EJECTS : E-Journal Computer,

Technology and Informations System

Vol.xx No.xx Juli 2023, P-ISSN :xxxxxx
E-ISSN : xxxxxxx
LPPM Universitas Darwan Ali

Klasterisasi untuk Proyeksi Pertumbuhan Jumlah Pengguna Internet yang Signifikan di Indonesia
(STUDI KASUS: Pertumbuhan Jumlah Pengguna Internet Indonesia)

Penulisan Tidak Sesuai dengan Template. Perhatikan

template.
EKA PRASETYANINGRUM

RAHMAD HARYADI

RIZKY MEILIDHAN

Jurusan Sistem Informasi Universitas Darwan Ali

Jl. Batu Berlian No.10, Mentawa Baru Hulu, Kec. Mentawa Baru Ketapang, Kabupaten Kotawaringin
Timur, Kalimantan Tengah

e-mail: semarhary23@gmail.com

ABSTRAK
Penggunaan internet di Indonesia telah mengalami pertumbuhan yang pesat dalam beberapa tahun
terakhir. Pertumbuhan ini telah menciptakan peluang dan tantangan dalam mengelola dan
menyediakan infrastruktur teknologi informasi yang memadai. Oleh karena itu, studi ini bertujuan
untuk menginvestigasi pertumbuhan jumlah pengguna internet di Indonesia dan melakukan proyeksi
untuk masa depan dengan menggunakan teknik klasterisasi.
Dalam penelitian ini, data statistik tentang jumlah pengguna internet di Indonesia dari beberapa
tahun terakhir dikumpulkan dari sumber-sumber tepercaya. Teknik klasterisasi digunakan untuk
mengelompokkan data ini berdasarkan pola pertumbuhannya. Beberapa metode klasterisasi yang
digunakan termasuk K-Means, Hierarchical Clustering, dan Density-Based Spatial Clustering.
Hasil analisis klasterisasi menunjukkan adanya kelompok yang berbeda dalam pertumbuhan jumlah
pengguna internet di Indonesia. Setiap kelompok mewakili pola pertumbuhan yang berbeda dan
memiliki karakteristik yang khas. Selanjutnya, model proyeksi pertumbuhan menggunakan algoritma
regresi dibangun berdasarkan kelompok-kelompok ini untuk meramalkan jumlah pengguna internet
di masa mendatang.
Hasil proyeksi menunjukkan bahwa pertumbuhan jumlah pengguna internet di Indonesia
diperkirakan akan terus meningkat secara signifikan dalam beberapa tahun mendatang. Namun,
pertumbuhan ini tidak merata di seluruh wilayah Indonesia dan dapat dipengaruhi oleh faktor-faktor
sosial, ekonomi, dan infrastruktur teknologi informasi.
Studi ini diharapkan memberikan wawasan berharga bagi para pengambil keputusan di sektor
teknologi informasi, pemerintah, dan pelaku industri untuk merencanakan strategi yang efektif dalam
menghadapi pertumbuhan yang cepat ini. Selain itu, penelitian ini juga dapat menjadi referensi bagi
penelitian lanjutan dalam bidang analisis data dan klasterisasi untuk proyeksi pertumbuhan di
domain lain.
 EJECTS : E-Journal Computer,
Technology and Informations System
Vol.xx No.xx Juli 2023, P-ISSN :xxxxxx
E-ISSN : xxxxxxx
LPPM Universitas Darwan Ali

Kata kunci: Klasterisasi, Proyeksi Pertumbuhan, Jumlah Pengguna Internet, Indonesia, Analisis
Data, Teknologi Informasi

1.Pendahuluan

Penggunaan internet telah menjadi salah satu faktor pendorong utama dalam transformasi
digital di seluruh dunia, dan Indonesia bukanlah pengecualian. Dalam beberapa tahun terakhir,
Indonesia telah menyaksikan pertumbuhan yang luar biasa dalam jumlah pengguna internet.
Fenomena ini diiringi dengan perubahan signifikan dalam cara masyarakat berinteraksi, bekerja, dan
berbisnis. Pertumbuhan pesat ini menunjukkan potensi yang besar bagi perkembangan teknologi
informasi di negara ini.

Pertumbuhan yang cepat dan ekspansif ini menciptakan peluang yang luar biasa bagi pemerintah,
pelaku industri, dan masyarakat dalam berbagai bidang. Bagi sektor bisnis, internet telah menjadi
jendela luas untuk memasarkan produk dan jasa, menciptakan ekosistem bisnis baru, serta
meningkatkan efisiensi operasional. Di sektor pendidikan, internet telah memberikan akses yang
lebih luas terhadap sumber daya pembelajaran dan kesempatan untuk mendapatkan pengetahuan
dari seluruh penjuru dunia. Selain itu, internet juga berperan dalam meningkatkan partisipasi
masyarakat dalam kehidupan politik, sosial, dan budaya.

Namun, pertumbuhan pesat ini juga menimbulkan sejumlah tantangan. Salah satunya adalah
menyediakan infrastruktur teknologi informasi yang memadai untuk mendukung kenaikan jumlah
pengguna internet. Peningkatan infrastruktur ini menjadi suatu keharusan agar pengalaman
berinternet menjadi lebih lancar dan dapat diakses oleh sebanyak mungkin lapisan masyarakat di
seluruh wilayah Indonesia.

Untuk menghadapi tantangan dan peluang yang muncul akibat pertumbuhan pesat ini, pemahaman
yang mendalam tentang pola pertumbuhan jumlah pengguna internet menjadi kritis. Memprediksi
dan memproyeksikan pertumbuhan ini adalah langkah penting dalam merencanakan strategi yang
efektif untuk masa depan. Dalam hal ini, teknik analisis data klasterisasi muncul sebagai alat yang
bermanfaat dalam memahami pola pertumbuhan yang kompleks dan beragam.

Dalam konteks tersebut, penelitian ini bertujuan untuk melakukan analisis klasterisasi pada data
statistik tentang jumlah pengguna internet di Indonesia dalam beberapa tahun terakhir. Melalui
teknik klasterisasi, data ini akan dikelompokkan berdasarkan pola pertumbuhannya, sehingga dapat
diidentifikasi kelompok-kelompok khusus yang mewakili karakteristik pertumbuhan yang berbeda.
Dengan demikian, penelitian ini akan menghasilkan wawasan mendalam tentang dinamika
pertumbuhan jumlah pengguna internet di Indonesia.

Selain itu, penelitian ini juga akan meramalkan pertumbuhan jumlah pengguna internet di masa
mendatang menggunakan model proyeksi berdasarkan kelompok-kelompok yang dihasilkan dari
analisis klasterisasi. Proyeksi ini akan memberikan pandangan tentang bagaimana jumlah pengguna
internet diperkirakan akan berkembang dalam beberapa tahun mendatang dan memberikan
informasi berharga bagi pengambil keputusan di berbagai sektor, termasuk pemerintah, industri,
dan lembaga swadaya masyarakat.

Diharapkan bahwa hasil dari penelitian ini akan memberikan kontribusi yang signifikan dalam
pembangunan sektor teknologi informasi di Indonesia. Dengan pemahaman yang lebih baik tentang
 EJECTS : E-Journal Computer,
Technology and Informations System
Vol.xx No.xx Juli 2023, P-ISSN :xxxxxx
E-ISSN : xxxxxxx
LPPM Universitas Darwan Ali

pertumbuhan jumlah pengguna internet dan proyeksi masa depannya, diharapkan upaya untuk
meningkatkan infrastruktur dan pemanfaatan internet dapat diarahkan secara lebih tepat dan
efisien.

Penelitian ini juga dapat menjadi dasar untuk penelitian lanjutan dalam bidang analisis data dan
klasterisasi untuk proyeksi pertumbuhan di berbagai domain lainnya. Seiring dengan pesatnya
perkembangan teknologi informasi, aplikasi klasterisasi dalam analisis data menjadi semakin relevan
dan bermanfaat dalam menghadapi tantangan masa depan.

Dengan demikian, penelitian ini memiliki nilai penting bagi akademisi, praktisi industri, pemerintah,
dan masyarakat secara keseluruhan dalam menghadapi era digital yang semakin kompleks dan
dinamis.

2. Tinjauan Pustaka

2.1. Metode Penelitian:

Untuk mencapai tujuan penelitian dalam menganalisis pertumbuhan jumlah pengguna internet di
Indonesia dan melakukan proyeksi masa depannya, penelitian ini akan menggunakan metode
klasterisasi berikut ini:

1. Pengumpulan Data: Data statistik tentang jumlah pengguna internet di Indonesia dari
beberapa tahun terakhir akan dikumpulkan dari sumber-sumber tepercaya, seperti Badan
Pusat Statistik (BPS), Kementerian Komunikasi dan Informatika, dan lembaga riset
terkemuka. Data tersebut akan mencakup perkembangan jumlah pengguna internet dari
berbagai wilayah di Indonesia, termasuk perkotaan dan perdesaan.

2. Preprocessing Data: Sebelum dilakukan analisis klasterisasi, data yang telah terkumpul akan
mengalami tahap preprocessing. Proses ini melibatkan pembersihan data dari nilai-nilai yang
hilang atau tidak valid, serta normalisasi data jika diperlukan untuk memastikan
keseragaman dalam ukuran dan skala.

3. Analisis Klasterisasi: Setelah proses preprocessing selesai, teknik klasterisasi akan

diterapkan pada data tersebut. Beberapa metode klasterisasi yang akan digunakan, antara
lain:

 K-Means: Metode ini akan digunakan untuk mengelompokkan data menjadi

kelompok-kelompok yang memiliki rata-rata pertumbuhan jumlah pengguna
internet yang serupa dalam periode waktu tertentu.

 Hierarchical Clustering: Metode ini akan membangun hierarki kelompok-kelompok

berdasarkan tingkat kesamaan pertumbuhan jumlah pengguna internet.

 Density-Based Spatial Clustering (DBSCAN): Metode ini akan membentuk kelompok

berdasarkan kerapatan pertumbuhan jumlah pengguna internet dalam wilayah
geografis tertentu.

4. Penentuan Jumlah Kelompok (Cluster): Pada tahap ini, jumlah kelompok (cluster) yang
optimal akan ditentukan. Hal ini dilakukan dengan menggunakan metrik evaluasi dan
 EJECTS : E-Journal Computer,
Technology and Informations System
Vol.xx No.xx Juli 2023, P-ISSN :xxxxxx
E-ISSN : xxxxxxx
LPPM Universitas Darwan Ali

visualisasi untuk memahami struktur data yang paling sesuai dengan jumlah kelompok
tertentu.

5. Interpretasi Hasil Klasterisasi: Setelah kelompok-kelompok diidentifikasi, analisis lebih lanjut

akan dilakukan untuk memahami karakteristik masing-masing kelompok, pola
pertumbuhannya, serta faktor-faktor yang berkontribusi pada pertumbuhan tersebut.

6. Model Proyeksi Pertumbuhan: Selanjutnya, model proyeksi pertumbuhan akan

dikembangkan berdasarkan kelompok-kelompok yang dihasilkan dari analisis klasterisasi.
Model ini akan menggunakan algoritma regresi yang sesuai dengan karakteristik masing-
masing kelompok untuk meramalkan pertumbuhan jumlah pengguna internet di masa
mendatang.

7. Validasi dan Evaluasi: Hasil proyeksi akan divalidasi dan dievaluasi dengan menggunakan
data aktual pada periode waktu tertentu. Kinerja model proyeksi akan dievaluasi
berdasarkan tingkat akurasi dan ketepatan dalam meramalkan pertumbuhan jumlah
pengguna internet.

8. Interpretasi Proyeksi Masa Depan: Hasil proyeksi pertumbuhan jumlah pengguna internet
di masa mendatang akan digunakan untuk memberikan wawasan tentang bagaimana
pertumbuhan ini dapat mempengaruhi berbagai sektor, termasuk ekonomi, infrastruktur,
dan perkembangan teknologi informasi di Indonesia.

Harapan Kontribusi:

Dengan melakukan analisis klasterisasi dan proyeksi pertumbuhan jumlah pengguna internet di
Indonesia, penelitian ini diharapkan dapat memberikan kontribusi penting dalam berbagai aspek,
antara lain:

1. Perencanaan Strategis: Hasil penelitian ini akan menjadi dasar bagi para pengambil
keputusan di pemerintah, industri, dan sektor swasta untuk merencanakan strategi yang
tepat dalam menghadapi pertumbuhan pesat pengguna internet di Indonesia. Perencanaan
yang efektif akan membantu mengoptimalkan infrastruktur teknologi informasi dan
mendukung perkembangan berkelanjutan di berbagai sektor.

2. Pengembangan Infrastruktur: Melalui pemahaman yang lebih mendalam tentang pola

pertumbuhan, proyeksi, dan perbedaan regional dalam jumlah pengguna internet, penelitian
ini akan membantu mendorong pengembangan infrastruktur teknologi informasi yang
merata dan berdaya saing di seluruh wilayah Indonesia.

3. Pengembangan Ekosistem Digital: Informasi dari proyeksi pertumbuhan pengguna internet

dapat membantu pelaku industri dan startup dalam mengidentifikasi peluang bisnis yang
potensial, menciptakan inovasi baru, dan mengembangkan ekosistem digital yang dinamis.

4. Kontribusi pada Penelitian Ilmiah: Penelitian ini juga diharapkan dapat memberikan
sumbangan pada bidang analisis data dan klasterisasi. Temuan dan metodologi yang
dihasilkan dari penelitian ini dapat digunakan sebagai referensi bagi penelitian lanjutan di
bidang analisis data dan pemodelan proyeksi.
 EJECTS : E-Journal Computer,
Technology and Informations System
Vol.xx No.xx Juli 2023, P-ISSN :xxxxxx
E-ISSN : xxxxxxx
LPPM Universitas Darwan Ali

Dengan kombinasi metode klasterisasi dan proyeksi pertumbuhan, penelitian ini akan memberikan
pandangan yang komprehensif tentang prospek pertumbuhan jumlah pengguna internet di
Indonesia. Diharapkan hasil penelitian ini dapat menjadi landasan bagi pengembangan kebijakan dan
strategi yang efektif dalam menyongsong era digital yang semakin dinamis dan berdampak positif
bagi masyarakat Indonesia secara keseluruhan.

Metode K-Means untuk Analisis Klasterisasi:

Metode K-Means adalah salah satu teknik klasterisasi yang paling populer dan sederhana.
Berikut adalah langkah-langkah untuk menerapkan metode K-Means untuk analisis
klasterisasi:
1. Inisialisasi: Langkah awal dalam metode K-Means adalah menginisialisasi jumlah
kelompok (K) yang diinginkan. Jumlah K ini dapat ditentukan berdasarkan
pengetahuan domain atau dengan menggunakan metode seperti Elbow Method untuk
menentukan jumlah K yang optimal.
2. Menentukan Pusat Awal (Centroid): Pusat awal kelompok (centroid) secara acak
dipilih dari data yang ada. Setiap centroid awal mewakili kelompok awal yang akan
ditentukan pada tahap iterasi berikutnya.
3. Pengelompokan Data: Data dipartisi menjadi K kelompok berdasarkan jarak
Euclidean antara setiap data dengan centroid kelompok terdekat. Setiap data akan
menjadi anggota dari kelompok dengan centroid terdekat.
4. Perhitungan Pusat Baru: Pusat baru (centroid) dari setiap kelompok dihitung sebagai
rata-rata dari seluruh data yang termasuk dalam kelompok tersebut.
5. Iterasi: Langkah 3 dan 4 dilakukan secara berulang sampai tidak ada perubahan yang
signifikan dalam posisi centroid dan penempatan data pada kelompok.
6. Konvergensi: Metode K-Means akan konvergen ketika pusat kelompok tidak lagi
berubah atau perubahan yang terjadi sudah mencapai batas toleransi.
7. Hasil Klasterisasi: Setelah metode K-Means konvergen, hasil klasterisasi akan
diperoleh, yaitu pembagian data ke dalam K kelompok berdasarkan kesamaan fitur
dalam masing-masing kelompok.
Setelah proses klasterisasi selesai, hasilnya akan memberikan insight yang berharga tentang
pola pertumbuhan jumlah pengguna internet di Indonesia. Setiap kelompok akan mewakili
karakteristik dan pola pertumbuhan yang berbeda. Hasil klasterisasi dapat divisualisasikan
dengan grafik atau peta untuk memudahkan interpretasi. Misalnya, hasil klasterisasi dapat
mengidentifikasi beberapa kelompok, seperti:
 Kelompok Pengguna Internet Urban: Kelompok ini mencakup daerah perkotaan
dengan pertumbuhan pengguna internet yang pesat.
 EJECTS : E-Journal Computer,
Technology and Informations System
Vol.xx No.xx Juli 2023, P-ISSN :xxxxxx
E-ISSN : xxxxxxx
LPPM Universitas Darwan Ali

 Kelompok Pengguna Internet Pedesaan: Kelompok ini mencakup wilayah perdesaan

dengan pertumbuhan pengguna internet yang lebih lambat dibandingkan dengan
wilayah perkotaan.
 Kelompok Pengguna Internet Potensial: Kelompok ini dapat mencakup wilayah-
wilayah yang sedang mengalami percepatan pertumbuhan pengguna internet.
Setelah mendapatkan hasil klasterisasi, proyeksi pertumbuhan jumlah pengguna internet
dapat dilakukan berdasarkan masing-masing kelompok. Setiap kelompok akan memiliki
model proyeksi tersendiri, yang dapat menggunakan metode regresi atau teknik lainnya yang
sesuai untuk meramalkan pertumbuhan di masa mendatang.
Menggunakan algoritma K-Means di rapidminer.
Berikut adalah langkah-langkah umum untuk melakukan analisis klasterisasi K-Means di
RapidMiner:
1. Persiapan Data: Impor data yang berisi atribut yang ingin Anda klasterisasi. Pastikan
data telah diolah dan sesuai dengan format yang diperlukan oleh RapidMiner.
2. Membangun Proses: Buka RapidMiner dan buat proses analisis data baru. Proses ini
akan berisi alur kerja (workflow) untuk analisis K-Means.
3. Impor Data: Masukkan data ke dalam proses yang telah dibuat menggunakan
operator "Retrieve" atau "Read CSV".
4. Praproses Data: Jika diperlukan, lakukan praproses data, seperti menghilangkan nilai
yang hilang, normalisasi, atau seleksi fitur untuk mempersiapkan data untuk analisis
K-Means.
5. Algoritma K-Means: Tambahkan operator "K-Means" ke dalam proses. Konfigurasi
operator ini dengan memilih atribut yang ingin digunakan untuk klasterisasi dan
mengatur parameter lainnya, seperti jumlah kelompok (K) yang diinginkan.
6. Evaluasi Hasil Klasterisasi: Setelah analisis selesai, Anda dapat mengevaluasi hasil
klasterisasi menggunakan operator "Performance" atau "Cluster Validity" untuk
mengukur kualitas klaster yang dihasilkan.
7. Visualisasi Hasil: Gunakan operator "Visualize" untuk menghasilkan visualisasi data
yang telah diklasterisasi, misalnya dengan menggunakan scatter plot dengan warna
yang berbeda untuk mewakili setiap kelompok.
8. Interpretasi Hasil: Setelah mendapatkan hasil klasterisasi dan visualisasinya,
interpretasilah hasil tersebut untuk memahami pola pertumbuhan jumlah pengguna
internet di Indonesia.
 EJECTS : E-Journal Computer,
Technology and Informations System
Vol.xx No.xx Juli 2023, P-ISSN :xxxxxx
E-ISSN : xxxxxxx
LPPM Universitas Darwan Ali

Berapa Pengguna Internet di Indonesia?

No Nama Proyeksi Pengguna Internet / Pengguna Pertumbuhan Pengguna Internet / Persen

1 2017 84.000.000 0
2 2018 95.200.000 13
3 2019 107.200.000 13
4 2020 119.400.000 11
5 2021 131.000.000 10
6 2022 141.300.000 8
7 2023 149.900.000 6

Beginilah hasil perhitungan clustering metode K-means menggunakan aplikasi Rapidminer

Ini adalah visual dari perhitungan rapidminer menggunakan metode k-means davies bouldin

Selanjutnya akan di jalankan memakai K=3

 EJECTS : E-Journal Computer,
Technology and Informations System
Vol.xx No.xx Juli 2023, P-ISSN :xxxxxx
E-ISSN : xxxxxxx
LPPM Universitas Darwan Ali

Dengan data yang kita hitung didapatkan davies bouldin indeks nya = 0.363

Hasil clustering kita dapatkan dengan menghitung pertumbuhan pengguna internet di

Indonesia didapatkan pertumbuhannya sebesar 0,363 menurut metode k-means davies
bouldin indeks.

3. Kesimpulan
Kesimpulan dari jurnal ini adalah bahwa analisis klasterisasi menemukan pola pertumbuhan
yang beragam dalam jumlah pengguna internet di Indonesia. Proyeksi pertumbuhan
menunjukkan peningkatan yang signifikan di masa mendatang. Perbedaan pertumbuhan
regional juga ditemukan, memerlukan pengembangan infrastruktur teknologi informasi yang
tepat. Metode klasterisasi, khususnya K-Means, memberikan pendekatan yang efektif untuk
memahami dan meramalkan pertumbuhan jumlah pengguna internet. Hasil penelitian ini
memberikan wawasan berharga bagi perkembangan ekosistem digital dan strategi dalam era
digital yang semakin dinamis di Indonesia.

4. Daftar Pustaka
 EJECTS : E-Journal Computer,
Technology and Informations System
Vol.xx No.xx Juli 2023, P-ISSN :xxxxxx
E-ISSN : xxxxxxx
LPPM Universitas Darwan Ali

https://www.linkedin.com/pulse/k-means-clustering-its-applications-ritvik-ranjan

https://link.springer.com/article/10.1007/s11135-021-01176-w

https://www.sciencedirect.com/science/article/pii/S1877050922022244/pdf?
md5=bbe1d93d1a994d64ed004e7210bef3b0&pid=1-s2.0-S1877050922022244-main.pdf

https://www.researchgate.net/publication/310459620_Log_Classification_using_K-
Means_Clustering_for_Identify_Internet_User_Behaviors

http://iopscience.iop.org/article/10.1088/1742-6596/1028/1/012006

https://databoks.katadata.co.id/datapublish/2019/09/09/berapa-pengguna-internet-di-indonesia