Unemployment is a serious social and economic problem that hinders growth, including in Central Java Province. Based on the National Labor Force Survey (Sakernas), the unemployment rate in Central Java Province reached 5.96% in February 2021, an increase of 1.76% compared to February 2020. This study aims to compare two clustering methods, namely Average Linkage and K-Means Clustering, in grouping regions based on three indicators: population size, regencies/cities Minimum Wage (UMK), and labor force size. Evaluation was performed using the Silhouette Coefficient value to assess cluster quality. The analysis results indicated that the K-Means Clustering method with 2 clusters is the most optimal approach for classifying the open unemployment rate in Central Java Province. This is demonstrated by a higher Silhouette Coefficient value of 0.676 for K-Means Clustering, compared to 0.444 for the Average Linkage method. This clustering result divides the region into 2 clusters, namely the first cluster consisting of 8 regencies/cities and the second cluster comprising 27 regencies/cities. These findings are expected to assist local governments in formulating targeted unemployment mitigation policies.

Pengangguran merupakan masalah sosial dan ekonomi serius yang menghambat pertumbuhan, termasuk di Provinsi Jawa Tengah. Berdasarkan Survei Angkatan Kerja Nasional (Sakernas), mencatat tingkat pengangguran di Provinsi Jawa Tengah mencapai 5.96% pada Februari 2021, atau meningkat 1,76% dibandingkan Februari 2020. Penelitian ini bertujuan membandingkan dua metode pengelompokan, yaitu Average Linkage dan K-Means Clustering, dalam mengelompokkan wilayah berdasarkan tiga indikator: jumlah penduduk, Upah Minimum Kabupaten/Kota (UMK), dan jumlah angkatan kerja. Evaluasi dilakukan menggunakan nilai Silhouette Coefficient untuk menilai kualitas cluster. Hasil analisis menunjukkan bahwa metode K-Means Clustering dengan jumlah 2 cluster merupakan pendekatan yang paling optimal dalam mengelompokkan tingkat pengangguran terbuka di Provinsi Jawa Tengah. Hal ini ditunjukkan oleh nilai Silhouette Coefficient yang lebih tinggi, yaitu 0.676 untuk K-Means Clustering, dibandingkan dengan 0.444 pada metode Average Linkage. Hasil klasterisasi ini membagi wilayah menjadi 2 cluster, yaitu cluster pertama yang terdiri dari 8 Kabupaten/Kota dan cluster kedua yang mencakup 27 Kabupaten/Kota. Temuan ini diharapkan dapat membantu pemerintah daerah dalam menyusun kebijakan penanggulangan pengangguran secara lebih tepat sasaran.

Abdulhafedh, A. (2025). Applying K-Means Clustering and Fuzzy C-Means Clustering in Vehicle Crashes. Open Access Library Journal, 12, 1–11. https://doi.org/https://doi.org/10.4236/oalib.1112856

Arifatul Ulya, F., Abdullah, A. N., Aisya Hanan, T., & Manfaati Nur, I. (2023). Pengelompokkan Tingkat Pengangguran Terbuka Di Jawa Tengah Menggunakan Metode K – Means Clustering. Journal Of Data Insights, 1(2), 71–80. https://doi.org/10.26714/jodi.v1i2.148

Azhar, Z. A., Handajani, S. S., & Slamet, I. (2024). Pemodelan Faktor-Faktor Yang Mempengaruhi Tingkat Pengangguran Terbuka (TPT) Di Provinsi Jawa Tengah Menggunakan Regresi Spline Truncated Multivariabel. Jurnal Sutasoma, 2(2), 66–73. https://doi.org/10.58878/sutasoma.v2i2.264

Azzahra, L., & Amru Yasir. (2024). Metode K-Means Clustering Dalam Pengelompokan Penjualan Produk Frozen Food. Jurnal Ilmu Komputer Dan Sistem Informasi, 3(1), 1–10. https://doi.org/10.70340/jirsi.v3i1.88

Butar Butar, R. P. (2023). Analisis Hierarchical Dan Non-Hierarchical Clustering Untuk Pengelompokkan Potensi Ekonomi Kelautan Indonesia 2021. Jurnal Sistem Dan Teknologi Informasi (JustIN), 11(3), 543. https://doi.org/10.26418/justin.v11i3.67283

Chan, J. Y. Le, Leow, S. M. H., Bea, K. T., Cheng, W. K., Phoong, S. W., Hong, Z. W., & Chen, Y. L. (2022). Full Collinearity approach is applied because it identifies collinearity across all variables in the model, irrespective of where they are placed in the model. Mathematics, 10(8).

Doni, A. H., Alfiona, F., Andespa, W., & Al-Amin, A.-A. (2023). Pengangguran Dalam Perspektif Ekonomi Islam Dan Kovensional. Jurnal Ilmiah Ekonomi, Manajemen Dan Syariah, 2(3), 1–10. https://doi.org/10.55883/jiemas.v2i3.20

Frisnoiry, S., Sihotang, H. M. W., Indri, N., & Munthe, T. (2024). Analisis Permasalahan Pengangguran Di Indonesia. Jurnal Ilmiah Komputerisasi Akuntansi, 17(1). https://doi.org/https://doi.org/10.51903/kompak.v17i1.1866

Hasmira, Wahidah Alwi, & Khalilah Nurfadilah. (2023). Penentuan Cluster Hirarki Optimum dalam Pengelompokan Kabupaten/Kota di Provinsi Sulawesi Selatan dengan Indikator Kemiskinan. Jurnal MSA ( Matematika Dan Statistika Serta Aplikasinya), 11(1), 93–102. https://doi.org/10.24252/msa.v11i1.33910

Hegelund, E., & Taalbi, J. (2023). What determines unemployment in the long run? Band spectrum regression on ten countries 1913–2016. Structural Change and Economic Dynamics, 64(April 2022), 144–167. https://doi.org/10.1016/j.strueco.2022.11.009

Iqbal, M., & Nurul Huda, M. (2023). Implementasi Algoritma K-Means Clustering dengan Jarak Euclidean dalam Mengelompokkan Daerah Penyebaran COVID-19 di Kabupaten Bogor. Jurnal Ilmiah Matematika, 2(1), 47–56. https://doi.org/https://doi.org/10.30872/dasar.v2i1.1019

Kurniawan, A. (2024). Determinan Tingkat Pengangguran Terbuka di Provinsi Jawa Tengah : Analisis Regresi Data Panel. Jurnal Litbang Provinsi Jawa Tengah, 22(2), 123–136. https://doi.org/https://doi.org/10.36762/jurnaljateng.v22i2.1217 123

Laber, E. S., & Batista, M. (2024). On the cohesion and separability of average-link for hierarchical agglomerative clustering. Advances in Neural Information Processing Systems, 37(NeurIPS).

Maisuun, N. N. F., & Darmawanti, I. (2023). Gambaran Strategi Coping Pada Pengangguran Perempuan Dewasa Awal. Character: Jurnal Penelitian Psikologi, 10(02), 80–102. https://doi.org/https://doi.org/10.26740/cjpp.v10i2.53388

Messakh, G. C., Hayati, M. N., & Sifriyani, S. (2023). Penerapan Metode K-Means Dalam Pengelompokan Kabupaten/Kota Di Kalimantan Berdasarkan Indikator Pendidikan. Eksponensial, 14(2), 57. https://doi.org/10.30872/eksponensial.v14i2.1103

Nugroho, D. W., Bramhatchi, F., Wulandari, S. P., & Eka, A. (2024). Pengelompokan Indikator Kesejahteraan Masyarakat Berdasarkan Kabupaten/Kota di Jawa Tengah Tahun 2023 Menggunakan Analisis Cluster. Switch: Jurnal Sains Dan Teknologi Informasi, 2, 87–101. https://doi.org/https://doi.org/10.62951/switch.v2i5.285

Paembonan, S., & Abduh, H. (2021). Penerapan Metode Silhouette Coefficient untuk Evaluasi Clustering Obat. PENA TEKNIK: Jurnal Ilmiah Ilmu-Ilmu Teknik, 6(2), 48. https://doi.org/10.51557/pt_jiit.v6i2.659

Rahmi, M. A., Arum, P. R., & Wahyu Utami, T. (2025). Implementation of K-Means Algorithm to Group Age of Cardiovascular Disease Patients. Journal Of Data Insights, 3(1), 42–47. https://doi.org/10.26714/jodi.v3i1.216

Setyaningsih, L. I., Wulandari, A. R., & Arum, P. R. (2023). Implementation of K-Means to Classify Poverty Based on Housing Characteristics in Central Java in 2021. Jurnal Pendidikan Matematika (Kudus), 6(1), 49. https://doi.org/10.21043/jpmk.v6i1.19529

Sinta Amelia, A. M. (2022). Berdasarkan Indikator Indeks Pembangunan Manusia. 04(02), 69–74.

Syalomitha R, S., Nadhira F, S., Anistya A, G., Raihana Z, R., Dominique P S, J., Aliyyah N, C., Putri P, A., & Toharudin, T. (2021). Pengelompokkan kabupaten/kota di Provinsi Jawa Barat menurut indikator indeks pembangunan manusia tahun 2020. E-Prosiding Seminar Nasional Statistika| Departemen Statistika FMIPA Universitas Padjadjaran, 10, 108–123. https://doi.org/https://doi.org/10.1234/pns.v10i.80

Xu, N., Finkelman, R. B., Dai, S., Xu, C., & Peng, M. (2021). Average Linkage Hierarchical Clustering Algorithm for Determining the Relationships between Elements in Coal. ACS Omega, 6(9), 6206–6217. https://doi.org/10.1021/acsomega.0c05758

Yusniyanti, A. L., Virgantari, F., & Faridhan, Y. E. (2021). Comparison of Average Linkage and K-Means Methods in Clustering Indonesia’s Provinces Based on Welfare Indicators. Journal of Physics: Conference Series, 1863(1). https://doi.org/10.1088/1742-6596/1863/1/012071

Zubair, M., Iqbal, M. A., Shil, A., Chowdhury, M. J. M., Moni, M. A., & Sarker, I. H. (2022). An Improved K-means Clustering Algorithm Towards an Efficient Data-Driven Modeling. Annals of Data Science. https://doi.org/10.1007/s40745-022-00428-2