ALGORITMA K-MEANS UNTUK KLASTERISASI JUMLAH JEMAAH HAJI YANG DIBERANGKATKAN KE TANAH SUCI MEKAH MENURUT KABUPATEN/KOTA DI PROVINSI SUMATERA UTARA

Muhammad Fachrurrozi Nasution; Labuan Nababan; Ernida Marbun; Lamtiur Sinambela; Dedek Indra Gunawan Hts

doi:10.32699/device.v15i1.9239

Muhammad Fachrurrozi Nasution universitas satya terra bhinneka
Labuan Nababan Universitas Satya Terra Bhinneka
Ernida Marbun Universitas Satya Terra Bhinneka
Lamtiur Sinambela Politeknik Negeri Medan
Dedek Indra Gunawan Hts Universitas Satya Terra Bhinneka

DOI: https://doi.org/10.32699/device.v15i1.9239

Keywords: Klasterisasi, K-Means, Jemaah Haji, Sumatera Utara, Data Mining

Abstract

Setiap tahun, Provinsi Sumatera Utara memberangkatkan ribuan jemaah haji ke Tanah Suci Mekah. Distribusi jumlah jemaah yang berasal dari berbagai kabupaten/kota menunjukkan pola yang beragam dan perlu dianalisis lebih lanjut guna mendukung perencanaan dan pengambilan keputusan oleh instansi terkait. Penelitian ini bertujuan untuk melakukan klasterisasi terhadap jumlah jemaah haji berdasarkan wilayah kabupaten/kota di Provinsi Sumatera Utara menggunakan algoritma K-Means, salah satu metode unsupervised learning yang efektif untuk pengelompokan data. Data yang digunakan dalam penelitian ini merupakan data sekunder jumlah jemaah haji dari setiap kabupaten/kota yang diperoleh dari sumber resmi. Proses klasterisasi dilakukan melalui beberapa tahapan, yaitu inisialisasi centroid awal, penghitungan jarak Euclidean, pengelompokan data berdasarkan kedekatan terhadap centroid, dan pembaruan posisi centroid hingga proses konvergen. Untuk menentukan jumlah klaster yang optimal, digunakan metode Elbow. Hasil analisis menunjukkan bahwa data dapat dibagi ke dalam tiga klaster utama, yaitu klaster dengan jumlah jemaah tinggi, sedang, dan rendah. Visualisasi klaster membantu memperlihatkan distribusi spasial yang lebih jelas dari masing-masing kelompok wilayah. Implementasi algoritma K-Means dalam penelitian ini membuktikan bahwa metode klasterisasi dapat digunakan secara efektif dalam menganalisis data demografis, khususnya dalam konteks pelayanan ibadah haji. Seluruh proses analisis dilakukan menggunakan Google Colab, yang memfasilitasi komputasi berbasis cloud dan mendukung visualisasi data secara interaktif.

Downloads

Download data is not yet available.

References

Amalina, T., Bima, D., Pramana, A., & Sari, B. N. (2022). Metode K-Means Clustering Dalam Pengelompokan Penjualan Produk Frozen Food. Jurnal Ilmiah Wahana Pendidikan, 8(15), 574–583. https://doi.org/10.5281/zenodo.7052276
Ayu, D., Dewi, I. C., & Pramita, K. (2019). Analisis Perbandingan Metode Elbow dan Sillhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali. In JURNAL MATRIX (Vol. 9, Issue 3).
Dakhi, Y. L., & Ningsi, B. A. (2024). Pengelompokan Kabupaten dan Kota Provinsi Sumatera Utara Berdasarkan Indikator Kesejahteraan Rakyat Menggunakan Algoritma K-Means. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(3), 993–1003. https://doi.org/10.57152/malcom.v4i3.1381
Djaka Permana, M., Lia Hananto, A., Novalia, E., Huda, B., & Paryono, T. (2023). Klasterisasi Data Jamaah Umrah pada Tanurmutmainah Tour Menggunakan Algoritma K-Means. Jurnal KomtekInfo, 15–20. https://doi.org/10.35134/komtekinfo.v10i1.332
Heryadi, Y., & Wahyono, T. (2020). Machine Learning: Konsep dan Implementasi. https://www.researchgate.net/publication/344419764
Hidayat, T. (2022). Klasifikasi Data Jamaah Umroh Menggunakan Metode K-Means Clustering. Jurnal Sistim Informasi Dan Teknologi, 19–24. https://doi.org/10.37034/jsisfotek.v4i1.115
Humaira Mufidah, T., Risky, M., Anshori, Z., & Jenderal Penyelenggaraan Haji dan Umrah Kementerian Agama, D. (2023). Ciledug Raya No.99, RT.10/RW.2, Petukangan Utara. Jurnal Media Infotama, 19(1), 3–4.
Ishak, R. (2022). Clustering Tingkat Pemahaman Dasar Mahasiswa Pada Pra-Perkuliahan Probabilitas Statistika Dengan Metode K-Means. 4.
Maori, N. A. (2023). METODE ELBOW DALAM OPTIMASI JUMLAH CLUSTER PADA K-MEANS CLUSTERING. Jurnal SIMETRIS, 14.
Nasution, Mf., & Roesnelly, R. (2024). CLASSIFICATION OF K-NEAREST NEIGHBOR (K-NN) AND CONVOLUTIONAL NEURAL NETWORK (CNN) FOR THE IDENTIFICATION OF BRONCHITIS DISEASE IN TODDLERS USING GLCM FEATURE EXTRACTION BASED ON THORAX X-RAY IMAGES (Vol. 02, Issue 01).
Nugraha, A., Nurdiawan, O., & Dwilestari, G. (2022). PENERAPAN DATA MINING METODE K-MEANS CLUSTERING UNTUK ANALISA PENJUALAN PADA TOKO YANA SPORT. In Jurnal Mahasiswa Teknik Informatika) (Vol. 6, Issue 2).
Nusa, T., Komputasi, J., & Informasi, T. (n.d.). 36 Sebagai Jurnal Terakreditasi Peringkat 4 berdasarkan Surat Keputusan Dirjen Risbang SK Nomor 85/M/KPT/2020. https://doi.org/10.33480/techno.v22i1.6367
Ong, J. O. (n.d.). IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN STRATEGI MARKETING PRESIDENT UNIVERSITY.
Showail, A. J. (2022). Solving Hajj and Umrah Challenges Using Information and Communication Technology: A Survey. IEEE Access, 10, 75404–75427. https://doi.org/10.1109/ACCESS.2022.3190853
Wilayah, P., Di, D., Riau, P., Algoritma, M., Tata, K.-M., Pertiwi, A., Halim, F. R., Afni, N. ’, Fahrezi, I. R., & Pramana, D. (n.d.). SENTIMAS: Seminar Nasional Penelitian dan Pengabdian Masyarakat Mapping of Da’wah Areas in Riau Province Using the K-Means Algorithm. https://journal.irpi.or.id/index.php/sentimas
Zhao, Y., & Zhou, X. (2021). K-means Clustering Algorithm and Its Improvement Research. Journal of Physics: Conference Series, 1873(1). https://doi.org/10.1088/1742-6596/1873/1/012074