Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI) Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Soleliza Jones, Anna Hendri
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Penerapan Metode K-Medoids Guna Pengelompokan Data Usaha Mikro, Kecil dan Menengah (UMKM) Bidang Kuliner Di Kota Yogyakarta Linarti, Utaminingsih; Soleliza Jones, Anna Hendri; Zahrotun, Lisna; Rahmawati, Anita
Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI) Vol. 7 No. 1 (2024): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Utility Project Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/jikomsi.v7i1.2194

Abstract

Usaha Mikro, Kecil, dan Menengah (UMKM) merupakan kegiatan yang dikelola secara individu maupun lembaga dan berperan penting dalam pertumbuhan perekonomian negara. Dinas Perindustrian, Koperasi, dan Usaha Kecil dan Menengah Yogyakarta memiliki kendala mengenai pemilihan UMKM dalam memberikan layanan untuk meningkatkan UMKM di Kota Yogyakarta. Penelitian ini bertujuan untuk menghasilkan analisis dan akurasi data untuk mengelompokkan bidang Kuliner di kota Yogyakarta. Metode yang akan digunakan yaitu Algoritma K-Medoids. Metode ini merupakan algoritma pengelompokan untuk mempartisi data dan menetapkan objek representatif dengan kata lain medoids sebagai titik pusat atau centroid. Metode pengujian yang digunakan silhouette coefficient dengan langkah penelitian mulai dari load data, data cleaning, seleksi data, transformasi data, penerapan algoritma k-medoids, pengujian, dan representasi hasil. Penelitian menggunakan 1336 data dengan metode pengujian silhouette coefficient menghasilkan akurasi 0,60 dan menghasilkan pengelompokkan data yang terbagi menjadi dua cluster. Cluster 0 memiliki data 1073 dan cluster 1 memiliki data 263. Pada Cluster 0 terdapat 70% memiliki pendapatan kurang dari 10 juta dan sebanyak 20% memiliki pendapatan 25 juta pertahun. Tujuan pemasaran dilakukan dalam wilayah DIY hingga luar Negeri dan rata-rata umur usaha 8,5 tahun. Pada cluster 1 terdapat 52% memiliki pendapatan kurang dari 10 juta pertahun dengan tujuan pemasaran dilakukan dalam wilayah DIY dan rata-rata umur usaha 33,6 tahun.
Analisis Perbandingan Metode DBSCAN dan Mean Shift Dalam Mengelompokkan Data IPM Kabupaten/Kota se-Indonesia Fasihullisan Damopolii, Muhamad Rizki; Zahrotun, Lisna; Soleliza Jones, Anna Hendri
JURNAL FASILKOM Vol. 15 No. 3 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i3.10797

Abstract

This study extends previous research that clustered the 2019 Human Development Index (HDI) data of regencies and cities in Indonesia using K-Means, K-Medoids, and Agglomerative Hierarchical Clustering (AHC). HDI is an important indicator for describing the level of regional development; therefore, clustering analysis of HDI data is needed to support more targeted development policy formulation. However, these conventional clustering methods have limitations, including the requirement to predefine the number of clusters and their limited ability to handle noise. Therefore, this study applies and compares two density-based clustering algorithms, namely DBSCAN (Density-Based Spatial Clustering of Applications with Noise) and Mean Shift, which are capable of forming clusters automatically without specifying the number of clusters in advance and can effectively handle noise. The determination of optimal parameters for each method is conducted using the Sw/Sb Ratio metric, which measures the ratio between within-cluster and between-cluster standard deviations. The results show that Mean Shift with an optimal bandwidth parameter of 1 achieves an Sw/Sb Ratio value of 0.3609, which is better than DBSCAN with a value of 0.3739, and also outperforms the clustering methods used in previous studies, which produced a value of 0.51. These findings indicate that density-based clustering algorithms, particularly Mean Shift, provide more representative clustering results for HDI data and may serve as a more effective alternative method for analyzing human development data in Indonesia.
Co-Authors Anita Rahmawati Fasihullisan Damopolii, Muhamad Rizki Lisna Zahrotun Utaminingsih Linarti, Utaminingsih