Analisis Klaster Kinerja Usaha Kecil dan Menengah Menggunakan Algoritma K-Means Clustering
Cluster Analysis of Small Medium Enterprise Performance with K-Means Clustering Algorithm
DOI:
https://doi.org/10.57152/malcom.v3i2.952Keywords:
Algoritma, Klasterisasi, Knime, K-Means Clustering, Usaha Kecil dan Menengah (UKM)Abstract
Fokus penelitian ini adalah untuk menyelesaikan masalah yang dihadapi oleh dinas koperasi dan UKM Provinsi Sumatera Selatan, yaitu kesulitan dalam menerapkan program pengembangan usaha bagi UKM. Selama ini dinas koperasi dan UKM Provinsi Sumatera selatan telah melakukan berbagai kegiatan yang berhubungan dengan peningkatan kualitas pengelolaan UKM. Namun karena pendataan UKM kurang lengkap, maka sulit untuk menentukan program terbaik bagi UKM yang dapat mempercepat pengembangan usaha di UKM. Tujuan dari penelitian ini adalah untuk melengkapi data UKM melalui penyebaran kuesioner dan melakukan mengelompokkan UKM berdasarkan kinerja UKM. Pengelompokan ini nantinya akan digunakan untuk menyusun strategi pengembangan UKM yang sesuai dan tepat sasaran. Penelitian ini, menggunakan metode K-Means Clustering dengan indikator, yaitu kinerja keuangan, penjualan produk, dan strategi pemasaran sebagai dasar pengelompokkan. Aplikasi KNIME digunakan sebagai alat untuk analisis data, pemrosesan data, pemodelan data, dan visualisasi model yang mudah dan akurat. Hasil analisis data menunjukkan UMKM terbagi menjadi tiga kelompok atau klaster, yaitu UKM mandiri, UKM berkembang, dan UKM binaan. Hasil pengelompokkan ini diharapkan dapat memberikan masukkan yang berguna bagi Dinas Koperasi dan UKM untuk menerapkan program pengembangan strategi yang lebih spesifik yang sesuai dengan karakteristik dari masing-masing klaster.
References
Terttiaavini, L. Marnisah, Y. Yulius, and T. Setiawan Saputra, “Pengembangan Kewirausahaan ‘Kemplang Tunu’ Sebagai Produk Cemilan Khas Kota Palembang,” Abdimas Mandiri, vol. 3, no. 1, pp. 63–72, 2019.
A. Perdana, H. H. Lee, S. K. Koh, and D. Arisandi, “Data analytics in small and mid-size enterprises: Enablers and inhibitors for business value and firm performance,” Int. J. Account. Inf. Syst., vol. 44, no. November 2021, p. 100547, 2022, doi: 10.1016/j.accinf.2021.100547.
T. Terttiaavini, F. Zamzam, M. Ramadhan, and T. S. Saputra, “Design a Decision Support System to Evaluate The Performance of Indonesian Lecturers by Developing a Simple Additive Weighting Method,” Test Eng. Manag., vol. 28, no. 11, pp. 36–41, 2019, [Online]. Available: http://sersc.org/journals/index.php/IJAST/article/view/1038/903
A. F. Sari, R. H. Sampurna, and D. Meigawati, “Strategi Dinas Koperasi, Ukm, Perdagangan Dan Perindustrian Dalam Pemberdayaan Umkm Di Kota Sukabumi,” J. Inov. Penelit., vol. 2, no. 10, pp. 3353–3360, 2022.
Y. Abdullah and I. Gultom, “Dinas Koperasi dan UMKM Palembang bentuk tim data usaha kecil,” Antara News. https://sumsel.antaranews.com/berita/643913/dinas-koperasi-dan-umkm-palembang-bentuk-tim-data-usaha-kecil (accessed Apr. 12, 2023).
Terttiaavini et al., “Clustering Analysis of Premier Research Fields,” Int. J. Eng. Technol., vol. 7, no. 4.44, p. 43, 2018, doi: 10.14419/ijet.v7i4.44.26860.
Y. T. Chen and D. M. Witten, “Selective inference for k-means clustering,” J. Mach. Learn. Res., vol. 24, pp. 1–20, 2022, [Online]. Available: http://arxiv.org/abs/2203.15267
A. Heryati and M. I. Herdiansyah, “The Application of Data Mining by using K Means Clustering Method in Determining New Students’ Admission Promotion Strategy,” Int. J. Eng. Adv. Technol., vol. 9, no. 3, pp. 824–833, 2020, doi: 10.35940/ijeat.c5414.029320.
D. Abdullah, S. Susilo, A. S. Ahmar, R. Rusli, and R. Hidayat, “The application of K-means clustering for province clustering in Indonesia of the risk of the COVID-19 pandemic based on COVID-19 data,” Qual. Quant., vol. 56, no. 3, pp. 1283–1291, 2022, doi: 10.1007/s11135-021-01176-w.
E. N. Wahyudi, A. P. Utomo, and N. Mariana, “Pengelompokan Jenis Usaha Umkm Kota Semarang Dalam Rangka Proses Pembinaan Dan Pendampingan Untuk Pengembangan Usaha Dengan Teknik Data Mining,” Dinamik, vol. 24, no. 1, pp. 13–20, 2019, doi: 10.35315/dinamik.v24i1.7840.
S. A. Waqas and I. Khan, “Development Of A Sustainable Business Model For Small Businesses Using Data Mining,” J. Islam Econ. Financ. Islam Ekon. Ve Finans. Derg., vol. 7, no. 1, pp. 111–144, 2021.
E. Rouza, Basorudin, and Efrida, “Identifikasi dan Klasifikasi UMKM di Kabupaten Rokan Hulu Menggunakan Metode K-Means,” J. Ilm. Univ. Pengaraian, vol. 7, no. 01, pp. 32–40, 2021.
Hartatik et al., Data Science - Data Science, no. September 2016. 2023. [Online]. Available: https://www.data-science.ruhr/about_us/
Terttiaavini, L. Marnisah, Y. Yulius, and T. S. Saputra, “Evaluating the Kemplang Tunu Production Training for Low Income and Education Communities Using the Kirkpatrick Model,” in Atlantis Press, Fakultas Ekonomi Trisakti, 2020, pp. 238–242. doi: 10.2991/aebmr.k.200915.055.
Terttiaaviani et al., “Data Profil di Desa Pemulutan Ilir Organ Ilir Sumatera Selatan,” JMM (Jurnal Masy. Mandiri), vol. 5, no. 6, pp. 3–11, 2021, [Online]. Available: http://journal.ummat.ac.id/index.php/jmm/article/view/5608
T. Terttiaavini, Sofian, and T. S. Saputra, “Pendampingan Penyusunan Program Rencana Kerja Badan Usaha Milik Desa Dalam Rangka Optimalisasi Potensi Desa Serjabo Organ Ilir Sumatera Selatan,” JMM (Jurnal Masy. Mandiri), vol. 5, no. 6, pp. 3–11, 2022, [Online]. Available: http://journal.ummat.ac.id/index.php/jmm/article/view/5608
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.
M. Ahmed, R. Seraj, and S. M. S. Islam, “The k-means algorithm: A comprehensive survey and performance evaluation,” Electron., vol. 9, no. 8, pp. 1–12, 2020, doi: 10.3390/electronics9081295.
S. A. N. Alexandropoulos, S. B. Kotsiantis, and M. N. Vrahatis, Data preprocessing in predictive data mining, vol. 34, no. April 2020. 2019. doi: 10.1017/S026988891800036X.
S. P. Tamba, M. D. Batubara, W. Purba, M. Sihombing, V. M. Mulia Siregar, and J. Banjarnahor, “Book data grouping in libraries using the k-means clustering method,” J. Phys. Conf. Ser., vol. 1230, no. 1, 2019, doi: 10.1088/1742-6596/1230/1/012074.
H. K. Mohajan, “Two Criteria for Good Measurements in Research: Validity and Reliability,” Ann. Spiru Haret Univ. Econ. Ser., vol. 17, no. 4, pp. 59–82, 2017, doi: 10.26458/1746.
E. G. Unus, “Teknologi Data Mining Berbasis Metode Clustering Sebagai Ujung Tombak Perkembangan Umkm Di Indonesia Dalam Era Revolusi Industri 4.0,” J. Repos., vol. 3, no. 3, pp. 315–320, 2021, doi: 10.22219/repositor.v2i3.1266.
S. O’Hagan and D. B. Kell, “Software review: the KNIME workflow environment and its applications in genetic programming and machine learning,” Genet. Program. Evolvable Mach., vol. 16, no. 3, pp. 387–391, 2015, doi: 10.1007/s10710-015-9247-3.
K. P. Sinaga and M. S. Yang, “Unsupervised K-means clustering algorithm,” IEEE Access, vol. 8, pp. 80716–80727, 2020, doi: 10.1109/ACCESS.2020.2988796.
