Perbandingan Algoritma K-Means dan Algoritma K-Medoid Untuk Pengelompokan UMKM di Kebumen

Retno Wahyusari, Setia Wardani

Abstract


Sektor Usaha Mikro Kecil dan Menengah (UMKM) memiliki peran penting sebab merupakan salah satu pendorong pertumbuhan ekonomi di Indonesia. Saat ini Kebumen memiliki total 36.851 jumlah UMKM, dari 26 kecamatan.  Melihat banyaknya jumlah UMKM dan jumlah kecamatan, perlu adanya suatu pengelompokan kecamatan yang masih memiliki jumlah UMKM rendah. Dengan pengelompokan dapat membatu pihak terkait untuk fokus pada kecamatan dalam memberikan pendampingan dalam peningkatan jumlah UMKM. Penelitian yang membahas pengelompokan telah banyak dilakukan. Teknik  partition merupakan salah satu teknik dalam pengelompokan. Algoritma K-Means dan algoritma K-Medoid merupakan teknik partition dalam pengelompokan. Algortima K-Means merupakan salah satu algoritma pengelompokan yang paling kuat dan populer dalam penelitian. Algortima K-Medoid merupakan algoritma yang sederhana dan efektif dalam menlakukan pengelompokan. Davies-Bouldin Index (DBI) merupakanmetode yang digunakan untuk mengukur validitas cluster pada metode pengelompokan. Hasil penenlitian terbetuk 3 cluster, baik menggunakan algoritma K-Means dan algoritma K-Medoid. Algoritma K-Means cluster 1 sebanyak 21 kecamatan, cluster 2 sebanyak 3 kecamatan, dan cluster 3 sebanyak 2 kecamatan. Algoritma K-Medoid pada cluster 1 sebanyak 19 kecamatan, cluster 2 sebanyak 5 kecamatan dan cluster 3 sebanyak 2 kecamatan. Berdadarkan nilai DBI algoritma K-Means bernilai 0,324 dan algoritma K-Medoid sebesar 0,536. Maka dapat disimpulkan bahwa algoritma K-Means pada kasus pengelompokan UMKM Kebumen lebih bagus kinerjanya, sebab nilai DBI mendekati nilai 0. Dari hasil pengelompokan dapat membantu dalam memberikan gambaran bagi pihak terkait dalam mendorong atau memberikan pendampinhan terhadap kecamatan yang masuk dalam cluster rendah jumlah UMKM nya.


Keywords


cluster, DBI, K-Means, K-Medoid

Full Text:

PDF

References


A. S. Sunge and H. Hermawanto, “Pengelompokan Industri Mikro Di Indonesia Dengan Metode K-Means Clustering,” SIGMA - J. Teknol. Pelita Bangsa, vol. 10, no. 1, pp. 167–172, 2019.

T. Zulyanti and Noeryanti, “Perbandingan Pengelompokan Usaha Mikro Kecil Dan Menengah Di Kabupaten Klaten Tahun 2019 Dengan Metode K-Means Dan Clustering Large Application,” J. Stat. Ind. dan Komputasi, vol. 7, no. 1, pp. 46–59, 2022.

W. Sudrajat, I. Cholid, and J. Petrus, “Penerapan Algoritma K-Means Untuk Pengelompokan UMKM Menggunakan Rapidminer,” JUPITER, vol. 14, no. 1, pp. 27–36, 2022.

S. Nirmal, “Comparative study between k-means and k-medoids clustering algorithms,” Int. Res. J. Eng. Technol., vol. 839, pp. 839–844, 2019.

P. Puntoriza and C. Fibriani, “Analisis Persebaran UMKM Kota Malang Menggunakan Cluster K-means,” JOINS (Journal Inf. Syst., vol. 5, no. 1, pp. 86–94, 2020, doi: 10.33633/joins.v5i1.3469.

E. Rouza, Basorudin, and Efrida, “Identifikasi dan Klasifikasi UMKM di Kabupaten Rokan Hulu Menggunakan Metode K-Means,” J. Ilm. Univ. Pengaraian, vol. 7, no. 01, pp. 32–40, 2021.

M. Ahmed, R. Seraj, and S. M. S. Islam, “The k-means algorithm: A comprehensive survey and performance evaluation,” Electron., vol. 9, no. 8, pp. 1–12, 2020, doi: 10.3390/electronics9081295.

K. P. Sinaga and M. S. Yang, “Unsupervised K-means clustering algorithm,” IEEE Access, vol. 8, pp. 80716–80727, 2020, doi: 10.1109/ACCESS.2020.2988796.

N. Sureja, B. Chawda, and A. Vasant, “An improved K-medoids clustering approach based on the crow search algorithm,” J. Comput. Math. Data Sci., vol. 3, no. March, p. 100034, 2022, doi: 10.1016/j.jcmds.2022.100034.

Q. Zhang and I. Couloigner, “A new and efficient K-medoid algorithm for spatial clustering,” Lect. Notes Comput. Sci., vol. 3482, no. III, pp. 181–189, 2005, doi: 10.1007/11424857_20.

S. Saifulloh and N. I. F. Nisa, “Penerapan Metode K-Means dan Fuzzy Sugeno dalam Pemetaan Tingkat Produksi Masker Kain di Masa Pandemi,” Expert J. Manaj. Sist. Inf. dan Teknol., vol. 11, no. 1, p. 01, 2021, doi: 10.36448/expert.v11i1.1972.

D. T. Larose, Discovering Knowledge In Data : an introductio n to data mining. In Automotive Industries AI . Canada: A John Wiley & Sons.Inc, 2005.


Refbacks

  • There are currently no refbacks.


Editorial Office :

Prosiding SENDIKO (Seminar Nasional Hasil Penelitian & Pengabdian Masyarakat Bidang Ilmu Komputer)
Published by Universitas PGRI Madiun
Managed by Program Studi Sistem Informasi Fakultas Teknik Universitas PGRI Madiun
Address Jl. Auri 14-16 Kota Madiun Kampus III Universitas PGRI Madiun 63118
Website http://prosiding.unipma.ac.id/index.php/sendiko/index
Email sendiko@unipma.ac.id

e-ISSN:  3025-4604