Penentuan Lokasi Bisnis Terbaik dengan Perbandingan K-Means, DBSCAN dan GMM
DOI:
https://doi.org/10.26418/jp.v10i3.83424Keywords:
Clustering, Data mining, DBSCAN, GMM, K-Means, Lokasi bisnis terbaikAbstract
Informasi lokasi bisnis terbaik yang sesuai dengan segmentasi pasar sangat diperlukan bagi pelaku bisnis untuk keputusan dalam mendirikan bisnis baru atau melakukan ekspansi bisnis dengan strategi membuka cabang baru di lokasi yang potensial pelanggan. Masih terbatasnya informasi untuk mencari lokasi bisnis yang optimal masih menjadi permasalahan yang banyak dihadapi oleh pelaku bisnis dalam mengambil keputusan bisnis. Terbatasnya informasi lokasi bisnis berkualitas karena penggunaan metode analisis yang belum optimal dikarenakan keterbatasan penyedia location intelligence dalam menerapkan metode dan algoritma yang tepat. Penelitian ini bertujuan menerapkan data mining clustering untuk mencari lokasi bisnis terbaik. Model paling optimal dicari melalui perbandingan antara algoritma K-Means, DBSCAN dan GMM. Dataset yang digunakan yaitu jumlah keluarga, demografi potensial, status sosial ekonomi, mobilitas orang dan titik bisnis yang sudah ada di sekitar lokasi. Hasil penelitian menunjukkan bahwa data mining dapat diterapkan untuk menentukan lokasi bisnis yang optimal dan metode K-Means merupakan model yang paling optimal. Hasil penelitian ini direkomendasikan bagi pelaku bisnis untuk menentukan lokasi bisnis terbaik.References
R. H. Maharrani, P. D. Abda’u, and D. H. Hastuti, “JEPIN (Jurnal Edukasi dan Penelitian Informatika) Kabupaten Cilacap dengan Metode K-Means,†JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 3, no. 3, pp. 1–7, 2022, [Online]. Available: https://www.visualcrossing.com/.
A. N. Afifah, V. Nurcahyawati, and V. R. Hananto, “Analisis Clustering dan Pemetaan Sebaran Pelanggan Perusahaan Properti di Sidoarjo,†J. Edukasi dan Penelit. Inform., vol. 9, no. 3, pp. 502–508, 2023, [Online]. Available: https://geokeo.com/database/state/id/
A. Wahyu and R. Rushendra, “Klasterisasi Dampak Bencana Gempa Bumi Menggunakan Algoritma K-Means di Pulau Jawa,†J. Edukasi dan Penelit. Inform., vol. 8, no. 1, p. 174, 2022, doi: 10.26418/jp.v8i1.52260.
P. Y. Utami, A. S. Hudjimartsu, T. A. Viona, and H. Sharfina, “Optimasi Parameter Algoritma DBSCAN untuk Mendeteksi Titik Panas Kebakaran Hutan dan Lahan,†JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 9, no. 3, pp. 355–361, 2023, [Online]. Available: https://hotspot.brin.go.id/.
L. Y. Baisa, D. Manongga, and Y. Nataliani, “Analisis Klasterisasi Kerawanan Gempa Bumi di Provinsi Papua Menggunakan Algoritma Invasive Weed Optimization (IWO),†J. Edukasi dan Penelit. Inform., vol. 9, no. 2, p. 176, 2023, doi: 10.26418/jp.v9i2.65312.
X. Wang, C. Shao, S. Xu, S. Zhang, W. Xu, and Y. Guan, “Study on the location of private clinics based on K-means clustering method and an integrated evaluation model,†IEEE Access, vol. 8, pp. 23069–23081, 2020, doi: 10.1109/ACCESS.2020.2967797.
H. B. Tambunan et al., “Initial location selection of electric vehicles charging infrastructure in urban city through clustering algorithm,†Int. J. Electr. Comput. Eng., vol. 13, no. 3, pp. 3266–3280, 2023, doi: 10.11591/ijece.v13i3.pp3266-3280.
E. Rachmawati and S. Novani, “Penentuan Lokasi Stasiun Pengisian Kendaraan Listrik Dengan DBSCAN Clustering Dan Analytic Hierarchy Process Study Case,†J. Compr. Sci., vol. 2, no. 1, pp. 1–14, 2023, [Online]. Available: https://www.ncbi.nlm.nih.gov/books/NBK558907/
J. Lee, M. An, Y. Kim, and J. I. Seo, “Optimal allocation for electric vehicle charging stations,†Energies, vol. 14, no. 18, pp. 1–9, 2021, doi: 10.3390/en14185781.
C. D. Larose, Discovering Knowledge in data : An Introduction to Data Mining, 2nd ed. New Jersey: John Wiley & Sons, Inc., 2014.
R. Gunawan, S. #1, A. Rachmat, C. #2, and E. Kurniawan, “JEPIN (Jurnal Edukasi dan Penelitian Informatika) Analisis Cluster Terhadap Karakteristik Mahasiswa Jalur Prestasi FTI UKDW,†vol. 6, no. 1, pp. 13–22, 2020.
K. Nurmayanti, W. P. Aini, S. R. Amrullah, and L. M. Sya’roni, “Comparison of Algorithms K-Means and DBSCAN for Clustering Student Cognitive Learning Outcomes in Physics Subject,†Kappa J., vol. 7, no. 1, pp. 251–255, 2023, [Online]. Available: https://e-journal.hamzanwadi.ac.id/index.php/kpj/index.https://doi.org/10.29408/kpj.v7i2.18428
Z. Wahidah and D. T. Utari, “Comparison of K-Means and Gaussian Mixture Model in Profiling Areas By Poverty Indicators,†BAREKENG J. Ilmu Mat. dan Terap., vol. 17, no. 2, pp. 0717–0726, 2023, doi: 10.30598/barekengvol17iss2pp0717-0726.
R. Rahmattullah, Indwiarti, and A. A. Rohmawati, “Clustering Harga Rumah: Perbandingan Model K-Means dan Gaussian Mixture Model,†e-Proceeding Eng., vol. 10, no. 3, pp. 3441–3449, 2023.
R. Adha, N. Nurhaliza, U. Sholeha, and M. Mustakim, “Perbandingan Algoritma DBSCAN dan K-Means Clustering untuk Pengelompokan Kasus Covid-19 di Dunia,†Sitekin J. Sains, Teknol. dan Ind., vol. 18, no. 2, pp. 206–211, 2021.
I. Sufairoh, A. C. Rani, K. Amalia, and D. Rolliawati, “Perbandingan Hasil Analisis Clustering Metode K-Means, DBSCAN Dan Hierarchical Pada Data Marketplace Electronic Phone,†JOINS (Journal Inf. Syst., vol. 8, no. 1, pp. 97–105, 2023, doi: 10.33633/joins.v8i1.8016.
