NASKAH PUBLIKASI

SISTEM INFORMASI GEOGRAFIS PEMETAAN LEMBAGA DAKWAH

KAMPUS SE-SOLO RAYA MENGGUNAKAN METODE K-MEANS
CLUSTERING

Fladi Adi Usman

15.5.00030

Teknik Informatika

Strata 1

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER SINAR

NUSANTARA
SURAKARTA
2019
 NASKAH PUBLIKASI

SISTEM INFORMASI GEOGRAFIS PEMETAAN LEMBAGA DAKWAH

KAMPUS SE-SOLO RAYA MENGGUNAKAN METODE K-MEANS
CLUSTERING

Disusun Oleh:
Nama : Fladi Adi Usman
Nim : 15.5.00030
Program Studi : Teknik Informatika
Jenjang pendidikan : Strata 1

Untuk Berkala Penelitian Sarjana ini

Telah Disetujui oleh

1. Reviewer 1

Nama Tanggal............................
NIDN.

2. Reviewer 2

Nama Tanggal............................
NIDN.
 SISTEM INFORMASI GEOGRAFIS PEMETAAN LEMBAGA DAKWAH
KAMPUS SE-SOLO RAYA MENGGUNAKAN METODE K-MEANS
CLUSTERING
Arial 11
Fladi Adi Usman1); Didik Nugroho2); Teguh Susyanto3)
1)
Teknik Informatika, STMIK Sinar Nusantara
2)
Teknik Informatika, STMIK Sinar Nusantara
3)
Sistem Informasi, STMIK Sinar Nusantara
1)
fladiiusman@gmail.com; 2)didikhoho@gmail.com; 3) teguh@sinus.ac.id
…….
……. 11
ABSTRACT
Lembaga Dakwah Kampus in solo and surrounding areas does not yet have an information
system and grouping based on the FSLDK (Forum Silaturahim Lembaga Dakwah Kampus)
organization of the Dakwah Institution of Campus throughout Indonesia especially in solo, so it
can lead to a lack of leveling in the provision of guidance from solo FSLDK. To monitor and even
out in giving guidance to the Lembaga Dakwah Kampus, a technology-based system is needed
that can provide information about the existing Lembaga Dakwah Kampus, and to equalize the
provision of da'wah facilities and supplements, the Lembaga Dakwah Kampus clustering is
based on its characteristics. application of the Dakwah Institution mapping website The solo
campus uses the k-means clustering method. This study uses this method because the K-Means
Clustering method has a relatively low diversity value in the cluster and shows a relatively high
diversity value between clusters. This study uses the following criteria: the number of
administrators of the Da'wah Campus, the Da'wah schedule a year and the work program a year.
Keywords: K-Means Clustering, Geographic Information Systems, Lembaga Dakwah Kampus

I. PENDAHULUAN bereferensi geografis yang

Pesatnya perkembangan
teknologi informasi semakin
berkembang juga. Hal ini membuat
internet yang merupakan salah satu
dari perkembangan teknologi informasi
dan komunikasi menjadi sarana
pendukung yang penting dalam segala
bidang.
Seiring dengan perkembangan
teknologi informasi, banyak sekali
riset-riset yang dilakukan untuk
mendorong timbulnya penemuan baru
dalam dunia teknologi. Adapun salah
satu penemuan tersebut adalah
Sistem Informasi Geografis (SIG) atau
Geographic Information System (GIS).
Sistem Informasi Geografis atau
bisa disingkat dengan SIG adalah
suatu sistem yang berorientasi kepada
letak geografis di atas permukaan
bumi, berbasis komputer yang
mempunyai kemampuan mengolah,
memanipulasi serta menampilkan data
spasial maupun attribute, sistem ini
merupakan suatu sistem sistem
informasi yang berbasiskan komputer
untuk menyimpan, mengelola,
menganalisa dan memanggil data
berkembang pesat pada beberapa
tahun terakhir ini [1],[8].
Manfaat dari Sistem Informasi
Geografis (SIG) adalah memberikan
kemudahan kepada para pengguna
atau para pengambil keputusan untuk
menentukan kebijaksanaan yang
diambil, khususnya yang diambil
berkaitan dengan aspek keruangan
(spasial). Dengan adanya teknologi ini
maka akan memudahkan dalam hal
pemetaan Lembaga Dakwah Kampus
yang ada di Solo dan sekitarnya.
Lembaga Dakwah Kampus se-
solo raya pada saat ini belum memiliki
sistem informasi untuk mengetahui
Lembaga Dakwah Kampus mana yang
harus dibina dan Lembaga Dakwah
Kampus mana yang sudah tidak harus
dibina oleh Puskomda FSLDK (Forum
Silaturahin Lembaga Dakwah
Kampus). FSLDK ini adalah sebuah
badan dari Lembaga Dakwah Kampus
di seluruh Indonesia terkhusus di solo
raya, karena FSLDK sendiri terbagi
berbagai cabang kota di seluruh
Indonesia, untuk itu jika FSLDK solo
raya akan memantau Lembaga

1
 Dakwah Kampus se solo raya, mereka
harus terjun langsung ke kampus-
kampus se solo raya, sehingga dapat
memakan waktu yang banyak,
makanya perlu sistem informasi agar
tidak menimbulkan terjadinya
kekurang merataan dalam pemberian
pembinaan dari FSLDK solo raya,
untuk memonitoring dan memeratakan
dalam pemberian pembinaan kepada
Lembaga Dakwah Kampus.
Berdasarkan penjelasan latar
belakang diatas maka diperlukan
sistem berbasis teknologi yang dapat
memberikan informasi tentang
Lembaga Dakwah Kampus yang ada,
serta untuk memeratakan pemberian
fasilitas dan suplemen dakwah, maka
diperlukan clustering Lembaga
Dakwah Kampus berdasarkan
karakteristiknya. Dari sinilah penulis
menjadikan Lembaga Dakwah
Kampus sebagai objek penelitian
skripsi Sistem Informasi Geografis
Pemetaan Lembaga Dakwah Kampus
Se-Solo Raya Menggunakan Metode
K-Means Clustering untuk
memaksimalkan waktu yang lebih
efisien ketika memonitoring Lembaga
Dakwah Kampus di solo raya. Hal
yang perlu dimonitoring adalah jumlah
pengurus Lembaga Dakwah Kampus,
jadwal dakwah pertahun dan program
kerja pertahun. Hal inilah yang
mendorong untuk membangun Sistem
Informasi Geografis Pemetaan
Lembaga Dakwah Kampus se-solo
raya. Sehingga mempermudah dalam
memonitoring dan membina Lembaga
Dakwah Kampus secara lebih mudah.
II. TINJAUAN PUSTAKA
Sistem informasi adalah
seperangkat elemen yang saling
terhubung atau komponen yang
mengumpulkan (input), memanipulasi
(proses), menyimpan dan
menyebarkan (output) data dan
informasi, menyediakan sebuah reaksi
koreksi (mekanisme umpan balik)
untuk mencapai sebuah obyektif [2].
Sistem informasi adalah rangkaian
orang, prosedur, dan sumber daya
yang mengumpulkan, mengubah dan
menyebarkan informasi dalam sebuah
organisasi atau sebuah sistem yang
menerima sumber daya data sebagai
input dan memprosesnya ke dalam
produk informasi sebagai output-nya
[3].
Informasi merupakan segala
sesuatu keterangan yang bermanfaat
untuk para pengambil
keputusan/manajer dalam rangka
mencapai tujuan organisasi yang
sudah ditetapkan sebelumnya [4].
Informasi merupakan data yang telah
diproses atau memiliki arti. Adapun
karakteristik penting yang harus
dimiliki oleh informasi, seperti :
relevansi, akurat, ketepatan waktu,
dan kelengkapan [12].
SIG (Sistem Informasi Geografis)
adalah suatu sistem yang berorientasi
kepada letak geografis di atas
permukaan bumi, berbasis komputer
yang mempunyai kemampuan
mengolah, memanipulasi serta
menampilkan data spasial maupun
attribute [1]. SIG adalah sistem
informasi yang mempunyai data
berspasial yang diambil berdasarkan
letak geografis suatu wilayah untuk
proses analisis, penyimpanan dan
visualisasi, hal ini dapat disimpulkan
bahwa SIG merupakan pengelolaan
data geografis yang didasarkan pada
kinerja komputer (mesin) [13].
Pemetaan adalah pengelompokan
suatu kumpulan wilayah yang
berkaitan dengan beberapa letak
geografis wilayah yang meliputi
dataran tinggi, pegunungan, sumber
daya, dan potensi penduduk yang
berpengaruh terhadap sosial kultural
yang memiliki ciri khas khusus dalam
penggunaan skala yang tepat [5].
Pemetaan yang didistribusikan
diseluruh lingkungan jaringan
komputer untuk mengintegrasikan,
menyebaran dan mengkomunikasikan
informasi geografis secara visual
melalui internet [14].
Dakwah dikampus tidak bisa
dilepaskan dari peran Lembaga
Dakwah Kampus (LDK) yang ada
hampir di setiap kampus perguruan
tinggi di Indonesia saat ini. Menurut
khittah LDK, Lembaga Dakwah
Kampus (LDK) adalah suatu lembaga
yang dikelola mahasiswa, bergerak
dalam dakwah Islam di Kampus untuk
2
 menegakkan kalimat Allah dengan dalam proses klasifikasi, data
amar ma’ruf nahi mungkar. dikelompokkan ke dalam kelas-kelas
Masyarakat kampus sebagai objek yang telah diketahui sebelumnya.
utamanya dan mahasiswa merupakan Flowchart untuk algortima K-
unsur terpentingnya [6]. Means clustering
K-Means clustering adalah salah
satu metode data clustering non-hirarki
yang mempartisi data ke dalam bentuk
satu atau lebih cluster / kelompok,
sehingga data yang memiliki
karakteristik yang sama
dikelompokkan dalam satu cluster
yang sama dan data yang memiliki
karakteristik berbeda dikelompokkan
ke dalam kelompok lain. K-Means
merupakan algoritma clustering yang
cukup sederhana yang mempartisi
database kedalam beberapa cluster
algoritma cukup mudah untuk
diimplementasikan dan dijalankan,
relatif cepat, mudah disesuaikan dan
banyak digunakan [7],[9].
Prinsip utama dari teknik ini
adalah menyusun K buah partisi / Gambar 1. Flowchart K-Means
pusat massa (centroid) / rata-rata clustering
(mean) dari sekumpulan data.
Algoritma K-Means dimulai dengan 1. Menentukan banyaknya cluster
pembentukan partisi cluster diawal adalah dua (k = 2) yang akan dibuat.
kemudian secara interaktif partisi Banyaknya cluster harus lebih kecil
cluster ini diperbaiki hingga tidak dari pada banyaknya data (k < n).
terjadi perubahan yang signifikan pada 2. Menuntukan centroid setiap
pertisi cluster. cluster, untuk menuntukan
Metode K-Means Clustering menentukan centroid awal (initial
hanya bisa mengolah data dalam centroid) banyak metode yang dapat
bentuk angka, maka untuk data yang digunakan. Disini metode yang
berbentuk nominal harus digunakan adalah yang mengambil
diinisialisasikan atau dinormalisasikan data dari data sumber, secara acak
terlebih dahulu dalam bentuk angka. atau random (sel yang berwarna
Dengan langkah yaitu, pertama kuning dan dan hijau di table 1).
urutkan data berdasarkan frekuensi
kemunculannya, lantas yang kedua Tabel 1. Data Sumber
adalah inisialisasikan atau
dinormalisasikan data tersebut mulai N a b c
dari data tertinggi dengan nilai 1,
1 28 5 26
kemudian data selanjutnya 2, 3 dan
seterusnya [10],[11]. 2 13 3 15
3 10 2 9
III. METODE PENELITIAN 4 21 4 17
Metode pada algoritma K-Means 5 18 3 15
clustering merupakan proses untuk 6 19 3 17
mengetahui kelas-kelas atau analisis
topologi dari data-data pembagian Tabel 2. Centroid pada
Lembaga Dakwah Kampus se Solo pengulangan ke-0
raya yang sudah ada. Dilihat dari
kacamata data mining, clustering N a b c
bukanlah proses klafisikasi. Karena

3
 1 28 5 26 N a b c dc1 dc2 dc3
2 13 3 15 1 28 5 26 18.71 11.45 12.88
2 13 3 15 0.00 8.31 6.32
Untuk pengulangan berikutnya 3 10 2 9 6.78 13.75 12.08
(pengulangan ke-1 sampai selesai),
centroid baru dihitung dengan 4. Kelompokkan data sesuai dengan cluster
menghitung nilai rata-rata data pada nya, yaitu data yang memiliki jarak terpendek.
setiap cluster baru berbeda dengan Contoh; karena d(x1,c1) < d(x1,c2) maka x1
centroid sebelumnya, maka proses masuk kedalam cluster 1.
dilanjutkan ke langkah berikutnya. Pada tabel 4, data n = 1 masuk kedalam
Namun jika centroid yang baru cluster 1 karena dc1 < dc2, sedangkan data n
dihitung sama dengan centroid = 2,3,4 masuk ke cluster 2 karena dc2 < dc1.
sebelumnya, maka proses clustering
selesai. 5. Proses kembali lagi ke langkah nomer 2.
Untuk hasil clustering yang lebih lengkap,
3. Hitung jarak data dengan berikut tabel-tabel hasil analisis dan
centroid. Rumus-rumus untuk perhitungan dari awal sampai selesai.
menghitung jarak antara lain : Ulangi terus sampai centroid tidak
a. Euclidean. mengalami perubahan (sama dengan centroid
b. Manhattan / City Block. sebelumnya) maka proses clustering selesai.
c. Minkowski.
6. Semua data telah kita dapatkan, dan
Rumus yang digunakan disini masing-masing data sudah terkelompokkan
adalah rumus Euclidean distance : berdasarkan cluster 1 dan cluster 2.
Selanjutnya kita input hasil
n
pengelompokkanya pada table pertama.
d(xj,cj) =
√∑
j=1
( x j −c j )2 [1]
Tabel 4. Data Sumber Jadi hasilnya seperti
berikut Hasil Clustering nya.
d = jarak
j = banyaknya data
c = centroid No Nama LDK Nama Cluste Kategor
x = data . Kampus r i
1 UKMI Universitas 3 Mandir
jarak data dengan cluster 1 adalah : UNSA Surakarta i
(UNSA)
d(x1,c1) 2 Unit Akademi 1 Mula
=√ ¿ ¿ ¿ Kerohania Keperawata
= √¿ ¿ n Islam n (AKPER
= 18,71 17)
3 Unit Akademi 1 Mula
d(x2,c1) Kegiatan Peternakan
= √¿ ¿ ¿ Kerohania Karanganya
=√ ¿ ¿
n Islam r (APEKA)
= 11,45
(UKI)
d(x3,c1) 4 LDK Mitra STIKes 3 Mandir
= √¿ ¿ ¿ Husada Mitra i
= √¿ ¿ Husada
= 12,88 Karanganya
r
Untuk seterusnya, hitung jarak pada setiap 5 LDK AKBID Akademi 1 Mula
baris data, dan hasilnya seperti pada Tabel 3. Kebidanan
(AKBID)
Tabel 3. Hasil Perhitungan Jarak YAPPI

4
 Sragen
6 LDK POLTEKKES 3 Mandir
POLITEKKE BHAKTI i
S MULIA
Sukoharjo
7 LDK POLITEKNIK 1 Mula
POLITEKNI Unggulan
K YAPPENAS
Unggulan Sragen
YAPPENAS

IV. HASIL DAN PEMBAHASAN Gambar 2. Usecase Diagram

Hal ini akan dibahas secara detail
dan terperinci mengenai website
aplikasi sistem yang akan
diimplementasikan dengan
menerapkan metode penelitian yang
telah diuraikan pada pembahasan ini
tahapan yang akan dibahas secara
detail yaitu desain sistem,
kontruksi/pengkodean, pengujian
sistem, serta implementasi sistem.

1. Desain Sistem
Pada tahap desain sistem ini dilakukan
sebelum melakukan pengkodean.
Tahapan ini bertujuan untuk memberikan
gambaran apa yang seharusnya
dikerjakan dan bagaimana tampilannya.
Tahap ini membantu menspesifikasikan Gambar 3. Class Diagram
kebutuhan hardware dan sistem serta
mendefinisikan arsitektur sistem secara 3. Implementasi Sistem
keseluruhan.
Berdasarkan data yang diperoleh akan Pada tahap implementasi sistem ini
dimasukkan dan diolah kedalam sistem adalah tahap akhir dari pengembangan
untuk dilakukan proses perhitungan sistem SDLC metode Waterfall, tahap ini
menggunakan algoritma Kmeans adalah tahap dimana semua tahap dan
Clustering agar dapat dihasilkan output semua rancangan serta aplikasi yang
cluster data tertinggi dan terendah pada telah dibuat dan aplikasi yang sudah
suatu kriteria yang telah ditentukan oleh dilakukan pengujian kemudian
pimpinan pusat yaitu Puskomda FSLDK diimplementasikan untuk melakukan
Solo raya yang nanti akan diinputkan clustering pemetaan LDK di Solo dan
berdasarkan suatu kelompok. sekitarnya, berikut adalah langkah-
langkah proses dan hasil dari
2. Perancangan UML implementasi sistem. Adapun rancangan
Perancangan UML memiliki beberapa sistem clustering LDK di Solo dan
tahap perancangan antara lain : sekitarnya menggunakan algoritma
Skenario Usecase Diagram, Sequence kmeans clustering adalah sebagai
Diagram, Activity Diagram, Class berikut :
Diagram a. Halaman Home

Halaman home terdapat form

login yang terdiri dari inputan
username dan password. Halaman

5
 home harus memasukkan username Berikut ini tampilan output untuk
dan password terlebih dahulu dan menu master data yang terlihat
hanya dapat diakses oleh admin seperti pada gambar 6.
sebagai pengelola program ini,
admin sebagai pengelola program
dapat mengolah data dan melakukan
proses clustering.

Gambar 6. Halaman Master Data

d. Halaman Peta Data

Gambar 4. Halaman Login Admin
b. Halaman Admin
Halaman Admin terdapat menu
yang terdiri dari dashboard, master
data, kmeans clustering, logout dan
berisi data-data keseluruan yang
hanya admin yang tahu di aplikasi ini
serta sedikit latar belakang dari
pembuatan aplikasi ini. Berikut ini
tampilan output untuk menu halaman
admin yang terlihat seperti pada
gambar 5.
Tampilan peta data ini berisi
inputan data yang didapat dari
PUSKOMDA FSLDK Solo Raya
sebagai data yang nantinya akan
ditampilkan di halaman user. Pada
halaman ini juga berfungsi untuk
mengetahui Lembaga Dakwah
Kampus mana yang masih mula,
madya ataupun mandiri berdasarkan
kriteria yang telah ditentukan.

Gambar 7. Halaman Peta Data

PENGUJIAN
Gambar 5. Halaman Admin Untuk memastikan program berjalan
dengan baik maka dilakukan pengujian guna
mencari bug dalam program. Pengujian yang
c. Halaman Master Data
dilakukan dalam membangun sistem
clustering pemetaan LDK di Solo dan
Tampilan menu master data ini
sekitarnya menggunakan algoritma kmeans
berisi inputan data yang didapat dari
adalah sebagai berikut :
PUSKOMDA FSLDK Solo Raya
4. Pengujian Fungsional
sebagai data yang nantinya akan
digunakan dalam perhitungan
Pengetesan program dilakukan
kmeans. Pada halaman ini juga
menggunakan pengujian fungsional untuk
berfungsi untuk menambah data
menguji fungsi-fungsi khusus dari aplikasi
serta digunakan admin dalam
yang dikembangkan. Tes input dan
mengelola data yang digunakan
output fungsi yang ada tanpa
dalam perhitungan sistem
memperhatikan prosesnya. Pada
menggunakan algoritma kmeans.
pengujian ini kebenaran aplikasi yang
Admin dapat menambah, mengedit
diuji dilihat berdasarkan keluaran yang
dan menghapus data.

6
 dihasilkan dari data masukkan yang
diberikan.
Fungsi-fungsi yang ada pada aplikasi,
tanpa memperhatikan bagaimana proses
untuk mendapatkan keluaran tersebut.
Pengujian aplikasi disini hanya pada
menu yang ada. Metode pengujian
fungsionalitas yang digunakan adalah
pengujian dengan metode Black box,
berikut ini hasil pengujian dengan Black
box dalam bentu tabel uji hingga
menghasilkan nilai uji sebagai berikut ini
uji fungsional melakukan login untuk
verifikasi usermane dan password :
Tabel 5. melakukan login untuk
verifikasi usermane dan password
program yang dibuat dengan hasil
perhitungan manual, excel dan sistem. Uji
ini dilakukan di tiap tahap proses
perhitungan sehingga akan terlihat bahwa
program dibuat sesuai dengan algoritma
yang digunakan.
Hasil perhitungan manual, excel dan
sistem dari data yang ada kemudian data
diolah oleh sistem dengan menggunakan
algoritma kmeans yang kemudian akan
dibandingkan antara hasil perhitungan
secara manual, excel dan perhitungan
dengan sistem.
Tabel 6. Perbandingan Hasil
Perhitungan Manual, Excel dan Sistem.

Dan dari hasil diatas disimpulkan bahwa

hasil perhitungan excel dan menggunakan
sistem menghasilkan hasil yang sama.

6. Pengujian Kelayakan
Dalam penelitian ini dilakukan
beberapa uji fungsionalitas antara lain Untuk mengetahui tanggapan
melakukan login, menambah data, responden (user) terhadap aplikasi
mengedit data, menghapus data dan uji website clustering yang akan
fungsionalitas menu kmeans clustering diimplementasikan, maka dilakukan
dengan menggunakan metode Black box pengujian dengan memberikan 7
dan dapat diambil kesimpulan bahwa pertanyaan kepada 25 responden dimana
secara fungsional sistem sudah dapat jawaban dari pertanyaan tersebut terdiri
menghasilkan output yang diharapkan. dari tingkatan yang dapat dipilih sebagai
berikut pada tabel 7.
5. Pengujian Validitas
Tabel 7. Pilihan Jawaban
Pengujian ini digunakan untuk
membandingkan antara hasil dari

7
 A Sangat
mudah/bagus/sesuai/jelas
B Mudah/bagus/sesuai/jelas
C Cukup
D Sulit/kurang jelas
E Sangat sulit/kurang jelas
Tabel 8. Bobot Nilai Jawaban
Jawaban
A : Sangat
mudah/bagus/sesuai/jelas
B : Mudah/bagus/sesuai/jelas
C : Cukup
D : Sulit/kurang jelas
E : Sangat sulit/kurang jelas
Tabel 9. Pertanyaan
Tabel 10. Data Jawaban Responden
Data yang didapat didapat pada tabel 10
diolah dengan cara mengalihkan setiap poin
jawaban dengan bobot yang sudah
ditentukan maka didapat hasil pada tabel 11.
Tabel 11. Data Kuesioner
Setelah Diolah
Dari data analisa dapat disimpulkan
Bobot bahwa website clustering pemetaan
5 Lembaga Dakwah Kampus se Solo raya
menyatakan dengan presentase nilai
4 keseluruhan 90,8% kategori website ini
3 adalah baik.
2
1
V. PENUTUP
Berdasarkan pada hasil dari
pembahasan pada bab sebelumnya
maka pada bab ini penulis menarik
kesimpulan dan saran dari sistem
klastering data Lembaga Dakwah
Kampus (LDK) menggunakan
algoritma K-Means Clustering di Solo
dan kota-kota disekitarnya.
Kesimpulan yang dapat diambil
dari hasil analisis, perancangan dan
pembuatan Sistem Informasi Geografis
pemetaan Lembaga Dakwah Kampus
menggunakan K-Means Clustering se
Solo raya adalah sebagai berikut :
1. Telah dibuat aplikasi website
Sistem Informasi Geografis pemetaan
Lembaga Dakwah Kampus
menggunakan K-Means Clustering se-
Solo raya.
2. Metode K-Means Clustering
yang cocok dan bisa untuk dipakai
pada sistem informasi geografis
berbasis web pemetaan Lembaga
Dakwah Kampus se-Solo Raya.
3. Hasil pengujian telah sesuai
dan valid antara perhitungan sistem
dan perhitungan manual/excel.
4. Sistem yang dibuat dapat
memberikan informasi kepada user
apakah suatu LDK tertentu termasuk
mula, madya atau sudah mandiri untuk
Responden dibina dari Puskomda FSLDK Solo
raya.
Berdasarkan kesimpulan yang
sudah dibuat, ada beberapa saran
8
 untuk pengembangan sistem
selanjutnya :
1. Diharapkan sistem klastering
ini tidak terbatas pada daerah Solo
dan sekitarnya saja, namun juga
diimplementasikan ke lainnya juga
seperti di LDK-LDK di seluruh
Indonesia.
2. Diharapkan dapat
dikembangkan dengan teknik
klastering yang lain selain algoritma K-
Means Clustering.

DAFTAR PUSTAKA

[1] Setiawan, I. (2011). Dasar-dasar Sistem Informasi Geografis. Bandung: Buana Nusantara.

[2] Stair, R. M. (2010). Principles of information systems: A managerial approach. Boston:

Course Technology.

[3] O’Brien, J. (2006). Introducing To Information System. Jakarta: Salemba Empat.

[4] Gaol, J. L. (2008). Sistem Informasi Manajemen. Jakarta: PT Gramedia.

[5] Munir, A. (2012). Ilmu Ukur Wilayah dan Sistem Informasi Geografis. Jakarta: Kencana
Prenada Media.

[6] Nasional, S. F. (2014). Risalah Manajemen Dakwah Kampus. Jakarta: h. 18.

[7] Agusta, Y. (2007). K-Means – Penerapan, Permasalahan dan Metode Terkait. Jurnal Sistem
dan Informatika, Vol. 3: 47-60.

[8] Koko Mukti Wibowo, I. K. (2015). Sistem Informasi Geografis (SIG) Menentukan Lokasi
Pertambangan Batu Bara di Provinsi Bengkulu Berbasis Website. Jurnal Media Infotama,
11.

[9] Vipin Kumar, W. a. (2009). The Top Ten Algorithms in Data Mining. Boca Raton, Chapman &
Hall/CRC.

[10] Fitri Larasati, A. S. (2017). Pemetaan Siswa Berprestasi Menggunakan Metode K-Means
Clustering. JURTEKSI, Vol. IV No. 1.

[11] Wibisono, Y. (2011). Perbandingan Partition Around Medoids (PAM) dan K-Means
Clustering untuk Tweets. Prosiding Konferensi Nasional Sistem Informasi, 25-26.

[12] Raymod, M. (2010). Sistem Informasi Manajemen. Jakarta: Salemba Empat.

[13] Nathanael, N. (2019). Manajemen Sistem Infomasi Geografis. Banten: Fintech.

[14] Septya Maharani, D. A. (2017). Sistem Informasi Geografis Pemetaan Masjid di Samarinda
Berbasis Web. Jurnal Informatika, Vol 11. No. 1.

9
10