Implementasi Metode K-Means Clustering dalam Analisis Persebaran UMKM di Jawa Barat

Authors

  • Nur syifa Universitas Singaperbangsa Karawang
  • Resti Noor Fahmi Universitas Singaperbangsa Karawang

DOI:

https://doi.org/10.33633/joins.v6i2.5310

Abstract

Usaha Mikro Kecil dan Menengah atau UMKM ialah usaha produktif yang sudah teruji membuka lapangan kerja dan menjadi penggerak roda perekonomian di Indonesia. Perlu adanya pengembangan potensi dalam melaksanakan UMKM dengan menganalisis strategi persebaran UMKM dan peningkatan jumlah UMKM. Penelitian ini akan menjelaskan cara mengimplementasikan metode k-means clustering untuk menganalisis persebaran UMKM sehingga diharapkan dapat menjadi perhatian bagi pemerintah atau institusi terkait dalam meningkatkan perekonomian UMKM di Jawa Barat. Clustering UMKM akan dibagi menjadi 3 bagian berdasarkan tingkat persebaran UMKM yaitu cluster 0 atau rendah memperoleh hasil 9 Kabupaten/Kota, cluster 1 atau sedang memperoleh hasil 15 Kabupaten/Kota, dan cluster 2 atau tinggi memperoleh hasil 3 Kabupaten/Kota. Hasil evaluasi clustering akan dibandingkan dengan 2 metode evaluasi yaitu silhouette coefficient yang menghasilkan nilai sebesar 0,73, sedangkan metode davies bouldin index (DBI) menghasilkan nilai sebesar 0,29. Dari hasil perbandingan kedua evaluasi cluster tersebut menunjukan hasil cluster dengan menerapkan algoritma k-means yang terbentuk baik. 

References

Puntoriza, P., dan Fibriani, C., 2020, Analisis Persebaran UMKM Kota Malang Menggunakan Cluster K-means, JOINS (Journal of Information System), 5(1), 86–94. https://doi.org/10.33633/joins.v5i1.3469.

Idayu, R., Husni, M., dan Suhandi, S., 2021, Strategi Pengembangan Usaha Mikro Kecil dan Menengah (UMKM) untuk Meningkatkan Perekonomian Masyarakat Desa Di Desa Nembol Kecamatan Mandalawangi Kabupaten Pandeglang Banten, Jurnal Manajemen STIE Muhammadiyah Palopo, 7(1), 73. https://doi.org/10.35906/jm001.v7i1.729.

Siska, S. T., 2016, Analisa dan Penerapan Data Mining untuk Menentukan Kubikasi Air Terjual Berdasarkan Pengelompokan Pelanggan Menggunakan Algoritma K-Means Clustering, Jurnal Teknologi Informasi & Pendidikan, 9(1), 86–93.

Astuti, D., Iskandar, A. R., dan Febrianti, A., 2019, Penentuan Strategi Promosi Usaha Mikro Kecil Dan Menengah (UMKM) Menggunakan Metode CRISP-DM dengan Algoritma K-Means Clustering, Journal of Informatics, Information System, Software Engineering and Applications (INISTA), 1(2), 60–72, https://doi.org/10.20895/inista.v1i2.71.

Aristika, W., dan Hartono, W. J., 2020, Penerapan Clustering K-Means untuk Menentukan Pengaruh Media Sosial Facebook Terhadap Usaha Mikro, Kecil dan Menengah (UMKM) Di Kecamatan Pekanbaru Kota, Jurnal Ilmu Komputer dan Bisnis, 11, 2389–2395.

Fitrini, dan Elisa, E., 2021, Pemanfaatan Data Mining Clustering dalam Penentuan Media Promosi UMKM Di Kota Batam, Computer and Science Industrial Engineering (COMASIE), 4(1), 59–65.

Setiawan, R., 2016, Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Promosi Mahasiswa Baru ( Studi Kasus : Politeknik LP3I Jakarta ), Jurnal Lentera Ict, 3(1), 76–92.

Maulana, A., dan Fajrin, A. A., 2018, Penerapan Data Mining Untuk Analisis Pola Pembelian Konsumen Dengan Algoritma Fp-Growth Pada Data Transaksi Penjualan Spare Part Motor, Klik - Kumpulan Jurnal Ilmu Komputer, 5(1), 27, https://doi.org/10.20527/klik.v5i1.100.

Fitriyyah, S. N. J., Safriadi, N., dan Pratama, E. E., 2019, Analisis Sentimen Calon Presiden Indonesia 2019 dari Media Sosial Twitter Menggunakan Metode Naive bayes. Jurnal Edukasi dan Penelitian Informatika (JEPIN), 5(3), 279, https://doi.org/10.26418/jp.v5i3.34368.

Putra, R. R., dan Wadisman, C., 2018, Implementasi Data Mining Pemilihan Pelanggan Potensial Menggunakan Algoritma K-Means, Intecoms: Journal of Information Technology and Computer Science, 1(June), 72–77, https://doi.org/https://doi.org/10.31539/intecoms.v1i1.141.

Gustientiedina, Adiya, M. H., dan Desnelita, Y., 2019, Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan Pada RSUD Pekanbaru, Jurnal Nasional Teknologi Dan Sistem Informasi, 5(1), 17–24, https://doi.org/10.25077/teknosi.v5i1.2019.17-24.

Fahmi, R. N., Jajuli, M., dan Sulistiyowati, N., 2021, Analisis Pemetaan Tingkat Kriminalitas Di Kabupaten Karawang Menggunakan Algoritma K-Means, Journal Of Information Technology And Computer Science (INTECOMS), 4, 67–79.

Ramadhani, R. D., dan Ak, D. J., 2017, Evaluasi K-Means dan K-Medoids pada Dataset Kecil, Seminar Nasional Informatika dan Aplikasinya, September, 20–24, file:///C:/Users/User/Downloads/Evaluasi K-Means dan K-Medoids pada Dataset Kecil.pdf.

Gie, W., dan Jollyta, D., 2020, Perbandingan Euclidean dan Manhattan untuk Optimasi Cluster Menggunakan Davies Bouldin Index : Status Covid-19 Wilayah Riau, Prosiding Seminar Nasional Riset dan Information Science (SENARIS) 2020, 2(April), 187–191.

Jollyta, D., Efendi, S., Zarlis, M., dan Mawengkang, H., 2019, Optimasi Cluster Pada Data Stunting: Teknik Evaluasi Cluster Sum of Square Error dan Davies Bouldin Index, Prosiding Seminar Nasional Riset Information Science (SENARIS), 1(September), 918, https://doi.org/10.30645/senaris.v1i0.100.

Febrinanto, F. G., Dewi, C., dan Wiratno, A. T., 2018, Implementasi Algoritme K-Means Sebagai Metode Segmentasi Citra Dalam Identifikasi Penyakit Daun Jeruk, Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(11), 5375–5383.

Hartanti, N. T., 2020, Metode Elbow dan K-Means Guna Mengukur Kesiapan Siswa SMK Dalam Ujian Nasional, Jurnal Nasional Teknologi Dan Sistem Informasi, 6(2), 82–89, https://doi.org/10.25077/teknosi.v6i2.2020.82-89.

Downloads

Published

2021-12-15

How to Cite

[1]
N. syifa and R. N. Fahmi, “Implementasi Metode K-Means Clustering dalam Analisis Persebaran UMKM di Jawa Barat”, Journal of Information System, vol. 6, no. 2, pp. 211–220, Dec. 2021.