Penentuan Strategi Promosi Usaha Mikro Kecil Dan Menengah (UMKM) Menggunakan Metode CRISP-DM dengan Algoritma K-Means Clustering
Article Sidebar
Main Article Content
Abstract
Terjadinya penurunan jumlah UMKM sebesar 0,003% menyebabkan pertumbuhan ekonomi lesu pada kuartal II di Indonesia. Adanya sumber data UMKM yang melimpah disebuah daerah dapat digunakan untuk menggali informasi. Pengelompokan data UMKM yang memanfaatkan proses data mining dengan menggunakan teknik clustering dapat digunakan untuk mengolah data yang ada. Pada prosesnya, metode yang digunakan adalah pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi dan persebaran. Dalam pembentukan cluster, algoritma yang digunakan adalah K-Means. K-means clustering merupakan salah satu algoritma yang dapat mengelompokkan data kedalam beberapa cluster berdasarkan kemiripan data. Sehingga UMKM yang memiliki karakteristik sama akan dimasukkan ke dalam satu cluster dan data dengan karakteristik yang berbeda akan dikelompokkan ke dalam cluster lainnya. Dalam prosesnya, penelitian ini akan menguji data berupa jenis usaha, aset dan omset. Data UMKM akan diolah menggunakan python guna untuk menghasilkan cluster yang akurat. Cluster yang terbentuk dari proses clustering ini ada 3 (tiga) cluster dengan cluster satu sebanyak 182 UMKM, cluster dua terdiri dari 47 UMKM, dan cluster tiga terdiri dari 55 UMKM. Penelitian ini diharapkan mengeluarkan output berupa klusterisasi atau pengelompokkan data yang sesuai untuk dasar pengambilan keputusan dalam penentuan strategi promosi. Sehingga dapat menghasilkan informasi yang akurat bagi UMKM untuk membantu mengembangkan usahanya.
Article Details
Copyright Notice
Authors who publish with Journal of Informatics, Information System, Software Engineering and Applications (INISTA) agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 4.0) that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
References
[2] B. P. S. (BPS), “Pertumbuhan Jumlah Usaha Mikro, Kecil dan Menengah (UMKM) Nasional.” p. 1, 2016.
[3] S. K. P. Selatan, “Data Usaha Mikro, Kecil dan Menengah (UMKM) Purwokerto Selatan.” 2018.
[4] J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques. 2012.
[5] P.-N. Tan, M. Steinbach, and V. Kumar, “Cluster Analysis: Basic Concepts and Algorithms,” Introd. to Data Min., p. Chapter 8, 2005.
[6] A. T. Rahman, “Coal Trade Data Clustering Using K-Means (Case Study Pt. Global Bangkit Utama),” ITSMART J. Teknol. dan Inf., vol. 6, no. 1, pp. 24–31, 2017.
[7] J. O. Ong, “Implementasi Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing President University,” J. Ilm. Tek. Ind., vol. 12, no. April, pp. 10–20, 2013.
[8] E. Muningsih and S. Kiswati, “Penerapan Metode K-Means Untuk Clustering Produk Online Shop Dalam Penentuan Stok Barang,” J. Bianglala Inform., vol. 3, no. 1, p. 8, 2015.
[9] A. P. Fadillah, “Penerapan Metode CRISP-DM untuk Prediksi Kelulusan Studi Mahasiswa Menempuh Mata Kuliah (Studi Kasus Universitas XYZ),” J. Tek. Inform. dan Sist. Inf., vol. 1, no. 3, pp. 260–269, 2015.
[10] B. E. Adiana, I. Soesanti, A. E. Permanasari, J. G. No, J. G. No, and J. G. No, “Analisis Segmentasi Pelanggan Menggunakan Kombinasi RFM Model dan Teknik Clustering,” no. 2, pp. 23–32, 2018.