Klasifikasi Kelayakan UMR 98 Kota di Indonesia Berdasarkan Harga Pangan Pokok Menggunakan K-Nearest Neighbor

Eliza Tata Amalia; Farid Akbar Siregar

doi:10.33151/ijomss.v4i6.1158

Eliza Tata Amalia Universitas Muhammadiyah Sumatera Utara
Farid Akbar Siregar Universitas Muhammadiyah Sumatera Utara

DOI: https://doi.org/10.33151/ijomss.v4i6.1158

Keywords: -Nearest Neighbor, Upah Minimum Regional, Harga Pangan Pokok, Klasifikasi, Data Mining

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.

Author Biographies

Eliza Tata Amalia, Universitas Muhammadiyah Sumatera Utara

Program Studi Sistem Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi

Farid Akbar Siregar, Universitas Muhammadiyah Sumatera Utara

Program Studi Sistem Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi

References

Affandi, R. (2024). Analisis Sentimen Komentar Akun Instagram Public Figure Politik Terkait Pembatalan Piala Dunia U-20 dengan Algoritma K-Nearest Neighbors (KNN) [Skripsi, Universitas Medan Area]. http://repositori.uma.ac.id/handle/123456789/24401

Al Hakim, A. H., & Al-Khowarizmi. (2026). Klasifikasi Tingkat Risiko Kardiovaskular Berbasis Pola Aktivitas Harian Menggunakan Random Forest. Indonesian Journal of Multidisciplinary Scientific Studies (IJOMSS), 4(6), 449–454. https://doi.org/10.33151/ijomss.v4i6.1132

Annisa, K., Ginting, B. S., & Syari, M. A. (2022). Penerapan Data Mining Pengelompokan Data Pengguna Air Bersih Berdasarkan Keluhannya Menggunakan Metode Clustering Pada PDAM Langkat. Algoritma: Jurnal Ilmu Komputer dan Informatika, 6(1), 1–8. https://doi.org/10.30829/algoritma.v6i1.11624

Aryani, Y., Aqil, I., & Paramita, B. (2024). Penerapan Unified Modeling Language (UML) pada Digitalisasi Sistem Informasi Perpustakaan. DIGITECH: Jurnal Teknologi Informasi, 4(2), 1032–1040.

Fahira, D., Simanjuntak, L. F., Zahira, T. A., & Pangaribuan, H. S. (2025). Evaluasi Upah Minimum Regional (UMR) dengan Statistik. ARU Journal (Accounting Research Unit), 6(2), 126–135. https://doi.org/10.30598/arujournalvol6iss2pp126-135

Febrianti, V. A., Purnomo, S. D., & Fatmawati, A. (2026). Pengaruh Pertumbuhan Ekonomi, Inflasi, Angkatan Kerja dan Kemiskinan terhadap Upah Minimum Regional di Provinsi Jawa Barat. Jurnal Ilmiah Universitas Batanghari Jambi, 26(2), 707–714. https://doi.org/10.33087/jiubj.v26i2.6569

Kertiasih, L. (2017). Pengaruh Tingkat Inflasi dan Tingkat Pertumbuhan Ekonomi terhadap Upah Minimum Regional (UMR) di Provinsi Bali pada Tahun 2008-2015. Jurnal Pendidikan Ekonomi Undiksha, 9(1), 148–157.

Muhaimin, A., Hariyadi, M. A., & Imamudin, M. I. (2024). Klasifikasi Prestasi Akademik Siswa Berdasarkan Nilai Rapor dan Kedisiplinan dengan Metode K-Nearest Neighbor. JIKOMSI: Jurnal Ilmu Komputer dan Sistem Informasi, 7(1), 193–202. https://doi.org/10.55338/jikomsi.v7i1.2865

Nurdin, N. (2024). Analisa Data Mining dalam Memprediksi Masyarakat Kurang Mampu Menggunakan Metode K-Nearest Neighbor. JITET: Jurnal Informatika dan Teknik Elektro Terapan, 12(2), 1090–1098. https://doi.org/10.23960/jitet.v12i2.4131

Pahrudin, P., & Harianto, K. (2022). Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Warga Penerima Bantuan Sosial. BITS: Building of Informatics, Technology and Science, 4(3), 1241–1245. https://doi.org/10.47065/bits.v4i3.2276

Perangin-angin, R., Harianja, E. J. G., & Jaya, I. K. (2020). Pendekatan Level Data untuk Menangani Ketidakseimbangan Data Menggunakan Algoritma K-Nearest Neighbor. Jurnal TIMES, 9(1), 22–32. https://doi.org/10.51351/jtm.9.1.2020615

Romzi, M., & Kurniawan, B. (2021). Implementasi Pemrograman Python Menggunakan Visual Studio Code. Jurnal Informatika dan Komputer, 11(2), 1–9.

Saldi, A. A., Manik, I. T., Junita, I., Sitorus, N. E., Sagala, R., & Pinem, Y. N. (2025). Analisis Faktor-Faktor Penentu Upah Minimum Regional Menggunakan Regresi Linear Berganda. Griya Journal of Mathematics Education and Application, 5(4), 1930–1938. https://doi.org/10.29303/griya.v5i4.879

Triayudi, A. (2023). Penerapan Data Mining Untuk Klasifikasi Penerima Dana Bantuan Sosial Dengan Menggunakan Algoritma K-Nearest Neighbor. BITS: Building of Informatics, Technology and Science, 5(2), 532–542. https://doi.org/10.47065/bits.v5i2.3972

Ustadatin, F., Muqtadir, A., & Arifia, A. (2023). Implementasi Metode Weighted Moving Average (WMA) Pada Prediksi Harga Bahan Pokok. Komputika: Jurnal Sistem Komputer, 12(2), 203–210. https://doi.org/10.34010/komputika.v12i2.10304