Pengelompokan UMKM Batik Madura Menggunakan Metode  K-Means dan Sillhoutte Coefficient

Yeni Kustiyahningsih; Achmad Khozaimi; Jaka Purnama

doi:10.34148/teknika.v13i2.779

Yeni Kustiyahningsih Jurusan Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo Madura, Jawa Timur
Achmad Khozaimi Jurusan Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo Madura, Jawa Timur
Jaka Purnama Program Studi Teknik Industri, Fakultas Teknik, Universitas 17 Agustus 1945 Surabaya, Jawa Timur

DOI: https://doi.org/10.34148/teknika.v13i2.779

Keywords: K-Means Clustering, Sillhoutte Coefficient, Similarity, UMKM Batik

Abstract

UMKM merupakan salah satu sektor pendukung perekonomian di Indonesia. UMKM Batik Madura memberikan kontribusi yang cukup tinggi terhadap penyerapan tanaga kerja dan peningkatan ekonomi masyarakat daerah. Hal ini terbukti pada penyerapan tenaga kerja UMKM di Kabupaten Bangkalan Madura sebesar 210.003 dan Sampang sebesar 264.569. Permasalahan penelitian ini berkaitan dengan banyaknya UMKM Madura, sehingga menyulitkan Dinas Koperasi dalam menjalankan kebijakan pemerintah dalam memberikan pelatihan, bantuan pengembangan UMKM dan pendampingan. Tujuan penelitian adalah mengelompokan UMKM Batik Madura menjadi beberapa kluster menggunakan metode K-Means dan Sillhoutte Coefficient. Metode K-Means dapat melakukan pengelompokan berdasarkan data yang sama atau mempunyai similarity yang tinggi. Data UMKM akan dilakukan preprosesing terlebih dahulu untuk mengatasi data yang kosong dan normalisasi. Metode Sillhoutte Coefficient (SC) digunakan untuk menentukan jumlah kluster yang paling optimal. Pengelompokan UMKM Batik ini berdasarkan perpektif balance scorecard yaitu bisnis internal, keuangan, learning and growth dan pelanggan. Hasil cluster yang paling optimal adalah K=3. Nilai SC adalah sebesar 0,275, dengan 9 fitur dan SC = 0,403 dengan 5 fitur, artinya dengan metode seleksi fitur information gain terjadi peningkatan snilai SC sebesar 0,128. Prosentase hasil pengelompokan adalah cluster 1 sebesar 15 %, cluster 2: 25 % dan cluster 3 : 60 %. Kategori pemetaan cluster 1 adalah sangat baik, cluster 2 baik dan cluster 3 sedang.

Downloads

Download data is not yet available.

References

A. Halim, “Pengaruh Pertumbuhan Usaha Mikro, Kecil Dan Menengah Terhadap Pertumbuhan Ekonomi Kabupaten Mamuju,” J. Ilm. Ekon. Pembang., vol. 1, no. 2, pp. 157–172, 2020, [Online]. Available: https://stiemmamuju.e-journal.id/GJIEP/article/view/39.

D. Sugiri, “Menyelamatkan Usaha Mikro, Kecil dan Menengah dari Dampak Pandemi Covid-19,” Fokus Bisnis Media Pengkaj. Manaj. dan Akunt., vol. 19, no. 1, pp. 76–86, 2020, doi: 10.32639/fokusbisnis.v19i1.575.

A. Supriyatna and D. Ekaputra, “Metode Fuzzy Simple Additive Weighting ( Saw ) Dalam Pemilihan Ketua Osis,” J. PETIR, vol. 10, no. 1, pp. 71–76, 2017.

F. F. Dahayu Widyadhana, Rina Budi Hastuti , Iqbal Kharisudin, “Perbandingan Analisis Klaster K-Means dan Average Linkage untuk Pengklasteran Kemiskinan di Provinsi Jawa Tengah,” Prism. Pros. Semin. Nas. Mat., vol. 4, pp. 584–594, 2021, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/.

W. Maulidi Molyono, S. Achmadi, and Y. Agus Pranoto, “Pemetaan Tambak Garam Serta Produksi Garam Pada Kabupaten Pamekasan Menggunakan K-Means Clustering,” JATI (Jurnal Mhs. Tek. Inform., vol. 5, no. 2, pp. 794–799, 2021, doi: 10.36040/jati.v5i2.3736.

Y. Kustiyahningsih and J. Purnama, “An integrated approach to determine mapping of SMEs during Covid-19 pandemic,” 1945.

Y. Kustiyahningsih, E. Rahmanita, and J. Purnama, “Integration balanced scoredcard and fuzzy analytic network process (FANP) for measuring performance of small medium enterprise (SME),” J. Theor. Appl. Inf. Technol., vol. 94, no. 2, pp. 343–352, 2016.

A. Viloria and O. B. P. Lezama, “Improvements for determining the number of clusters in k-means for innovation databases in SMEs,” Procedia Comput. Sci., vol. 151, no. 2018, pp. 1201–1206, 2019, doi: 10.1016/j.procs.2019.04.172.

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.

Y. Kustiyahningsih, Mula’ab, and N. Hasanah, “Metode Fuzzy ID3 Untuk Klasifikasi Status Preeklamsi Ibu Hamil,” Teknika, vol. 9, no. 1, pp. 74–80, 2020, doi: 10.34148/teknika.v9i1.270.

A. Harris and A. E. Mintaria, “Komparasi Information Gain , Gain Ratio , CFs-Bestfirst dan CFs-PSO Search Terhadap Performa Deteksi Anomali,” vol. 5, pp. 332–343, 2021, doi: 10.30865/mib.v5i1.2258.

A. A. Syafitri Hidayatul AA, Yuita Arum S, “Seleksi Fitur Information Gain untuk Klasifikasi Penyakit Jantung Menggunakan Kombinasi Metode K-Nearest Neighbor dan Naïve Bayes,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 9, pp. 2546–2554, 2018.

M. R. Maulana and M. A. Al Karomi, “Information Gain Untuk Mengetahui Pengaruh Atribut,” J. Litbang Kota Pekalongan, vol. 9, pp. 113–123, 2015.

R. Uli and B. Sitanggang, “Penerapan Algoritma K-Means Tingkat Kesehatan Bayi ( Studi Kasus : Dinas Kesehatan Kota Binjai ) The Application of K-means Algorithm for Baby Health Level ( Study Case : Binjai City Public Health Office ),” pp. 1–7, 2022.

R. Hidayati, A. Zubair, A. Hidayat Pratama, L. Indana, P. Studi Sistem Informasi, and F. Teknologi Informasi, “Silhouette Coefficient Analysis in 6 Measuring Distances of K-Means Clustering,” Techno.Com, vol. 20, no. 2, pp. 186–197, 2021.