BUMIGORABUMIGORA

MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa KomputerMATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer

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 K-means 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 K-means 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.

Implementasi algoritma Dynamic cluster pada K-means untuk pengelompokan data industri rumahan pada Dinas P3ACSKB di Provinsi Kepulauan Bangka Belitung memberikan kesimpulan bahwa algoritma mampu membantu kinerja administrasi Dinas P3ACSKB secara otomatis berdasarkan PERMEN PPPA No.Hasil akhir pengelompokan industri rumahan menggunakan algoritma Dynamic cluster pada K-means memberikan nilai yang optimal pada iterasi ke lima dengan perolehan 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 K-means memperoleh nilai DBI lebih kecil dibandingkan dengan algoritma K-means dengan nilai DBI sebesar 0.

Berdasarkan penelitian ini, terdapat beberapa saran penelitian lanjutan yang dapat dikembangkan. Pertama, penelitian selanjutnya dapat mengeksplorasi penggunaan variabel-variabel lain yang relevan, seperti tingkat pendidikan pemilik industri rumahan atau akses terhadap permodalan, untuk meningkatkan akurasi pengelompokan. Kedua, pengembangan aplikasi dapat diperluas dengan fitur visualisasi data yang lebih interaktif, sehingga memudahkan pemangku kepentingan dalam memahami hasil pengelompokan dan mengambil keputusan yang lebih tepat. Ketiga, penelitian dapat difokuskan pada pengembangan model prediktif untuk mengidentifikasi potensi pertumbuhan industri rumahan berdasarkan karakteristik yang telah dikelompokkan, sehingga pemerintah dapat memberikan dukungan yang lebih terarah.

Read online
File size719.52 KB
Pages14
DMCAReport

Related /

ads-block-test