IMPLEMENTASI DATA WAREHOUSE AND BUSINESS

INTELLIGENCE
(STUDI KASUS: DATA PENGANGGURAN PROVINSI
JAWA TENGAH 2020-2022)
Nama Anggota :

8
KELOMPOK
1. M. Ainul Yaqin (11220752)
2. Enda Patyani (11220676)
3. Nurafifah Handayani (11220779)
4. Andre (11220768)
5. Muhamad Rizal Maulana (11220686)
 Latar Belakang :
• Pengangguran merupakan masalah utama
di negara non-industri seperti Indonesia,
Hasil pengelompokan yang
dengan pertumbuhan penduduk yang
sangat tinggi, akses pekerjaan yang tidak
diperoleh nantinya dapat
merata, penduduk dengan usia kerja yang digunakan untuk menjelaskan
tidak dapat mengikuti perkembangan bagaimana pemerintah daerah
teknologi yang pesat, perubahan ekonomi, melakukan penanganan masalah
tingkat Pendidikan, dll. pengangguran dengan mengkaji
• Populasi dan tenaga kerja di negara factor-faktor yang
berkembang menjadi suatu beban bagi mempengaruhi pengangguran,
pembangunan negara daripada asset seperti jumlah penduduk dan
potensial yang dapat digunakan untuk upah.
mendorong ekonomi. Besarnya
pengangguran berdampak pada laju
keberhasilan pembangunan ekonomi.
2
Tujuan DWBI

Meningkatkan nilai data dan Meningkatkan nilai investasi TI yang

1 informasi organisasi
3 sudah ada

Menciptakan pegawai yang memiliki

Memudahkan pemantauan kinerja
2 organisasi
4 akses informasi yang baik (well-
informed workers)

5 Meningkatkan efisiensi biaya

Fungsi DWBI
Data Warehouse :
memudahkan para user untuk mendapatkan akses cepat
1 akan data esensial dari sebuah sumber yang menampung Business Intelligence :
berbagai informasi spesifik dalam satu tempat
sebagai sistem pendukung pengambilan keputusan
dimana sistem dan aplikasi ini mengubah data-data

2
menyediakan informasi yang konsisten untuk berbagai
divisi dan bentuk aktivitas. Sistem ini juga menyimpan 1 dalam suatu perusahaan atau organisasi (data
operasional, data transaksional, atau data lainnya) ke
laporan dan query
dalam bentuk pengetahuan.

menyajikan berbagai informasi yang disesuaikan dengan

3 dapat membantu proses integrasi data
2
kebutuhan setiap penggunanya. Informasi tersebut dapat
berasal dari data publik atau data private. Data-data tersebut
kemudian diolah dan disajikan dalam bentuk informasi yang
mudah dipahami oleh penggunanya dengan satu tujuan yaitu
membantu pencapaian tujuan pengguna BI.
4 Restrukturisasi dan integrasi dapat mempermudah proses
pembuatan laporan dan analisa
memiliki karakteristik sebagai pendukung ketersediaan
data yang relevan yang akan disajikan pada pengguna.

5
membuat pengguna dapat mengakses data penting dari
berbagai sumber melalui satu tempat. Hal ini pastinya dapat 3 Biasanya, BI mengintegrasikan informasi
keseluruhan sumber informasi perusahaan sehingga
dari

menghemat waktu dalam pengambilan data yang dibutuhkan pembuat keputusan dapat membuat analisis dengan
dari berbagai sumber berbekal pengetahuan yang lengkap dan real time
menyimpan data dalam jumlah besar, begitu juga data-data

6 lama dari berbagai tahun. Informasi ini dapat dijadikan bahan

analisis tambahan untuk menganalisa suatu fenomena dan
memprediksi trend yang akan muncul mengikuti pola yang ada
Analisa Kasus
Tim peneliti melakukan studi kasus atas data Jumlah pengangguran, jumlah penduduk dan jumlah
UMK berdasarkan Kabupaten/Kota di Jawa Tengah tahun 2020 - 2022. Data ini merupakan data publik
yang disiapkan oleh Badan Pusat Statistik (BPS) Jawa Tengah. Analisa kasus ini terbagi menjadi dua (2)
bagian, yaitu analisa data set dan analisa proses bisnis.

Identifikasi masalah bisnis yang perlu diselesaikan

Data set yang digunakan adalah data rata-rata
Jumlah pengangguran, jumlah penduduk dan
Data jumlah UMK berdasarkan Kabupaten/Kota di
Proses
Set Jawa Tengah tahun 2020 sampai dengan tahun
Bisnis
2022 dengan tipe data berformat Ms. Excel.
dengan gudang data dan menentukan data yang
diperlukan untuk menyelesaikan masalah tersebut,
meliputi : tingkat pengangguran tiap Kab/Kota,
perbandingan jumlah penduduk dengan jumlah UMK,
perbandingan jumlah penduduk dengan jumlah
pengangguran. Membuat visualisasi data dengan
menggunakan aplikasi Power BI, sehingga dapat
dijadikan landasan dalam pengambilan keputusan, sajian
informasi yang lengkap dan dapat digunakan sebagai
pengetahuan umum atau sebagai langkah strategis untuk
menangani masalah pengangguran.
 Kabupaten 53602 923192 1610000
Kabupaten Kebumen 73427 1197982 1686000

Penyelesaian Kasus
Kabupaten Purworejo 26593 718316 1700000
Kabupaten Wonosobo 40320 790504 1712500
Kabupaten Magelang 53597 1290591 1882000
Kabupaten Boyolali 47006 984807 1790000
Kabupaten Klaten 59955 1174986 1795061
Kabupaten Sukoharjo 41132 891912 1783500
Kabupaten Wonogiri 31503 959492 1655000
Pada penelitian ini yaitu mengumpulkan data pengangguran, jumlah penduduk, dan upah minimum
Kabupaten Karanganyar 46167 886519 1833000
DW kab/kota Provinsi Jawa Tengah. Peneliti mengambil nilai rata-rata setiap atribut dari tahun 2020-2022 yang
Kabupaten Sragen 40931 890518 1673500
Kabupaten Grobogan 59390 1377788 1685500
digunakan menjadi fokus pada penelitian ini. Kabupaten Blora 36683 865013 1690000
Kabupaten Rembang 25972 638188 1660000
Kabupaten / Kota Jumlah Pengangguran Jumlah Penduduk UMK Kabupaten
KabupatenPati/ Kota 56614
Jumlah Pengangguran 1259590
Jumlah Penduduk 1742000
UMK
Kabupaten Kudus 37402 871311 2044468
Kabupaten Cilacap 165939 1727098 1989058 Cilacap
Kabupaten Jepara 165939
55465 1727098
1257912 1989058
1879031
Kabupaten Banyumas 95162 1693006 1750000 Kabupaten Demak
Banyumas 95162
71682 1693006
1162805 1750000
2240000
Kabupaten Purbalingga 55354 933989 1788500 Purbalingga
Kabupaten Semarang 55354
42699 933989
1053786 1788500
2055000
Kabupaten 53602 923192 1610000 Kabupaten Temanggung 53602
24747 923192
772018 1610000
1682027
Kabupaten Kebumen 73427 1197982 1686000 Kebumen
Kabupaten Kendal 73427
71726 1197982
971086 1686000
2084393
Kabupaten Purworejo 26593 718316 1700000 Purworejo
Kabupaten Batang 26593
46750 718316
768583 1700000
1900000
Kabupaten Wonosobo 40320 790504 1712500 Kabupaten Pekalongan
Wonosobo 40320
49457 790504
897711 1712500
1859885
Kabupaten Magelang 53597 1290591 1882000 Magelang
Kabupaten Pemalang 53597
98681 1290591
1302813 1882000
1718000
Kabupaten Boyolali 47006 984807 1790000 Boyolali
Kabupaten Tegal 47006
144729 984807
1440698 1790000
1747000
Kabupaten Klaten 59955 1174986 1795061 Kabupaten Brebes
Klaten 59955
174363 1174986
1809096 1795061
1665850
Kabupaten Sukoharjo 41132 891912 1783500 Kabupaten
Kota Sukoharjo
Magelang 41132
8797 891912
122111 1783500
1707000
Kabupaten Wonogiri 31503 959492 1655000 Kabupaten
Kota Wonogiri
Surakarta 31503
34673 959492
519587 1655000
1802700
Kabupaten Karanganyar 46167 886519 1833000 Kabupaten
Kota Karanganyar
Salatiga 46167
12254 886519
194084 1833000
1875325
Kabupaten Sragen 40931 890518 1673500 Kabupaten
Kota Sragen
Semarang 40931
132638 890518
1814110 1673500
2498588
Kabupaten Grobogan 59390 1377788 1685500 Kabupaten Grobogan
Kota Pekalongan 59390
20205 1377788
307097 1685500
1906922
Kabupaten Blora 36683 865013 1690000 Kabupaten
Kota Tegal Blora 36683
21982 865013
249905 1690000
1762000
Kabupaten Rembang 25972 638188 1660000 Kabupaten Rembang 25972 638188 1660000
Kabupaten Pati 56614 1259590 1742000 Kabupaten Pati 56614 1259590 1742000
Kabupaten Kudus 37402 871311 2044468 Kabupaten Kudus 37402 871311 2044468
Kabupaten Jepara 55465 1257912 1879031 Kabupaten Jepara 55465 1257912 1879031
Kabupaten Demak 71682 1162805 2240000 Kabupaten Demak 71682 1162805 2240000
 Penyelesaian Kasus
Jumlah Penduduk, Jumlah
Pengangguran dan Jumlah UMK
Business intelligence (BI) menyuguhkan tampilan/visualisasi data untuk membantu berdasarkan Kab/Kota Se-Provinsi
petinggi perusahaan dalam pengambilan keputusan. Aplikasi pembantu yang Jawa Tengah (2020 – 2022)
dijadikan sebagai alat untuk visualisasi adalah Microsoft Power BI Desktop 2023. Hasil
BI visualisasi dari data warehouse tentang Data Jumlah Rata-rata Pengangguran, Jumlah
Rata-rata Penduduk dan Jumlah Rata-rata UMK Provinsi Jawa Tengah (2020-2022)
menggunakan Microsoft Power BI Desktop 2023, diuraikan sebagai berikut:
Perbandingan Jumlah Penduduk Perbandingan Jumlah Penduduk
dengan Jumlah UMK Se-Provinsi Jawa dengan Jumlah Pengangguran Se-
Tengah (2020 – 2022) Provinsi Jawa Tengah (2020 – 2022)

5,59%
(2 Juta)

35,22%
64,78% (35 Juta)
(64 Juta) 94,41%
(35 Juta)

Jumlah Penduduk JATENG Jumlah Penduduk JATENG Jumlah Penduduk berdasarkan Jumlah Pengangguran berdasarkan
Kab/Kota Se-Provinsi Jawa Tengah Kab/Kota Se-Provinsi Jawa Tengah
Jumlah UMK JATENG Jumlah Pengangguran JATENG (2020 – 2022) (2020 – 2022)

Data Diperoleh dari Analisa tampilan dengan menggunakan Aplikasi Power BI

 Penyelesaian Kasus
Dengan melakukan data mining terhadap sekumpulan data, akan didapatkan suatu interesting pattern yang dapat
disimpan sebagai knowledge baru. Pattern yang didapat akan digunakan untuk melakukan evaluasi terhadap data-
Data data tersebut untuk selanjutnya akan didapatkan informasi. Aplikasi pembantu yang dijadikan sebagai alat untuk
Mining data mining adalah Rapidminer Studio Educational versi 10.1.003. Hasil data mining dari data warehouse tentang
Data Jumlah Rata-rata Pengangguran, Jumlah Rata-rata Penduduk dan Jumlah Rata-rata UMK Provinsi Jawa Tengah
(2020-2022), diuraikan sebagai berikut:
1. Mempersiapkan Dataset yang akan dipakai: 4. Melakukan Klasterisasi (pengelompokan) menggunakan
DATA PENGANGGURAN DI JATENG 2020-2022.xlsx Metode K-Means :
• Mengatur Parameter
2. Melakukan Cleansing atau penghapusan data-data yang  Mengatur banyak Cluster (k)
tidak digunakan. Dalam hal ini peneliti tidak melakukan  Mengatur banyak proses Clustering (max runs)
karena tidak ada komponen data yang dihapus.  Mengatur Tipe Pengukuran (measure types)

3. Melakukan Integrasi Data atau mengubah/menyesuaikan 5. Menentukan jumlah Klasterisasi (pengelompokan) yang
tipe data. tepat pada Metode K-Means agar data yang dihasilkan
baik dengan cara mengukur kualitas klasterisasi
menggunakan operator performance untuk clustering
yaitu Cluster Distance Performance.
• Mengatur Parameter
 Mengatur ……. Ke maximaze (agar hasil nilai rata-
rata jarak data setiap klaster tidak menjadi
NEGATIVE (-)
 Penyelesaian Kasus
Data
Mining HASIL DATA MINING
Menurut hasil pengelompokan K-Means menggunakan aplikasi Rapidminer :
• cluster 0 adalah cluster dengan nilai rata-rata rendah dari semua variabel. Maka cluster 0 termasuk
dalam kategori kelompok pengangguran rendah, yang di dalamnya terdapat 15 Kabupaten dengan
nilai rata-rata sebesar 883957,1316.
• cluster 1 termasuk dalam kategori kelompok pengangguran tinggi yang di dalamnya terdapat 3
Kabupaten dengan rata-rata sebesar 1229952,452.
• cluster 2 termasuk dalam kelompok pengangguran paling tinggi yaitu terdapat 1 Kota dengan
rata-rata sebesar 1481778,444.
• cluster 3 termasuk dalam kategori kelompok paling rendah yang di dalamnya terdapat 5 Kota
dengan rata-rata sebesar 702976,2532.
• cluster 4 termasuk kategori kelompok sedang yang di dalamnya terdapat 11 Kabupaten dengan
nilai rata-rata 1048652,033.
 Penyelesaian Kasus
No Cluster 0 Cluster 1 Cluster 2 Cluster 3 Cluster 4
Keterangan Tingkat
Data 1 Kabupaten Purbalingga Kabupaten Cilacap Kota Semarang Kota Magelang Kabupaten Kebumen
Penangguran :
Mining 2 Kabupaten Banjarnegara Kabupaten Banyumas Kota Surakarta Kabupaten Magelang
3 Kabupaten Purworejo Kabupaten Brebes Kota Salatiga Kabupaten Klaten Paling tinggi
4 Kabupaten Wonosobo Kota Pekalongan Kabupaten Grobogan
Tinggi
5 Kabupaten Boyolali Kota Tegal Kabupaten Pati
6 Kabupaten Sukoharjo Kabupaten Jepara Sedang
7 Kabupaten Wonogiri Kabupaten Demak
8 Kabupaten Karanganyar Kabupaten Semarang Rendah
9 Kabupaten Sragen Kabupaten Kendal
Paling rendah
10 Kabupaten Blora Kabupaten Pemalang
11 Kabupaten Rembang Kabupaten Tegal
12 Kabupaten Kudus
13 Kabupaten Temanggung
14 Kabupaten Batang
15 Kabupaten Pekalongan

Jumlah 15 3 1 5 11
TOTAL 35
 Penutup
Kesimpulan
• Hasil pengolahan pengangguran menurut indikator
Saran
pengangguran, yaitu jumlah penduduk dan upah Minimum
Kabupaten/Kota dengan menggunakan algoritma K-Means Aspek Manajerial
Clustering dapat menghasilkan informasi, kelompok daerah Dapat dijadikan sarana informasi mengenai akurasi yang
mana saja yang memerlukan perhatian khusus dari pemerintah dihasilkan, sehingga dapat membantu pemerintah dalam
dalam menciptakan dan meratakan lapangan kerja,
mengevaluasi Upah Minimum Kabupaten/Kota dan penanganan pengangguran di Jawa Tengah.
memperlambat laju pertumbuhan penduduk di Kabupaten/Kota
dengan tingkat pengangguran yang tinggi. Aspek Penelitian Selanjutnya
• Hasil clustering pada Rapidminer diperoleh Cluster 0
(pertama) terdapat 15 Kabupaten/Kota dengan rata-rata Mengenai penelitian tentang “Pengelompokan
pengangguran rendah, cluster 1 (kedua) terdapat 3 Kabupaten/Kota Berdasarkan Indikator Tingkat Pengangguran
Kabupaten/Kota dengan rata-rata pengangguran paling rendah, Menggunakan Algoritma K-Means clustering (Studi Kasus:
cluster 2 (ketiga) terdapat 1 Kabupaten/Kota dengan rata-rata Provinsi Jawa Tengah), sebaiknya pengujian selanjutnya
pengangguran paling tinggi, cluster 3 (keempat) terdiri dari 5
Kabupaten/Kota Kota dengan rata-rata pengangguran tinggi
dapat dilakukan dengan metode algoritma lain sebagai
dan Cluster 4 (kelima) terdiri dari 11 Kabupaten/Kota dengan pembanding untuk melihat metode mana yang tingkat
rata-rata pengangguran sedang. keakuratannya lebih tinggi untuk mendapatkan hasil yang
• Berdasarkan evaluasi Davies Bouldin Index (DBI) pembentukan optimal sesuai kebutuhan.
5 cluster telah dinilai baik, karena dengan uji validasi
pembentukan jumlah k (cluster) 2-5 k (cluster), cluster 5
memiliki nilai yang paling dekat dengan0, yaitu 0.601.
11
Terima Kasih