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

mailto:[email protected]



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


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:



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


C1=√((19-35)2) = 15

c) Cluster 2 : Kunjungan Tinggi, Jml minat 19


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


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


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.



Gambar 6. Tampilan Data Hasil Proses K-Means

Clustering Dalam Setiap Folder

f. Tampilan Grafik Hasil Cluster


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


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



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



wisata lainya.

7. Taman Jomblo, yang terdapat di kabupaten

Kota Jambi dengan unggul kunjungannya 09


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


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]

https://ilmukomputer.org/wp-content/uploads/2009/06/anharku-flowchart.pdf



http://ojs.stmiknh.ac.id/index.php


ANALISIS PENGELOMPOKAN KUNJUNGAN WISATAWAN KE …

Documents

Transcript of ANALISIS PENGELOMPOKAN KUNJUNGAN WISATAWAN KE …