Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Indonesian Journal of Multidisciplinary Scientific Studies
Eliza Tata Amalia
Universitas Muhammadiyah Sumatera Utara
Economics, Econometrics & Finance Education Mathematics Social Sciences Other

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Kelayakan UMR 98 Kota di Indonesia Berdasarkan Harga Pangan Pokok Menggunakan K-Nearest Neighbor Eliza Tata Amalia; Farid Akbar Siregar
Indonesian Journal of Multidisciplinary Scientific Studies Vol 4 No 6 (2026): Edisi Oktober - November 2026
Publisher : Lembaga Penelitian Dan Pengabdian Masyarakat (LPPM) STAI Raudhatul Akmal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33151/ijomss.v4i6.1158

Abstract

Upah Minimum Regional (UMR) merupakan instrumen kebijakan pengupahan yang idealnya mencerminkan kemampuan daya beli pekerja terhadap kebutuhan pangan pokok, namun disparitas harga pangan antarwilayah di Indonesia menyebabkan nominal UMR yang sama dapat memiliki tingkat kelayakan yang berbeda. Penelitian ini bertujuan membangun model klasifikasi untuk menilai tingkat kelayakan UMR pada 98 kota di Indonesia berdasarkan harga tujuh komoditas pangan pokok (beras, minyak goreng, telur, daging ayam, gula pasir, cabai, dan UMR) menggunakan algoritma K-Nearest Neighbor (KNN). Data dikumpulkan dari Pusat Informasi Harga Pangan Strategis (PIHPS) Nasional/Badan Pangan Nasional, Badan Pusat Statistik, dan Kementerian Ketenagakerjaan Republik Indonesia periode 2025-2026, kemudian diproses melalui tahapan Knowledge Discovery in Database meliputi seleksi, pembersihan, transformasi Min-Max Normalization, penerapan algoritma KNN, dan evaluasi menggunakan Confusion Matrix dengan pembagian data latih dan data uji sebesar 80:20. Pengujian terhadap beberapa nilai K menunjukkan bahwa K=3 memberikan kinerja terbaik dengan akurasi 80,00%, presisi 100,00%, recall 42,86%, dan F1-Score 60,00%. Nilai presisi sempurna mengindikasikan model tidak pernah salah mengklasifikasikan kota berkategori Tidak Layak sebagai Layak, sementara nilai recall yang relatif rendah disebabkan oleh ketidakseimbangan kelas pada data latih yang didominasi kategori Tidak Layak. Model klasifikasi ini diimplementasikan dalam aplikasi berbasis Python Tkinter yang dapat digunakan sebagai alat bantu evaluasi kelayakan UMR oleh pemangku kebijakan daerah.
Co-Authors Farid Akbar Siregar