{"title":"IMPLEMENTASI ALGORITMA K-MEANS DALAM MENGELOMPOKAN KABUPATEN/KOTA DI JAWA BARAT BERDASARKAN JENIS DAN JUMLAH POTENSI OBJEK DAYA TARIK WISATA","authors":"Hafshoh Habiballoh, Ahmad Faqih, Tatik Suprapti","doi":"10.23960/jitet.v12i2.4270","DOIUrl":null,"url":null,"abstract":"Penelitian ini bertujuan untuk mengelompokan wilayah potensi objek daya tarik wisata (ODTW) di Jawa Barat berdasarkan jenis dan jumlah lokasi menggunakan algoritma K-Means Clustering. Data yang digunakan diperoleh dari Open Data Jabar yang mencakup jumlah potensi objek daya tarik wisata (ODTW) berdasarkan jenis dan wilayah di Jawa Barat tahun 2022. Metode penelitian yang digunakan adalah Knowledge Discovery in Database (KDD) yang meliputi tahapan pendahuluan, Literature Review, pengumpulan data, analisis data, dan penutup. Hasil analisis menunjukkan adanya tiga klaster utama: Klaster 0 dengan kategori tinggi, Klaster 1 dengan kategori sedang, dan Klaster 2 dengan kategori rendah. ","PeriodicalId":313205,"journal":{"name":"Jurnal Informatika dan Teknik Elektro Terapan","volume":"19 19","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2024-04-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Jurnal Informatika dan Teknik Elektro Terapan","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.23960/jitet.v12i2.4270","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
Abstract
Penelitian ini bertujuan untuk mengelompokan wilayah potensi objek daya tarik wisata (ODTW) di Jawa Barat berdasarkan jenis dan jumlah lokasi menggunakan algoritma K-Means Clustering. Data yang digunakan diperoleh dari Open Data Jabar yang mencakup jumlah potensi objek daya tarik wisata (ODTW) berdasarkan jenis dan wilayah di Jawa Barat tahun 2022. Metode penelitian yang digunakan adalah Knowledge Discovery in Database (KDD) yang meliputi tahapan pendahuluan, Literature Review, pengumpulan data, analisis data, dan penutup. Hasil analisis menunjukkan adanya tiga klaster utama: Klaster 0 dengan kategori tinggi, Klaster 1 dengan kategori sedang, dan Klaster 2 dengan kategori rendah.