PENERAPAN ALGORITMA K-PROTOTYPES DALAM ANALISIS POTENSI UMKM DI KABUPATEN ASAHAN
DOI:
https://doi.org/10.54314/jssr.v8i3.3863Abstract
Abstract: Micro, Small, and Medium Enterprises (MSMEs) in Asahan Regency have very heterogeneous characteristics, both in terms of business sectors, capital size, and income achievement. This study aims to cluster MSMEs using the K-Prototypes algorithm to group business actors into uniform clusters based on numerical and categorical characteristics. The methodology used includes the pre-processing stage, variable transformation, determining the optimal number of clusters using the elbow method, and implementing the K-Prototypes algorithm. The results of the study showed that five main clusters were successfully formed, each showing a different pattern in terms of capital, net income, and dominant business sector. Data visualization and exploration (EDA) also strengthened the understanding of the cluster structure that was formed. The cluster with the highest capital and income is dominated by the medium-scale trade sector, while the cluster with the lowest capital and income is identical to micro MSMEs in the culinary and service sectors. These findings prove that the K-Prototypes algorithm is effective in identifying MSME segmentation in a more structured manner and can be the basis for designing more targeted MSME development strategies.
Â
Keyword: UMKM; clustering; K-Prototypes; mixed data; segmentation analysis.
Â
Abstrak: Usaha Mikro, Kecil, dan Menengah (UMKM) di Kabupaten Asahan memiliki karakteristik yang sangat heterogen, baik dari sisi sektor usaha, besaran modal, hingga capaian income. Penelitian ini bertujuan untuk melakukan klasterisasi UMKM menggunakan algoritma K-Prototypes guna mengelompokkan pelaku usaha ke dalam klaster-klaster yang seragam berdasarkan karakteristik numerik dan kategorikal. Metodologi yang digunakan mencakup tahap pre-processing, transformasi variabel, penentuan jumlah klaster optimal menggunakan metode elbow, serta implementasi algoritma K-Prototypes. Hasil penelitian menunjukkan bahwa lima klaster utama berhasil dibentuk, masing-masing menunjukkan pola yang berbeda dalam hal modal, income bersih, dan sektor usaha dominan. Visualisasi dan eksplorasi data (EDA) turut memperkuat pemahaman terhadap struktur klaster yang terbentuk. Klaster dengan modal dan income tertinggi didominasi oleh sektor perdagangan skala menengah, sedangkan klaster dengan modal dan income terendah identik dengan UMKM mikro di sektor kuliner dan jasa. Temuan ini membuktikan bahwa algoritma K-Prototypes efektif digunakan untuk mengidentifikasi segmentasi UMKM secara lebih terstruktur dan dapat menjadi dasar dalam merancang strategi pengembangan UMKM yang lebih tepat sasaran.
Â
Kata kunci: UMKM; klasterisasi; K-Prototypes; data campuran; analisis segmentasiDownloads
References
Aliyah, A. H. (2022). Peran Usaha Mikro Kecil dan Menengah (UMKM) untuk Meningkatkan Kesejahteraan Masyarakat. WELFARE Jurnal Ilmu Ekonomi, 3(1), 64–72. https://doi.org/10.37058/wlfr.v3i1.4719
Apriyani, P., Dikananda, A. R., & Ali, I. (2023). Penerapan Algoritma K-Means dalam Klasterisasi Kasus Stunting Balita Desa Tegalwangi. Hello World Jurnal Ilmu Komputer, 2(1), 20–33. https://doi.org/10.56211/helloworld.v2i1.230
Asyifah Fauzah Delfira, Putri Yuliarman, Muhammad Baihaqi, & Muhammad Baihaqi. (2025). Analisis Permasalahan Perkembangan UMKM Terhadap Perekonomian di Indonesia. Jurnal Ekonomi, Bisnis Dan Manajemen, 4(1), 167–180. https://doi.org/10.58192/ebismen.v4i1.3184
Kustanto, Y., Arumi, R., Sasongko, D., Ully Artha, E., & Prabowo, N. A. (2024). Implementasi K-Modes Clustering Untuk Pengelompokan Data Bermain Game Pada Mahasiswa Ditinjau Dari Durasi Belajarnya. Media Online), 4(5), 2495–2505. https://doi.org/10.30865/klik.v4i5.1619
Novidianto, R., & Fithriasari, K. (2021). Algoritma ClusterMix K-Prototypes Untuk Menangkap Karakteristik Pasien Berdasarkan Variabel Penciri Mortalitas Pasien Dengan Gagal Jantung. Inferensi, 4(1), 37. https://doi.org/10.12962/j27213862.v4i1.8479
Purba, Ariani Fitri ; Mustafid, M., & Kartikasari, P. (2025). PENERAPAN ALGORITMA k-PROTOTYPE UNTUK PENGELOMPOKAN DESA DI KABUPATEN BEKASI BERDASARKAN INFRASTRUKTUR DIGITAL. 13, 479–489. https://doi.org/10.14710/j.gauss.13.2.479-489
Rahmawati, T., Wilandari, Y., & Kartikasari, P. (2024). Analisis Perbandingan Silhouette Coefficient Dan Metode Elbow Pada Pengelompokkan Provinsi Di Indonesia Berdasarkan Indikator Ipm Dengan K-Medoids. Jurnal Gaussian, 13(1), 13–24. https://doi.org/10.14710/j.gauss.13.1.13-24
Ramdhan, W., Sitompul, O. S., Nababan, E. B., & Nasution, S. (2025). a Multi-View Clustering Approach and Exploratory Data Analysis for Dominant Demographic Knowledge Discovering on the Cause Behind the Pandemic. ICIC Express Letters, 19(2), 175–184. https://doi.org/10.24507/icicel.19.02.175
Reihanah, K. N., I Maruddani, D. A., & Widiharih, T. (2024). Clustering Karakteristik Industri Kecil Dan Menengah Di Kota Kendari Menggunakan Algoritma K-Prototypes. Jurnal Gaussian, 12(3), 340–351. https://doi.org/10.14710/j.gauss.12.3.340-351
Saniyah, N., Suarna, N., & Prihartono, W. (2024). Clustering Pelanggaran Lalu Lintas Pada Kendaraan Bermotor Menggunkan Algoritma K-Prototype (Studi Kasus: Pengadilan Negeri Cirebon). Jurnal Mahasiswa Teknik Informatika, 8(1), 772–778.
Wita Setiawati, Sofi Mutiara Insani, & Syarifah Setiana Ardiati. (2024). Peran Marketing Terhadap Omset Penjualan UMKM. MENAWAN : Jurnal Riset Dan Publikasi Ilmu Ekonomi, 2(5), 52–61. https://doi.org/10.61132/menawan.v2i5.782
