Skripsi Tugas Akhir Selesai Revisi

PENGELOMPOKAN DATA KUNJUNGAN WISATAWAN ASING KE
INDONESIA DI MASA PANDEMI COVID-19 DENGAN

MENGGUNAKAN ALGORITMA K-MEANS
TUGAS AKHIR
Diajukan sebagai usulan pembuatan tugas akhir
pada Program Studi Teknik Informatika
oleh :
MUHAMAD IRFAN FADILLAH
NIM : 18416255201213
FAKULTAS ILMU KOMPUTER

UNIVERSITAS BUANA PERJUANGAN KARAWANG
2022
LEMBAR PERSETUJUAN

DATA CLASIFICATION OF FOREIGN TOURIST TO INDONESIA

DURING THE COVID-19 PANDEMIC USING K-MEANS ALGORITHM
Tugas Akhir diajukan oleh :
NIM : 18416255201213
Program Studi Teknik Informatika
Fakultas Ilmu Komputer
Universitas Buana Perjuangan Karawang
Karawang, 1 Agustus 2022

Menyetujui :
Pembimbing I, Pembimbing II,
Ayu Ratna Juwita, M.Kom Cici Emilia Sukmawati, M.Kom
NIDN: 0410069301 NIDN: 0419109401
i
LEMBAR PENGESAHAN
DATA CLASIFICATION OF FOREIGN TOURIST TO INDONESIA
DURING THE COVID-19 PANDEMIC USING K-MEANS ALGORITHM
NIM : 18416255201213
Tugas akhir ini telah diterima dan disahkan untuk memenuhi
sebagian syarat memperoleh gelar sarjana
pada Program Studi Teknik Informatika
Fakultas Teknik dan Ilmu Komputer
Penguji I, Penguji II,
(Nama dan Gelar Dosen) (Nama dan Gelar Dosen)

NIDN: ... NIDN: ...
Mengetahui :
Dekan, Koordinator Program Studi,
Dr. Ahmad Fauzi, M.Kom Jamaludin Indra, M.Kom

NIDN: 0419037701 NIDN: 0405058208
ii
KATA PENGANTAR
Segala puji bagi Allah yang maha kuasa berkat limpahan karunianya saya
dapat menyelesaikan Tugas Akhir yang berjudul “Pengelompokan Data
Kunjungan Wisatawan Asing Ke Indonesia Di Masa Pandemi Covid-19
Dengan Menggunakan Algoritma K-Means” dengan lancar. Dalam proses
penulisan ini tak lepas dari bantuan, arahan dan masukan dari berbagai pihak.
Penulis mengucapkan terima kasih kepada:
1. Prof. H. Dedi Mulyadi, S.E., MM., Selaku Rektor Universitas Buana
Perjuangan Karawang;
2. Dr. Ahmad Fauzi, M.Kom., Selaku Dekan Fakultas Ilmu Komputer
3. Jamaludin Indra, M.Kom., Selaku Koordinator Program Studi Teknik
Informatika Universitas Buana Perjuangan Karawang, yang menerima penulis
dengan baik untuk berkonsultasi
4. Tatang Rohana, M.Kom., Selaku Koordinator Tugas Akhir Program Studi
Teknik Informatika Universitas Buana Perjuangan Karawang;
5. Ayu Ratna Juwita, M.Kom., Selaku Pembimbing I yang telah memberikan
bimbingan pembuatan tugas akhir
6. Cici Emilia Sukmawati, M.Kom., Selaku Pembimbing II yang telah
memberikan bimbingan tata cara menulis karya ilmiah dengan benar,
7. Segenap Dosen Fakultas Ilmu Komputer yang telah mendidik dan
memberikan ilmu selama perkuliahan beserta seluruh Staff yang telah melayani
administrasi selama proses penelitian ini
8. Orang Tua saya yang telah mendukung berjalannya proses penelitian ini
9. Kepada teman-teman kuliah saya yang telah mendukung dan membantu
saya dalam penelitian ini
Penulis,
Muhamad Irfan Fadillah
iii
LEMBAR PERNYATAAN
Saya Muhamad Irfan Fadillah menyatakan dengan sesungguhnya

bahwa Tugas Akhir yang saya tulis dengan judul “Pengalompokan Data
Kunjungan Wisatawan Asing ke Indonesia di Masa Pandemi Covid-19
Dengan Menggunakan Algoritma K-Means” beserta dengan seluruh isinya
adalah merupakan hasil karya sendiri. Saya tidak melakukan penjiplakan
yang tidak sesuai dengan etika keilmuan yang berlaku dalam masyarakat
keilmuan.
Sesuai peraturan yang berlaku saya siap menanggung resiko/sanksi

yang diberikan jika di kemudian hari ditemukan pelanggaran terhadap etika
keilmuan dalam Tugas Akhir ini atau jika ada klaim dari pihak lain terhadap
keaslian karya.
Yang Menyatakan,
Muhamad Irfan Fadillah
iv
ABSTRAK
Pariwisata adalah salah satu sektor yang terdampak paling awal oleh
pandemi Covid-19, mengingat salah satu cara menekan kenaikan jumlah kasus
adalah dengan membatasi mobilitas manusia. Secara global, sektor pariwisata
diprediksi merugi 4.700 triliun rupiah per Juni 2020. Data yang kini disajikan
Badan Pusat Statistik hanya berisi data yang masih mentah dan belum diolah
lebih jauh lagi, misalnya saja belum dikelompokan menggunakan tools dengan
berbagai cara kajian ilmiah, hanya berisi himpunan data saja, diperlukan
pengolahan data lebih jauh lagi, dan urgensi permasalahan data ini penulis
ambil untuk mengklasifikasikan dataset wisatawan asing yang berkunjung ke
Indonesia menggunakan Algoritma K-Means dengan memisahkan datanya
menjadi 3 jenis cluster, dan menggunakan 3 cara perhitungan yaitu
menggunakan Microsoft Excel atau perhitungan manual, Rapid Miner, dan juga
Python. Berdasarkan hasil penelitian dengan excel, rapid miner dan python
pada kunjungan wisata ke Indonesia tahun 2020, perhitungan dengan excel
menunjukan cluster pertama yaitu terdapat 49 negara, untuk cluster kedua
tidak ada, dan untuk cluster ketiga terdapat 2 negara, sedangkan hasil
clustering dengan rapid miner menunjukan ada 49 negara berada cluster
pertama, untuk cluster ke dua terdapat satu negara, lalu untuk cluster ketiga
terdapat satu negara, untuk hasil clustering dengan python menunjukan ada 46
negara berada cluster pertama, cluster ke dua terdapat 2 negara, dan cluster
ketiga terdapat 3 negara. ke dua terdapat 1 negara, dan untuk cluster ketiga
terdapat 1 negara.
Kata Kunci: Pandemi, clustering, covid-19, wisatawan asing.
v
ABSTRACT
Tourism is one of the sectors that was most affected by the Covid-19
pandemic, considering that one way to suppress the increase in the number of
cases is to limit human mobility. Globally, the tourism sector is predicted to
lose 4,700 trillion rupiah as of June 2020. The data that is now presented by the
Central Statistics Agency only contains data that is still raw and has not been
processed further, for example, it has not been grouped using tools in various
ways of scientific studies, it only contains datasets, further data processing is
needed, and the urgency of this data problem, the author took to classify the
dataset of foreign tourists visiting Indonesia using the K-Means Algorithm by
separating the data into 3 types of clusters, and using 3 calculation methods,
namely using Microsoft Excel or manual calculations, Rapid Miner, and also
Python, based on the results of research with excel, rapid miner and python on
a tourist visit to Indonesia in 2020, calculations with excel show that the first
cluster is 49 countries, for the second cluster there are none, and for the third
cluster there are 2 countries, while the results of clustering with rapid miner
show that there are 49 countries in the first cluster, for the second cluster there
is one country, then for the third cluster there is one country, for the results of
clustering with python, there are 46 countries in the first cluster, the second
cluster there are 2 countries, and the third cluster there are 3 countries. to the
second there is 1 country, and for the third cluster there is 1 country.
Keyword: Pandemic, clustering, covid-19, foreign tourists.
vi
DAFTAR ISI
LEMBAR PERSETUJUANi
LEMBAR PENGESAHANii
LEMBAR PERNYATAANiii
DAFTAR TABELiv
DAFTAR GAMBARvi
DAFTAR LAMPIRANvii
KATA PENGANTAR..........................................................................................iii
ABSTRAK..............................................................................................................v
ABSTRACT...........................................................................................................vi
BAB I PENDAHULUAN.......................................................................................1
1.1 Latar Belakang...............................................................................................1
1.2 Rumusan Masalah..........................................................................................3
1.3 Tujuan Penelitian...........................................................................................3
1.4 Manfaat..........................................................................................................3
BAB II TINJAUAN PUSTAKA............................................................................4
2.1 Data Mining...................................................................................................4
2.2 Algoritma.......................................................................................................4
2.3 Algoritma K-Means.......................................................................................5
2.4 Clustering.......................................................................................................7
2.5 Covid-19.........................................................................................................7
2.6 Pandemi..........................................................................................................8
2.7 Wisatawan......................................................................................................8
2.8 Rapid Miner...................................................................................................9
vii
2.9 Python............................................................................................................9
2.10 Penelitian Terkait.......................................................................................10
BAB III METODE PENELITIAN.....................................................................13
3.1 Objek Penelitian...........................................................................................13
3.1.1 Peralatan Penelitian.....................................................................14
3.2 Prosedur Penelitian......................................................................................14
3.2.1 Teknik Pengumpulan Data..........................................................15
3.2.2 Seleksi Data................................................................................15
3.2.4 Implementasi Algoritma K-Means.............................................15
3.2.5 Evaluasi Data..............................................................................17
3.2.6 Hasil Clustering..........................................................................17
BAB IV HASIL DAN PEMBAHASAN.............................................................18
4.1 Pengumpulan Data.......................................................................................18
4.2 Seleksi Data...................................................................................................19
4.3 Pembersihan Data.........................................................................................19
4.4 Implementasi Algoritma K-Means................................................................20
4.4.1 Perhitungan Menggunakan Microsoft Excel...............................20
4.4.2 Perhitungan Menggunakan Rapid Miner....................................37
4.4.3 Perhitungan Menggunakan Anaconda/Python............................41
4.5 Evaluasi Data................................................................................................43
4.6 Hasil Implementasi Perbandingan................................................................43
BAB V KESIMPULAN DAN SARAN...............................................................48
5.1 Kesimpulan...................................................................................................48
5.2 Saran..............................................................................................................49
DAFTAR PUSTAKA...........................................................................................50
LAMPIRAN..........................................................................................................53
viii
Lampiran 1.1 Lembar Bimbingan Proposal T.A....................................................53
Lampiran 1.2 Lembar Perbaikan Penguji Seminar Proposal.................................54
Lampiran 1.3 Lembar Bimbingan T.A...................................................................55
Lampiran 1.4 Dataset Kunjungan Wisatawan Asing Ke Indonesia Tahun 2020. .56
Lampiran 1.5 Dataset Kunjungan Wisatawan Asing Ke Indonesia Tahun 2021. .58
RIWAYAT PENULIS..........................................................................................62
DAFTAR TABEL
Tabel 2.1 Tabel Penelitian Terkait.........................................................................10

Tabel 3.1 Jadwal Penelitian...................................................................................13
Tabel 4.1 Data Kunjungan Wisatawan Asing Di Indonesia 2020.........................18
Tabel 4.2 Data Kunjungan Wisatawan Asing Di Indonesia 2021.........................18
Tabel 4.3 Centroid Data Kunjungan Wisatawan Asing 2020...............................20
Tabel 4.4 Hasil Clustering Iterasi 1.......................................................................21
Tabel 4.7 Centroid Data Kunjungan Wisatawan Asing 2021...............................28
Tabel 4.9 Perbandingan Kunjungan Wisatawan Tahun 2020................................44
Tabel 4.9 Perbandingan Kunjungan Wisatawan Tahun 2021................................45
DAFTAR GAMBAR
Gambar 2.1. Tahapan Data Mining.........................................................................4
Gambar 3.1. Alur Penelitian..................................................................................14
Gambar 3.2. Tahapan Algoritma K-Means............................................................16
Gambar 4.1. Proses Seleksi Data...........................................................................19
Gambar 4.2. Proses Pembersihan Data..................................................................19
Gambar 4.3. Tampilan Awal Rapid Miner............................................................37
Gambar 4.4. Menambahkan Data..........................................................................37
ix
Gambar 4.5. Pilih My Computer............................................................................38
Gambar 4.6. Pilih File Excel Yang Akan Digunakan............................................38
Gambar 4.7. Memilih Atribut Yang Ingin Di Proses.............................................39
Gambar 4.8. Koneksikan Database Ke Dalam Proses K-Means...........................39
Gambar 4.9. Parameter Clustering K-Means.........................................................40
Gambar 4.10. Hasil Cendroid Akhir......................................................................40
Gambar 4.11. Source Code Library Dan Hasil Menyisipkan Data.......................41
Gambar 4.12. Source Code Dan Hasil Grafik Data...............................................42
Gambar 4.13. Source Code K-Means Dan Hasil Clustering..................................42
Gambar 4.14. Hasil Evaluasi .................................................................................43
DAFTAR LAMPIRAN
Lampiran 1.1 Form Bimbingan Proposal T.A.......................................................53
Lampiran 1.2 Lembar Perbaikan Penguji Seminar Proposal.................................54
Lampiran 1.3 Lembar Bimbingan T.A...................................................................55
Lampiran 1.4 Dataset Kunjungan Wisatawan Asing Ke Indonesia Tahun 2020...56
Lampiran 1.5 Dataset Kunjungan Wisatawan Asing Ke Indonesia Tahun 2021...58
x
BAB I
PENDAHULUAN
1.1 Latar Belakang
Pariwisata menjadi salah satu hal yang paling terdampak dari pandemi
COVID-19, mengingat salah satu cara untuk menahan peningkatan jumlah
orang yang terinfeksi adalah dengan membatasi pergerakan manusia. Secara
global, sektor pariwisata diperkirakan merugi Rp4.700 triliun pada Juni 2020.
Jumlah pengangguran yang diciptakan oleh sektor industri ini di seluruh dunia
diperkirakan 108 juta. Selain itu, kedatangan wisatawan pada paruh pertama
tahun 2020 diperkirakan akan turun drastis menjadi 65% di seluruh dunia. Di
Indonesia, pandemi COVID-19 juga memukul sektor pariwisata. Jumlah
wisatawan asing turun 68,17 persen dari Januari hingga Agustus 2020
dibandingkan tahun 2019 (Kementerian Kesehatan Republik Indonesia,
2020). Banyak pekerja pariwisata harus diberhentikan dan banyak perusahaan
di sektor jasa pariwisata bangkrut.
Penelitian ini dilakukan oleh (Maulida, 2018) dan penelitian
menunjukkan bahwa 5 tempat wisata teratas di cluster terendah adalah catatan
pemerintah provinsi DKI Jakarta. Perbaikan infrastruktur objek wisata utama
dapat meningkatkan jumlah kunjungan wisatawan, yang akan berdampak pada
pengenalan objek wisata dan peningkatan transaksi devisa dalam negeri.
Penelitian ini juga dilakukan oleh (Seimahuira, 2021). Berdasarkan hasil

penelitian ini, dengan menerapkan data mining pada data TripAdvisor,
dimungkinkan untuk memberikan informasi wisata dan menghasilkan
pengetahuan baru tentang destinasi wisata yang berpengaruh berdasarkan hasil
cluster yang diperoleh dengan implementasi di RapidMiner dapat dilakukan
dengan lebih efektif. Hal ini juga menjadi tolak ukur dalam mengelola
pemasaran dan promosi destinasi wisata terbaik di kawasan Asia Timur.
Menurut survei, tempat piknik/parkir, tempat ibadah, pantai, resor, dan teater
menduduki peringkat sebagai tujuan wisata terbaik di Asia Timur.
1
2
Secara umum, teknologi informasi saat ini telah memberikan kontribusi

yang signifikan dalam membantu kita menghadapi pandemi. Dengan
menyediakan data yang akurat dan analisis yang lebih baik, kita dapat
mengatasi pandemi Covid-19 dan mempersiapkan masyarakat untuk
menyambut era New Normal melalui Adaptasi Kebiasaan Baru (AKB). Salah
satunya adalah peran otomatisasi dalam pengendalian penyebaran Covid-19.
Data dan hasil analisisnya bisa membantu memprediksi banyak hal terkait
pandemi. Misalnya saja kita bisa melihat karakteristik kelompok
persebarannya. Data yang diproses akan membantu memvisualisasikan
penyebaran pandemi. Data mengenai jumlah dan penyebaran Covid-19,
berdasarkan kategori kelompok atau wilayah, memudahkan pelacakan kontak
dan membantu memprediksi kemungkinan seseorang terkena Covid-19.
Data yang disediakan dari Badan
Pusat Stastistik menunjukan bahwa wisatawan asing yang berkunjung ke
Indonesia mengalami penurunan secara drastis dari Tahun 2020 sampai dengan
Tahun 2021 diperlukan kebijakan baru dari pemerintah, perencanaan strategi,
dan perbaikan data beserta informasi, misalnya saja seperti ketersediaan data
yang lengkap dan pengolahan data dengan berbagai kajian ilmiah agar data
bisa dikelompokan dan di klasifikasikan dengan lebih baik lagi.
Data yang kini disajikan Badan Pusat
Statistik (BPS) hanya berisi data yang masih mentah dan belum diolah lebih
jauh lagi, misalnya saja belum dikelompokan menggunakan tools dengan
berbagai cara kajian ilmiah, hanya berisi himpunan data saja, diperlukan
pengolahan data lebih jauh lagi guna memanfaatkan data yang sudah tersedia
secara maksimal, permasalahan data wisatawan asing yang masih belum diolah
lebih jauh lagi ini penulis ambil untuk mengklasifikasikan data wisatawan
asing yang berkunjung ke Indonesia menggunakan Algoritma K-Means dengan
memisahkan datanya menjadi 3 jenis cluster, dan menggunakan 3 cara
perhitungan yaitu menggunakan Microsoft Excel atau perhitungan manual,
Rapid Miner, dan juga Python.
3
1.2 Rumusan Masalah

1. Bagaimana menerapkan Algoritma K-Means dalam
mengelompokan data kunjungan wisatawan asing yang berkunjung
ke Indonesia dimasa pandemi?
2. Bagaimana hasil perhitungan Algoritma K-Means dalam
mengelompokan data kunjungan wisatawan asing?
1.3 Tujuan Penelitian
1. Menerapkan Algoritma K-Means untuk mengelompokan negara-
negara asal dari wisatawan asing yang berkunjung ke Indonesia.
2. Mengetahui hasil pengelompokan data kunjungan wisatawan asing
yang berkunjung ke Indonesia menggunakan Algoritma K-Means.
1.4 Manfaat
1. Untuk menambah wawasan penulis mengenai implementasi
Algoritma K-Means dalam mengklasifikasikan data.
2. Sebagai syarat penyusunan Tugas Akhir untuk mendapatkan gelar
Sarjana Komputer
3. Menambah pengetahuan banyaknya data kunjungan wisatawan yang
berkunjung ke Indonesia
4. Dapat dijadikan referensi penelitian selanjutnya untuk mahasiswa
lain kedepannya
BAB II
TINJAUAN PUSTAKA
2.1 Data Mining
Sebagai bidang ilmu yang relatif baru, saat ini Data Mining menjadi
salah satu pusat perhatian para akademis maupun praktisi. Menurut (Suntoro,
2019) data mining adalah proses untuk mendapatkan informasi yang berguna
dari basis data yang besar dan perlu diekstraksi agar menjadi informasi baru
dan dapat membantu dalam pengambilan keputusan. Data mining adalah
proses menganalisa data dari yang berbeda dan menyimpulkannya menjadi
informasi atau pengetahuan atau pola yang penting untuk meningkatkan
keuntungan, memperkecil biaya pengeluaran, atau bahkan keduanya (Witten, I.
H., Frank, E., & Hall, 2011).
Gambar 2.1 Tahapan Data Mining (Sumber: Almas Shidqi, 2017)
2.2 Algoritma
Menurut Munir (2012) Algoritma adalah urutan logis langkah-langkah
penyelesaian masalah yang disusun secara sistematis. Metode pengurutan
digambarkan dalam sejumlah langkah terbatas yang mengarah pada solusi
permasalahan.
4
5
Menurut (Thomas H. Cormen, 2009), Algoritma adalah prosedur

komputasi yang mengambil beberapa nilai atau kumpulan nilai sebagai input
kemudian di proses sebagai output sehingga Algoritma merupakan urutan
langkah komputasi yang mengubah input menjadi output.
2.3 Algoritma K-Means

Menurut (Vulandari, n.d.) K-Means adalah algoritma yang secara acak
memberikan nilai cluster (k) yang sementara menjadi pusat cluster, biasa
disebut centroid. Kemudian, gunakan rumus jarak Euclidean untuk menghitung
jarak dari semua data yang ada ke setiap centroid sampai nilai centroid
berhenti berubah (stabil) dan cari jarak terdekat ke centroid dari semua data.
Sedangkan menurut (Widyawati dkk., 2020) Algoritma K-Means

membutuhkan k parameter input dan dapat mempartisi sekumpulan n objek
menjadi k cluster untuk menentukan kesamaan anggota dengan kesamaan
anggota tinggi dan rendah. Untuk menemukan kesamaan anggota, kita perlu
mengukur kedekatan objek dengan apa yang disebut mean atau cluster
centroid. Algoritma K-Means memerlukan 3 komponen:
1. Jumlah Cluster K
K-Means merupakan bagian dari metode non hirarki sehingga di metode

ini jumlah K harus ditentukan lebih dulu. Jumlah custer K dapat ditentukan
melalui pendekatan hirarki. Namun perlu diperhatikan bahwa tidak terdapat
aturan khusus dalam menentukan jumlah cluster K, terkadang jumlah cluster
yang diinginkan tergantung pada subyektif seseorang.
2. Cluster Awal
Ada banyak pendapat saat melaukukan pengambilan cluster awal untuk

metode K-Means misalnya pemilihan terhadap interval dari jumlah setiap
observasi, Maka dengan adanya beberapa cara pengambilan cluster awal dapat
memungkinkan solusi terbaik yang dihasilkan.
3. Ukuran Jarak
6
Pada tahapan ini ukuran jarak juga penting dalam menempatkan

observasi ke dalam cluster berdasarkan nilai centroid terdekat. Euclidian
Distance adalah jarak yang digunakan untuk mengukur jarak dalam metode K-
Means.
Berikut ini adalah langkah-langkah Algoritma K-Means:
1. Penentuan cluster awal
Dalam menentukan n buah pusat cluster awal dilakukan pembangkitan

bilangan random yang merepresentasikan urutan data input. Pusat awal cluster
didapatkan dari data sendiri bukan dengan menentukan titik baru, yaitu dengan
random pusat awal dari data
2. Perhitungan jarak dengan pusat cluster
Untuk mengukur jarak antar data dengan pusat dengan cluster digunakan
euclidian distance, Algoritma perhitungan jarak data dengan pusat cluster:
Pilih nilai data dan nilai pusat cluster.
Hitung euclidian distance data dengan tiap pusat cluster.
√
n
d ( x j , c j )= ∑ (x j−c j )2
j=1
d = Jarak
j = banyaknya data
c = centroid
x = data
3. Pengelompokan data
Jarak hasil perhitungan akan dilakukan perbandingan dan dipilih jarak

terdekat antara data dengan pusat cluster, jarak ini menunjukan bahwa data
tersebut berada dalam satu kelompok dengan pusat cluster terdekat.
pilih nilai jarak tiap pusat cluster dengan data.
pilih nilai jarak tiap pusat cluster dengan data.
Kelompokkan data dengan pusat cluster yang memiliki jarak terkecil.

7
4. Penentuan pusat cluster baru
Untuk mendapatkan pusat cluster baru bisa dihitung dari rata-rata nilai
anggota cluster dan pusat cluster. Pusat cluster yang baru digunakan untuk
melakukan iterasi selanjutnya, jika hasil yang didapatkan belum konvergen.
Proses iterasi akan berhenti jika telah memenuhi maksimum iterasi yang
dimasukkan oleh user atau hasil yang dicapai sudah konvergen (pusat cluster
baru sama dengan pusat cluster lama).
2.4 Clustering
Clustering merupakan proses pengelompokan suatu objek ke dalam
kelompok-kelompok yang berbeda atau tepatnya memgelompokan suatu
dataset menjadi subsets berdasarkan kemiripan datanya (Primartha, 2018).
Clustering dapat mengenali cluster alami dari dalam data yang

berdasarkan kemiripan atribut yang disebut dengan segmentasi. Unsupervised
learning method adalah proses ekstraksi tanpa dapat diprediksi hasilnya dan
tidak satupun atribut yang digunakan untuk dapat membantu proses belajar
yang tidak berlabel yaitu seperti metode fuzzy c-means,k-means, k-medoids,
hierarki dan lain-lain (Amril Mutoi Siregar, 2019)
2.5 Covid-19
Menurut (Kementerian Kesehatan Republik Indonesia, 2020),
Coronavirus (CoV) adalah keluarga besar dari virus yang dapat menyebabkan
penyakit dengan gejala ringan, sedang hingga berat. Coronavirus bersifat
zoonosis (menular antara hewan dan manusia). Studi menunjukkan bahwa
SARS-CoV ditularkan dari kucing luwak ke manusia, dan MERS-CoV
ditularkan dari unta ke manusia. Di penghujung tahun 2019, muncul varian
baru dari coronavirus, yaitu coronavirus disease 2019 (COVID-19).
Menurut WHO (2020), coronavirus disease 2019 (COVID-19) adalah

penyakit menular yang disebabkan oleh coronavirus yang baru ditemukan.
Sebagian besar orang yang terinfeksi virus COVID-19 mengalami penyakit
pernapasan ringan hingga sedang dan sembuh tanpa memerlukan perawatan
khusus. Orang tua dan orang dengan penyakit komorbit seperti: penyakit
8
kardiovaskular, diabetes, penyakit pernapasan kronis, dan kanker semuanya

dapat terinfeksi COVID-19. Penyakit Coronavirus 2019 (COVID-19) adalah
penyakit yang disebabkan oleh jenis baru coronavirus. "CO" berasal dari
corona, "VI" virus, dan "D" penyakit (desease). Penyakit ini sebelumnya
disebut "2019 novel coronavirus" atau "2019-nCoV." UNICEF, 2020).
Menurut (Sun, L., Tang, Y., & Zuo, 2020), COVID-19 adalah penyakit
coronavirus zoonosis ketiga yang diketahui setelah SARS dan Middle East
Respiratory Syndrome (MERS). Menurut (Gennaro, F. D., 2020), penyakit
coronavirus 2019 (COVID-19) adalah virus RNA dengan penampilan seperti
mahkota di bawah mikroskop elektron karena adanya paku glikoprotein.
2.6 Pandemi
Dilansir oleh Wikipedia Pandemi adalah epidemi penyakit yang
menyebar di wilayah yang luas, seperti beberapa benua, atau di seluruh dunia.
Penyakit yang menyebar luas dengan jumlah kasus yang stabil bukan
merupakan pandemi. Peristiwa pandemi influenza biasanya mengecualikan
kasus influenza musiman. Banyak pandemi penyakit terjadi. Salah satu
pandemi yang paling mematikan adalah Black Death, menewaskan sekitar 75-
200 juta orang di abad ke-14.
Pandemi adalah epidemi yang terjadi dalam skala besar melintasi batas
negara dan biasanya mempengaruhi sejumlah besar orang. Suatu penyakit atau
kondisi bukanlah pandemi hanya karena menyebar luas atau membunuh
banyak orang. penyakit atau kondisi harus menular. (Porta, 2019)
2.7 Wisatawan
Seseorang bisa disebut turis ketika dia bepergian untuk mengunjungi
tempat tertentu untuk liburan, bisnis, olahraga, terapi atau bahkan studi.
(Suryadana, 2015). Berbanding lurus dengan pernyataan sebelumnya, (Oka A.
Yoeti, 2006) Wisatawan adalah orang yang karena alasan apa pun melakukan
perjalanan ke suatu tempat tujuan selain tempat tinggalnya dan tidak bekerja
atau bekerja di sana.
Menurut (Syam, 2010), Jenis perjalanan wisata diklasifikasikan menjadi

wisatawan asing, wisatawan domestik asing, dan wisatawan domestik menurut
9
wilayah tempat wisata tersebut dilakukan. Wisatawan asing didefinisikan

sebagai orang asing yang melakukan perjalanan ke suatu negara selain tempat
tinggal atau asalnya. Wisatawan domestik asing adalah orang asing yang
bertempat tinggal di negara selain negara asal dan melakukan perjalanan ke
daerah tempat tinggal. Pelancong domestik digambarkan sebagai mereka yang
bepergian hanya di dalam perbatasan negara mereka.
2.8 Rapid Miner

Rapid Miner merupakan perangkat lunak yang dibuat oleh Dr. Markus
Hofman dari Institute of Technology Bachardstowndan dan Raif Klinberg dari
rapid-icom dengan tampilan GUI (Graphical User Interface) sehingga dapat
memudahkan pengguna untuk memakai perangkat lunak ini. Perangkat lunak
ini bersifat open source dan dibuat dengan menggunakan bahasa java dengan
dibawah lisensi GNU Public License dan Rapid Miner yang bisa dijalankan di
sistem operasi manapun, dengan menggunakan Rapid Miner ini tidak
membutuhkan keahlian koding khusus karena semua yang ada di Rapid Miner
sudah disediakan untuk pengguna data mining (Fatmawati, 2016)
2.9 Python
Python adalah bahasa pemrograman komputer yang dirancang khusus
untuk membuat kode sumber yang dapat dibaca. Bahasa pemrograman Python
memiliki library lengkap yang memudahkan programmer untuk membuat
aplikasi yang diinginkan dengan kode sumber yang terlihat sederhana.
(Anggraeni, 2019).
Python hadir dengan pustaka standar yang dapat diperluas yang dapat
dipelajari hanya dalam beberapa hari. Python bertujuan untuk menjadi bahasa
yang menggabungkan keterampilan dan kemampuan dengan sintaks kode
yang sangat jelas, dan perpustakaan fitur standar yang besar dan komprehensif.
(Nugroho, P. A., Fenriana, I., & Arijanto, 2020).
10
2.10 Penelitian Terkait

Tabel 2. 1 Tabel Penelitian metode Algoritma K-Means
No. Judul Penelitian Metode Hasil
1 Penerapan Metode K- Algoritma Hasil klasterisasi yang

Means Clustering Untuk terbentuk dapat
K-Means
Mengelompokan Potensi dikembangkan menjadi
Produk Buah-Buahan Di basis pengetahuan untuk
Provinsi Daerah Istimewa sistem pendukung
Yogyakarta(MURTI, keputusan dan sistem
2017) rekomendasi daerah yang
cocok untuk budidaya buah
oleh Dinas Pertanian.
2 Penerapan Algoritms K- Algoritma Metode K-Means dapat

Means Untuk Clustering diimplementasikan dalam
K-Means
Tingkat Kedisiplinan sistem clustering pada
Kinerja Karyawan Pada tingkat Disiplin Kinerja
PT. Abadi Jaya Karyawan PT Abadi Jaya
Manunggal(Daud, 2017) Manunggal. Penulis
menerapkan sistem analisis
pengelompokan k-means
untuk menentukan
hambatan pembelajaran
online dan berhasil
membuatnya.
3 Penerapan Algoritma K- Algoritma Hasil pengujian

Means Untuk Memetakan K-Means mendapatkan nilai davies
Garis Kemiskinan bouldin index sebesar 0,288
Menurut Provinsi Di yang memiliki arti
Indonesia(Haryaji, 2018) kesamaan antar anggota
cluster yang cukup baik dari
11
cluster tersebut, dilakukan

perhitungan kembali sampai
data tidak berpindah pada
cluster lain, untuk
meminimalkan fungsi
objektif.
4 Algoritma K-Means Algoritma Data diolah dengan

Pada pengelompokan K-Means Microsoft Excel untuk
Wisata Asing Ke ditentukan nilai centroid
Indonesia Menurut nya dalam 3 cluster yaitu
Provinsi(Sari & cluster tinggi (C1), cluster
Hartama, 2018) sedang (C2), cluster rendah
(C3). Sehingga diperoleh
penilaian berdasarkan
pengelompokan jumlah
wisatawan Asing ke
Indonesia berdasarkan
provinsi dengan 1 provinsi
dalam cluster C1, 2 provinsi
dalam cluster C2, dan 31
provinsi di cluster C3. Hasil
yang didapatkan dari
penelitian menunjukan
hampir 90% provinsi di
Indonesia masih memiliki
potensi wisata yang rendah.
5 Penerapan Algoritma K- Algoritma
Hasil proses evaluasi
Means Dalam K-Means
berdasarkan indeks
Mengelompokan
desa/kelurahan berdasarkan
Banyaknya
prakiraan bencana
Desa/Kelurahan
alam/upaya relokasi
Menurut Upaya
menunjukkan bahwa 3
12
Antisipasi / Migotasi provinsi memiliki prakiraan

Bencana Alam Menurut tertinggi, Jawa Barat, Jawa
Provinsi(Sadewo, Tengah dan Jawa Timur,
Windarto, & Wanto, dan 9 provinsi dengan
2018) prakiraan sedang, dan 22
negara bagian dengan
prakiraan rendah. tingkat.
BAB III
METODE PENELITIAN
3.1 Objek Penelitian
Objek dalam penelitian Tugas Akhir ini adalah dataset yang berasal dari
Badan Pusat Statistik (BPS), Badan Pusat Statistik adalah Lembaga Pemerintah
Nonkementerian yang bertanggung jawab langsung kepada Presiden Republik
Indonesia. Sebelumnya, BPS merupakan Biro Pusat Statistik, yang dibentuk
berdasarkan UU Nomor 6 Tahun 1960 tentang Sensus dan UU Nomor 7 Tahun
1960 tentang Statistik. Subjek dalam penelitian ini meliputi data dari bulan
Maret 2020 sampai dengan Desember 2021 dimana sedang terjadinya peristiwa
besar pandemi Covid-19. Berikut jadwal penelitian yang penulis rencanakan
untuk mengerjakan Tugas Akhir (TA):
Tabel 3.1 Jadwal Penelitian
JADWAL PENELITIAN
KETERANGAN
Januari Februari Maret April Mei

2022 2022 2022 2022 2022
Studi Literatur
Identifikasi Masalah
Pengumpulan Data
Pembuatan Proposal
Beserta Bimbingan
Implementasi dan
Evaluasi
13
14
3.1.1 Peralatan Penelitian

Hardware dan software yang digunakan untuk penelitian ini
menggunakan laptop Asus model X505ZA dengan spesifikasi sebagai berikut:
a) Processor : AMD Ryzen 5 2500U, 2.0 GHz

b) RAM : 8GB Onboard Memory
c) HDD : 1TB 5400RPM
d) Graphic : AMD Radeon Vega 8
e) Screen : 15.6" (16:9) LED backlit HD (1366x768) 60Hz
f) connectivity: Wifi 802.11 & Bluetooth
g) Windows 10 Home 64bit
h) Microsoft Word
i) Microsoft Excel
j) Google Chrome
k) Rapid Miner Studio
l) Python
3.2 Prosedur Penelitian

Tahapan penelitian Tugas Akhir yang akan dilakukan dapat
digambarkan sebagai berikut:
Gambar 3.1 Alur Penelitian

15
3.2.1 Teknik Pengumpulan Data

Pada penelitian ini penulis membutuhkan dataset yang sumbernya
valid, relevan, dan terupdate, maka untuk mendapatkan data tersebut penulis
memutuskan untuk mengambil dataset dari situs resmi pemerintah yaitu
Badan Pusat Statistik (BPS) yang beralamatkan di www.bps.go.id. Dataset
yang akan penulis gunakan dalam penelitian ini adalah data kunjungan
wisatawan mancanegara yang berkunjung ke Indonesia pada Maret 2020
sampai dengan Desember 2021, Dataset tersebut akan penulis olah lagi
menggunakan Algoritma K-Means dan akan dikelompokan menjadi 3
clustering (rendah, sedang, tinggi).
3.2.2 Seleksi Data

Pada tahap ini penulis akan melakukan pemilihan data yang ada
pada dataset karena tidak semuanya dipakai untuk penelitian yang akan
dilakukan, hanya data yang sesuai yang akan dipilih untuk di analisa. Dalam
penelitian ini penulis hanya menggunakan data Maret 2020 sampai dengan
Desember 2021, karena menyesuaikan dengan tema yang diambil berkaitan
dengan peristiwa terjadinya pandemi Covid-19, kemudian penulis juga
melakukan seleksi data dengan cara negara yang tidak ada kunjungan ke
Indonesia satu pun maka akan dihapus dari dataset yang akan penulis teliti.
3.2.3 Pembersihan Data
Pada tahap ini dataset akan di cek dan diperbaiki lagi untuk
memastikan data tersebut siap untuk diolah misalnya saja seperti menghapus
data yang kosong ataupun merapikan dataset ataupun menambahkan titik
sebelum di olah menggunakan Algoritma K-Means
3.2.4 Implementasi Algoritma K-Means

Pada tahap ini dataset akan diolah dengan menggunakan Algoritma
K-Means. Dengan urutan sebagai berikut:
1. Menentukan K cluster
2.Memilih sejumlah K objek secara acak untuk dijadikan titik

centroid
16
3. Menentukan K centroid (titik tengah)
4. Mengelompokan objek ke centroid cluster yang paling dekat

sesuai jarak objek ke centroid (Euclidean distance)
5. Menghitung kembali semua nilai titik centroid
6. Mengulang langah 3 sampai 5 hingga titik centroid nilainya tidak

berubah lagi
Gambar 3.2. Tahapan Algoritma K-Means
Penulis pada penelitian ini mengimplimentasikan Algoritma K-

Means dengan menggunakan 3 cara perhitungan yaitu perhitungan manual
menggunakan Microsoft Excel, perhitungan menggunakan program
rapidminer dan juga menggunakan Python melalui aplikasi Anaconda .
17
3.2.5 Evaluasi Data

Untuk tahap ini pengelompokan data wisatawan asing yang
berkunjung ke Indonesia akan dianalisis dan dievaluasi dengan
menggunakan tools Rapid Miner sesuai dengan pengujian menggunakan
perhitungan manual atau tidak. Evaluasi dalam clustering dapat dihitung
tingkat akurasinya menggunakan Silhouette Coefficient. Metode evaluasi ini
memiliki nilai dari -1 hingga 1 yang dimana jika hasil lebih mendekati nilai
1 maka metode Clustering lebih bagus dan sebaliknya jika hasil mendekati
nilai -1 maka metode Clustering sangat buruk (Paembunan, Abduh, 2021).
Metode Silhouette Coefficient ini dapat di terapkan dengan persamaan 5
berikut:
sil(𝑐) = sil(𝑘) 1/(|k| ) 〖∑ 〗_(i=1)^k 𝑠𝑖𝑙(C_i)
Keterangan dari persamaan 4 di atas yaitu sil(k) adalah nilai

silhouette semua cluster, |k| adalah banyaknya cluster, dan sil(ci) adalah
rata-rata nilai silhouette.
3.2.6 Hasil Clustering

Setelah melakukan pengumpulan data, seleksi data, dan evaluasi
data maka akan diketahui hasil dari pengelompokan data kunjungan
wisatawan tersebut dengan menggunakan Algoritma K-Means dan
menghasilkan 3 jenis cluster yaitu rendah, sedang, dan tinggi dan di
tampilkan dalam bentuk visual menggunakan aplikasi Microsoft Excel 2016,
Rapid Miner dan Python.
18
BAB IV
HASIL DAN PEMBAHASAN
4.1 Pengumpulan Data
Dataset yang akan penulis gunakan dalam penelitian ini adalah data
kunjungan wisatawan mancanegara yang berkunjung ke Indonesia mulai dari
bulan Maret tahun 2020 sampai dengan Desember tahun 2021 yang berasal
dari Badan Pusat Statistik, data yang disajikan berdasarkan laporan bulanan
oleh badan pusat statistik melalui Direktorat Jendral Imigrasi. Berikut ini
sample dataset yang penulis gunakan dalam penelitian ini, dataset lengkapnya
penulis lampirkan di lampiran.
Tabel 4.1 Data Kunjungan Wisatawan Asing Di Indonesia 2020
Kebangsaan Maret April Mei … … Desember

Brunei Darussalam 444 8 17 9
Malaysia 114.453 61.496 66.414 46.246
Philippines 6.830 1.511 1.955 1.343
Singapore 40.832 2.074 1.334 2.435
Thailand 2.794 324 510 380
Vietnam 1.618 270 293 181
Myanmar 1.375 823 760 539
Indonesia 27.795 625 648 1.309
Hong Kong 196 141 127 105
India 12.383 629 689 1.272
Tabel 4.2 Data Kunjungan Wisatawan Asing Di Indonesia 2021
Kebangsaan Januari Februari Maret Desember

Brunei
Darussalam 4 9 6 11
Malaysia 44.001 34.425 37.095 48.728
Philippines 779 679 1.014 855
Singapore 2.107 1.864 2.396 1.195
Thailand 258 301 327 435
Vietnam 141 167 155 277
Kamboja 2 5 13 24
Myanmar 368 293 259 316
Indonesia 935 664 1.214 1.487
19
20
4.2 Seleksi Data

Pada tahap ini penulis melakukan pemilihan data yang ada di dataset
karena tidak semuanya dipakai untuk penelitian yang akan dilakukan, hanya
data yang sesuai yang akan dipilih untuk di analisa. Dalam penelitian ini
penulis hanya menggunakan data Maret 2020 sampai dengan Desember 2021,
karena menyesuaikan dengan tema yang diambil berkaitan dengan peristiwa
terjadinya pandemi Covid-19, selain itu penulis juga melakukan seleksi data
dengan menghapus negara yang tidak ada kunjungan wisatawan satupun.
Gambar 4.1. Proses Seleksi Data
4.3 Pembersihan Data

Pada tahap ini dataset akan di cek dan diperbaiki lagi untuk
memastikan data tersebut siap untuk diolah misalnya saja seperti menghapus
data yang kosong ataupun mengubah koma menjadi titik pada angka ribuan
di dataset agar bisa terbaca di aplikasi RapidMiner dan juga aplikasi
Anaconda / Python sebelum diolah menggunakan Algoritma K-Means.
Gambar 4.2 Proses Pembersihan Data

21
4.4 Implementasi Algoritma K-Means

Dataset yang akan penulis gunakan dalam penelitian ini adalah data
kunjungan wisatawan mancanegara yang berkunjung ke Indonesia mulai dari
bulan Maret tahun 2020 sampai dengan Desember tahun 2021 yang berasal
dari Badan Pusat Statistik, data yang disajikan berdasarkan laporan bulanan
oleh badan pusat statistik melalui Direktorat Jendral Imigrasi. Dan untuk
penerapannya akan menggunakan 3 cara yaitu dengan menggunakan Microsoft
Excel, Rapid Miner, dan juga aplikasi Anaconda menggunakan bahasa Python.
4.4.1 Perhitungan Menggunakan Microsoft Excel
Dilakukan pemilihan K data sebagai centroid awal secara acak yaitu
dipilih data tertinggi, rata-rata, dan terkecil. Data centroid Kunjungan Wisata
Tahun 2020.
Tabel 4.3 Centroid Data Kunjungan Wisatawan Asing 2020
Sumber: BPS, 2022

Dengan rumus:
Mencari centroid nilai tertinggi (contoh dari perhitungan dataset 2020):
=MAX(C15:C65)
Mencari centroid nilai rata-rata (contoh dari perhitungan dataset 2020):
=MEDIAN(C15:C65)
Mencari centroid nilai terendah (contoh dari perhitungan dataset 2020):
=MIN(C15:C65)
Iterasi 1
Menghitung jarak ke centroid terdekat. Centroid terdekat akan menjadi
cluster yang diikuti oleh data tersebut. Berikut perhitungan jarak ke setiap
centroid pada data ke-1:
Rumus Euclidean Distance:
√∑
n
d ( x j , c j )= (x j−c j )2
j=1
Dimana: d = Jarak
22
j = banyaknya data
c = centroid
x = data
Jarak centroid data ke-1 pada cluster 1 adalah:
SQRT((C15-$C$9)^2)+((D15-$D$9)^2)+((E15-$E$9)^2)+((F15-$F$9)^2)+
((G15-$G$9)^2)+((H15-$H$9)^2)+((I15-$I$9)^2)+((J15-$J$9)^2)+((K15-
$K$9)^2)+((L15-$L$9)^2)=1531
=SQRT((C15-$C$8)^2)+((C15-$C$8)^2)+((D15-$D$8)^2)+((E15-$E$8)^2)+
((F15-$F$8)^2)+((G15-$G$8)^2)+((H15-$H$8)^2)+((I15-$I$8)^2)+((J15-
$J$8)^2)+((K15-$K$8)^2)+((L15-$L$8)^2)=1486703
=SQRT((C15-$C$7)^2)+((C15-$C$7)^2)+((D15-$D$7)^2)+((E15-$E$7)^2)+
((F15-$F$7)^2)+((G15-$G$7)^2)+((H15-$H$7)^2)+((I15-$I$7)^2)+((J15-
$J$7)^2)+((K15-$K$7)^2)+((L15-$L$7)^2)=72293204336
Rumus jarak terdekat Iterasi 1 Data 1 (sebagai contoh):

=MIN(M15:O15)
Rumus menentukan cluster Iterasi 1 Data 1 (sebagai contoh): =IF(P15=M15;3;
(IF(P15=N15;2;1)))
Tabel 4.4 Hasil Clustering Iterasi 1
JARAK
CLUST
KEBANGSAAN C1 C2 C3 TERPEND
ER
EK
72293204
Brunei Darussalam 1531 1486703 1531 1
336
27671709 40303153 65698447
Malaysia 6569844744 3
488 825 44
69139485
Philippines 14869758 39813686 14869758 1
985
15589337 62430556
Singapore 24612172 24612172 1
38 887
71251398
Thailand 1207078 2002300 1207078 1
115
71741332
Vietnam 395478 137408 137408 2
339
23
71257168
Myanmar/Burma 3117657 2239172 2239172 2
517
69070713 65640371
Indonesia 7296648 7296648 1
5 554
72204216
Hong Kong 108320 2052154 108320 1
707
11901239 68795071
India 4479269 4479269 1
2 175
14094329 68979013
Japan 1746586 1746586 1
5 756
70192009
South Korea 4363441 23033532 4363441 1
325
72176931
Pakistan 30047 784564 30047 1
917
71989442
Bangladesh 89824 141991 89824 1
768
72212810
Srilanka 17915 1120215 17915 1
766
71725126
Taiwan 184870 317526 184870 1
061
21920534 22118144 65207860
China 219205343 1
3 2 799
59307294 66322788 79368975
Timor Leste 793689756 3
324 555 6
72113924
Turki 58099 689348 58099 1
867
71781292
Saudi Arabia 103307 268739 103307 1
386
72211213
Egypt 20967 1026275 20967 1
336
72348551
Uni Emirat Arab 5844 2375206 5844 1
335
72371017
Iran 2214 2503085 2214 1
210
72365202
Israel 7194 2664610 7194 1
301
72147457
Austria 40868 602701 40868 1
872
71965614
Denmark 11609 91596 11609 1
035
70328204
France 858555 42512119 858555 1
998
69744124
Germany 650512 90448934 650512 1
119
71824797
Italy 282528 48073 48073 2
628
67993642
Netherlands 39789062 79713201 39789062 1
364
71710743
Spain 200692 372209 200692 1
844
72120246
Portugal 5022 302632 5022 1
083
24
71216334
Sweden 1255482 2295863 1255482 1
500
71977728
Switzerland 48654 35519 35519 2
886
17953425 68808634
United Kingdom 1044501 1044501 1
3 656
72162910
Irlandia (Ireland) 4129 477860 4129 1
447
13746810 68676959
Rusia 19267545 19267545 1
2 045
71974084
Polandia 39563 36475 36475 2
776
72217762
Romania 13993 1080530 13993 1
459
71455270
Ukraine 1213463 1477616 1213463 1
459
72301514
Yunani (Greece) 12003 1949828 12003 1
013
United States of 17381355 66977743
30960397 30960397 1
America 8 235
71418067
Canada 102799 4768469 102799 1
736
72253753
Argentina 715 1031050 715 1
597
72066455
Brazilia 45194 302587 45194 1
570
72287897
Mexiko 724 1367580 724 1
457
17737443 63949958
Australia 767880 767880 1
34 399
71506401
New Zealand 13587 4877614 13587 1
041
70432325
Papua New Guinea 12864960 10807052 10807052 2
615
72047422
South Africa 15808 103411 15808 1
270
72328098
Maroko 393 1769720 393 1
767
Sumber: Pengolahaan Data, 2022
Kemudian dihitung centroid yang baru untuk setiap cluster berdasarkan

data yang tergabung pada setiap cluster. Untuk cluster 1 terdapat 43 negara,
cluster 2 terdapat 6 negara, dan cluster 3 terdapat 2 negara yang tergabung ke
dalamnya.
Iterasi 2
25
Menghitung jarak setiap data ke centroid terdekat. Centroid terdekat

akan menjadi cluster yang diikuti oleh data tersebut.

JARAK
CLUST
KEBANGSAAN C1 C2 C3 TERPEND
ER
EK
78672110 85436392 51821307
Brunei Darussalam
3 0,8 985 786721103 1
20412868 18797788 18408906
Malaysia
815 732 68 1840890668 3
61913635 65516933 49117113
Philippines
5 2,1 898 619136355 1
54487161 60656828 43482446
Singapore
7 4,8 096 544871617 1
73295779 79396163 50927593
Thailand
8 3,8 426 732957798 1
75875642 81991936 51346382
Vietnam
8 4,8 638 758756428 1
70642379 75701365 50939809
Myanmar/Burma
2 9,5 539 706423792 1
65087435 72406573 46137786
Indonesia
7 4,8 775 650874357 1
77164662 83696775 51748517
Hong Kong
9 0,5 030 771646629 1
67789591 75005802 48815270
India
0 9,8 900 677895910 1
71749839 79778906 48970770
Japan
4 2,5 867 717498394 1
67695592 76260803 50036462
South Korea
3 5,5 969 676955923 1
77916543 84954688 51722959
Pakistan
8 7,5 290 779165438 1
77261948 84066113 51560378
Bangladesh
1 3,5 391 772619481 1
78112025 84865650 51752813
Srilanka
6 6,8 484 781120256 1
76455931 83405167 51333085
Taiwan
1 7,1 035 764559311 1
19500342 35273600 45990765
China
4 2,5 014 195003424 1
47672968 45991839 18408906
Timor Leste
000 299 68 1840890668 3
77492102 84303872 51669264
Turki
8 8,1 295 774921028 1
77224217 83869701 51378620
Saudi Arabia
1 4,1 075 772242171 1
78032338 85015855 51752615
Egypt
9 4,8 345 780323389 1
26
78396218 85176330 51870888

Uni Emirat Arab
5 5,5 665 783962185 1
78536129 85351489 51890305
Iran
8 3,5 579 785361298 1
78411930 85112936 51885253
Israel
6 1,8 206 784119306 1
77801401 84929247 51698030
Austria
5 3,1 910 778014015 1
78276231 85217137 51536517
Denmark
4 6,1 169 782762314 1
74261195 82521048 50128400
France
3 2,1 732 742611953 1
74924161 83000084 49619491
Germany
5 9,8 740 749241615 1
75853860 82939853 51423024
Italy
3 7,1 507 758538603 1
47824288 59536243 48217862
Netherlands
9 3,5 927 478242889 1
76324506 83376108 51321220
Spain
9 6,1 155 763245069 1
78455969 85291848 51670827
Portugal
9 5,8 281 784559699 1
73365178 79218660 50896223
Sweden
0 1,5 843 733651780 1
77701983 84844256 51549879
Switzerland
5 2,1 291 777019835 1
73364234 81284215 48817820
United Kingdom
1 7,1 040 733642341 1
78502987 85393877 51708162
Irlandia (Ireland)
5 7,1 830 785029875 1
62722157 76359658 48754471
Rusia
9 0,8 450 627221579 1
77801260 84876728 51545926
Polandia
0 9,5 441 778012600 1
78160653 84997743 51757332
Romania
6 1,8 339 781606536 1
73514370 81256033 51108259
Ukraine
5 9,1 021 735143705 1
78197844 85008045 51830540
Yunani (Greece)
4 9,8 955 781978444 1
United States of 51541050 59838238 47321600
America 4 0,1 078 515410504 1
77085207 84053659 51062133
Canada
1 9,8 328 770852071 1
78749037 85562227 51786586
Argentina
3 8,8 794 787490373 1
77677321 84547419 51627265
Brazilia
7 6,8 207 776773217 1
78717174 85528107 51816666
Mexiko
9 0,8 616 787171749 1
74127104 81564224 44760984
Australia
2 1,1 806 741271042 1
27
78244961 85119351 51135266

New Zealand
1 1,1 935 782449611 1
61290157 66565537 50258579
Papua New Guinea
3 1,1 801 612901573 1
78159683 85124118 51608534
South Africa
5 2,5 436 781596835 1
78751925 85555984 51851702
Maroko
8 2,8 856 787519258 1
Karena ada 6 data yang berpindah cluster 3, maka selanjutnya dihitung
centroid yang baru untuk setiap cluster berdasarkan data yang tergabung pada
setiap cluster. Untuk cluster 3 terdapat 49 data yang tergabung ke dalamnya.
Iterasi 3
Menghitung jarak setiap data ke centroid terdekat. Centroid terdekat
akan menjadi cluster yang diikuti oleh data tersebut.
JARAK
C CLUSTE
KEBANGSAAN C1 C3 TERPENDE
2 R
K
19753628,0 4183670205
Brunei Darussalam
6 - 6 19753628,06 1
2621828621
Malaysia
2 - 1642475272 1642475272 3
2039672,07 4036794352
Philippines
8 - 9 2039672,078 1
1625690,69 3993802987
Singapore
1 - 1 1625690,691 1
11488200,0 4140710309
Thailand
8 - 7 11488200,08 1
14887739,8 4159501763
Vietnam
7 - 7 14887739,87 1
7645992,99 4114039347
Myanmar/Burma
7 - 5 7645992,997 1
5162880,93 4087109159
Indonesia
5 - 1 5162880,935 1
17184561,9 4171428778
Hong Kong
6 - 9 17184561,96 1
6918582,50 4107408664
India
7 - 4 6918582,507 1
11845030,4 4141637981
Japan
5 - 1 11845030,45 1
8306258,54 4114699031
South Korea
8 - 3 8306258,548 1
18920387,7 4180120562
Pakistan
7 - 6 18920387,77 1
17652504,2 4173956839
Bangladesh
4 - 1 17652504,24 1
28
18872283,7 4179656552
Srilanka
3 - 3 18872283,73 1
16639937,7 4169082701
Taiwan
5 - 0 16639937,75 1
122151617, 3689303909
China
2 - 0 122151617,2 1
5715576435
Timor Leste
9 - 1642475272 1642475272 3
17997128,5 4175547767
Turki
9 - 1 17997128,59 1
17408920,8 4172536107
Saudi Arabia
3 - 4 17408920,83 1
19027919,5 4180554512
Egypt
7 - 0 19027919,57 1
19341241,1 4181821949
Uni Emirat Arab
8 - 6 19341241,18 1
19601973,2 4183021557
Iran
2 - 9 19601973,22 1
19271533,3 4181412718
Israel
4 - 1 19271533,34 1
4179857689
Austria
18856093,1 - 4 18856093,1 1
19350612,7 4182007798
Denmark
5 - 5 19350612,75 1
15329850,8 4161667765
France
3 - 1 15329850,83 1
15977837,9 4165375073
Germany
6 - 9 15977837,96 1
15939016,5 4165644623
Italy
7 - 1 15939016,57 1
10691607,6 3973176852
Netherlands
7 - 7 10691607,67 1
16568815,7 4168819025
Spain
9 - 1 16568815,79 1
19501218,8 4182602044
Portugal
1 - 0 19501218,81 1
11334853,4 4139504316
Sweden
3 - 7 11334853,43 1
18722053,4 4179239089
Switzerland
3 - 1 18722053,43 1
13668009,0 4153063681
United Kingdom
4 - 5 13668009,04 1
19642031,4 4183297095
Irlandia (Ireland)
9 - 4 19642031,49 1
19169539,1 4104808965
Rusia
2 - 4 19169539,12 1
18789550,1 4179535141
Polandia
8 - 6 18789550,18 1
19046310,2 4180527473
Romania
2 - 9 19046310,22 1
4153167942
Ukraine
13831167,2 - 1 13831167,2 1
29
19071342,5 4180612607
Yunani (Greece)
9 - 1 19071342,59 1
United States of 4930611,73 3981372417
America 1 - 4 4930611,731 1
17582810,0 4173772035
Canada
6 - 9 17582810,06 1
19932743,2 4184530035
Argentina
8 - 8 19932743,28 1
18350413,0 4177233522
Brazilia
6 - 3 18350413,06 1
19880109,6 4184284945
Mexiko
3 - 5 19880109,63 1
14046958,7 4155368811
Australia
3 - 7 14046958,73 1
19218442,4 4181336443
New Zealand
7 - 5 19218442,47 1
1382104,24 4043400364
Papua New Guinea
2 - 0 1382104,242 1
19200055,2 4181347353
South Africa
2 - 6 19200055,22 1
19926267,8 4184490170
Maroko
9 - 0 19926267,89 1
Karena tidak ada data yang berpindah cluster, maka proses perhitungan
centroid yang baru dihentikan dan berakhir pada iterasi ke-3.
Tabel 4.7 Centroid Data Kunjungan Wisatawan Asing 2021
Sumber: BPS, 2022

Iterasi 1
Menghitung jarak ke centroid terdekat. Centroid terdekat akan menjadi
cluster yang diikuti oleh data tersebut. Berikut perhitungan jarak ke setiap
centroid pada data ke-1:
Rumus Euclidean Distance:

30
√∑
n
d ( x j , c j )= (x j−c j )2
j=1
Dimana: d = Jarak
j = banyaknya data
c = centroid
x = data
=SQRT((C10-$C$4)^2)+((D10-$D$4)^2)+((E10-$E$4)^2)+((F10-$F$4)^2)+
((G10-$G$4)^2)+((H10-$H$4)^2)+((I10-$I$4)^2)+((J10-$J$4)^2)+((K10-
$K$4)^2)+((L10-$L$4)++((M10-$M$4)+((N10-$N$4)^2)))=15202859
=SQRT((O10-$N$3)^2)+((D10-$C$3)^2)+((E10-$D$3)^2)+((F10-$E$3)^2)+
((G10-$F$3)^2)+((H10-$G$3)^2)+((I10-$H$3)^2)+((J10-$I$3)^2)+((K10-
$J$3)^2)+((L10-$K$3)^2)+((M10-$L$3)^2)+((N10-$M$3)^2)=52878291294
=SQRT((C10-$C$2)^2)+((D10-$D$2)^2)+((E10-$E$2)^2)+((F10-$F$2)^2)+
((G10-$G$2)^2)+((H10-$H$2)^2)+((I10-$I$2)^2)+((J10-$J$2)^2)+((K10-
$K$2)^2)+((L10-$L$2)^2)+((M10-$M$2)^2)+((N10-$N$2)^2)=52426203892
JARAK
CLUST
Kebangsaan C1 C2 C3 TERPEND
ER
EK
16517360 52878291 52426203 16517360 1
Brunei Darussalam
294 892
14107285 24304319 96457717 96457717 3
Malaysia
052 844 55 55
6981256 51679325 51277069 6981256 1
Philippines
974 499
11338266 50670978 50292940 11338266 1
Singapore
880 056
11972874 52097540 51674157 11972874 1
Thailand
867 634
13414509 52626659 52186066 13414509 1
Vietnam
064 438
16258254 52864753 52413144 16258254 1
Kamboja
516 702
31
12255063 52508447 52073207 12255063 1

Myanmar/Burma
340 717
5490164 51575333 51174857 5490164 1
Indonesia
117 950
12693415 52574229 52137029 12693415 1
Hong Kong
155 132
10178052 51980143 51556741 10178052 1
India
740 600
9192620 52042023 51621681 9192620 1
Japan
168 026
8418781 51563107 51155429 8418781 1
South Korea
494 775
14890827 52757603 52310490 14890827 1
Pakistan
304 694
14956711 52764280 52317167 14956711 1
Bangladesh
548 913
15588309 52809923 52360990 15588309 1
Srilanka
646 640
14528199 52705903 52259946 14528199 1
Taiwan
078 812
18202105 46154366 45692509 18202105 1
China
2 082 103 2
16597479 52888624 52435867 16597479 1
Macao
933 347
16598112 52886586 52433842 16598112 1
Maladewa
324 750
44377197 46983577 0 0 3
Timor Leste
907 944
14686401 52734123 52287872 14686401 1
Turki
815 964
12876246 52613864 52173479 12876246 1
Saudi Arabia
347 217
16663397 52892446 52439543 16663397 1
Bahrain
746 245
15587888 52810407 52360804 15587888 1
Egypt
365 679
16069130 52845314 52394754 16069130 1
Uni Emirat Arab
884 194
16168470 52853899 52402532 16168470 1
Iran
219 240
15949558 52834348 52384426 15949558 1
Israel
138 979
16361438 52872629 52420547 16361438 1
Jordan
034 675
16367578 52870459 52418530 16367578 1
Syiria
992 424
Austria 12644284 52601621 52164417 12644284 1
32
638 417
15319512 52783650 52335031 15319512 1
Belgium
102 246
15692900 52817531 52368460 15692900 1
Denmark
613 083
10700876 52350537 51917979 10700876 1
France
330 676
11104559 52403055 51969384 11104559 1
Germany
047 965
13167714 52570879 52130862 13167714 1
Italy
980 301
3326782 51239068 50862029 3326782 1
Netherlands
923 451
10605606 52431595 51999637 10605606 1
Spain
375 063
15602926 52824713 52375088 15602926 1
Portugal
934 148
10897172 52425695 51997875 10897172 1
Sweden
923 760
15296779 52784668 52336071 15296779 1
Switzerland
705 582
8851257 52151436 51728257 8851257 1
United Kingdom
986 227
16109239 52848034 52396845 16109239 1
Norway
524 716
16200007 52856001 52404642 16200007 1
Irlandia (Ireland)
685 543
10143793 51655553 51237246 10143793 1
Rusia
098 136
8844063 51757326 51339998 8844063 1
Other East Europe
187 629
16378387 52868405 52416301 16378387 1
Bulgaria
964 259
15863737 52826008 52375452 15863737 1
Ceko
891 610
16014485 52842422 52391688 16014485 1
Croasia
895 526
16369672 52867843 52416025 16369672 1
Estonia
896 644
16562071 52882138 52429602 16562071 1
Georgia
105 427
16338249 52866795 52414718 16338249 1
Hongaria 260 088
16160208 52849524 52398036 16160208 1
Latvia 314 743
16363348 52867392 52415408 16363348 1
Lithuania 825 128
33
15405254 52790595 52341440 15405254 1

Polandia 095 750
15806278 52824693 52374509 15806278 1
Romania 608 002
12321715 52466607 52028012 12321715 1
Ukraine 097 420
16050943 52844016 52393077 16050943 1
Yunani (Greece) 895 889
United States of 9062625 49992106 49641803 9062625 1
America 669 040
14382541 52716881 52271462 14382541 1
Canada 270 598
16581825 52885768 52433176 16581825 1
Central America 010 489
14232256 52697329 52252840 14232256 1
South America 941 360
16519977 52881011 52428574 16519977 1
Argentina 324 866
15124784 52768038 52320468 15124784 1
Brazilia 584 632
16538055 52883439 52431046 16538055 1
Kolombia 058 304
16629387 52889682 52436914 16629387 1
Venezuela 657 762
16462637 52880496 52428573 16462637 1
UNO 652 189
11632275 52448763 52014982 11632275 1
Australia 128 322
15827778 52828691 52378415 15827778 1
New Zealand 296 436
29463102 48847707 48516475 29463102 1
Papua New Guinea 261 385
15636927 52817689 52368098 15636927 1
South Africa 678 796
16525727 52884085 52431677 16525727 1
Aljazair / Algeria 771 491
16652913 52891209 52438386 16652913 1
Ethiopia 973 353
16361438 52871489 52419497 16361438 1
Maroko 216 000
16643550 52890316 52437514 16643550 1
Mozambik 939 733
15559423 52829472 52379323 15559423 1
Nigeria 964 916
16504527 52881931 52429520 16504527 1
Sudan 931 279
Tanzania 16534837 52883082 52430765 16534837 1
34
564 338
Selanjutnya dihitung centroid yang baru untuk setiap cluster berdasarkan

data yang tergabung pada setiap cluster. Untuk cluster 1 terdapat 43 negara,
cluster 2 terdapat 6 negara, dan cluster 3 terdapat 2 negara yang tergabung ke
dalamnya.
JARAK
C CLUST
Kebangsaan C1 C3 TERPEND
2 ER
EK
32577313304
Brunei Darussalam 710447,52 0 710447,5234 1
,25
13861022078 2411449051,
Malaysia 0 2411449051 3
,81 25
31668373842
Philippines 2060572,52 0 2060572,523 1
,25
30876062662
Singapore 18158477,52 0 18158477,52 1
,25
31975079647
Thailand 3820288,13 0 3820288,129 1
,25
32387523876
Vietnam 156502,89 0 156502,8918 1
,25
32567090872
Kamboja 677087,76 0 677087,7602 1
,25
32297876789
Myanmar/Burma 40879,05 0 40879,04969 1
,25
31594709925
Indonesia 3326174,92 0 3326174,918 1
,25
32349190085
Hong Kong 123352,63 0 123352,6286 1
,25
31892916856
India 967214,02 0 967214,0234 1
,25
31942593851
Japan 901394,81 0 901394,8128 1
,25
31577118217
South Korea 2262988,42 0 2262988,418 1
,25
32486374372
Pakistan 409838,73 0 409838,7339 1
,25
32491562874
Bangladesh 434526,34 0 434526,3392 1
,25
32526091316
Srilanka 534139,00 0 534138,9971 1
,25
32445938102
Taiwan 264517,76 0 264517,7602 1
,25
242306972,6 27274258474
China 0 242306972,6 1
3 ,25
Macao 756308,87 0 32585212304 756308,8655 1
35
,25
32583464068
Maladewa 745414,84 0 745414,8392 1
,25
39861629308 2411449051,
Timor Leste 0 2411449051 3
,00 25
32469427074
Turki 401950,47 0 401950,4707 1
,25
32380221410
Saudi Arabia 435097,60 0 435097,6023 1
,25
32588061690
Bahrain 764857,94 0 764857,9444 1
,25
32525971405
Egypt 536343,63 0 536343,6286 1
,25
32552707231
Uni Emirat Arab 615168,87 0 615168,8655 1
,25
32558943718
Iran 660002,52 0 660002,5234 1
,25
32544074114
Israel 574090,68 0 574090,6813 1
,25
32573051086
Jordan 698570,97 0 698570,9707 1
,25
32571471760
Syiria 680366,76 0 680366,7602 1
,25
32371697285
Austria 203609,08 0 203609,076 1
,25
32505560158
Belgium 446775,31 0 446775,3128 1
,25
32532106259
Denmark 554397,97 0 554397,9707 1
,25
32177997627
France 81858,81 0 81858,81285 1
,25
32217966457
Germany 51357,15 0 51357,15495 1
,25
32345093267
Italy 114319,26 0 114319,2602 1
,25
31350709124
Netherlands 4235616,44 0 4235616,444 1
,25
32243198811
Spain 126793,37 0 126793,3655 1
,25
32537616885
Portugal 604972,81 0 604972,8128 1
,25
32239747454
Sweden 59530,55 0 59530,54969 1
,25
32506104994
Switzerland 451167,89 0 451167,8918 1
,25
32028976720
United Kingdom 207358,02 0 207358,0234 1
,25
32554711252
Norway 656425,39 0 656425,3918 1
,25
32560432669
Irlandia (Ireland) 653057,87 0 653057,8655 1
,25
Rusia 4206250,34 0 31645546094 4206250,339 1
36
,25
31720858994
Other East Europe 2292056,52 0 2292056,523 1
,25
32569548915
Bulgaria 684027,42 0 684027,4181 1
,25
32537474028
Ceko 555128,87 0 555128,8655 1
,25
32550222731
Croasia 608903,68 0 608903,6813 1
,25
32569500943
Estonia 692595,97 0 692595,9707 1
,25
32580121365
Georgia 721865,18 0 721865,1813 1
,25
32568496696
687178,23 0 687178,2339 1
Hongaria ,25
32555288084
623353,37 0 623353,3655 1
Latvia ,25
32569086671
695689,05 0 695689,0497 1
Lithuania ,25
32510529690
454621,60 0 454621,6023 1
Polandia ,25
32536410556
551361,55 0 551361,5497 1
Romania ,25
32262941070
100419,29 0 100419,2865 1
Ukraine ,25
32551385605
619649,52 0 619649,5234 1
Yunani (Greece) ,25
United States of 30387695903
22066225,02 0 22066225,02 1
America ,25
32455708749
336855,73 0 336855,7339 1
Canada ,25
32583011431
735631,10 0 735631,1023 1
Central America ,25
32440603781
256380,58 0 256380,576 1
South America ,25
32579403721
726251,81 0 726251,8128 1
Argentina ,25
32493839805
398789,50 0 398789,4971 1
Brazilia ,25
32581391484
735604,52 0 735604,5234 1
Kolombia ,25
32585926506
752498,76 0 752498,7602 1
Venezuela ,25
32579399213
738574,63 0 738574,6286 1
UNO ,25
32253581105
58976,63 0 58976,62864 1
Australia ,25
32539626209
563562,73 0 563562,7339 1
New Zealand ,25
29510287886
48719985,31 0 48719985,31 1
Papua New Guinea ,25
South Africa 552421,55 0 32531598556 552421,5497 1
37
,25
32581955450
737939,89 0 737939,8918 1
Aljazair / Algeria ,25
32587151626
759106,76 0 759106,7602 1
Ethiopia ,25
32572230804
700579,89 0 700579,8918 1
Maroko ,25
32586440730
759235,71 0 759235,7076 1
Mozambik ,25
32540798185
601163,63 0 601163,6286 1
Nigeria ,25
32580272501
731490,29 0 731490,2865 1
Sudan ,25
32581065690
736158,29 0 736158,2865 1
Tanzania ,25
Karena tidak ada data yang berpindah cluster, maka proses perhitungan
centroid yang baru dihentikan dan berakhir pada iterasi ke-2.
4.4.2 Perhitungan Menggunakan Rapid Miner

Dibawah ini merupakan langkah-langkah kerja pengimplementasian
pada Rapidminer, yaitu sebagai berikut:
1. Buka aplikasi Rapidminer, lalu klik New Process – Blank.
38
Gambar 4.3 Tampilan Awal Rapidminer
Gambar 4.3 merupakan tampilan awal dari Rapidminer, ketika ingin

memulai pilih menu New Process lalu Blank untuk memulai
mengkoneksikan database ke Rapid Miner.
2. Pilih Add
Gambar 4.4 Menambahkan Data

Gambar 4.4 pada Tab Menu Repository pilih Add Data untuk
menambahkan data yang baru dibuat, atau yang belum tersimpan pada
Rapidminer.
3. Pilih My Computer
39
Gambar 4.5 Pilih My Computer

Gambar 4.5 Pilih My Computer untuk membuka folder, yaitu tempat
dimana kita menyimpan database yang ingin kita tambah.
4. Pilih data yang ingin ditambahkan, lalu klik Next.
Gambar 4.6 Pilih File Excel Yang Akan Digunakan
Pada Gambar 4.6 pilih sebuah file Excel yang ingin ditambahkan ke
Rapidminer, lalu dilanjutkan dengan mengklik Next.
40
5. Pilih atribut yang ingin di proses.
Gambar 4.7 Memilih atribut yang ingin di proses

Pada Gambar 4.7 pilih atribut yang ingin kita proses pada K-Means
yaitu, Kebangsaan, Bulan. Kemudian klik Next.
6. Koneksikan database ke dalam proses K-Means
Gambar 4.8 Koneksikan database ke dalam proses K-Means

Setelah muncul tampilan seperti pada gambar 4.8, kita ubah parameter
Retrieve Data dengan database yang telah di tambahkan. Yaitu dengan
menggeser database pada Local Repository ke dalam Retrive Data.
7. Ubah Parameter Clustering K-Means

41
Gambar 4.9 Parameter Clustering K-Means

Selanjutnya pada Gambar 4.9 ubah parameter k menjadi 3 (jumlah
cluster yg di inginkan), measure type menjadi Numerical Measures dan
numerical measure menjadi Eulidean Distance (proses perhitungan yang
dinginkan). Kemudian klik tombol Play untuk memulai proses K-Means
clustering.
8. Hasil Centroid Akhir
Gambar 4.10 Hasil Centroid Akhir

42
Ketika di klik pada tampilan centroid table seperti pada Gambar 4.10
maka akan muncul jumlah nilai centroid akhir pada setiap cluster.
4.4.3 Perhitungan Menggunakan Anaconda/Python
Perhitungan K-Means menggunakan python bertujuan untuk
memastikan kebenaran dalam perhitungan manual dan perhitungan rapid
miner yang telah dilakukan sebelumnya. berikut penerapan Algoritma K-
Means menggunakan python:
1. Import dataset yang akan digunakan dengan format .csv pada

aplikasi Anaconda di bagian menu jupyterlab
2. Lalu memasukan script / source code untuk menyisipkan dan
menampilkan data, dengan memanggil data yang sudah di import
sebelumnya. Berikut tampilan source code nya:
Gambar 4.11 Source Code Library Dan Hasil Menyisipkan Data
Pada gambar 4.11 menampilkan hasil dari running dari script untuk
import data dan menyisipkan data, dengan memanggil data yang sudah di
import sebelumnya.
43
3. Menampilkan Grafik Data
Gambar 4.12 Source Code Dan Hasil Grafik Data
Menampilkan data dalam bentuk grafik dari dataset kunjungan

wisatawan asing di masa pandemi tahun 2021.
4. Menampilkan hasil dari script perhitungan Algoritma K-Means
Gambar 4.12 Source Code K-Means Dan Hasil Clustering
Perhitungan Algoritma K-Means untuk menampilkan nilai centroid

yang di dapat dan hasil clustering beserta keterangan berapa jumlah data di
setiap cluster nya.
44
4.5 Evaluasi Data

Berikut ini adalah gambar dari hasil evaluasi menggunakan Silhouette
Coefficient:
Gambar 4.13 Hasil Evaluasi
Perhitungan Silhouette menggunakan Algoritma K-Means bernilai

0,96234 yang dimana nilai Silhouette Algoritma K-Means lebih mendekati
nilai 1. Perhitungan metode evaluasi ini menggunakan bahasa pemrograman
python pada tools App Anaconda JupyterLab.
4.6 Hasil Implementasi Perbandingan

Berdasarkan hasil diatas, Algoritma K-Means sudah berjalan dengan baik
pada penelitian ini karena Algoritma K-Means merupakan salah satu Algoritma
yang dianjurkan untuk digunakan pada data yang besar seperti yang ada dalam
penelitian. Algortima K-Means berhasil melakukan pengelompokkan data
berdasarkan dengan pola banyaknya pengunjung, yaitu tinggi, sedang dan
rendah. Pengenalan pola tersebut sesuai dengan penelitian yang telah dilakukan
sebelumnya yang menyebutkan bahwa clustering bisa digunakan dalam
pengenalan pola dan analisis statistik. Hasil penelitian yang telah dilakukan
kemudian dibandingkan dengan berbagai macam cara pengelompokan data
wisatawan asing yang mengunjungi Indonesia, hasil dari perbandingan tersebut
memiliki kesimpulan dan hasil yang berbeda dan ini membuktikan bahwa
penggunaan Algoritma K-Means pada penelitian ini sudah berjalan dengan
baik.
45
Tabel 4.8 Perbandingan Kunjungan Wisatawan Tahun 2020 Clustering Antara

Excel, Rapid Miner dan Python
46
Rapid Pytho
Excel Miner n
No Kebangsaan
Cluste Cluste
Cluster
r r
1 Brunei Darussalam 1 1 3
2 Malaysia 3 3 3
3 Philippines 1 1 1
4 Singapore 1 1 1
5 Thailand 1 1 1
6 Vietnam 1 1 2
7 Myanmar/Burma 1 1 1
8 Indonesia 1 1 1
9 Hong Kong 1 1 1
10 India 1 1 1
11 Japan 1 1 1
12 South Korea 1 1 1
13 Pakistan 1 1 1
14 Bangladesh 1 1 1
15 Srilanka 1 1 1
16 Taiwan 1 1 1
17 China 1 1 1
18 Timor Leste 3 2 3
19 Turki 1 1 1
20 Saudi Arabia 1 1 1
21 Egypt 1 1 1
22 Uni Emirat Arab 1 1 1
23 Iran 1 1 1
24 Israel 1 1 1
25 Austria 1 1 1
26 Denmark 1 1 1
27 France 1 1 1
28 Germany 1 1 1
29 Italy 1 1 1
30 Netherlands 1 1 1
31 Spain 1 1 1
32 Portugal 1 1 1
33 Sweden 1 1 1
34 Switzerland 1 1 1
35 United Kingdom 1 1 1
36 Irlandia (Ireland) 1 1 1
37 Rusia 1 1 1
38 Polandia 1 1 1
39 Romania 1 1 1
40 Ukraine 1 1 1
41 Yunani (Greece) 1 1 1
United States of
42 America 1 1 1
43 Canada 1 1 1
44 Argentina 1 1 1
45 Brazilia 1 1 1
46 Mexiko 1 1 1
47 Australia 1 1 2
48 New Zealand 1 1 1
49 Papua New Guinea 1 1 1
50 South Africa 1 1 1
51 Maroko 1 1 1
47

Berdasarkan hasil penelitian dengan Microsoft excel, hasil clustering
dengan Microsoft excel menunjukan cluster pertama yaitu terdapat 49 negara.
Untuk cluster ke dua tidak ada. Untuk cluster ketiga terdapat 2 negara.
Berdasarkan hasil clustering dengan rapid miner menunjukan ada 49
negara berada cluster pertama. Untuk cluster ke dua terdapat 1 negara. Untuk
cluster ketiga terdapat 1 negara.
Berdasarkan hasil clustering dengan python menunjukan ada 46 negara
berada cluster pertama. Untuk cluster ke dua terdapat 2 negara. Untuk cluster
ketiga terdapat 3 negara.
Tabel 4.9 Perbandingan Kunjungan Wisatawan Tahun 2021 Clustering Antara
Excel, Rapid Miner & Python
Rapid Pytho
Excel Miner n
No Kebangsaan
Cluste Cluste
Cluster
r r
1 Brunei Darussalam 1 1 1
2 Malaysia 3 3 3
3 Philippines 1 1 1
4 Singapore 1 1 1
5 Thailand 1 1 1
6 Vietnam 1 1 1
7 Kamboja 1 1 1
8 Myanmar/Burma 1 1 1
9 Indonesia 1 1 1
10 Hong Kong 1 1 1
11 India 1 1 1
12 Japan 1 1 1
13 South Korea 1 1 1
14 Pakistan 1 1 1
15 Bangladesh 1 1 1
16 Srilanka 1 1 1
17 Taiwan 1 1 1
18 China 1 1 1
19 Macao 1 1 1
20 Maladewa 1 1 1
21 Timor Leste 3 2 2
22 Turki 1 1 1
23 Saudi Arabia 1 1 1
24 Bahrain 1 1 1
25 Egypt 1 1 1
26 Uni Emirat Arab 1 1 1
48
27 Iran 1 1 1
28 Israel 1 1 1
29 Jordan 1 1 1
30 Syiria 1 1 1
31 Austria 1 1 1
32 Belgium 1 1 1
33 Denmark 1 1 1
34 France 1 1 1
35 Germany 1 1 1
36 Italy 1 1 1
37 Netherlands 1 1 1
38 Spain 1 1 1
39 Portugal 1 1 1
40 Sweden 1 1 1
41 Switzerland 1 1 1
42 United Kingdom 1 1 1
43 Norway 1 1 1
44 Irlandia (Ireland) 1 1 1
45 Rusia 1 1 1
46 Other East Europe 1 1 1
47 Bulgaria 1 1 1
48 Ceko 1 1 1
49 Croasia 1 1 1
50 Estonia 1 1 1
51 Georgia 1 1 1
52 Hongaria 1 1 1
53 Latvia 1 1 1
54 Lithuania 1 1 1
55 Polandia 1 1 1
56 Romania 1 1 1
57 Ukraine 1 1 1
58 Yunani (Greece) 1 1 1
United States of
1
59 America 1 1
60 Canada 1 1 1
61 Central America 1 1 1
62 South America 1 1 1
63 Argentina 1 1 1
64 Brazilia 1 1 1
65 Kolombia 1 1 1
66 Venezuela 1 1 1
67 UNO 1 1 1
68 Australia 1 1 1
69 New Zealand 1 1 1
70 Papua New Guinea 1 1 1
71 South Africa 1 1 1
72 Aljazair / Algeria 1 1 1
73 Ethiopia 1 1 1
74 Maroko 1 1 1
49
75 Mozambik 1 1 1
76 Nigeria 1 1 1
77 Sudan 1 1 1
78 Tanzania 1 1 1
Berdasarkan hasil penelitian dengan excel dan rapid miner, hasil
clustering dengan Microsoft Excel menunjukan ada 78 negara berada cluster.
Untuk cluster ke dua tidak ada. Untuk cluster ketiga terdapat 2 negara.
Berdasarkan hasil penelitian dengan rapid miner, hasil clustering dengan
RapidMiner menunjukan ada 78 negara berada cluster pertama. Untuk cluster
ke dua terdapat 1 negara. Untuk cluster ketiga terdapat 1 negara.
Berdasarkan hasil penelitian dengan python, hasil clustering dengan
python menunjukan ada 76 negara berada cluster pertama. Untuk cluster ke
dua terdapat 1 negara. Untuk cluster ketiga terdapat 1 negara.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil penelitian dapat disimpulkan dalam penelitian ini
adalah :
1. Berdasarkan yang sudah dilakukan dalam penelitian ini menerapkan
Algoritma K-Means Clustering memerlukan berbagai tahap untuk
memproses data kunjungan wisatawan asing yaitu melalui tahap
pengumpulan data, seleksi data, pembersihan data setelah itu baru
mengimplementasikan Algoritma K-Means dengan menggunakan 3 tools
& 3 cara perhitungan yaitu menggunakan Microsoft Excel, Rapid Miner,
dan juga Python dan setelah mendapatkan hasil dilakukan evaluasi data
dengan Silhouette Coefficient.
2. Berdasarkan hasil penelitian dengan excel, rapid miner dan python
pada kunjungan wisata ke Indonesia tahun 2020, perhitungan dengan
excel menunjukan cluster pertama yaitu terdapat 49 negara, untuk cluster
kedua tidak ada, dan untuk cluster ketiga terdapat 2 negara. Sedangkan
hasil clustering dengan rapid miner menunjukan ada 49 negara berada
cluster pertama, untuk cluster ke dua terdapat satu negara, lalu untuk
cluster ketiga terdapat satu negara, untuk hasil clustering dengan python
menunjukan ada 46 negara berada cluster pertama, cluster ke dua
terdapat 2 negara, dan cluster ketiga terdapat 3 negara. Kemudian untuk
dataset tahun 2021 berdasarkan hasil penelitian dengan excel, rapid
miner, dan python. Hasil clustering dengan excel menunjukan ada 78
negara berada cluster satu, cluster ke dua tidak ada, dan cluster ketiga
terdapat 2 negara. Hasil penelitian dengan rapid miner, hasil clustering
dengan rapid miner menunjukan ada 78 negara berada cluster pertama,
cluster ke dua terdapat 1 negara, cluster ketiga terdapat 1 negara. Hasil
perhitungan menggunakan dengan python menunjukan ada 76 negara
berada cluster pertama, untuk cluster ke dua terdapat 1 negara, dan untuk
cluster ketiga terdapat 1 negara.
50
51
5.2 Saran
Ada beberapa saran yang harus diterapkan guna pengembangan lebih
lanjut sebagai berikut:
1. Menggunakan data yang tidak memiliki nilai nol lebih disarankan.
Sehingga perhitungan Algoritma K-Means akan lebih optimal.
2. Diharapkan kepada para peneliti yang lain mengkombinasikan atau
mengkomparasi metode untuk menaikan nilai akurasi dari hasil
pengelompokan.
DAFTAR PUSTAKA
Amril Mutoi Siregar. (2019). Pengelompokan Bidang Laju Pertumbuhan Ekonomi

Indonesia Menggunakan Algoritma K-Means.
Anggraeni, R. (2019). Enhancing the Revisit Intention of Nature-Based Tourism

in Indonesia: The Role of Memorable Tourism Experience and Satisfaction.
Management and Business Research Quarterly, 11, 9–19. Retrieved from
https://doi.org/10.32038/mbrq.2019.11.02
Daud, S. (2017). Penerapan Algoritma K-Means Untuk Clustering Tingkat

Kedisiplinan Kinerja.
Fatmawati. (2016). Perbandingan Algoritma Klasifikasi Data Mining Model C4.5

Dan Naive Bayes Untuk Prediksi Penyakit Diabetes. Jurnal Techno Nusa
Mandiri, XIII(1), 50.
Gennaro, F. D., et al. (2020). No Title. 2020). Coonavirus Diseases (COVID-19)

Current Status and Future Perspectives: A Narrative Review. Journal of
Environmental Research and Public Health, 17, 2690.
Haryaji, B. P. (2018). Penerapan Algoritma K-Means Untuk Memetakan Garis

Kemiskinan Menurut Provinsi Di Indonesia. Skripsi, 1–65. Retrieved from
https://ecampus.pelitabangsa.ac.id/pb/AmbilLampiran?
ref=22949&jurusan=&jenis=Item&usingId=false&download=false&clazz=ai
s.database.model.file.LampiranLain
Kementerian Kesehatan Republik Indonesia. (2020). Pedoman Pencegahan dan

Pengendalian Coronavirus Disease (COVID-19). Germas, 0–115. Retrieved
from https://infeksiemerging.kemkes.go.id/download/REV-
04_Pedoman_P2_COVID-19__27_Maret2020_TTD1.pdf [Diakses 11 Juni
2021].
Maulida, L. (2018). Penerapan Datamining Dalam Mengelompokkan Kunjungan

Wisatawan Ke Objek Wisata Unggulan Di Prov. Dki Jakarta Dengan K-
Means. JISKA (Jurnal Informatika Sunan Kalijaga), 2(3), 167. Retrieved
52
53
from https://doi.org/10.14421/jiska.2018.23-06
MURTI, M. A. W. K. (2017). Penerapan Metode K-Means Clustering Untuk

Mengelompokan Potensi Produksi Buah – Buahan Di Provinsi Daerah
Istimewa Yogyakarta. Skripsi.
Nugroho, P. A., Fenriana, I., & Arijanto, R. (2020). Implementasi Depp Learning
menggunakan Convolutional Neural Network (CNN) pada Ekspresi
Manusia. Jurnal Algor.
Oka A. Yoeti. (2006). Perencanaan dan Pengembangan Pariwisata. Jakarta:

Pradnya Paramitha.
Porta, M. (2019). Miquel Porta, ed. Dictionary of Epidemiology. Oxford

University Press. hlm. 179. ISBN 978-0-19-531449-6. Miquel Porta, Ed.
Dictionary of Epidemiology. Oxford University Press. Hlm. 179. ISBN 978-
0-19-531449-6, 9–25.
Primartha, R. (2018). Belajar Machine Learning: Teori dan Praktik.
Sadewo, M. G., Windarto, A. P., & Wanto, A. (2018). Penerapan Algoritma

Clustering Dalam Mengelompokkan Banyaknya Desa/Kelurahan Menurut
Upaya Antisipasi/ Mitigasi Bencana Alam Menurut Provinsi Dengan K-
Means. KOMIK (Konferensi Nasional Teknologi Informasi Dan Komputer),
2(1), 311–319. Retrieved from https://doi.org/10.30865/komik.v2i1.943
Sari, R. W., & Hartama, D. (2018). Data Mining : Algoritma K-Means Pada
Pengelompokkan Wisata Asing ke Indonesia Menurut Provinsi. Seminar
Nasional Sains & Teknologi Informasi (SENSASI), 322–326.
Seimahuira, S. (2021). Implementasi Datamining Dalam Menentukan Destinasi

Unggulan Berdasarkan Online Reviews Tripadvisor Menggunakan
Algoritma K-Means. Technologia: Jurnal Ilmiah, 12(1), 53. Retrieved from
https://doi.org/10.31602/tji.v12i1.4229
Sun, L., Tang, Y., & Zuo, W. (2020). No Title. Oronavirus Pushes Education
Online. Nature Materials, 19(6), 687-687.
54
Suntoro. (2019). BAB II LANDASAN TEORI 2.1. Tinjauan Pustaka 2.1.1.

Pengertian Data Mining, 6–18.
Suryadana, M. L. dan V. O. (2015). Pengantar Pemasaran Pariwisata.
Syam. (2010). Komunikasi Pariwisata di Indonesia. Komunikasi Pariwisata Di

Indonesia.
Thomas H. Cormen. (2009). Introduction To Algorithm. Introduction To

Algorithm The MIT Press 3rd Edition.
Vulandari, R. T. 2017. (n.d.). Data Mining Teori dan Aplikasi Rapidminer.

Yogyakarta: Gavamedia.
Witten, I. H., Frank, E., & Hall, M. A. (2011). (2011). Data Mining: Practical
Machine Learning Tools and Techniques Third Edition (3rd Edition ed.). (M.
Kaufmann, Ed.) USA: Elsevier Inc. All rights reserved. Encyclopedia of
Ecology, Five-Volume Set. Retrieved from https://doi.org/10.1016/B978-
008045405-4.00153-1
LAMPIRAN
Lampiran 1.1 Lembar Bimbingan Proposal T.A
55
56
Lampiran 1.2 Lembar Perbaikan Penguji Seminar Proposal

57
Lampiran 1.3 Lembar Bimbingan T.A

Lampiran 1.4 Dataset Kunjungan Wisatawan Asing Ke Indonesia Tahun 2020
Agustu Septembe Oktobe Novembe Desembe
Kebangsaan Maret April Mei Juni Juli s r r r r
Brunei Darussalam 444 8 17 17 4 8 13 26 9 9
114.45 61.49 66.41 62.03 58.05
Malaysia 57.864 53.370 45.332 43.292 46.246
3 6 4 3 2
Philippines 6.830 1.511 1.955 1.670 806 676 713 1.003 1.275 1.343
Singapore 40.832 2.074 1.334 1.129 1.166 1.328 1.397 1.616 1.931 2.435
Thailand 2.794 324 510 363 315 290 318 404 376 380
Vietnam 1.618 270 293 248 180 190 162 175 169 181
Myanmar/Burma 1.375 823 760 657 502 485 442 504 490 539
Indonesia 27.795 625 648 500 529 984 875 419 1.542 1.309
Hong Kong 196 141 127 106 121 81 98 119 112 105
India 12.383 629 689 506 443 365 435 537 986 1.272
Japan 13.451 132 85 139 218 360 389 616 717 711
South Korea 6.083 193 168 252 469 575 644 907 965 1.253
Pakistan 759 6 31 6 13 20 22 59 110 129
Bangladesh 1.267 148 90 75 36 39 59 101 112 177
Srilanka 586 33 66 49 23 35 27 55 56 65
Taiwan 2.172 76 85 96 91 96 167 195 237 181
China 4.985 1.748 1.965 2.079 2.681 3.635 6.934 6.863 6.481 7.126
83.29 81.48 81.38 84.34
Timor Leste 86.281 88.202 75.772 81.919 72.033 81.100
4 4 4 7
Turki 799 67 45 58 91 72 53 96 122 118
Saudi Arabia 2.116 80 64 81 95 129 183 121 107 79
Egypt 632 14 13 8 12 19 46 74 64 109
Uni Emirat Arab 104 27 34 15 26 24 15 25 29 53
Iran 67 8 3 13 14 24 18 24 29 30
58
59
Israel 12 15 39 46 38 30 23 30 22 31
Austria 871 11 3 7 13 17 21 74 111 164
Denmark 1.795 6 5 6 14 19 13 41 68 76
France 8.108 7 9 23 89 124 128 300 425 752
Germany 11.116 24 24 29 54 72 91 226 373 673
Italy 1.541 112 94 103 108 134 142 204 287 301
Netherlands 8.247 518 848 1.055 1.089 1.348 2.297 2.903 3.095 3.402
Spain 2.219 74 84 104 97 104 108 166 235 271
Portugal 1.146 26 5 11 11 18 16 22 43 44
Sweden 2.893 465 457 376 311 362 329 337 404 314
Switzerland 1.587 4 9 10 18 20 34 90 100 182
United Kingdom 15.002 89 122 112 152 134 252 417 576 643
Irlandia (Ireland) 993 2 2 2 8 6 14 26 38 50
Rusia 12.581 137 159 85 111 107 178 467 971 4.253
Polandia 1.622 10 24 11 11 21 40 72 80 170
Romania 607 33 37 30 22 22 18 53 58 77
Ukraine 2.507 186 275 193 68 131 98 175 359 949
Yunani (Greece) 245 19 37 38 22 28 32 55 46 65
United States of
13.719 1.118 1.022 1.070 1.363 1.740 1.464 3.054 2.401 2.354
America
Canada 3.804 53 82 86 53 57 54 105 187 190
Argentina 661 2 1 1 4 4 2 8 13 15
Brazilia 1.095 28 31 35 47 69 89 127 99 78
Mexiko 498 2 3 5 5 4 4 18 10 17
Australia 43.734 140 102 138 202 159 244 379 377 537
New Zealand 3.817 8 9 15 24 34 36 52 58 58
Papua New Guinea 1.248 1.021 1.266 1.263 1.261 987 742 991 1.514 1.525
South Africa 1.397 7 15 7 15 16 21 49 76 93
60
Maroko 333 1 1 3 7 5 5 6 8 16
Lampiran 1.5 Dataset Kunjungan Wisatawan Asing Ke Indonesia Tahun 2021

Januar Februar Agustu Septembe Oktobe Novembe Desembe
Kebangsaan i i Maret April Mei Juni Juli s r r r r
Brunei Darussalam 4 9 6 46 3 13 6 7 11 11 17 11
37.09 35.87 45.32 34.34 41.91
Malaysia 44.001 34.425 5 1 2 5 3 37.530 37.946 44.113 39.434 48.728
Philippines 779 679 1.014 995 972 670 483 438 511 831 1.148 855
Singapore 2.107 1.864 2.396 2.541 2.293 1.049 980 946 729 1.142 1.462 1.195
Thailand 258 301 327 418 2.293 299 225 225 265 389 427 435
Vietnam 141 167 155 196 164 131 147 134 122 160 214 277
Kamboja 2 5 13 36 18 25 22 19 14 33 17 24
Myanmar/Burma 368 293 259 291 259 233 186 183 168 254 283 316
Indonesia 935 664 1.214 263 927 779 709 571 571 647 1.185 1.487
Hong Kong 198 232 212 172 190 187 186 188 170 211 236 250
India 349 558 539 826 244 211 176 165 184 949 1.301 1.168
Japan 79 422 284 628 929 731 88 37 288 737 821 908
South Korea 207 676 842 1.119 799 813 280 164 364 1.281 1.681 1.271
Pakistan 27 71 51 101 69 98 67 15 53 113 146 163
Bangladesh 88 87 79 62 80 98 50 69 53 138 93 104
Srilanka 26 34 52 57 79 56 27 15 42 63 100 69
Taiwan 67 117 126 147 159 149 63 28 36 124 184 198
China 1.353 2.703 8.272 9.639 4.961 6.421 2.941 897 2.119 6.005 4.889 4.513
Macao 4 3 2 1 4 6 7 7 3 6 10 8
Maladewa 5 6 5 12 11 2 6 1 1 9 14 8
59.38 48.44 70.26 68.47 69.51
Timor Leste 68.451 54.211 9 7 5 5 6 70.216 69.080 76.086 80.377 84.975
61
Turki 27 63 62 101 107 117 40 17 55 122 278 133

Saudi Arabia 100 70 48 45 381 677 222 139 123 70 86 92
Bahrain 2 5 2 1 1 4 4 2 2 3 5 4
Egypt 21 39 48 45 78 57 32 23 24 72 92 80
Uni Emirat Arab 25 24 48 31 36 47 18 16 26 30 43 40
Iran 4 13 19 38 30 27 13 12 11 36 65 32
Israel 57 59 51 49 49 30 41 34 32 33 28 42
Jordan 1 1 8 17 22 31 9 1 9 28 13 27
Syiria 1 8 8 15 32 37 4 6 11 11 13 36
Austria 78 112 87 179 230 254 223 221 192 151 242 134
Belgium 13 34 77 96 86 105 42 17 28 78 119 103
Denmark 11 23 29 84 50 61 30 15 44 42 111 57
France 33 196 168 444 376 506 228 45 147 467 662 504
Germany 33 176 152 432 357 421 207 51 148 465 608 379
Italy 78 136 178 312 222 227 101 57 89 218 494 227
Netherlands 890 826 693 820 916 1.057 952 864 1.024 1.269 1.574 1.344
Spain 109 123 172 206 361 314 342 249 212 386 561 220
Portugal 2 15 15 27 33 47 40 19 40 83 79 76
Sweden 284 245 277 303 253 249 267 247 321 316 392 362
Switzerland 5 43 36 114 105 82 52 8 30 76 123 108
United Kingdom 108 261 265 507 537 545 282 167 273 680 856 696
Norway 4 38 13 31 12 35 11 1 12 43 87 49
Irlandia (Ireland) 1 28 15 40 35 42 15 1 12 36 45 21
Rusia 77 447 410 742 694 753 301 73 256 806 1.509 2.324
Other East Europe 178 561 555 988 875 1.017 385 114 205 708 1.157 1.384
Bulgaria 4 15 14 40 20 27 14 1 2 26 31 17
Ceko 4 26 22 75 60 71 18 6 10 40 87 77
Croasia 8 18 39 50 44 60 28 2 18 41 56 28
62
Estonia 26 25 21 17 18 15 14 9 10 16 38 21
Georgia 8 11 18 15 10 21 7 4 2 8 9 6
Hongaria 5 11 8 36 18 34 13 2 2 26 43 20
Latvia 3 19 19 51 17 32 15 8 6 25 55 79
Lithuania 2 23 15 14 22 12 11 1 6 17 50 31
Polandia 10 43 48 105 80 113 49 6 19 66 108 105
Romania 8 37 35 57 87 56 22 4 19 58 61 66
Ukraine 69 229 215 356 302 412 118 40 67 257 354 625
Yunani (Greece) 18 19 37 39 44 35 27 17 14 30 65 40
United States of
America 1.369 1.607 1.224 1.804 2.159 2.131 2.508 1.735 1.337 2.116 2.306 1.666
Canada 14 76 76 127 127 137 71 21 64 166 210 153
Central America 8 3 8 8 9 13 4 6 5 3 6 14
South America 54 79 113 172 169 219 107 36 68 117 185 131
Argentina 2 4 7 17 11 14 9 2 5 6 23 14
Brazilia 45 56 84 117 111 136 60 24 41 79 114 85
Kolombia 1 9 3 7 15 19 5 3 8 6 15 5
Venezuela 2 2 2 11 7 8 4 2 3 5 7 3
UNO 17 10 7 5 7 2 8 4 20 21 13 13
Australia 154 220 204 300 284 302 181 71 190 261 456 573
New Zealand 9 34 21 63 56 62 24 7 21 59 53 73
Papua New Guinea 3.212 2.364 2.328 2.313 1.913 1.682 2.096 2.318 2.107 3.168 3.322 4.880
South Africa 17 35 28 55 109 104 31 8 27 72 70 16
Aljazair / Algeria 1 2 4 4 10 25 5 1 9 9 11 8
Ethiopia 2 3 4 1 8 6 1 3 3 1 7 4
Maroko 5 4 5 24 27 30 8 5 9 26 25 14
Mozambik 4 6 4 3 5 1 2 1 3 5 10 7
Nigeria 2 10 6 13 76 121 71 2 27 83 30 19
63
Sudan 2 3 4 3 7 17 5 4 8 8 15 25
Tanzania 13 13 6 5 18 8 3 3 10 13 10 8
RIWAYAT PENULIS
Muhamad Irfan Fadillah adalah mama penulis Tugas Akhir.

Lahir di Bekasi pada tanggal 24 Mei 2000, merupakan anak
pertama dari 3 bersaudara yang dilahirkan dari pasangan
Bapak Iyus Rusdiana M.M dan Ibu Puji Daryanti. Penulis
menyelesaikan Pendidikan Sekolah Menengah Pertama di
SMPN 1 Kedungwaringin pada tahun 2015, lalu melanjutkan
ke tingkat Sekolah Menengah Atas di SMAN 1
Kadungwaringin pada tahun 2018, dan di tahun 2018 penulis
diterima sebagai Mahasiswa Program Studi Teknik Informatika Fakultas
Teknik dan Ilmu Komputer di Universitas Buana Perjuangan Karawang.
64

Skripsi Tugas Akhir Selesai Revisi

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Skripsi Tugas Akhir Selesai Revisi

Diunggah oleh

Hak Cipta:

Format Tersedia

PENGELOMPOKAN DATA KUNJUNGAN WISATAWAN ASING KE

INDONESIA DI MASA PANDEMI COVID-19 DENGAN

FAKULTAS ILMU KOMPUTER

PENGELOMPOKAN DATA KUNJUNGAN WISATAWAN ASING KE

DATA CLASIFICATION OF FOREIGN TOURIST TO INDONESIA

Tugas Akhir diajukan oleh :

MUHAMAD IRFAN FADILLAH

Program Studi Teknik Informatika

Fakultas Ilmu Komputer

Universitas Buana Perjuangan Karawang

Karawang, 1 Agustus 2022

Pembimbing I, Pembimbing II,

Ayu Ratna Juwita, M.Kom Cici Emilia Sukmawati, M.Kom

NIDN: 0410069301 NIDN: 0419109401

Penguji I, Penguji II,

(Nama dan Gelar Dosen) (Nama dan Gelar Dosen)

Dr. Ahmad Fauzi, M.Kom Jamaludin Indra, M.Kom

Muhamad Irfan Fadillah

Saya Muhamad Irfan Fadillah menyatakan dengan sesungguhnya

Sesuai peraturan yang berlaku saya siap menanggung resiko/sanksi

Karawang, 06 Agustus 2022

Muhamad Irfan Fadillah

Keyword: Pandemic, clustering, covid-19, foreign tourists.

1.1 Latar Belakang...............................................................................................1

1.2 Rumusan Masalah..........................................................................................3

1.3 Tujuan Penelitian...........................................................................................3

BAB II TINJAUAN PUSTAKA............................................................................4

2.1 Data Mining...................................................................................................4

2.3 Algoritma K-Means.......................................................................................5

2.8 Rapid Miner...................................................................................................9

2.10 Penelitian Terkait.......................................................................................10

BAB III METODE PENELITIAN.....................................................................13

3.1 Objek Penelitian...........................................................................................13

3.1.1 Peralatan Penelitian.....................................................................14

3.2 Prosedur Penelitian......................................................................................14

3.2.1 Teknik Pengumpulan Data..........................................................15

3.2.2 Seleksi Data................................................................................15

3.2.4 Implementasi Algoritma K-Means.............................................15

3.2.5 Evaluasi Data..............................................................................17

3.2.6 Hasil Clustering..........................................................................17

BAB IV HASIL DAN PEMBAHASAN.............................................................18

4.1 Pengumpulan Data.......................................................................................18

4.2 Seleksi Data...................................................................................................19

4.3 Pembersihan Data.........................................................................................19

4.4 Implementasi Algoritma K-Means................................................................20

4.4.1 Perhitungan Menggunakan Microsoft Excel...............................20

4.4.2 Perhitungan Menggunakan Rapid Miner....................................37

4.4.3 Perhitungan Menggunakan Anaconda/Python............................41

4.5 Evaluasi Data................................................................................................43

4.6 Hasil Implementasi Perbandingan................................................................43

BAB V KESIMPULAN DAN SARAN...............................................................48

Lampiran 1.2 Lembar Perbaikan Penguji Seminar Proposal.................................54

Lampiran 1.3 Lembar Bimbingan T.A...................................................................55

Tabel 2.1 Tabel Penelitian Terkait.........................................................................10

Penelitian ini juga dilakukan oleh (Seimahuira, 2021). Berdasarkan hasil

Secara umum, teknologi informasi saat ini telah memberikan kontribusi

1.2 Rumusan Masalah

Gambar 2.1 Tahapan Data Mining (Sumber: Almas Shidqi, 2017)

Menurut (Thomas H. Cormen, 2009), Algoritma adalah prosedur

2.3 Algoritma K-Means

Sedangkan menurut (Widyawati dkk., 2020) Algoritma K-Means

K-Means merupakan bagian dari metode non hirarki sehingga di metode

Ada banyak pendapat saat melaukukan pengambilan cluster awal untuk