Komparasi Algoritma K-Means Dan K-Medoids Untuk Klasterisasi Data Mining Perjalanan Wisatawan Nusantara Terhadap Jumlah Penduduk
:
https://doi.org/10.32409/jikstik.23.4.3681
Abstract
Indonesia memiliki jumlah penduduk yang sangat besar mencapai lebih dari 278 juta jiwa. Populasi penduduk merupakan modal utama dalam pembangunan kepaiwisataan dan menjadi potensi besar dalam perjalanan wisatawan nusantara. Penelitian ini akan melakukan komparasi algoritma K-Means dan K-Medoid dalam pengelompokkan jumlah perjalanan wisatawan nusantara menurut provinsi asal serta korelasinya dengan jumlah penduduk Indonesia. Clustering akan dibagi kedalam 3 (tiga) cluster yaitu tinggi, sedang, rendah. Tool yang digunakan dalam penelitian ini adalah PostgreSQL, Rapidminer, Tableau. Komparasi algoritma dilihat dari performansi vector dan cluster model. Dari hasil komparasi tersebut menunjukkan pengelompokkan 3 provinisi yang memiliki jumlah perjalanan paling tinggi adalah Jawa Tengah, Jawa Barat dan Jawa Timur. Nilai DBI menunjukkan K-Means lebih kecil dari K-Medoid yang berarti bahwa algoritma K-Means lebih baik dari pada algoritma K-Medoids. Hasil clustering divisualisasikan kedalam tableau untuk melihat korelasinya dengan jumlah penduduk. Dashboard tableau menunjukkan adanya korelasi positif antara jumlah penduduk suatu provinsi dengan jumlah perjalanan wisnus.
Downloads
References
RI, “UNDANG-UNDANG REPUBLIK INDONESIA NOMOR 10.TAHUN 2009.TENTANG KEPARIWISATAAN,” vol. 4, no. 2, pp. 1–15, 2009.
N. Yuniati, “Profil dan Karakteristik Wisatawan Nusantara (studi kasus di Yogyakarta),” J. Pariwisata Pesona, vol. 3, no. 2, pp. 175–190, 2018, doi: 10.26905/jpp.v3i2.2381.
K. P. dan E. B. P. dan E. K. Kreatif, Rencana Strategis Kemenparekraf/Baparekraf 2020-2024. 2022.
BPS, “Statistik Wisatawan Nusantara,” Badan Pus. Statsitik, vol. 6, pp. 50–51, 2024.
S. Y. Riska and L. Farokhah, “Perbandingan Hasil Evaluasi Algoritma K-Means dan K-Medoid Berdasarkan Kunjungan Wisatawan Mancanegara ke Indonesia,” INTEGER J. Inf. Technol., vol. 8, pp. 1–8, 2023.
R. A. Nugraha, Y. Cahyana, and A. R. Juwita, “Penerapan Algoritma K-Means Dan K-Medoid Untuk Mengelompokan Tingkat Kunjungan Wisatawan Mancanegara Berdasarkan Rute Masuk Ke Indonesia,” Sci. Student J. Information, Technol. Sci., vol. V, 2024.
A. U. Fitriyadi and A. Kurniawati, “Analisis Algoritma K-Means dan K-Medoids Untuk Clustering Data Kinerja Karyawan Pada Perusahaan Perumahan Nasional,” vol. 10, no. 1, pp. 157–168, 2021.
T. M. Ghazal et al., “Performances of k-means clustering algorithm with different distance metrics,” Intell. Autom. Soft Comput., vol. 30, no. 2, pp. 735–742, 2021, doi: 10.32604/iasc.2021.019067.
D. Gustian, M. Muslih, D. A. Dewi, V. Siti, R. Rustiana, and Purnamawati, “K-Means In Clustering The Satisfaction Level Of Cikundul Hot Water,” vol. 101, no. 17, pp. 6980–6990, 2023.
B. S. Purnomo and P. T. Prasetyaningrum, “Penerapan Data Mining Dalam Mengelompokkan Kunjungan Wisatawan Di Kota Yogyakarta Menggunakan Metode K-Means,” J. Comput. Sci. Technol., vol. 1, no. 1, pp. 27–32, 2021.
N. C. Gosari and R. Rismayani, “Penerapan Data Mining Dalam Mengelompokkan Kunjungan Wisatawan Mancanegara Di Prov. Sulawesi Selatan Dengan K-Means Dan SVM,” J. Inform. J. Pengemb. IT, vol. 8, no. 3, pp. 174–180, 2023, doi: 10.30591/jpit.v8i3.4554.
Downloads
Published
How to Cite
Issue
Section
Categories
Abstract View: 0 times
