PENERAPAN KLASTERISASI DENGAN MENGGUNAKAN ALGORITMA K-MEANS UNTUK MENGETAHUI TINGKAT KUNJUNGAN WISATA DI BOJONEGORO
Total View This Week0
Total View This Week0
Institusion
Universitas Nahdlatul Ulama Sunan Giri
Author
Devi Dwi Nuraliza (STUDENT ID : 2120170075)
M. Nizar Palefi Ma’ady (LECTURER ID : 0708119103)
Ita Aristia Sa’ida (LECTURER ID : 0708039101)
M. Nizar Palefi Ma’ady (LECTURER ID : 0708119103)
Ita Aristia Sa’ida (LECTURER ID : 0708039101)
Subject
518 Analisis numerik, analisa numerik
Datestamp
2022-04-06 03:15:33
Abstract :
Bojonegoro merupakan salah satu Kabupaten di Jawa Timur yang memiliki daya tarik wisata yang diminati oleh wisatawan, kunjungan wisatawan di Bojonegoro dapat meningkatkan devisa Negara dan meningkatkan perekonomian masyarakat. Penambahan potensi wisata dapat mempengaruhi jumlah kunjungan yang mengarah pada pengurangan kunjungan di beberapa lokasi wisata. Hal ini karena fokus wisatawan akan terpecah ke beberapa potensi wisata baru dimana dapat dibuktikan dari data peningkatan potensi wisata dan jumlah kunjungan dari tahun ke tahun. Akan tetapi Pandemi Covid-19 membawa dampak yang cukup serius bagi perekonomian bangsa Indonesia, terutama pada sektor pariwisata sehingga pertumbuhan tingkat kunjungan wisata di Bojonegoro dari banyaknya data pada setiap bulan dan tahunnya masih sangat sulit untuk diketahui. Dari pemikiran di atas maka, dilakukan penelitian tentang data mining pada kunjungan wisata di Bojonegoro yang tujuannya adalah untuk mengetahui klaster tingkat kunjungan objek tertinggi hingga kunjungan terendah dengan melakukan analisis penerapan Metode Clustering Algoritma K-Means. Sumber data penelitian berasal dari Dinas Kebudayaan dan Pariwisata Kabupaten Bojonegoro. Data penelitian yang digunakan adalah jumlah kunjungan wisata tahun 2016-2020. Data dikelompokkan menjadi 3 klaster kunjungan wisata yaitu C1= tinggi, C2= sedang dan C3= rendah. Hasil dari penelitian ini berupa produk aplikasi yang akan di implementasikan di lingkungan kantor Dinas Kebudayaan dan Pariwisata Bojonegoro. Dilakukan uji black-box pada aplikasi untuk pengujian perangkat lunak. Hasil perhitungan Euclidean Distance sebanyak tiga (3) iterasi dengan klaster tetap sejumlah 16 dan klaster berubah sejumlah 0. Klasterisasi tahun 2016, 2017 dan 2018 didapat nilai kunjungan wisata tertinggi (C1) pada letak data ke-12. Kunjungan wisata sedang (C2) pada letak data ke-7 dan kunjungan wisata rendah (C3) terdapat pada letak data ke-1,2,3,4,5,6,8,9,10,11,13,14,15,16. Hasil perhitungan Euclidean Distance tahun 2019 di dapat nilai kunjungan tertinggi (C1) pada letak data ke-12, kunjungan wisata sedang (C2) pada letak data ke-1,2,7, dan kunjungan wisata rendah (C3) terdapat pada letak data ke- 3,4,5,6,8,9,10,11,13,14,15,16. Sedangkan hasil perhitungan Euclidean Distance tahun 2020 didapat nilai kunjungan wisata tertinggi (C1) pada letak data ke-2,3,4. Kunjungan wisata sedang (C2) pada letak data ke-1,7. Sedangkan kunjungan wisata rendah (C3) terdapat pada letak data ke- 5,6,8,9,10,11,12,13,14,15,16. Setelah diakumulasi, nilai yang didapat dari angket uji kelayakan dengan skala penilaian 1 sampai 4 adalah sebanyak 1308 dari total 1440 atau 90,8% dari test engineering menyatakan bahwa Sistem Klasterisasi BOTIV (Bojonegoro Toursm Visit) ?Valid? (baik) dan bisa digunakan.
Bojonegoro merupakan salah satu Kabupaten di Jawa Timur yang memiliki daya tarik wisata yang diminati oleh wisatawan, kunjungan wisatawan di Bojonegoro dapat meningkatkan devisa Negara dan meningkatkan perekonomian masyarakat. Penambahan potensi wisata dapat mempengaruhi jumlah kunjungan yang mengarah pada pengurangan kunjungan di beberapa lokasi wisata. Hal ini karena fokus wisatawan akan terpecah ke beberapa potensi wisata baru dimana dapat dibuktikan dari data peningkatan potensi wisata dan jumlah kunjungan dari tahun ke tahun. Akan tetapi Pandemi Covid-19 membawa dampak yang cukup serius bagi perekonomian bangsa Indonesia, terutama pada sektor pariwisata sehingga pertumbuhan tingkat kunjungan wisata di Bojonegoro dari banyaknya data pada setiap bulan dan tahunnya masih sangat sulit untuk diketahui. Dari pemikiran di atas maka, dilakukan penelitian tentang data mining pada kunjungan wisata di Bojonegoro yang tujuannya adalah untuk mengetahui klaster tingkat kunjungan objek tertinggi hingga kunjungan terendah dengan melakukan analisis penerapan Metode Clustering Algoritma K-Means. Sumber data penelitian berasal dari Dinas Kebudayaan dan Pariwisata Kabupaten Bojonegoro. Data penelitian yang digunakan adalah jumlah kunjungan wisata tahun 2016-2020. Data dikelompokkan menjadi 3 klaster kunjungan wisata yaitu C1= tinggi, C2= sedang dan C3= rendah. Hasil dari penelitian ini berupa produk aplikasi yang akan di implementasikan di lingkungan kantor Dinas Kebudayaan dan Pariwisata Bojonegoro. Dilakukan uji black-box pada aplikasi untuk pengujian perangkat lunak. Hasil perhitungan Euclidean Distance sebanyak tiga (3) iterasi dengan klaster tetap sejumlah 16 dan klaster berubah sejumlah 0. Klasterisasi tahun 2016, 2017 dan 2018 didapat nilai kunjungan wisata tertinggi (C1) pada letak data ke-12. Kunjungan wisata sedang (C2) pada letak data ke-7 dan kunjungan wisata rendah (C3) terdapat pada letak data ke-1,2,3,4,5,6,8,9,10,11,13,14,15,16. Hasil perhitungan Euclidean Distance tahun 2019 di dapat nilai kunjungan tertinggi (C1) pada letak data ke-12, kunjungan wisata sedang (C2) pada letak data ke-1,2,7, dan kunjungan wisata rendah (C3) terdapat pada letak data ke- 3,4,5,6,8,9,10,11,13,14,15,16. Sedangkan hasil perhitungan Euclidean Distance tahun 2020 didapat nilai kunjungan wisata tertinggi (C1) pada letak data ke-2,3,4. Kunjungan wisata sedang (C2) pada letak data ke-1,7. Sedangkan kunjungan wisata rendah (C3) terdapat pada letak data ke- 5,6,8,9,10,11,12,13,14,15,16. Setelah diakumulasi, nilai yang didapat dari angket uji kelayakan dengan skala penilaian 1 sampai 4 adalah sebanyak 1308 dari total 1440 atau 90,8% dari test engineering menyatakan bahwa Sistem Klasterisasi BOTIV (Bojonegoro Toursm Visit) ?Valid? (baik) dan bisa digunakan.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
