Integrasi K-Means Clustering dan Rasio Potensi Pasar untuk Prioritisasi Lokasi Toko Bahan Bangunan Berbasis Data
DOI:
https://doi.org/10.59563/djtech.v7i1.432Keywords:
Data Mining, K-Means Clustering, Lokasi Usaha, Rasio Potensi Pasar, Toko Bahan BangunanAbstract
Pemilihan lokasi toko bahan bangunan memerlukan pertimbangan terhadap karakteristik wilayah dan tingkat potensi pasar agar keputusan penentuan lokasi tidak hanya didasarkan pada satu indikator. Penelitian ini bertujuan mengelompokkan kecamatan di Kota Lubuklinggau berdasarkan karakteristik demografis dan ketersediaan toko bahan bangunan serta mengintegrasikan hasil pengelompokan dengan rasio potensi pasar untuk menentukan tingkat prioritas lokasi usaha. Penelitian menggunakan pendekatan kuantitatif berbasis data mining dengan kerangka CRISP-DM. Data penelitian mencakup delapan kecamatan di Kota Lubuklinggau, dengan sumber data jumlah penduduk, kepadatan penduduk, dan laju pertumbuhan penduduk dari BPS Kota Lubuklinggau serta data jumlah toko bahan bangunan yang diperoleh melalui Google Maps. Pengelompokan dilakukan menggunakan algoritma K-Means setelah proses normalisasi data, sedangkan potensi pasar dihitung melalui rasio jumlah penduduk terhadap jumlah toko bahan bangunan. Hasil penelitian menunjukkan bahwa data delapan kecamatan terbagi menjadi tiga cluster, yaitu Potensi Rendah, Potensi Sedang, dan Potensi Tinggi, dengan nilai Silhouette Score sebesar 0,5102. Integrasi hasil clustering dan rasio potensi pasar menghasilkan tiga kategori, yaitu Sangat Strategis, Strategis, dan Cukup Strategis. Lubuklinggau Barat I termasuk kategori Sangat Strategis karena berada pada cluster Potensi Tinggi dan memiliki rasio potensi pasar kategori Tinggi. Hasil tersebut menunjukkan bahwa integrasi clustering dan rasio potensi pasar dapat digunakan sebagai dasar penyaringan awal dalam menentukan prioritas lokasi toko bahan bangunan.
References
A. R. Samani, S. Mishra, M. Golias, and D. J.-H. Lee, “What influences the location choice of establishments? An analysis considering establishment types and activities interactions,” Journal of Transport Geography, vol. 111, Art. no. 103667, 2023, doi: 10.1016/j.jtrangeo.2023.103667
L. G. Rohman, C. N. Alam, and B. Subaeki, “Implementasi Algoritma K-Means Clustering untuk Identifikasi Lokasi Strategis Coffee Shop,” Bulletin of Computer Science Research, vol. 5, no. 4, pp. 797–805, 2025, doi: 10.47065/bulletincsr.v5i4.600.
R. P. Aryanto, A. Nilogiri, and A. E. Wardoyo, “Klasterisasi Jumlah Penduduk Provinsi Jawa Timur Tahun 2021-2023 Menggunakan Algoritma K-Means,” JISKA (Jurnal Informatika Sunan Kalijaga), vol. 9, no. 2, pp. 134–146, 2024, doi: 10.14421/jiska.2024.9.2.134-146.
N. Oktaviany, N. Suarna, and W. Prihartono, “Implementasi Algoritma K-Means Clustering dalam Mengelompokkan Kepadatan Penduduk di Provinsi DKI Jakarta,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 1, 2024, doi: 10.36040/jati.v8i1.8241.
F. Handayanna dan S. Sunarti, “Penerapan Algoritma K-Means Untuk Mengelompokkan Kepadatan Penduduk Di Provinsi DKI Jakarta,” J. Appl. Comput. Sci. Technol., vol. 5, no. 1, hlm. 50–55, Mar 2024, doi: 10.52158/jacost.v5i1.477.
L. Y. Hutabarat, I. Gunawan, I. Purnamasari, M. Safii, dan W. Saputra, “Penerapan Algoritma K-Means Dalam Pengelompokan Jumlah Penduduk Berdasarkan Kelurahan Di Kota Pematangsiantar,” J. Ilmu Komput. Dan Teknol., vol. 2, no. 2, hlm. 20–26, Jan 2022, doi: 10.35960/ikomti.v2i2.704.
P. Marpaung dan R. F. Siahaan, “Penerapan Algoritma K-Means Clustering Untuk Pemetaan Kepadatan Penduduk Berdasarkan Jumlah Penduduk Kota Medan,” vol. 5, 2021.
R. G. Rohman, Cecep Nurul Alam, dan Beki Subaeki, “Implementasi Algoritma K-Means Clustering untuk Identifikasi Lokasi Strategis Coffee Shop,” Bull. Comput. Sci. Res., vol. 5, no. 4, hlm. 797–805, Jun 2025, doi: 10.47065/bulletincsr.v5i4.600.
Y. Radhinal, A. K. Hadid, T. Wahyuningsih, and N. R. Nur, “Tipologi Kecamatan di Kota Palu Berdasarkan Karakteristik Demografi dan Ketersediaan Fasilitas Pelayanan Dasar Menggunakan Algoritma K-Means Clustering,” Jurnal Kesehatan, vol. 8, no. 11, 2025, doi: 10.56338/jks.v8i11.92693.
S. Schaffner, S. Schmid, and J. R. H. W, “Location effects: Geo-spatial and socio-demographic determinants of sales dynamics in brick-and-mortar retail stores,” Journal of Retailing and Consumer Services, vol. 66, Art. no. 102902, 2022, doi: 10.1016/j.jretconser.2021.102902.
C. Reed, T. E. Yu, and D. Hughes, “Evaluating the factors influencing the location strategies of specialty grocers versus traditional supermarkets in the United States,” Applied Geography, vol. 158, Art. no. 103034, 2023, doi: 10.1016/j.apgeog.2023.103034.
J. Lu, X. Zheng, E. Nervino, Y. Li, Z. Xu, and Y. Xu, “Retail store location screening: A machine learning-based approach,” Journal of Retailing and Consumer Services, vol. 77, Art. no. 103620, 2024, doi: 10.1016/j.jretconser.2023.103620.
J. R. Graham and D. P. H. McKenzie, “Empirical methods in business location research,” Journal of Urban Technology, vol. 29, no. 3, pp. 344–361, 2022, doi: 10.1080/21681376.2021.1976261
S. Datta and K. Sudhir, “The agglomeration-differentiation tradeoff in spatial location choice,” Customer Needs and Solutions, vol. 10, no. 1, 2023, doi: 10.1007/s40547-023-00135-w
T. Formanek and O. Sokol, “Location effects: Geo-spatial and socio-demographic determinants of sales dynamics in brick-and-mortar retail stores,” Journal of Retailing and Consumer Services, vol. 66, Art. no. 102902, 2022, doi: 10.1016/j.jretconser.2021.102902
N. Nurhayah, N. Suarna, and W. Prihartono, “Analisis jumlah penduduk menggunakan algoritma K-Means berdasarkan kabupaten/kota di Indonesia,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 1, pp. 894–901, 2024, doi: 10.36040/jati.v8i1.8863
R. P. Aryanto, A. Nilogiri, and A. E. Wardoyo, “Klasterisasi jumlah penduduk Provinsi Jawa Timur tahun 2021–2023 menggunakan algoritma K-Means,” JISKA (Jurnal Informatika Sunan Kalijaga), vol. 9, no. 2, pp. 134–146, 2024, doi: 10.14421/jiska.2024.9.2.134-146
D. Gultom, I. Gunawan, I. Purnamasari, S. R. Andani, and Z. A. Siregar, “Penerapan algoritma K-Means dalam pengelompokan kepadatan penduduk menurut kecamatan di Kabupaten Simalungun,” Terapan Informatika Nusantara, vol. 2, no. 10, pp. 622–628, 2022, doi: 10.47065/tin.v2i10.1375
D. Erdiansyah, I. N. Abdullah, and A. J. Tallo, “Determination of potential business locations using data mining clustering,” Jurnal Pilar Nusa Mandiri, vol. 21, no. 1, pp. 72–81, 2025, doi: 10.33480/pilar.v21i1.6295
V. Agustine, I. F. Ashari, and R. C. T. H. Permana, “Clustering of regions in Lampung Province based on social and economic aspects using the K-Means algorithm with PCA optimization,” Jurnal Ekonomi & Studi Pembangunan, vol. 26, no. 2, 2025, doi: 10.18196/jesp.v26i2.26212
A. E. P. Haryanto and M. U. Yanuar, “Metode K-Means Clustering untuk pengelompokan kabupaten/kota dalam upaya pengendalian tingkat inflasi di Pulau Jawa dan Sumatera,” Government and Statistics, vol. 1, pp. 29–42, 2022, doi: 10.21787/govstat.1.2022.29-42
F. S. Darusman and B. W. Trenggono, “Population density cluster analysis in DKI Jakarta Province using K-Means algorithm,” Journal of Information Systems and Informatics, vol. 4, no. 4, pp. 777–789, 2022
N. Napitupulu, S. B. Purba, D. T. Silalahi, A. A. Sinamo, and I. Gunawan, “Clustering data kepadatan penduduk Kota Pematangsiantar (per km²) menurut kecamatan menggunakan metode K-Means clustering,” Jurnal Riset Sistem Informasi dan Aplikasi Komputer (JRSIKOM), vol. 1, no. 2, pp. 51–58, 2025, doi: 10.180997/jrsikom.v1i2.24
S. Han, X. Jia, X. Chen, S. Gupta, A. Kumar, and Z. Lin, “Search well and be wise: A machine learning approach to search for a profitable location,” Journal of Business Research, vol. 144, pp. 416–427, 2022, doi: 10.1016/j.jbusres.2022.01.049
A. A. E. Purba and M. I. P. Nasution, “Business Intelligence dalam Era Ekonomi Digital: Kajian Sistematis atas Strategi dan Implementasi”, Journal Artificial, vol. 3, no. 2, pp. 161–171, Aug. 2025, doi: 10.54065/artificial.753
