KLASTERISASI LOKASI PASAR KABUPATEN BANYUMAS GUNA MEMPERMUDAH UPTD DALAM MENGELOLA KELAS PASAR

Pradini Nurul Safitri; Abdullah Ahmad Dzikrullah

Pradini Nurul Safitri Universitas Islam Bandung
Abdullah Ahmad Dzikrullah Universitas Islam Bandung

Keywords: algoritma c5.0, k-medoids clustering, penggolongan kelas pasar, uptd pasar

Abstract

Mengingat data penggolongan kelas pasar di Kabupaten Banyumas masih
tergolong keliru, sehingga perlu dilakukan analisis terhadap penggolongan kelas pasar
secara tepat menggunakan Algoritma C5.0. Hasil dari Algoritma C5.0 menunjukan
pentingnya variabel tingkat pendapatan pasar dalam menentukan golongan kelas pasar, serta
terdapat 18 pasar di kabupaten Banyumas yang masih memiliki tingkat pendapatan pasar
kurang dari atau sama dengan Rp 200.000.000 per tahun, sehingga masuk ke dalam
golongan kelas pasar III. Untuk mempermudah UPTD Pasar dalam mengelola kelas pasar,
maka dibuat pengelompokan lokasi pasar yang berdekatan menggunakan K-Medoids
Clustering. Hasil dari K-Medoids Clustering menunjukan bahwa UPTD Pasar Banyumas I
atau pusat klaster I bertepatan di pasar Sarimulyo yang terdiri dari 16 pasar sebagai
anggotanya, UPTD Pasar Banyumas II atau pusat klaster II bertepatan di pasar Wijahan
yang terdiri dari 5 pasar sebagai anggotanya dan UPTD Pasar Banyumas III atau pusat
klaster III bertepatan di pasar Ajibarang yang terdiri dari 4 pasar sebagai anggoatanya.
Sehingga, masing-masing UPTD Pasar dapat lebih menghemat biaya dan waktu dalam
melangsungkan perjalanannya serta fokus terhadap masing-masing anggotanya, khususnya
dalam pengelolaan pasar pada kelas pasar III.

Downloads

Download data is not yet available.

References

[1] D. Wintana, H. Hikmatulloh, N. Ichsan, J. J. Purnama, dan A. Rahmawati, “Klasifikasi
Penentuan Penerima Manfaat Program Keluarga Harapan (PKH) Mengunakan Algoritma
C5.0 (Studi kasus: Desa Sukamaju, Kec.Kadudampit),” Kumpul. J. Ilmu Komput., 6(3)
254 (2019).
[2] N. A. Rahmayanti, Y. Azhar, dan G. I. Marthasari, “Implementasi Algoritma C5.0 Untuk
Menganalisa Gejala Prioritas Pada Anak Yang Mengalami Bullying,” J. Repos., 2(8)
1007–1016, (2020).
[3] A. W. Setiyawati, Implementasi Algoritma Partitioning Around Medoids (PAM) Untuk
Pengelompokan Sekolah Menengah Atas di DIY Berdasarkan Nilai Daya Serap Ujian
Nasional, (2017).
[4] P. Arora, Deepali, dan S. Varshney, “Analysis of K-Means and K-Medoids Algorithm
For Big Data,” Procedia Comput. Sci., 77, 507–512, (2016).
[5] R. E. Walpole, Pengantar Statistika (Introduction to Statistics), Edisi 3. Jakarta:
Gramedia Pustaka Utama, (1990).
[6] R. G. . Steel, B. Sumantri, dan J. H. Torrie, Prinsip dan Prosedur Statistika (Principles
and procedures of statistics), Edisi 2. Jakarta: Gramedia Pustaka Utama, (1993).
[7] M. Riadi, Y. Azhar, dan G. W. Wicaksono, “Implementasi Algoritma C5.0 dan K-
Medoids untuk Klasterisasi Ibu Hamil Beresiko Tinggi,” J. Repos., 2(4) 511, (2020).
[8] F. Zhou, “Data Fusion Research of Triaxial Human Body Motion Gesture Based on
Decision Tree,” Sensors and Transducers, 171(55), 190–195 (2014).
[9] B. Azhagusundari dan A. S. Thanamani, “Feature Selection based on Information Gain,”
Int. J. Innov. Technol. Explor. Eng., 2(2), 18–21, (2013).
[10] Houtao Deng dan G. Runger, “Feature selection via regularized trees,” in The 2012
International Joint Conference on Neural Networks (IJCNN), 1-8 (2012).