Aplikasi Dynamic Cluster pada K-Means BerbasisWeb untuk Klasifikasi Data Industri Rumahan
Abstract
Masalah utama yang dihadapi Pemerintah Daerah Provinsi Kepulauan Bangka Belitung saat ini adalah sulitnya mengklasifikasikan data industri rumahan berdasarkan Peraturan Menteri PPPA No 2 Tahun 2016 yaitu pemula, berkembang dan maju. Berdasarkan permasalahan tersebut diusulkan pengembangan algoritma Kmeans yaitu algoritma Dynamic cluster pada K-means dengan tujuan agar dapat menghasilkan klaster yang optimal dalam pengelompokan data industri rumahan dengan membangun aplikasi cerdas berbasis web. Penelitian ini menggunakan metode analisis data mining SEMMA, yang meliputi tahapan-tahapan seperti data sampel, deskripsi data, transformasi data, pemodelan data, dan evaluasi data. 3.466 industri rumah tangga digunakan sebagai sampel data. Kinerja algoritma dievaluasi menggunakan pengukuran validitas klaster Davies Bouldin Index (DBI). Hasil eksperimen menunjukkan bahwa algoritma Dynamic cluster pada K-means memberikan nilai yang optimal pada iterasi ke lima, dengan perolehan sebagai berikut: klaster pemula (C1) diperoleh sebanyak 3214, kemudian klaster berkembang (C2) diperoleh sebanyak 167 dan klaster maju (C3) diperoleh sebanyak 85. Hasil evaluasi validitas klaster menunjukan bahwa algoritma Dynamic cluster pada Kmeans memperoleh nilai DBI lebih kecil dibandingkan dengan algoritma K-means dengan nilai DBI sebesar 0.184. Implementasi algoritma dynamic cluster pada K-means untuk pengelompokan data industri rumahan pada Dinas P3ACSKB di Provinsi Kepulauan Bangka Belitung terbukti menghasilkan kualitas cluster yang lebih optimal.
Downloads
References
Applied Technology (INJURATECH), vol. 1, no. 1, pp. 70–75, jun 2021.
[2] S. N. Sinha and R. L. Yadav, “Analysis of Data Using K-Means Clustering Algorithm with Min Max Function,” International Journal of
Computer Trends and Technology, vol. 58, no. 2, pp. 82–84, 2018.
[3] N. Buslim, R. P. Iswara, and F. Agustian, “The Modeling of ”Mustahiq” Data Using K-Means Clustering Algorithm and Big Data Analysis
(Case Study: Laz),” Jurnal Teknik Informatika, vol. 13, no. 2, pp. 213 – 230, feb 2020.
[4] I. H. Rifa, H. Pratiwi, and R. Respatiwulan, “Clustering of Earthquake Risk in Indonesia Using K-Medoids and K-Means Algorithms,”
Media Statistika, vol. 13, no. 2, pp. 194–205, 2020.
[5] C. Kamila, M. Adiyatma, G. R. Namang, and R. R. F. Syah, “Systematic Literature Review: Penggunaan Algoritma K-Means untuk
Clustering di Indonesia dalam Bidang Pendidikan,” Informatika dan Teknologi (Intech), vol. 2, no. 1, pp. 19–24, 2021.
[6] C. Satria and A. Anggrawan, “Aplikasi K-Means BerbasisWeb untuk Klasifikasi Kelas Unggulan,” MATRIK : Jurnal Manajemen, Teknik
Informatika dan Rekayasa Komputer, vol. 21, no. 1, pp. 111 – 124, nov 2021.
[7] X. Ran, X. Zhou, M. Lei, W. Tepsan, and W. Deng, “A Novel K-Means Clustering Algorithm with A Noise Algorithm for Capturing
Urban Hotspots,” Applied Sciences, vol. 11, no. 23, pp. 1 – 21, 2021.
[8] M. P. P. d. P. A. R. Indonesia, “PERMEN PPPA No 2 Tahun 2016 Tentang Industri Rumahan,” pp. 1–41, 2016.
[9] W.Widiarina and R. S.Wahono, “Algoritma Cluster Dinamik untuk Optimasi Cluster pada Algoritma K-Means dalam Pemetaan Nasabah
Potensial,” Journal of Intelligent Systems, vol. 1, no. 1, pp. 33–36, 2015.
[10] M. Z. Hossain, M. N. Akhtar, R. B. Ahmad, and M. Rahman, “A Dynamic K-Means Clustering for Data Mining,” Indonesian Journal of
Electrical Engineering and Computer Science, vol. 13, no. 2, pp. 521–526, 2019.
[11] F. Marisa, S. S. S. Ahmad, Z. I. M. Yusof, and T. M. A. Aziz, “Segmentation Model of Customer Lifetime Value in Small and Medium
Enterprise ( SMEs ) Using K-Means Clustering and LRFM Model,” The International Journal of Integrated Engineering, vol. 11, no. 3,
pp. 169–180, 2019.
[12] K. Ariasa, I. G. A. Gunadi, and I. M. Candiasa, “Optimasi Algoritma Klaster Dinamis pada K-Means dalam Pengelompokkan Kinerja
Akademik Mahasiswa (Studi Kasus: Universitas Pendidikan Ganesha),” Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI,
vol. 9, no. 2, pp. 181–193, 2020.
[13] R. Siagian, P. Sirait, and A. Halima, “E-Commerce Customer Segmentation Using K-Means Algorithm and Length, Recency, Frequency,
Monetary Model,” JITE ( Journal of Informatics and Telecommunication Engineering ), vol. 5, no. 1, pp. 152–159, 2021.
[14] Y. A.Wijaya, D. A. Kurniady, E. Setyanto,W. S. Tarihoran, D. Rusmana, and R. Rahim, “Davies Bouldin Index Algorithm for Optimizing
Clustering Case Studies Mapping School Facilities,” TEM Journal, vol. 10, no. 3, pp. 1099–1103, 2021.
[15] Dean Jared, Big Data, Data Mining and Machine Learning: Value Creation for Business Leaders and Practitioners. Hoboken: John
Wiley & Sons, 2014.
[16] R. Sharda, D. Delen, and E. Turban, Business Intelligence, Analytics and Data Science : A Managerial Perspective, 4th ed. Pearson
Education, 2018.
[17] C. Sreedhar, N. Kasiviswanath, and P. Chenna Reddy, “Clustering Large Datasets Using K-Means Modified Inter and Intra Clustering
(KM-I2C) in Hadoop,” Journal of Big Data, vol. 4, no. 27, pp. 1 – 19, 2017.
[18] R. M. Alguliyev, R. M. Aliguliyev, and F. J. Abdullayeva, “PSO+K-Means Algorithm for Anomaly Detection in Big Data,” Statistics,
Optimization and Information Computing, vol. 7, no. 2, pp. 348–359, 2019.
Aplikasi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
.png)
