ANALISIS PENGELOMPOKAN KUNJUNGAN WISATAWAN KE …
Transcript of ANALISIS PENGELOMPOKAN KUNJUNGAN WISATAWAN KE …
p-ISSN : 1907 - 3984
e-ISSN : 2541 - 1760
66 LLPP22MM SSTTMMIIKK NNUURRDDIINN HHAAMMZZAAHH JJAAMMBBII
ANALISIS PENGELOMPOKAN KUNJUNGAN WISATAWAN KE
OBJEK WISATA UNGGULAN DI PROVINSI JAMBI
BERBASIS DATA MINING
Novhirtamely Kahar1, Lailyn Puad2, Mona Istuti3 13Teknik Informatika STMIK Nurdin Hamzah Jambi
2Sistem Informasi, STMIK Nurdin Hamzah, Jambi
Email : [email protected], [email protected], [email protected]
Abstract – Tourist visits to Indonesia, especially the province of Jambi can improve the economy of the
community in the tourist area Jambi Province is one of the provinces in Indonesia which is one of the tourist
destinations for foreign and international tourists to come to Jambi Province. There are 174 leading tourist
attractions in Jambi province according to the questionnaire data taken. The purpose of this study is to analyze
the application of datamining in classifying the number of tourist visits to Prov. Jambi uses k-means. The source
of research data comes from questionnaire data filled out by the people of Jambi Province. The research data
used is the number of tourist visitors last year. The data is grouped into 3 clusters namely C2 = high tourist
visits, C1 = moderate tourist visits and C0 = low tourist visits. The final centroid value used at C0 = 5, C1 = 35
and C2 = 17. In order to obtain the results of grouping C0 = 116 attractions, C1 = 18 attractions and C2 = 40
attractions. The results of this analysis can be used as a reference for the Jambi Tourism office to find out the
leading tourism objects in Jambi Province according to the Jambi Province Community.
Keywords: Data Mining;K-Means;Tourist;Jambi.
I. PENDAHULUAN
1.1. Latar Belakang
Dalam statistik dan mesin pembelajaran,
metode K-Means merupakan metode clustering yang
mengarah pada pemartisian N objek pengamatan
kedalam K kelompok (mining) dimana setiap objek
pengamatan dimiliki oleh sebuah kelompok dengan
mean (rata-rata) terdekat (Afriswati, 2013).
Teknik pengelompokkan metode K-means ini
sangat diperlukan oleh Provinsi Jambi dalam melihat
kunjungan wisatawan ke objek wisata unggulan di
Provinsi Jambi. Provinsi Jambi adalah salah satu
provinsi di indonesia dimana menjadi salah satu
objek tujuan wisata bagi turis asing untuk datang ke
indonesia. Sejak tahun 2013 dan masih berlangsung
sampai hari ini. Dinas Pariwisata Provinsi Jambi
mencatat kedatangan wisatawan mancanegara
(wisman) sepanjang waktu tersebut trennya terus
meningkat 20% bahkan lebih jika di lihat dari rata-
rata kunjungan wisatawan tahun 2013-2018.
Semakin banyak kebutuhan wisna dan wisnu dalam
mencari tempat wisata di Provinsi Jambi maka
semakin banyak pula bermunculan tempat wisata
baru sehingga membuat wisatawan sulit untuk
menentukan kemana mereka akan berkunjung.
1.2. Rumusan Masalah
Berdasarkan latar belakang di atas maka
peneliti dapat merumuskan suatu masalah yaitu:
“Bagaimana cara menganalisa pengelompokan
kunjungan wisatawan ke objek wisata unggulan di
Provinsi Jambi dengan menggunakan Data Mining
aplikasi Rapidminer ?”
1.3. Tujuan Penelitian
Adapun tujuan dari penelitian ini Untuk
menganalisis Pengelompokan kunjungan wisata ke
objek wisata di Provinsi Jambi dengan metode data
mining k-means.
II. TINJAUAN PUSTAKA
2.1. Data Mining
Data mining berisi pencarian tren atau pola
yang diinginkan dalam database yang besar untuk
membantu pengambilan keputusan diwaktu yang
akan datang. Pola-pola ini dikenali oleh perangkat
tertentu yang dapat memberikan suatu analisa data
yang berguna dan berwawasan yang kemudian dapat
dipelajari lebih teliti, yang mungkin saja
menggunakan perangkat pendukung keputusan yang
lainnya. Data mining adalah proses yang
memperkerjakan satu atau lebih teknik pembelajaran
komputer (machine learning) untuk menganalisis
dan mengekstraksi pengetahuan (knowledge) secara
otomatis (Anhar, 2019).
2.2. Clustering
Clustering merupakan suatu metode untuk
mencari dan mengelompokkan data yang memiliki
kemiripan karakteristik (similarity) antara satu data
dengan data yang lain. Teknik pengelompokkan
AKADEMIKA ISSN : 1907 - 3984
LLPP22MM SSTTMMIIKK NNUURRDDIINN HHAAMMZZAAHH JJAAMMBBII 67
banyak diterapkan dalam berbagai bidang, seperti
kedokteran, kesehatan, psikologi, hukum, statistic,
astronomi, klimatologi, dan sebagainya (Afriswati,
2013).
2.3. Wisatawan
Menurut Suwantoro (2004), istilah pariwisata
berhubungan erat dengan pengertian perjalanan
wisata, yaitu sebagai suatu peubahan tempat tinggal
sementara seseorang di luar tempat tinggalnya
karena suatu alasan dan bukan untuk melakukan
kegiatan yang menghasilkan upah. Dengan demikian
dapat dikatakan bahwa perjalanan wisata merupakan
suatu perjalanan yang dilakukan oleh seseorang atau
lebih dengan tujuan antara lain untuk mendapatkan
kenikmatan dan memenuhi hasrat ingin mengetahui
sesuatu. Dapat juga karena kepentingan yang
berhubungan dengan kegiatan olah-raga untuk
kesehatan, konvensi, keagamaan, dan keperluan
usaha lainnya (Dinas Pariwisata Provinsi Jambi,
2018:1).
2.4. Metode K-Means
Dalam statistik dan mesin pembelajaran,
metode K-Means merupakan metode clustering yang
mengarah pada pemartisian N objek pengamatan
kedalam K kelompok (mining) dimana setiap objek
pengamatan dimiliki oleh sebuah kelompok dengan
mean (rata-rata) terdekat (Afriswati, 2013).
Pengelompokan data dengan metode K-
Means ini secara umum dilakukan dengan algoritma
seperti berikut (Afriswati, 2013):
1. Tentukan jumlah kelompok.
2. Alokasikan data ke dalam kelompok secara
acak.
3. Hitung pusat kelompok (sentroid/rata-rata)
dari data yang ada di masing-masing
kelompok.
4. Alokasikan masing-masing data ke
sentroid/rata-rata terdekat.
5. Kembali ke langkah 3, apabila masih ada data
yang berpindah kelompok, atau apabila ada
perubahan nilai sentroid di atas nilai ambang
yang ditentukan, atau apabila perubahan nilai
pada fungsi objektif yang digunakan masih di
atas nilai ambang yang ditentukan.
III. HASIL DAN PEMBAHASAN
3.1. Proses Penyelesaian Metode K-Means
Pada tabel 1 berikut, akan dijelaskan
mengenai sampel data transaksi Bulan Januari tahun
2017 kategori produk kecantikan yang telah
dipadatkan menjadi total jumlah jual, jumlah
transaksi dan jumlah stok.
Tabel 1. Sampel Data yang digunakan
Kabupaten Objek Wisata Minat
Kota Jambi Sungai Batang Hari 19
Kota Jambi Danau Sipin 46
Kota Jambi Danau Teluk 2
Kota Jambi Sipin Lake 14
Kota Jambi Kantor Gubenur Jambi 27
Kota Jambi Kantor Walikota Jambi 22
Kota Jambi Jambi Bangkit Expo 1
Kota Jambi Rrc 4
Kota Jambi Taman Arena Remaja 21
Kota Jambi Taman Jomblo 34
Kota Jambi Gos Kota Baru 14
Kota Jambi Gos Sungai Kambang 6
Kota Jambi Taman Prumnas 4
Kota Jambi Taman Simpang Pulai 4
Kota Jambi Taman Makalam 11
Kota Jambi Taman Jaksa 6
Kota Jambi Taman Tugu Juang 12
Kota Jambi Taman Kongkow 11
Kota Jambi Taman Adipura 3
Kota Jambi Taman Tugu Pkk 4
Kota Jambi Taman Sanggar Batik 6
Kota Jambi Taman Hutan Kota 17
Kota Jambi Taman Anggrek 25
Kota Jambi Taman Mini Rumah
Adat
6
Kota Jambi Kampoeng Radja 40
Kota Jambi Taman Rimba 27
Kota Jambi Taman Hutan Pinus 19
Kota Jambi Kampung Organik 7
Kota Jambi Jembatan Batang Hari 2 15
Kota Jambi Jembatan Batang Hari 1 11
Kota Jambi Jembatan Makalam 15
Kota Jambi Jembatan Gentala Arasy 44
Kota Jambi Wtc Batang Hari 27
Kota Jambi Jamtos 32
Kota Jambi Lippo 14
Kota Jambi Trona 20
Kota Jambi Tugu Keris Siginjai 32
Kota Jambi Tugu Pkk Thehok 5
Kota Jambi Tugu Juang 9
Kota Jambi Tugu Tari Sikapur Siri 3
Kota Jambi Tugu Simpang Makalam 2
Kota Jambi Gor Kota Baru 15
Kota Jambi Mesjid Agung Al Falah 17
Kota Jambi Bangker Jepang 2
Kota Jambi Mako Brimob 3
Kota Jambi Rumah Dinas Gubennur 6
Kota Jambi Museum Siginjai 1
Batang Hari Taman Hutan Raya
Senami
7
Batang Hari Danau Ugo 2
Batang Hari Danau Lenteng Jaya 2
Batang Hari Danau Bngko 4
Batang Hari Goa Tengkorak 2
Batang Hari Taman Rengas Condong 6
Batang Hari Bukit Ilalang 6
Batang Hari Danau Purih Indah 2
Batang Hari Taman Mungi Rahayu 3
Batang Hari Taman Payung 22
Batang Hari Taman Bunga Talang
Bukit
5
p-ISSN : 1907 - 3984
e-ISSN : 2541 - 1760
68 LLPP22MM SSTTMMIIKK NNUURRDDIINN HHAAMMZZAAHH JJAAMMBBII
Batang Hari Taman Remaja Tembesi 10
Batang Hari Puri Rimbo Bulian 4
Batang Hari Lapangan Garuda 4
Batang Hari Panorama Danau Biru 2
Batang Hari Danau Pauh 3
Batang Hari Rumah Adat Batang Hari 14
Batang Hari Gugus Cndi 7
Batang Hari Kerajinan Ukiran Kayu 2
Batang Hari Pasar Muara Tembesi 7
Muara Jambi Sungai Napal 3
Muara Jambi Hutan Pinus 29
Muara Jambi Lubuk Kapar 1
Muara Jambi Taman Aci 35
Muara Jambi Penangkaran Buaya 4
Muara Jambi Bumi Perkemahan 11
Muara Jambi Jmabi Paradise 54
Muara Jambi Lubuk Penyengat 18
Muara Jambi Simpur 1
Muara Jambi Wisata Kanal Tuo 8
Muara Jambi Water Park Crc 30
Muara Jambi Wisata Pematang Pulai 3
Muara Jambi Komplek Percandian
Muara Jambi
3
Muara Jambi Wisata Alam Sebapo 1
Kerinci Gunung Kerinci 43
Kerinci Danau Gunung Tujuh 22
Kerinci Danau Belibis 5
Kerinci Rawa Bento 4
Kerinci Air Terjun Telun
Berasap
17
Kerinci Aroma Pecco 3
Kerinci Kebun Teh Kayu Aro 31
Kerinci Goa Kasa 3
Kerinci Gunung Kaca 8
Kerinci Air Panas 16
Kerinci Air Terjuan Pancuran 10
Kerinci Air Terjun Selung
Bersisik
3
Kerinci Danau Padang 5
Kerinci Gunung Kunyit 3
Kerinci Batu Megalitik 2
Kerinci Batu Raja 3
Kerinci Hutan Salak 3
Kerinci Bukit Sumur 7 3
Kerinci Air Terjun Putih Mayang 5
Kerinci Danau Cinto 5
Kerinci Taman Rekreasi Patogen 1
Kerinci Museum Kerinci 10
Kerinci Jembatan Merah 4
Kerinci Danau Kerinci 2
Tanjabbar Taman Nasional Bukit
30
13
Tanjabbar Pantai Pasir Putih 16
Tanjabbar Air Terjun Pehlang 13
Tanjabbar Payo Lebar 10
Tanjabbar Air Terjun Lingkis 10
Tanjabbar Umo Cino 8
Tanjabbar Alun Alun Kota Tungkal 25
Tanjabtim Taman Nasional Berbak 28
Tanjabtim Cagar Alam Hutan
Bakau Pantai Timur
20
Tanjabtim Crocodile Safari 12
Tanjabtim Wisata Kampung Laut 32
Tanjabtim Air Hitam Laut 9
Tanjabtim Makam Orang Kayo
Hitam
14
Tanjabtim Hutan Lindung Gambut 1
Sungai
Penuh
Bukit Sentiong 14
Sungai
Penuh
Bukit Kayangan 32
Sungai
Penuh
Panoroma Bukit Tapan 12
Sungai
Penuh
Batu Sorban 6
Sungai
Penuh
Bukit Renah Kayu 13
Sungai
Penuh
Bato Gong Nenek
Betung
5
Sungai
Penuh
Rumah Larik 6
Sungai
Penuh
Museum Iskandar
Zakaria
11
Sungai
Penuh
Sumur Pulai Gedang 6
Sungai
Penuh
Bukit 12 24
Sungai
Penuh
Sungai Batang Asai 16
Sungai
Penuh
Danau Biaro 3
Sungai
Penuh
Air Terjun Telun Tujuh 22
Sungai
Penuh
Batu Empang 2
Sungai
Penuh
Taman Tepian Cik
Minah
6
Sungai
Penuh
Water Park Wtc 18
Sungai
Penuh
Taman Tepian Ancol 11
Sungai
Penuh
Lapangan Sriwijaya 4
Sungai
Penuh
Rumah Dinas Bupati 3
Sungai
Penuh
Bukit Tempurung 5
Sungai
Penuh
Dam Ayik Muak 1
Sungai
Penuh
Batu Dahak Putri 1
Tebo Kebun Raya Bukit Asri 9
Tebo Taman Nasional Bukit
30
12
Tebo Taman Nasional Bukit
12
10
Tebo Batu Menangis 11
Tebo Danau Sigombak 7
Tebo Air Terjun Gajah Mati 9
Tebo Keppungo Lake 3
Tebo Air Panas Sungai
Bengkel
11
Tebo Danau Tanduk 9
Tebo Taman Tanggo Rajo 7
Tebo Wisata Lubuk Tembesu 11
Tebo Makam Sultan Taha
Syaifuddin
6
Tebo Mesjid Tua 8
Tebo Benteng Peninggalan
Jaman Belanda
7
Tebo Makam Belanda 6
Tebo Candi Tuo Sumay 7
Tebo Air Terjun Dusun Mudo 1
Merangin Goa Taingko 9
Merangin Gunung Masurai 13
Merangin Gunung Sumbing 7
Merangin Danau Pauh 10
Merangin Danau Depati 4 5
Merangin Air Terjun Segerinting 16
Merangin Gading Betuah 5
Merangin Telaga Biru 13
Merangin Teluk Wangsakti 4
Merangin Air Terjun Ddatuk Mudo 9
Merangin Taman Wisata Bukit
Impian
7
Merangin Taman Bunga Gren
Kandis
8
Merangin Taman Batu Dusun
Mudo
4
Merangin Lubuk Pelayang 14
Merangin Jam Gento 7
Merangin Jembatan Gantung 1
Pencarian Cluster Optimal dilakukan dengan
menggunakan software rapidminer. Berikut
perhitungan atau langkah-langkah dalam pengolahan
data-data menggunakan Metode K-Means:
AKADEMIKA ISSN : 1907 - 3984
LLPP22MM SSTTMMIIKK NNUURRDDIINN HHAAMMZZAAHH JJAAMMBBII 69
1. Tentukan jumlah kelompok
Sesuai dengan cluster optimal yang jumlah
cluster atau kelompok yang akan digunakan
adalah 3.
2. Tentukan pusat kelompok (sentroid/rata-rata)
dari data yang ada.
Titik sentroid dari 3 cluster atau kelompok
yang telah di tentukan adalah (5), (35) dan
(17).
3. Alokasikan masing-masing data ke
sentroid/rata-rata terdekat. Menghitung jarak
terdekat atau terpendek data dari setiap
centroid. Untuk menghitung jarak antara titik
centroid dengan tiap titik object,
menggunakan rumus Euclidean Distance
yaitu:
Berikut adalah cara untuk menghitung jarak
dari tiap objek:
a) Cluster 0 : Kunjungan Rendah, Jml minat 19
Jarak data terhadap pusat cluster 0:
C0=√((19-5)2)= 14
b) Cluster 1 : Kunjungan Sedang, Jml minat 19
Jarak data terhadap pusat cluster 1:
C1=√((19-35)2) = 15
c) Cluster 2 : Kunjungan Tinggi, Jml minat 19
Jarak data terhadap pusat cluster 2:
C2=√((19-17)2) = 2
Selengkapnya dapat dilihat pada tabel
berikut:
Tabel 2. Menghitung Jarak Terdekat Iterasi 1
NO Objek Wisata Minat C0 C1 C2 Jarak Hasil
1 Sungai Batang
Hari 19 14 15 2 2 C2
2 Danau Sipin 46 41 12 29 12 C1
3 Danau Teluk 2 3 32 15 3 C0
4 Sipin Lake 14 9 20 3 3 C2
5 Kantor
Gubenur Jambi 27 22 7 10 7 C1
6 Kantor
Walikota Jambi
22 17 12 5 5 C2
7 Jambi Bangkit
Expo 1 4 33 16 4 C0
8 RRC 4 1 30 13 1 C0
9 Taman Arena Remaja
21 16 13 4 4 C2
10 Taman Jomblo 34 29 0 17 0 C1
11 Gos Kota Baru 14 9 20 3 3 C2
12 Gos Sungai Kambang
6 1 28 11 1 C0
13 Taman
Prumnas 4 1 30 13 1 C0
14 Taman
Simpang Pulai 4 1 30 13 1 C0
15 Taman
Makalam 11 6 23 6 6 C0
… … … … … … ….. ….
174 Jembatan
Gantung 1 4 33 16 4 C0
4. Cluster objek ditentukan berdasarkan jarak
terdekat dengan pusat cluster. Dari data
tersebut, hitung kembali centroid untuk
menentukan centroid baru berdasarkan nilai
rata-rata angggota cluster hingga didapat
hasil sebagai berikut:C1 = (5), C2 = (35), C3
= (17).
5. Hitung jarak terpendek dari tiap objek ke
pusat cluster baru dan tentukan clusternya.
Caranya sama dengan langkah ke 3 yaitu
dengan menggunakan rumus Euclidean
Distance. Selengkapnya dapat dilihat pada
tabel berikut:
Tabel 3. Menghitung jarak terdekat iterasi ke-2
N
O Objek Wisata
Min
at
C
0
C
1
C
2
Jara
k
Has
il
1 Sungai Batang Hari
19 14
15
2 2 C2
2 Danau Sipin 46 4
1
1
2
2
9 12 C1
3 Danau Teluk 2 3 32
15
3 C0
4 Sipin Lake 14 9 2
0 3 3 C2
5 Kantor Gubenur Jambi
27 22
7 10
7 C1
6 Kantor Walikota
Jambi 22 1
7
1
2 5 5 C2
7 Jambi Bangkit Expo
1 4 33
16
4 C0
8 RRC 4 1 3
0
1
3 1 C0
9 Taman Arena Remaja
21 16
13
4 4 C2
10 Taman Jomblo 34 2
9 0 1
7 0 C1
11 Gos Kota Baru 14 9 20
3 3 C2
12 Gos Sungai
Kambang 6 1 2
8
1
1 1 C0
13 Taman Prumnas 4 1 3
0
1
3 1 C0
14 Taman Simpang
Pulai 4 1 3
0
1
3 1 C0
15 Taman Makalam 11 6 23
6 6 C0
… … … … … … ….. ….
17
4
Jembatan
Gantung 1 4
3
3
1
6 4 C0
6. Jika Hasil Cluster sama atau tidak berubah
maka proses dihentikan.
3.2. Perancangan Sistem
3.2.1. Flowchart
Flowchart adalah sebuah diagram dengan
simbol-simbol grafis yang menyatakan aliran
algoritma atau proses yang menampilkan langkah-
langkah di simbolkan dalam bentuk kotak, beserta
urutannya dengan menghubungkan masing-masing
langkah tersebut menggunakan tanda panah.
Flowchart perhitungan metode K-Means dapat
dilihat pada gambar berikut:
p-ISSN : 1907 - 3984
e-ISSN : 2541 - 1760
70 LLPP22MM SSTTMMIIKK NNUURRDDIINN HHAAMMZZAAHH JJAAMMBBII
Gambar 1. Flowchart K-Means
Gambar 1 adalah flowchart dari metode K-
means Clustering sesuai dengan program penerapan
K-Means untuk menentukan wisata unggulan di
Provinsi Jambi. Pertama yang dilakukan adalah
menginput data kunjungan wisatawan yang akan
dikelompokkan, lalu hitung cluster optimal dengan
menggunakan metode k-means di program
rapidminer.
3.2.2. Tampilan Antarmuka Implementasi
1. Antarmuka Proses Dengan Rapidminer
a. Proses Operator
Gambar 2 merupakan tampilan proses
menghubungkan data radi Microsoft excel
dengan Rapiminer dengan operator Read
Excel.
Gambar 2.Tampilan Operator Read Excel
b. Proses Pemilihan Metode K-Means
Gambar 3 merupakan tampilan pemilihan
metode K-Means yang digunakan, yaitu
clustering.
Gambar 3. Tampilan Metode K-Means Clustering
c. Tampilan Proses K-Means
Gambar 4 merupakan tampilan hasil proses
pengelompokan kunjungan wisatawan
dengan K-Means clustering.
Gambar 4. Tampilan Proses dengan K-Means
Clustering
d. Tampilan Hasil Proses K-Means
Gambar 5 merupakan tampilan hasil proses
pengelompokan kunjungan wisatawan
dengan K-Means clustering dalam bentuk
folder cluster.
Gambar 5. Tampilan Hasil Proses Dalam Bentuk
Folder Cluster
e. Tampilan Data Hasil Proses K-Means
Gambar 6 merupakan tampilan data hasil
proses pengelompokan kunjungan wisatawan
dengan K-Means clustering dalam setiap
folder.
AKADEMIKA ISSN : 1907 - 3984
LLPP22MM SSTTMMIIKK NNUURRDDIINN HHAAMMZZAAHH JJAAMMBBII 71
Gambar 6. Tampilan Data Hasil Proses K-Means
Clustering Dalam Setiap Folder
f. Tampilan Grafik Hasil Cluster
Gambar 7 merupakan tampilan hasil proses
pengelompokkan dalam bentuk grafik.
Gambar 7. Tampilan Hasil Proses Pengelompokkan
Dalam Bentuk Grafik
2. Antarmuka Admin
a. Halaman Home Admin
Gambar 8 merupakan tampilan awal ketika
admin berhasil login
Gambar 8. Halaman Home Admin
b. Halaman Produk Admin
Gambar 9 merupakan halaman master data
yang berisi data kunjungan wisatawan ke
objek wisata yang telah diinput ke dalam
aplikasi oleh super admin.
Gambar 9. Halaman Data Master
c. Halaman Proses Hitung
Gambar 10 merupakan halaman proses hitung
yang di input ke dalam aplikasi. Di halaman
ini admin hanya bisa melihat hasil pencarian
cluster.
Gambar 10. Halaman Proses Hitung
d. Halaman Kesimpulan
Tampilan Gambar 11 merupakan menu untuk
melihat hasi dari pencarian data kunjungan
dalam bnetuk grafik pie yang diolah
menggunakan metode k-means.
Gambar 11. Halaman Kesimpulan
IV. PENUTUP
Dari paparan diatas dapat ditarik beberapa
kesimpulan, diantaranya Pembuatan aplikasi ini
menggunakan metode K-Means untuk menentukan
pengelompokan kunjungan wisatawan ke objek
wisata unggulan yang ada Provinsi Jambi.
p-ISSN : 1907 - 3984
e-ISSN : 2541 - 1760
72 LLPP22MM SSTTMMIIKK NNUURRDDIINN HHAAMMZZAAHH JJAAMMBBII
Wisatawan yang tergolong rendah (C0)
berjumlah 32 tempat wisata dan yang tergolong
sedang (C1) berjumlah 142 dari 174 tempat wisata
yang terunggul di provinsi Jambi, dan dari analisa
yang di lakukan maka didapat 10 objek wisata
unggulan yang kunjunganya tertinggi yaitu:
1. Jambi Paradise, yang terdapat di kabupaten
Muara Jambi dengan unggul kunjungannya
14 % di bandingkan objek wisata lainya.
2. Jembatan Gentala Arasy, yang terdapat di
kabupaten Kota Jambi dengan unggul
kunjungannya 12 % di bandingkan objek
wisata lainya.
3. Danau Sipin, yang terdapat di kabupaten
Kota Jambi dengan unggul kunjungannya 12
% di bandingkan objek wisata lainya.
4. Kampoeng Radja, yang terdapat di
kabupaten Kota Jambi dengan unggul
kunjungannya 11 % di bandingkan objek
wisata lainya.
5. Gunung Kerinci, yang terdapat di kabupaten
Kerinci dengan unggul kunjungannya 11% di
bandingkan objek wisata lainya.
6. Tugu Keris Siginjai, yang terdapat di
kabupaten Kota Jambi dengan unggul
kunjungannya 09 % di bandingkan objek
wisata lainya.
7. Taman Jomblo, yang terdapat di kabupaten
Kota Jambi dengan unggul kunjungannya 09
% di bandingkan objek wisata lainya.
8. Wisata Kampung Laut, yang terdapat di
kabupaten Tanjung Jabung Timur dengan
unggul kunjungannya 08 % di bandingkan
objek wisata lainya.
9. The Kayu Aro, yang terdapat di kabupaten
Kerinci dengan unggul kunjungannya 08 %
di bandingkan objek wisata lainya.
10. Taman Payung, yang terdapat di kabupaten
Batang Hari dengan unggul kunjungannya 06
% di bandingkan objek wisata lainya.
Maka dapat disimpulkan bahwa klasifikasi
antara Rapidminer dan Aplikasi mendapatkan hasil
yang sama membuktikan validasi aplikasi yang
didapat 100% .
DAFTAR REFERENSI
Afriswati. 2013. "Jurnal Implementasi Data Mining
Pemilihan Pelanggan Potensial
Menggunakan Algoritma K-Means".
journal.ipm2kpe.or.id,diakses 17 Maret
2018,https://journal.ipm2kpe.or.id/index.php/
INTECOM/article/view/141.
Anhar. 2019. “Ilmu Komputer”. dilihat 01 februari
2019.https://ilmukomputer.org/wp-
content/uploads/2009/06/anharku-
flowchart.pdf.
Astuti, RW. 2018. “Penentuan Produk Unggulan
Online Shop Menggunakn K-Means Dan
Subtractive Clustering”. Lembaga Penerbit
Dan Pengabdian Masyarakat (LP2M) STMIK
Nurdin Hamzah Jambi.
Dinas Pariwisata Provinsi Jambi. 2018. “Kunjungan
Wisatawan Provinsi Jambi”. Lembaga
Penerbit dan Badan Pusat Statistik Jambi.
Kahar, Novhirtamely. 2013. “Penerapan Metode
Fuzzy Multi Criteria Decision Making Pada
Sistem Pendukung Keputusan Pemilihan
Samrtphone”. ojs.stmiknh.ac.id, diakses 24
juli 2017. http://ojs.stmiknh.ac.id/index.php
/fortech/article/view/405.
Madcoms. 2015. “Kupas Tuntas Adobe
Dreamweaver CS5 dengan Pemrograman
PHP dan MySQL”. Yogyakarta : Andi..
Masruro. 2014. “Sistem Penunjang Keputusan
Penentuan Lokasi Wisata Menggunakan
Kmeans Clustering dan Topsis”.
ojs.amikom.ac.id, diakses 4 November
2014,https://ojs.amikom.ac.id/index.php/dasi/
article/view/210/0.
Sutabri, Tata. 2012. “Analisis Sistem informasi”.
CV. Andi Offset. Yogyakarta.
Tan, O. 2004. “Cognition, Metacogniiton, and
Problem Based Learning”. Dalam
enhanching thinking through problem based
learning approaches hal.40). Australia:
Thomson.
IDENTITAS PENULIS
Nama : Novhirtamely Kahar, ST.
NIDN/NIK : 1015118101
TTL : 15 November 1981
Golongan/Pangkat : III B
Jabatan Fungsional : Lektor
Alamat Rumah : Transito Lrg. Berkah
Telp. : 082378256646
Email : [email protected]