (99,78%).

 

Fulltext View|Download
Keywords: prospective TKI workers; cluster; k-Modes Clustering; categorical data; Dunn Index; GUI

Article Metrics:

  1. DataCamp. -. kmodes: K-Modes Clustering. Tersedia: https://www.rdocumentation. org/packages/klaR/versions/0.6-15/topics/kmodes (diakses pada tanggal 6 April 2021)
  2. DataCamp. -. dunn: Dunn Index. Tersedia: https://www.rdocumentation.org/ packages/clValid/versions/0.6-9/topics/dunn (diakses pada tanggal 7 April 2021)
  3. Ediyanto, Mara, M. N. dan Satyahadewi, N. 2013. Pengklasifikasian Karakteristik Dengan Metode K-Means Cluster Analysis. Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Vol. 02, No. 2, Hal: 133–136
  4. Faisal, M. R. dan Nugrahadi D. T. 2019. Belajar Data Science Klasifikasi dengan Bahasa Pemrograman R. Kalimantan Selatan: Scripta Cendekia
  5. Hakim, R. B. F. 2019. Bermain dengan R Shiny. Tersedia: https://medium.com/ @986110101/bermain-dengan-r-shiny-b3430fc7ae5f (diakses pada tanggal 19 Juli 2021)
  6. Heriyati, P. dan Kurniatun, T. C. 2020. Analisa Triple Helix pada Industri Fashion di Jakarta. Pasuruan: Qiara Media
  7. Hidayat, T. dan Istiadah, N. 2011. Panduan Lengkap Menguasai SPSS 19 untuk Mengolah Data Statistik Penelitian. Jakarta Selatan: MediaKita
  8. Huang, Z. dan Ng, M. K. 2003. A Note on K-modes Clustering. Journal of Classification Vol. 20, No. 2, Hal: 257–261
  9. Indriani, F. dan Budiman, I. 2017. K-Modes Clustering untuk Mengetahui Jenis Masakan Daerah yang Populer pada Website Resep Online (Studi Kasus: Masakan Banjar di cookpad.com. Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 4, No. 4, Hal: 290–296
  10. Kurniastuti dan Andini. 2018. Perancangan Program Penentuan Histogram Citra dengan Graphical User Interface (GUI). Applied Technology and Computing Science Journal Vol. 1, No. 1, Hal:-
  11. Nugraha, J. 2014. Pengantar Analisis Data Kategorik: Metode dan Aplikasi Menggunakan Program R. Yogyakarta: Deepublish
  12. Pratiwi, S. I., Widiharih, T. dan Hakim, A. R. 2019. Analisis Klaster Metode Ward dan Average Linkage dengan Validasi Dunn Index dan Koefisien Korelasi Cophenetic (Studi Kasus: Kecelakaan Lalu Lintas Berdasarkan Jenis Kendaraan Tiap Kabupaten/Kota di Jawa Tengah Tahun 2018). Jurnal Gaussian Vol. 8, No. 4, Hal: 486-495
  13. Santoso, B., Azis, A. I. S. dan Zohrahayaty. 2020. Machine Learning & Reasoning Fuzzy Logic Algoritma, Manual, Matlab, & Rapid Miner. Yogyakarta: Deepublish
  14. Wahyudi, M., Masitha, M., Saragih, R. dan Solikhun, S. 2020. Data Mining: Penerapan Algoritma K-Means Clustering dan K-Medoids Clustering. Medan: Yayasan Kita Menulis

Last update:

No citation recorded.

Last update:

No citation recorded.