KLASTERISASI TINGKAT KELAYAKAN PROVINSI DALAM PEMBANGUNAN KAWASAN INDUSTRI MENGGUNAKAN ALGORITMA K-MEANS

Penulis

  • Ibrahim Ibrahim Universitas Budi Luhur
  • Wendi Usino Universitas Budi Luhur

Kata Kunci:

Data Mining, Clustering, K-Means, Kawasan Industri

Abstrak

Pembangunan atau pengembangan kawasan industri merupakan hal positif bagi pihak industri atau pihak
pemerintah, namun masih seringkali keberadaan kawasan industri berdampak negatif bagi masyarakat sekitar dan juga penentuan lokasi yang kontradiksi terhadap kawasan pariwisata, oleh karena itu perlu mempertimbangkan kepadatan penduduk dan sektor pariwisata. Selain itu dalam upaya memaksimalkan segala operasional industi maka aspek infrastruktur transportasi dan aspek tenaga kerja menjadi hal penting untuk dipertimbangkan. Penelitian ini bertujuan untuk mendapatkan informasi terkait tingkat kelayakan provinsi dalam pembangunan Kawasan Peruntukan Industri (KPI) sehingga hasil penelitian ini dapat dimanfaatkan sebagai pertimbangan dalam proses evaluasi Rencana Tata Ruang Wilayah (RTRW) suatu Provinsi khususnya pada sektor KPI. Berdasarkan permasalahan yang ada, dapat diketahui kelompok-kelompok provinsi dengan masing-masing tingkat kelayakannya dengan memanfaatkan Bahasa Pemrograman Python dalam menerapkan pendekatan data mining yaitu metode clustering, berdasarkan dataset yang digunakan dan hasil dari metode evaluasi seperti metode Elbow, Silhouette Score dan Davies Bouldin Index (DBI) yang dilakukan terhadap beberapa algoritma clustering seperti algoritma K-Means, Alggomerative, BIRCH dan Spectral, maka terpilih algoritma K-means sebagai algoritma terbaik dengan cluster berjumlah 6. Berdasarkan identifikasi masalah maka proses perhitungan metode clustering dilakukan berdasarkan 7 atribut dengan data pada tahun 2022 yaitu atribut Kepadatan Penduduk, Jumlah Bandara, Jumlah Pelabuhan, Panjang Jalan Negara/ Nasional, Jumlah Angkatan Kerja, Tingkat Pendidikan SMA Sederajat, dan Jumlah Wisatawan Mancanegara. Dengan terbentuknya 6 cluster maka terdapat 6 kelompok provinsi dengan tingkat kelayakan yang berbeda, yang pertama terdapat Kelayakan Cluster Tingkat 1: 3 Provinsi, Tingkat 2: 11 Provinsi, Tingkat 3: 15 Provinsi, Tingkat 4: 1 Provinsi, Tingkat 5: 1 Provinsi, Tingkat 6: 1 Provinsi.

Referensi

Y. I. Astuty, M. Noer, D. Stevany, B. Arham, B. M. R, and A. Wibowo, “Evaluasi Kesesuaian Kawasan Peruntukan Industri Menggunakan Model Spasial ( Studi Kasus : Kabupaten Bekasi ),” J. Pendidik. Geogr. Undiksha, vol. 11, no. 2, pp. 123–132, 2023.

D. Gultom, I. Gunawan, I. Purnamasari, S. R. Andani, and Z. A. Siregar, “Penerapan Algoritma K-Means Dalam Pengelompokan Kepadatan Penduduk Menurut Kecamatan di Kabupaten Simalungun,” vol. 2, no. 10, pp. 622–628, 2022.

I. M. Hasibuan, S. Mutthaqin, R. Erianto, and I. Harahap, “Kontribusi Sektor Pariwisata Terhadap Perekonomian Nasional,” J. Masharif al-Syariah J. Ekon. dan Perbank. Syariah, vol. 8, no. 30, pp. 1177–1217, 2023.

N. P. D. Arwini and I. M. Juniastra, “Peran Transportasi Dalam Dunia Industri,” VASTUWIDYA, vol. 6, no. 1, pp. 70–77, 2023.

D. Pratama and Khoirunurrofik, “Peran Infrastruktur Transportasi Terhadap Produktivitas Tenaga Kerja Industri Manufaktur Di Indonesia,” J. Ekon. dan Pembang., vol. 31, no. 1, pp. 101–116, 2023.

N. A. P. Harahap, F. Al Qadri, D. I. Y. Harahap, M. Situmorang, and S. Wulandari, “Analisis Perkembangan Industri Manufaktur Indonesia,” J. Kaji. Ekon. dan Bisnis Islam, vol. 4, no. 6, pp. 1444–1450, 2023.

A. A. Pasaribu, A. A. Tanjung, Sukardi, and Paidi, “Analisis Tenaga Kerja Di Sektor Industri Di Indonesia Menggunakan Pendekatan Gmmm,” J. Masharif al-Syariah J. Ekon. dan Perbank. Syariah, vol. 8, no. 1, pp. 378–390, 2023.

L. Hakim, E. Rochima, and S. Wyantuti, “Implementasi Kebijakan Dan Realisasi Rencana Tata Ruang Kec. Garut Kota Di Kab. Garut: Studi Analisis Kebijakan,” J. Ekon. Kebijak. Publik, vol. 12, no. 2, pp. 163–175, 2021.

I. A. Darmawan, M. F. Randy, I. Yunianto, M. M. Mutoffar, and M. T. P. Salis, “Penerapan Data Mining Menggunakan Algoritma Apriori Untuk Menentukan Pola Golongan Penyandang Masalah Kesejahteraan Sosial,” Sebatik, vol. 26, no. 1, pp. 223–230, 2022.

Y. Yudiana, A. Y. Agustina, and N. Khofifah, “Prediksi Customer Churn Menggunakan Metode CRISP-DM Pada Industri Telekomunikasi Sebagai Implementasi Mempertahankan Pelanggan,” Indones. J. Islam. Econ. Bus., vol. 8, no. 1, pp. 1–20, 2023.

T. Amalina, D. B. A. Pramana, and B. N. Sari, “Metode K-Means Clustering Dalam Pengelompokan Penjualan Produk Frozen Food,” J. Ilm. Wahana Pendidik., vol. 8, no. 15, pp. 574–583, 2022.

Unduhan

Diterbitkan

30-09-2024

Cara Mengutip

Ibrahim, I., & Usino, W. (2024). KLASTERISASI TINGKAT KELAYAKAN PROVINSI DALAM PEMBANGUNAN KAWASAN INDUSTRI MENGGUNAKAN ALGORITMA K-MEANS. Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 3(2), 324–333. Diambil dari https://senafti.budiluhur.ac.id/index.php/senafti/article/view/1274

Terbitan

Vol 3 No 2 (2024): Prosiding SENAFTI Ke-5 September 2024

Bagian

Artificial Intelligence

Lisensi

Hak Cipta (c) 2024 Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI)

Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.

Artikel paling banyak dibaca berdasarkan penulis yang sama