Implementasi Data Mining Untuk Klasifikasi Kunjungan Wisatawan Riau Menggunakan K-NN
Keywords:
Data Mining, K-Nearest Neighbor, Klasfikasi, Kunjungan WisatawanAbstract
Pariwisata merupakan sektor penting dalam perekenomonian daerah, termasuk pada Provinsi Riau yang memiliki lebih dari 200 destinasi wisata. Dengan banyaknya destinasi wisata, tidak semua wisata memiliki infrastruktur yang memadai dan baik. Hal ini dikarenakan, tidak adanya pengklasifikasian destinasi wisata yang setara dan membuat pembangunan kurang merata. Penelitian ini bertujuan untuk mengklasifikasikan destinasi wisata yang ada pada Provinsi Riau menjadi beberapa kategori. Dengan klasifikasi yang tepat, Dinas Pariwisata Riau dapat memberikan dana untuk pembangunan tempat wisata yang lebih merata. K-Nearest Neighbor digunakan pada penelitian ini karena dirasa cukup ampuh dalam melakukan klasifikasi. Dengan menggunakan data kunjungan wisatawan yang terdapat pada periode 2021 hingga 2023, data yang digunakan sudah masuk ke dalam tahapan preprocessing, pemberian label menggunakan label encoding, dan pemberian kategori dengan min-max scaling. Pada pembagian data menggunakan presentase 80 persen data latih dan 20 persen data uji, didapatkan akurasi sebesar 93,75%, akurasi label ramai sebesar 100%, akurasi label cukup ramai sebesar 75%, dan akurasi tidak ramai sebesar 96%. Dengan demikian, model dinyatakan cukup ampuh dalam mengklasifikasikan data dengan kategori tidak ramai, sementara untuk kategori ramai dan cukup ramai, model tidak terlalu baik dalam mengklasifikasikan data dikarenakan data yang didapat memiliki perbandingan kategori yang kurang merata
Downloads
References
M. H. Aziz, “Model Pariwisata Digital dalam Pengembangan Pariwisata Indonesia,” J. Ilm. Univ. Batanghari Jambi, vol. 22, no. 3, p. 2279, 2022, doi: 10.33087/jiubj.v22i3.2246.
L. V Tobing, “Strategi Dinas Pariwisata Provinsi Riau Dalam Meningkatkan Kunjungan Wisata Di Provinisi Riau,” 2020, [Online]. Available: https://repository.uin-suska.ac.id/40711/
Q. A. A’yuniyah and M. Reza, “Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Jurusan Siswa Di Sma Negeri 15 Pekanbaru,” Indones. J. Inform. Res. Softw. Eng., vol. 3, no. 1, pp. 39–45, 2023, doi: 10.57152/ijirse.v3i1.484.
S. R. Cholil, T. Handayani, R. Prathivi, and T. Ardianita, “Implementasi Algoritma Klasifikasi K-Nearest Neighbor (KNN) Untuk Klasifikasi Seleksi Penerima Beasiswa,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 6, no. 2, pp. 118–127, 2021, doi: 10.31294/ijcit.v6i2.10438.
P. Putra, A. M. H. Pardede, and S. Syahputra, “Analisis Metode K-Nearest Neighbour (Knn) Dalam Klasifikasi Data Iris Bunga,” J. Tek. Inform. Kaputama, vol. 6, no. 1, pp. 297–305, 2022.
Nurjanah Siti, Siregar Amril Mutoi, and Kusumaningrum Dwi Sulistya, “Penerapan Algoritma K – Nearest Neighbor (KNN) Untuk Klasifikasi Pencemaran Udara Di Kota Jakarta,” Sci. Student J. Information, Technol. Sci., vol. 1, no. 2, pp. 71–76, 2020, [Online]. Available: http://journal.ubpkarawang.ac.id/mahasiswa/index.php/ssj/article/view/14
R. L. Hasanah, M. Hasan, W. E. Pangesti, F. F. Wati, and W. Gata, “Klasifikasi Penerima Dana Bantuan Desa Menggunakan Metode Knn (K-Nearest Neighbor),” J. Techno Nusa Mandiri, vol. 16, no. 1, pp. 1–6, 2019, doi: 10.33480/techno.v16i1.25.
R. Syahri and D. Puspita, “Klasifikasi Pengunjung Wisata Di Kota Pagar Alam Dengan Menggunakan Algoritma K-Nearest Neighbor (K-Nn),” J. Ilm. Teknosains, vol. 9, no. 2, 2023.
A. Muhadi and A. Octaviano, “Penerapan Data Mining Untuk Prediksi Hasil Keuntungan Lelang Mesin X-Ray Tahun 2020 Dengan Metode K-Nearest Neighbor (Studi Kasus : PT.Ramadika Mandiri),” J. Inform. MULTI, vol. 1, no. 2, pp. 2985–8860, 2023, [Online]. Available: https://jurnal.publikasitecno.id/index.php/jim126
A. Roihan, P. A. Sunarya, and A. S. Rafika, “Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 5, no. 1, pp. 75–82, 2020, doi: 10.31294/ijcit.v5i1.7951.
I. Arthalita and R. Prasetyo, “Penggunaan Website Sebagai Sarana Evaluasi Kegiatan Akademik Siswa Di Sma Negeri 1 Punggur Lampung Tengah,” JIKI (Jurnal llmu Komput. lnformatika), vol. 1, no. 2, pp. 93–108, 2020, doi: 10.24127/jiki.v1i2.678.
R. P. Pridiptama, W. Wasono, and F. D. . Amijaya, “Perbandingan Algoritma Support Vector Machine dan Na¨ıveNa¨ıve Bayes pada Klasifikasi Penyakit Tekanan Darah Tinggi (Studi Kasus: Klinik Polresta Samarinda),” Basis, vol. 3, no. 1, pp. 1–16, 2024, [Online]. Available: http://jurnal.fmipa.unmul.ac.id/index.php/Basis
A. David Imanuel, N. Nawaningtyas Pusparini, and A. Sani, “Klasifikasi Untuk Memprediksi Tingkat Kelulusan Mahasiswa Stmik Widuri Menggunakan Algoritma Naïve Bayes,” J. Ilm. Inform., vol. 12, no. 01, pp. 1–7, 2024, doi: 10.33884/jif.v12i01.8201.
A. Ghani Muttaqin, K. Auliasari, and F. Santi Wahyuni, “Penerapan Metode K-Nearest Neighbor Untuk Prediksi Penjualan Berbasis Web Pada Pt.Wika Industri Energy,” JATI (Jurnal Mhs. Tek. Inform., vol. 4, no. 2, pp. 1–6, 2020, doi: 10.36040/jati.v4i2.2728.
L. Suryadi, N. Ngajiyanto, N. E. Pratiwi, F. Ardhy, and P. Riswanto, “Penerapan Data Mining Prediksi Penjualan Mebel Terlaris Menggunakan Metode K-Nearest Neighbor(K-Nn) (Studi Kasus : Toko Zerita Meubel),” JUSIM (Jurnal Sist. Inf. Musirawas), vol. 7, no. 2, pp. 174–184, 2022, doi: 10.32767/jusim.v7i2.1697.
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
SANTI - Journal of Information Systems and Information Technology provides open access to anyone, ensuring that the information and findings in the article are useful to everyone. This journal article's entire contents can be accessed and downloaded for free. In accordance with the Creative Commons Attribution-ShareAlike 4.0 International License.
SANTI - Journal of Information Systems and Information Technology is licensed under a Creative Commons Attribution-ShareAlike 4.0
