Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

Komparasi Algoritma K-Means Kluster + Weighted Product Dengan Algoritma K-Means Kluster + Simple Additive Weighting pada Pengelompokan Potensi Wisata Di Indonesia

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 13 No. 2 (2026) · hlm. 413–424

DOI
10.25126/jtiik.132
ISSN
2528-6579, 2355-7699
Terbit
2026-04-30
Penerbit
Fakultas Ilmu Komputer, Universitas Brawijaya
Bahasa
id
Lisensi
creativecommons.org/licenses/by-sa/4.0

Abstrak

Bahasa Indonesia

Penelitian ini bertujuan membandingkan efektivitas dua pendekatan hibrida, yaitu K-Means Clustering dengan metode Weighted Product (WP) dan Simple Additive Weighting (SAW), dalam pemetaan potensi wisata di Indonesia pada konteks pasca-pandemi. Data penelitian berasal dari 456 destinasi wisata, dengan 40 data terpilih yang digunakan dalam proses analisis berdasarkan kelengkapan dan konsistensi atribut. Tahapan penelitian meliputi pra-pemrosesan data, klasterisasi menggunakan algoritma K-Means, serta perankingan hasil klaster dengan metode WP dan SAW. Evaluasi kualitas klaster dilakukan menggunakan Silhouette Coefficient. Hasil penelitian menunjukkan bahwa kombinasi K-Means + WP menghasilkan nilai Silhouette sebesar 0,62, lebih tinggi dibandingkan K-Means + SAW sebesar 0,59, yang mengindikasikan pemisahan klaster yang lebih baik. Temuan ini menunjukkan bahwa pendekatan multiplikatif pada WP lebih efektif dalam mempertegas perbedaan karakteristik antar klaster, sehingga dapat digunakan sebagai metode pendukung pengambilan keputusan dalam pemetaan potensi wisata pasca-pandemi. Abstract This study aims to compare the effectiveness of two hybrid approaches, namely K-Means Clustering with the Weighted Product (WP) method and Simple Additive Weighting (SAW), in mapping tourism potential in Indonesia in the post-pandemic context. The research data comes from 456 tourist destinations, with 40 selected data used in the analysis process based on the completeness and consistency of attributes. The research stages include data pre-processing, clustering using the K-Means algorithm, and ranking the cluster results using the WP and SAW methods. Cluster quality evaluation was carried out using the Silhouette Coefficient. The results show that the combination of K-Means + WP produces a Silhouette value of 0.62, higher than K-Means + SAW at 0.59, indicating better cluster separation. These findings indicate that the multiplicative approach in WP is more effective in emphasizing the differences in characteristics between clusters, so it can be used as a decision-support method in mapping post-pandemic tourism potential.

Inggris

Penelitian ini bertujuan membandingkan efektivitas dua pendekatan hibrida, yaitu K-Means Clustering dengan metode Weighted Product (WP) dan Simple Additive Weighting (SAW), dalam pemetaan potensi wisata di Indonesia pada konteks pasca-pandemi. Data penelitian berasal dari 456 destinasi wisata, dengan 40 data terpilih yang digunakan dalam proses analisis berdasarkan kelengkapan dan konsistensi atribut. Tahapan penelitian meliputi pra-pemrosesan data, klasterisasi menggunakan algoritma K-Means, serta perankingan hasil klaster dengan metode WP dan SAW. Evaluasi kualitas klaster dilakukan menggunakan Silhouette Coefficient. Hasil penelitian menunjukkan bahwa kombinasi K-Means + WP menghasilkan nilai Silhouette sebesar 0,62, lebih tinggi dibandingkan K-Means + SAW sebesar 0,59, yang mengindikasikan pemisahan klaster yang lebih baik. Temuan ini menunjukkan bahwa pendekatan multiplikatif pada WP lebih efektif dalam mempertegas perbedaan karakteristik antar klaster, sehingga dapat digunakan sebagai metode pendukung pengambilan keputusan dalam pemetaan potensi wisata pasca-pandemi. Abstract This study aims to compare the effectiveness of two hybrid approaches, namely K-Means Clustering with the Weighted Product (WP) method and Simple Additive Weighting (SAW), in mapping tourism potential in Indonesia in the post-pandemic context. The research data comes from 456 tourist destinations, with 40 selected data used in the analysis process based on the completeness and consistency of attributes. The research stages include data pre-processing, clustering using the K-Means algorithm, and ranking the cluster results using the WP and SAW methods. Cluster quality evaluation was carried out using the Silhouette Coefficient. The results show that the combination of K-Means + WP produces a Silhouette value of 0.62, higher than K-Means + SAW at 0.59, indicating better cluster separation. These findings indicate that the multiplicative approach in WP is more effective in emphasizing the differences in characteristics between clusters, so it can be used as a decision-support method in mapping post-pandemic tourism potential.

Kata kunci

Jaringan kolaborasi para penulis

2 penulis · 1 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, pertama di-harvest 27 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Komparasi Algoritma K-Means Kluster + Weighted Product Dengan Algoritma K-Means Kluster + Simple Additive Weighting pada Pengelompokan Potensi Wisata Di Indonesia</dc:title>
	<dc:title xml:lang="en">Komparasi Algoritma K-Means Kluster + Weighted Product Dengan Algoritma K-Means Kluster + Simple Additive Weighting pada Pengelompokan Potensi Wisata Di Indonesia</dc:title>
	<dc:creator xml:lang="en">Muqorobin, Muqorobin</dc:creator>
	<dc:creator xml:lang="en">Indriastiningsih, Erna</dc:creator>
	<dc:creator xml:lang="id">Muqorobin, Muqorobin</dc:creator>
	<dc:creator xml:lang="id">Indriastiningsih, Erna</dc:creator>
	<dc:subject xml:lang="id">Klasterisasi; Potensi Wisata; K-Means Clustering; Weighted Product; Digitalisasi</dc:subject>
	<dc:subject xml:lang="en">Comparison</dc:subject>
	<dc:subject xml:lang="en">K-Means Cluster</dc:subject>
	<dc:subject xml:lang="en">Weighted Product</dc:subject>
	<dc:subject xml:lang="en">Simple Additive Weighting</dc:subject>
	<dc:subject xml:lang="en">Tourism Potential</dc:subject>
	<dc:description xml:lang="id">Penelitian ini bertujuan membandingkan efektivitas dua pendekatan hibrida, yaitu K-Means Clustering dengan metode Weighted Product (WP) dan Simple Additive Weighting (SAW), dalam pemetaan potensi wisata di Indonesia pada konteks pasca-pandemi. Data penelitian berasal dari 456 destinasi wisata, dengan 40 data terpilih yang digunakan dalam proses analisis berdasarkan kelengkapan dan konsistensi atribut. Tahapan penelitian meliputi pra-pemrosesan data, klasterisasi menggunakan algoritma K-Means, serta perankingan hasil klaster dengan metode WP dan SAW. Evaluasi kualitas klaster dilakukan menggunakan Silhouette Coefficient. Hasil penelitian menunjukkan bahwa kombinasi K-Means + WP menghasilkan nilai Silhouette sebesar 0,62, lebih tinggi dibandingkan K-Means + SAW sebesar 0,59, yang mengindikasikan pemisahan klaster yang lebih baik. Temuan ini menunjukkan bahwa pendekatan multiplikatif pada WP lebih efektif dalam mempertegas perbedaan karakteristik antar klaster, sehingga dapat digunakan sebagai metode pendukung pengambilan keputusan dalam pemetaan potensi wisata pasca-pandemi.
 
Abstract
This study aims to compare the effectiveness of two hybrid approaches, namely K-Means Clustering with the Weighted Product (WP) method and Simple Additive Weighting (SAW), in mapping tourism potential in Indonesia in the post-pandemic context. The research data comes from 456 tourist destinations, with 40 selected data used in the analysis process based on the completeness and consistency of attributes. The research stages include data pre-processing, clustering using the K-Means algorithm, and ranking the cluster results using the WP and SAW methods. Cluster quality evaluation was carried out using the Silhouette Coefficient. The results show that the combination of K-Means + WP produces a Silhouette value of 0.62, higher than K-Means + SAW at 0.59, indicating better cluster separation. These findings indicate that the multiplicative approach in WP is more effective in emphasizing the differences in characteristics between clusters, so it can be used as a decision-support method in mapping post-pandemic tourism potential.</dc:description>
	<dc:description xml:lang="en">Penelitian ini bertujuan membandingkan efektivitas dua pendekatan hibrida, yaitu K-Means Clustering dengan metode Weighted Product (WP) dan Simple Additive Weighting (SAW), dalam pemetaan potensi wisata di Indonesia pada konteks pasca-pandemi. Data penelitian berasal dari 456 destinasi wisata, dengan 40 data terpilih yang digunakan dalam proses analisis berdasarkan kelengkapan dan konsistensi atribut. Tahapan penelitian meliputi pra-pemrosesan data, klasterisasi menggunakan algoritma K-Means, serta perankingan hasil klaster dengan metode WP dan SAW. Evaluasi kualitas klaster dilakukan menggunakan Silhouette Coefficient. Hasil penelitian menunjukkan bahwa kombinasi K-Means + WP menghasilkan nilai Silhouette sebesar 0,62, lebih tinggi dibandingkan K-Means + SAW sebesar 0,59, yang mengindikasikan pemisahan klaster yang lebih baik. Temuan ini menunjukkan bahwa pendekatan multiplikatif pada WP lebih efektif dalam mempertegas perbedaan karakteristik antar klaster, sehingga dapat digunakan sebagai metode pendukung pengambilan keputusan dalam pemetaan potensi wisata pasca-pandemi.
 
Abstract
This study aims to compare the effectiveness of two hybrid approaches, namely K-Means Clustering with the Weighted Product (WP) method and Simple Additive Weighting (SAW), in mapping tourism potential in Indonesia in the post-pandemic context. The research data comes from 456 tourist destinations, with 40 selected data used in the analysis process based on the completeness and consistency of attributes. The research stages include data pre-processing, clustering using the K-Means algorithm, and ranking the cluster results using the WP and SAW methods. Cluster quality evaluation was carried out using the Silhouette Coefficient. The results show that the combination of K-Means + WP produces a Silhouette value of 0.62, higher than K-Means + SAW at 0.59, indicating better cluster separation. These findings indicate that the multiplicative approach in WP is more effective in emphasizing the differences in characteristics between clusters, so it can be used as a decision-support method in mapping post-pandemic tourism potential.</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2026-04-30</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/10535</dc:identifier>
	<dc:identifier>10.25126/jtiik.132</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 13 No 2: April 2026; 413-424</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 13 No. 2: April 2026; 413-424</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.132</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/10535/1577</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2026 Muqorobin Muqorobin, Erna Indriastiningsih</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>