Analisis Pengelompokan UMKM Berdasarkan Kategori Menggunakan Algoritma K-Means dan K-Medoids

Cweto Bolodiko Ajarwiro; Maimunah Maimunah; Pristi Sukmasetya

doi:10.24114/cess.v9i1.54632

Authors

Cweto Bolodiko Ajarwiro Universitas Muhammadiyah Magelang
Maimunah Maimunah
Pristi Sukmasetya Universitas Muhammadiyah Magelang

DOI:

https://doi.org/10.24114/cess.v9i1.54632

Keywords:

UMKM, Klastering, K-means, K-Medoids

Abstract

Sektor Usaha Mikro Kecil dan Menengah (UMKM) menjadi salah satu faktor utama yang mendorong pertumbuhan ekonomi Indonesia. Jumlah kategori UMKM yang banyak perlu dilakukan pengelompokan agar dapat membantu pemerintah dalam mendukung pengembangan UMKM. Dalam penelitian ini dilakukan pengelompokan UMKM berdasarkan kategori menggunakan algoritma K-Means dan K-Medoids. Data yang digunakan dalam penelitian ini adalah data UMKM Kota Magelang yang diambil dari PeRSADA sebanyak 3491. Pada tahap pengolahan data dilakukan pengecekan tipe data, penanganan data yang hilang, pelabelan dan penjumlahan kategori UMKM. Setalah data diolah maka dilakukan pengelompokan data menggunakan algoritma K-Means dan K-Medoids. Pengelompokan kategori UMKM menggunakan algoritmat K-Means dan K-Medoids menghasilkan 3 klaster. Pengelompokan menggunaka K-Means menghasilkan klaster tinggi sebanyak 1 kategori, klaster sedang 3 kategori, dan klaster rendah 60 kategori. Pengelompokan menggunakan K-Medoids menghasilkan klaster tinggi 1 kategori, klaster sedang 2 kategori, dan klaster rendah 61 kategori. Berdasarkan nilai DBI, algoritma K-Means mempunyai nilai 0,496 sedangkan algoritma K-Medoids bernilai 0,499. Dengan demikian klastering UMKM Kota Magelang menggunakan K-Means lebih baik daripada algoritma K-Medoids. Melalui pengelompokan UMKM berdasarkan kategori dapat membantu memberikan informasi untuk pengembangan UMKM.

References

G. Wijaya, œKlasifikasi UMKM Menggunakan Algoritma Naive Bayes Berdasarkan Sudah Pernah Mempunyai Atau Mengurus Sertifikat Halal, JDMSI, vol. 4, no. 1, p. 36, Mar. 2023, doi: 10.33365/jdmsi.v4i1.2634.

K. P. Sinaga and M.-S. Yang, œUnsupervised K-Means Clustering Algorithm, IEEE Access, vol. 8, pp. 80716“80727, 2020, doi: 10.1109/ACCESS.2020.2988796.

S. Harikumar and S. Pv, œK-Medoid Clustering for Heterogeneous DataSets, Procedia Computer Science, vol. 70, pp. 226“237, 2015, doi: 10.1016/j.procs.2015.10.077.

W. Sudrajat, I. Cholid, and J. Petrus, œPenerapan Algoritma K-Means Clustering untuk Pengelompokan UMKM Menggunakan Rapidminer, vol. 14, no. 1, 2022.

I. Kamila, U. Khairunnisa, and M. Mustakim, œPerbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau, rmsi, vol. 5, no. 1, p. 119, Feb. 2019, doi: 10.24014/rmsi.v5i1.7381.

R. Wahyusari and S. Wardani, œPerbandingan Algoritma K-Means dan Algoritma K- Medoid Untuk Pengelompokan UMKM di Kebumen.

B. Lund and J. Ma, œA review of cluster analysis techniques and their uses in library and information science research: k-means and k-medoids clustering, PMM, vol. 22, no. 3, pp. 161“173, Nov. 2021, doi: 10.1108/PMM-05-2021-0026.

U. R. Gurning and M. Mustakim, œPenerapan Algoritma K-Means dan K-Medoid untuk Pengelompokkan Data Pasien Covid-19, bits, vol. 3, no. 1, pp. 48“55, Jun. 2021, doi: 10.47065/bits.v3i1.1003.

S. Harini and R. Kusumawati, œEVALUASI CLUSTERING K-MEANS DAN K-MEDOID PADA PERSEBARAN COVID-19 DI INDONESIA DENGAN METODE DAVIES-BOULDIN INDEX (DBI), vol. 6, no. 2, 2023.

S. Y. Riska and L. Farokhah, œPerbandingan Hasil Evaluasi Algoritma K-Means dan K-Medoid Berdasarkan Kunjungan Wisatawan Mancanegara ke Indonesia.

A. P. Y. K. Wardani and N. A. S. Darmawan, œPeran Financial Technology pada UMKM: Peningkatan Literasi Keuangan Berbasis Payment Gateway, JIAH, vol. 10, no. 2, p. 170, Aug. 2020, doi: 10.23887/jiah.v10i2.25947.

R. Ordila, R. Wahyuni, Y. Irawan, and M. Yulia Sari, œPENERAPAN DATA MINING UNTUK PENGELOMPOKAN DATA REKAM MEDIS PASIEN BERDASARKAN JENIS PENYAKIT DENGAN ALGORITMA CLUSTERING (Studi Kasus : Poli Klinik PT.Inecda), jik, vol. 9, no. 2, pp. 148“153, Oct. 2020, doi: 10.33060/JIK/2020/Vol9.Iss2.181.

B. Arifitama and A. Syahputra, œAnalisis Data Mining Pada Klasterisasi UMKM Dengan Menggunakan Algoritma K-Means, vol. 02, 2022.

S. N. Br Sembiring, H. Winata, and S. Kusnasari, œPengelompokan Prestasi Siswa Menggunakan Algoritma K-Means, j. sist. inf. trig. dhar. JURSI TGD, vol. 1, no. 1, p. 31, Jan. 2022, doi: 10.53513/jursi.v1i1.4784.

A. Sulistiyawati and E. Supriyanto, œImplementasi Algoritma K-means Clustring dalam Penetuan Siswa Kelas Unggulan, JTK, vol. 15, no. 2, p. 25, Aug. 2021, doi: 10.33365/jtk.v15i2.1162.

A. Rohmah Zaidah, C. Indira Septiarani, M. Sholikhatun Nisa, A. Yusuf, and N. Wahyudi, œKomparasi Algoritma K-Means, K-Medoid, Agglomeartive Clustering Terhadap Genre Spotify, JIKOM, vol. 7, no. 1, pp. 49“54, Apr. 2021, doi: 10.35329/jiik.v7i1.186.

E. Tasia and M. Afdal, œComparison Of K-Means And K-Medoid Algorithms For Clustering Of Flood-Prone Areas In Rokan Hilir District, 2023.

A. Idrus, N. Tarihoran, U. Supriatna, A. Tohir, S. Suwarni, and R. Rahim, œDistance Analysis Measuring for Clustering using K-Means and Davies Bouldin Index Algorithm, TEM Journal, pp. 1871“1876, Nov. 2022, doi: 10.18421/TEM114-55.

Y. Arie Wijaya, D. Achmad Kurniady, E. Setyanto, W. Sanur Tarihoran, D. Rusmana, and R. Rahim, œDavies Bouldin Index Algorithm for Optimizing Clustering Case Studies Mapping School Facilities, TEM Journal, pp. 1099“1103, Aug. 2021, doi: 10.18421/TEM103-13.

F. Ros, R. Riad, and S. Guillaume, œPDBI: A partitioning Davies-Bouldin index for clustering evaluation, Neurocomputing, vol. 528, pp. 178“199, Apr. 2023, doi: 10.1016/j.neucom.2023.01.043.