Techno.COM, Vol. x, No.

x, Februari 20xx: 1-5

Analisis Klaster Industri Kecil dan Mikro pada

Kabupaten/Kota di Jawa Timur Tahun 2018 dengan Fuzzy
C-Means
Industry Cluster Analysis Small and Micro Industry Cluster Analysis in
Regency/City in East Java in 2018 with Fuzzy C-Means

Achmad Fachril Yusuf Ababil1, Dian Candra Rini Novitasari2

1,2
Universitas Islam Negeri Sunan Ampel Surabaya
E-mail: 1fachrilyusuf@gmail.com, 2diancrini@uinsby.ac.id

Abstrak
Industri kecil dan mikro merupakan kekuatan strategis dan penting untuk mempercepat
pembangunan daerah. Industri kecil dan mikro bisa menjadi salah satu penggerak ekonomi
masyarakat, untuk itu perlu upaya pemetaan supaya pembangunan industri kecil dan mikro lebih
merata. Penelitian ini menggunakan metode Fuzzy C-Means untuk memetakan suatu kawasan
industri yang berada di Jawa Timur masuk pada daerah industri kecil dan mikro kategori tinggi a
tau kategori rendah. Berdasarkan penelitian ini tingkat kawasan industri terbagi menjadi 2
cluster dengan nilai silhouette coefficient sebesar 0,60383 yang berarti jumlah 2 cluster baik
untuk digunakan. Berdasarkan hasil penelitian diharapkan kepada pemerintah dapat mengambil k
eputusan yang tepat untuk melakukan pembangunan industri agar memperbanyak lapangan
pekerjaan sehingga mengurangi tingkat pengangguran. Salah satu upaya yang dapat dilakukan
pemerintah yaitu, memberikan bantuan modal kepada pelaku industri kecil dan mikro untuk
meningkatkan kapasitas produksi.

Kata kunci: Ekonomi, Fuzzy C-Means, Industri Kecil dan Mikro

Abstract
Small and micro industries are a strategic and important force to accelerate regional
development. Small and micro industries can be one of the drivers of the community's economy,
for this reason, mapping efforts are needed so that the development of small and micro
industries is more evenly distributed. This study uses the Fuzzy C-Means method to map an
industrial area in East Java into a high category or low category of small and micro industries.
Based on this research, the level of industrial area is divided into 2 clusters with a silhouette
coefficient value of 0.60383 which means that the number of 2 clusters is good to use. Based on
the results of the study, it is hoped that the government can make the right decisionsto carry out
industrial development in order to increase employment so as to reduce the unemployment rate.
One of the efforts that can be made by the government is to provide capital assistance to small
and micro industry players to increase capacity production.

Keywords: Economy, Fuzzy C-Means, Small and Micro Industries

1. PENDAHULUAN

Industri adalah kegiatan ekonomi yang mengolah bahan-bahan mentah, bahan baku, barang
setengah jadi atau barang jadi menjadi barang yang bernilai tinggi [1]. Sektor industri diyakini
sebagai sektor yang dapat memimpin sektor lain dalam sebuah perekonomian menuju kemajuan,
sehingga industri sering juga disebut sebagai sektor pemimpin (Leading Sector) yang artinya
dengan adanya pembangunan industri maka akan mengangkat pembangunan sektor-sektor
1
 Techno.COM, Vol. x, No. x, Februari 20xx: 1-5
lainnya seperti sektor pertanian dan sektor jasa [2]. Industri memiliki peran yang signifikan
dalam perekonomian dengan memberikan kontribusi penting terhadap pertumbuhan ekonomi,
penciptaan lapangan kerja, dan pengembangan komunitas lokal [3].
Industri dibedakan atas tiga jenis industri yakni industri besar, industri sedang atau menengah,
industri kecil dan mikro [4]. Industri kecil dan mikro (IKM) merupakan kekuatan strategis dan
penting untuk mempercepat pembangunan daerah. Industri kecil dan mikro (IKM) bisa menjadi
salah satu penggerak ekonomi masyarakat terutama di wilayah pedesaan. Pendapatan para pelaku
IKM di daerah mengalami peningkatan, maka hal ini akan memperbaiki taraf hidup masyarakat,
sehingga dapat mengurangi tingkat kemiskinan [5]. Salah satu cara untuk mewujudkan
pertumbuhan industri yang perlu adanya upaya menumbuhkan industri–industri yang ada agar
lebih berkembang lagi [6].
Industri kecil dan mikro (IKM) umumnya merupakan usaha rumah tangga yang sebagian
besar masih bercampur dengan tempat tinggalnya dan masih memerlukan pembinaan yang terus
menerus agar masalah yang dihadapi seperti masalah pemasaran, pemodalan, dan pengelolaan
[7]. Selain itu terdapat kesenjangan antar kabupaten/kota terkait jumlah dan jenis industri yang
ada, hal ini dapat menghambat pertumbuhan ekonomi. Kesenjangan ini dapat diatasi dengan
pemerataan jumlah IKM yang ada, oleh karena itu diperlukan clustering IKM di Jawa Timur
untuk mengetahui kabupaten/kota mana saja yang memiliki karakteristik IKM yang sama
sehingga memudahkan pemerintah dalam menangani kesenjangan persebaran IKM yang ada [8].
Salah satu cara clustering yaitu, menggunakan metode Fuzzy C-Means (FCM). Metode FCM
merupakan teknik pengelompokan data yang mana keberadaan tiap-tiap titik data dalam suatu
cluster ditentukan oleh derajat keanggotaan dengan jangkauan nilai 0 sampai 1 [9]. Algoritma
FCM memiliki keunggulan mampu mengidentifikasi cluster tertinggi dan menunjukkan
hubungan dari struktur cluster yang berbeda [10]. Penerapan FCM dalam konteks industri kecil
dan mikro diharapkan dapat menghasilkan cluster yang lebih representatif, sehingga
memungkinkan pemerintah untuk mengambil keputusan yang lebih tepat dan efektif dalam
mendukung pengembangan industri [11].
Penelitian lain yang menggunakan metode Fuzzy C-Means seperti, penelitian oleh Nova dan
Prihandoko (2018), diperoleh bahwa metode FCM adalah algoritma yang lebih unggul daripada
metode K-Means dalam melakukan pengklasteran data pada tingkat kinerja karyawan di STT
Bandung dengan hasil validasinya bernilai mendekati 1 [12]. Penelitian lain oleh Fahriza, dkk
pada tahun 2020 yakni, pengelompokkan wilayah Indonesia berdasarkan penyakit menular pada
manusia, didapatkan validasi menggunakan silhouette coefficient sebesar 0.9151 pada tahun
2019 dan 0.91899 pada tahun 2020 [13]. Penelitian lain oleh penelitian oleh Syarif, dkk pada
tahun 2018, berdasarkan hasil pengujian yang dilakukan selama 10 kali menunjukkan bahwa
akurasi algoritma Fuzzy C-Means lebih baik dibanding algoritma K-Means dengan nilai rata-rata
sebesar 70,86538 sedangkan K-Means sebesar 58,46154 [14].
Berdasarkan dari beberapa penelitian di atas dan penjelasan yang ada, maka penelitian ini
menggunakan metode FCM untuk memetakan suatu kawasan industri yang berada di Jawa
Timur itu masuk ke daerah industri mikro dan kecil yang tinggi atau daerah industri mikro dan
kecil yang rendah. Penelitian ini diharapkan dapat membantu proses pembangunan industri dapat
dimeratakan sesuai dengan potensi daerah dan demi terciptanya peningkatan ekonomi dimasa
mendatang.

2. METODE PENELITIAN

Penelitian ini menggunakan data sekunder atau penelitian yang bersifat kuantitatif. Data
sekunder yang digunakan diperoleh dari Badan Pusat Statistik Jawa Timur pada tahun 2018 yang
berupa data numerik mengenai jumlah dan jenis industri kecil dan mikro [15]. Data tersebut terdiri
dari 8 atribut dari total 38 kabupaten/kota di Jawa Timur. Langkah-langkah dalam clustering
dengan menggunakan metode Fuzzy C-Means pada software Matlab yang pertama adalah
melakukan input data yang akan diklaster menjadi matriks n x n, langkah kedua menentukan
aturan awal meliputi: jumlah cluster (c), pangkat (w), maksimum iterasi (MaxIter), eror terkecil
yang diharapkan (ε ), fungsi objektif awal ( P0 ) dan iterasi awal (t), langkah ketiga membangkitkan

2
 Techno.COM, Vol. x, No. x, Februari 20xx: 1-5
bilangan acak ( μik ) sebagai elemen-elemen matriks partisi awal U, langkah keempat menghitung
pusat cluster, langkah kelima menghitung fungsi objektif, langkah keenam menghitung perubahan
matriks partisi, langkah terakhir mengecek kondisi pada fungsi objektif terhadap nilai batas eror
dan nilai maksimum iterasi, setelah itu menentukan berapa jumlah cluster yang optimal dengan
menggunakan silhouette coefficient. Diagram alir (flowchart) dalam proses clustering Fuzzy C-
Means dapat dilihat sebagaimana Gambar 1.

Gambar 1. Diagram alir (flowchart) Fuzzy C-Means

2.1 Industri Kecil dan Mikro

Industri kecil adalah usaha rumah tangga yang melakukan kegiatan mengolah barang dasar
menjadi barang jadi atau setengah jadi, barang setengah jadi menjadi barang jadi, atau yang
kurang nilainya menjadi barang yang lebih tinggi nilainya dengan maksud untuk dijual, serta
jumlah pekerja paling sedikit 5 orang dan paling banyak 19 orang termasuk pemilik usaha
[16]. Industri kecil merupakan industri yang ditetapkan dengan kisaran modal awal antara Rp.
1 miliar sampai Rp. 5 miliar. Industri kecil memiliki hasil penjualan tahunan antara Rp. 2
miliar sampai dengan Rp. 15 miliar [17].
Industri mikro merupakan perusahaan yang secara kerja bertujuan memproduksi barang
atau jasa, biasanya ditempatkan pada sebuah lokasi dan bangunan tertentu. Menurut ketentuan
Peraturan Pemerintah Republik Indonesia Nomor 7 Tahun 2021 tentang Kemudahan,
Perlindungan, dan Pemberdayaan Koperasi dan Usaha Mikro, Kecil dan Menengah (UMKM),
modal minimum yang harus ditanamkan pada usaha mikro adalah sekitar Rp. 1 miliar, tidak
termasuk tanah dan pembangunan lokasi usaha [17].Usaha mikro memiliki omzet atau hasil
transaksi per triwulan sampai dengan Rp. 2 miliar [19]. Menurut kriteria BPS, jumlah
karyawan seringkali hanya antara 1 sampai 4 orang sekaligus untuk usaha mikro.
Industri mikro dan kecil merupakan suatu usaha yang perlu dikembangkan dalam upaya
perbaikan perekonomian karena industri mikro dan industri kecil memiliki andil yang sangat
besar pada pergerakan ekonomi nasional [20]. Sebagian besar masyarakat hidupnya
bergantung pada industri kecil dan mikro [21]. Industri kecil dan mikro memiliki kelebihan
yakni, relatif bertahan lama sehingga merupakan peluang dalam mengurangi tingkat
kemiskinan [22].

2.2 Clustering
Clustering adalah metode yang digunakan dalam data mining dengan cara kerjanya
mencari data dan menglompokkan data yang mempunyai kemiripan karakteristik antara data
satu dengan data lainnya yang telah diperoleh [23]. Clustering bertujuan untuk membagi
kumpulan data dalam beberapa kelompok dengan tingkat kesamaan yang relatif, dengan
catatan dalam satu kelompok terdapat jumlah kesamaan terbesar dan di kelompok lain
terdapat jumlah kesamaan paling sedikit [24]. Clustering banyak digunakan dalam berbagai
bidang aplikasi seperti pada bidang teknik, ilmu komputer, medis, astronomi, sosial, dan
ekonomi. Pada data mining, clustering digunakan dalam menemukan pola distribusi suatu
dataset yang dapat digunakan dalam analisis data. Objek data merepresentasikan sebuah titik
3
 Techno.COM, Vol. x, No. x, Februari 20xx: 1-5
dalam ruang multi dimensi dan kedekatan nilai atribut dalam objek data diperoleh dari
kesamaan objek yang ada [25].

2.3 Fuzzy C-Means

Fuzzy C-Means (FCM) adalah teknik pengelompokkan data yang keberadaan tiap-tiap
titik data suatu klaster ditentukan oleh nilai keanggotaan. Nilai keanggotaan tersebut
mencakup bilangan real pada interval 0 sampai 1 [26]. Metode Fuzzy C-Means (FCM)
pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981 [27]. Implementasi FCM
didahulukan dengan menentukan nilai klaster, titik data mempunyai nilai keanggotaan yang
berbeda pada tiap klaster, dengan melakukan iterasi yang berulang, centroid akan bergerak
menuju tempat yang tepat, sehingga terbentuk pengelompokan data [28]. FCM menghasilkan
beberapa pusat cluster dan berbagai derajat keanggotaan untuk setiap titik data sebagai
keluarannya. Metode FCM menempatkan pusat cluster lebih tepat daripada metode cluster
lain [29]. Algoritma yang digunakan pada metode Fuzzy C-means adalah sebagai berikut
[30]:

1) Memasukkan data yang akan diklaster, berupa matriks X berukuran 𝑛 × p sebagai

berikut:

( )
x1 1 ⋯ x 1 p
X= ⋮ ⋱ ⋮
x n 1 ⋯ x np
dengan:
𝑛 = jumlah sampel data
𝑝 = jumlah variabel setiap data
𝑖 = 1, 2, …, 𝑛
𝑗 = 1, 2, …, 𝑝
𝑥𝑖𝑗 = data sampel ke-𝑖 variabel ke-j

2) Menentukan aturan awal :

a. jumlah cluster (c),
b. pangkat (w),
c. Maksimum iterasi (MaxIter),
d. eror terkecil yang diharapkan (ε ),
e. fungsi objektif awal ( P0 ¿=0 ,
f. Iterasi awal (t) = 1,

3) Membangkitkan bilangan acak (𝜇𝑖𝑘), sebagai elemen-elemen matriks partisi awal U.

Matriks partisi awal U sebagai berikut:

U=¿

dengan:
𝑖 = 1, 2, …, 𝑛
𝑘 = 1, 2, …, 𝑐
μik = elemen matriks partisi awal U ke-𝑖 klaster ke-𝑘

dengan aturan:
c

∑ μ ik = 1
k =1

4) Menghitung pusat cluster ke-k:

4
 Techno.COM, Vol. x, No. x, Februari 20xx: 1-5
n

∑ (( μik )w x X ij)
V kj = i=1 n (2.3.1)
∑ ( μik ) w

i=1

dengan:
𝑗 = 1, 2, …, 𝑝
𝑘 = 1, 2, …, 𝑐
w = pangkat pembobot
𝜇𝑖𝑘 = elemen matriks partisi awal U ke-𝑖 klaster ke-𝑘
sehingga diperoleh matriks pusat klaster V sebagai berikut:

[ ]
v 11 ⋯ v 1 p
V ¿ ⋮ ⋱ ⋮
v c1 ⋯ v cp
5) Menghitung fungsi objektif pada iterasi ke-t,

([ ] )
n c m
2
Pt =∑ ∑ ∑ ( X ij−V kj ) ( μik )w (2.3.2)
i=1 k=1 j=1

dengan:
Pt = merupakan nilai fungsi objektif pada iterasi ke-t
𝑖 = 1, 2, …, 𝑛
𝑘 = 1, 2, …, c
m = jumlah total fitur pada data
6) Menghitung perubahan matriks partisi:

[∑ ( ]
m −1
2 w−1
X ij−V kj )
j=1
μik = (2.3.3)

[∑ ( ]
m
2
X ij −V kj )
j=1
dengan:
𝑖 = 1, 2, …, 𝑛
𝑗 = 1, 2, …, 𝑝
𝑘 = 1, 2, …, 𝑐
w = pangkat pembobot
𝜇𝑖𝑘 = elemen matriks partisi awal U ke-𝑖 klaster ke-k
𝑥𝑖𝑗 = data sampel ke-𝑖 variabel ke-j

7) Cek kondisi berhenti:

- Jika: (|P t−P t−1|<ε ) atau (t > MaxIter) maka berhenti,
- Jika tidak: t = t +1, ulangi langkah ke-4.
dengan:
ε = merupakan batas perubahan fungsi objektif antara dua iterasi
MaxIter = merupakan jumlah maksimum iterasi yang diizinkan
t = merupakan indeks iterasi

2.4 Silhouette Coefficient

5
 Techno.COM, Vol. x, No. x, Februari 20xx: 1-5
Silhouette coefficient merupakan salah satu metode validasi untuk menguji kualitas sebuah
cluster [31]. Nilai silhouette coefficient berada pada rentan (-1) hingga 1. Semakin tinggi
nilainya, maka semakin bagus pula kualitasnya [32]. Metode ini menggunakan rumus
eculidean distance dalam proses perhitungannya. Secara singkat metode silhouette coefficient
ditunjukkan pada persamaan berikut [33]:

( )
bi−ai
𝑆𝑖 = (2.3.4)
max ⁡(ai , bi )
dimana:
𝑆𝑖 = silhouette coefficient
𝑎𝑖 = rata-rata jarak dari objek ke-i dengan seluruh objek di cluster
𝑏𝑖 = rata-rata jarak objek ke-i dengan cluster apapun yang tidak mengandung objek
Metode silhouette coefficient memiliki beberapa kategori subjektif dalam pengelompokan
untuk menentukan suatu nilai silhouette coefficient baik atau tidaknya dapat dilihat melalui
Tabel Kaufman dan Rousseeuw sebagai berikut [34].

Tabel 1. Kaufman dan Rousseeuw silhouette coefficient

Silhouette Coefficient Kategori
0.71-1.00 Kategori kuat
0.51-0.70 Kategori baik
0.26-0.50 Kategori lemah
≤ 0.25 Kategori buruk

3. HASIL DAN PEMBAHASAN

Penelitian ini bertujuan untuk mengetahui tingkat cluster daerah kapuaten/kota yang
memiliki industri kecil dan mikro di Provinsi Jawa Timur dengan menggunakan metode
Fuzzy C-Means. Sampel data yang digunakan dalam penelitian akan dijelaskan sebagaimana
Tabel 2 berikut.

Tabel 2. Sampel Data Jumlah dan Jenis Industri di Jawa Timur

Jumlah dan Jenis Industri

Nama Kabupaten/
Kota Kuli Kai Lainny
Kayu Logam Anyaman Gerabah Makanan
t n a
Kab. Bangkalan 4 177 35 67 45 44 103 17
Kab. Banyuwangi 39 181 61 108 133 113 171 59
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
Kota Probolinggo 2 26 3 10 9 17 29 1
Kota Surabaya 65 81 37 25 18 90 109 43

Penentuan cluster fungsi Fuzzy C-Means pada software Matlab, dimulai dengan
menentukan jumlah cluster, nilai dari pangkat atau bobot, maksimal iterasi, minimum eror,
fungsi objektif awal dan iterasi awal harus ditentukan terlebih dahulu. Pengelompokkan
kawasan industri kecil dan mikro terdiri dari:
a. Jumlah cluster =2
b. Pangkat pembobot =2
c. Maksimum iterasi = 1000
d. Error terkecil yang diharapkan = 1 x 10-9
e. Fungsi objektif awal =0
f. Iterasi awal =1
Langkah berikutnya adalah melakukan pengelompokan tingkat industri kecil dan
6
 Techno.COM, Vol. x, No. x, Februari 20xx: 1-5
mikro di Provinsi Jawa Timur berdasarkan jenis dan jumlah industri di wilayah tersebut.
Gambar 2 menunjukkan penyebaran data dari masing-masing cluster berdasarkan titik
kedekatannya dengan pusat cluster.

Gambar 2. Pengclusteran FCM

Selanjutnya adalah melakukan uji validasi yang digunakan untuk menentukan apakah
cluster optimal. Penelitian ini melakukan uji validasi dengan pendekatan sillhouette coefficie
nt, dimana kualitas cluster meningkat ketika nilai indeks mendekati 1.

Gambar 3. Nilai silhouette coefficient tiap cluster

Dapat dilihat bahwa jumlah cluster terbaik yaitu 2, hasil perhitungan dari sillhouette
coefficient diperoleh nilai sebesar 0,60383 maka jumlah 2 cluster baik untuk digunakan pada
metode clustering Fuzzy C-Means dan pada iterasi ke-31, iterasi akan berhenti.

Tabel 3. Pusat Cluster

Kulit Kayu Logam Anyaman Gerabah Kain Makanan Lainnya
Cluster 1 0.27651366 0.67389166 0.52731607 0.6126004 0.51136807 0.56847118 0.57522318 0.37226059
Cluster 2 0.0972982 0.27898986 0.21618752 0.23704157 0.19371771 0.18523279 0.21330459 0.1357586

Berdasarkan Tabel 3 diperoleh bahwa cluster 1 termasuk cluster dengan tingkat industri kecil
dan mikro yang tinggi dengan tabel yang berwarna merah, sedangkan untuk cluster 2 termasuk in
dustri kecil dan mikro yang rendah dengan tabel yang berwarna kuning.
Tahap selanjutnya adalah menentukan derajat keanggotaan di setiap kabupaten/kota. Tabel 4 m
enunjukkan hasil dari sampel derajat keanggotaan tersebut.
7
 Techno.COM, Vol. x, No. x, Februari 20xx: 1-5

Tabel 4. Sampel derajat keanggotaan

Nama
Cluster 1 Cluster 2 Label
Kabupaten/Kota
Kabupaten Bangkalan 0.44763899 0.55236101 Rendah
Kabupaten Banyuwangi 0.92793294 0.07206706 Tinggi
⋮ ⋮ ⋮ ⋮
Kota Probolinggo 0.04436306 0.95563694 Rendah
Kota Surabaya 0.17802255 0.82197745 Rendah

Berdasarkan Tabel 4 diperoleh bahwa cluster 1 terdiri dari 25 kabupaten/kota yaitu, Kabupate
n Banyuwangi, Blitar, Bojonegoro, Bondowoso, Gresik, Jember, Jombang, Kediri, Lamongan,
Madiun, Magetan, Malang, Mojokerto, Nganjuk, Ngawi, Pacitan, Pamekasan, Pasuruan, Ponorogo,
Probolinggo, Sampang, Situbondo, Sumenep, Tuban dan Tulungagung. Sedangkan untuk cluster 2
terdiri dari 13 kabupaten/kota yakni, Kabupaten Bangkalan, Lumajang, Sidoarjo, Trenggalek, Kota
Batu, Blitar, Kediri, Madiun, Malang, Mojokerto, Pasuruan, Probolinggo dan Surabaya.
Hasil clustering tingkat industri kecil dan mikro dapat ditampilkan pada peta penyebaran yang
ada pada Gambar 4.

Gambar 4. Peta penyebaran cluster

Berdasarkan Gambar 4 diperoleh hasil bahwa daerah berwarna merah merupakan

kabupaten/kota dengan tingkat industri mikro dan kecil yang tinggi dan daerah berwarna kuning
merupakan daerah industri mikro dan kecil yang rendah.

4. KESIMPULAN DAN SARAN

Berdasarkan dari hasil dan pembahasan diperoleh bahwa tingkat industri kecil dan mikro terba
gi menjadi 2 cluster, yaitu cluster 1 daerah industri kecil dan mikro kategori tinggi dan cluster 2
daerah industri kecil dan mikro kategori rendah. Cluster 1 masuk pada tingkat industri kecil dan
mikro yang tinggi dengan terdiri dari 25 kabupaten/kota. Cluster 2 masuk pada tingkat industri k
ecil dan mikro yang tinggi dengan terdiri dari 13 kabupaten/kota. Berdasarkan penelitian ini
tingkat kawasan industri terbagi menjadi 2 cluster dengan nilai silhouette coefficient sebesar
0,60383. Berdasarkan hasil analisa Fuzzy C-Means clustering yang telah didapatkan dari 38
kabupaten/kota di Provinsi Jawa Timur pada tahun 2018 kawasan industri kecil dan mikro masih
terdapat daerah yang tergolong rendah untuk itu diharapkan kepada pemerintah dapat mengambil
keputusan yang tepat untuk melakukan pembangunan kawasan industri lebih merata, khususnya
pada daerah industri kecil dan mikro yang rendah agar memperbanyak lapangan pekerjaan s
ehingga mengurangi tingkat pengangguran. Salah satu upaya yang dapat dilakukan pemerintah
yaitu, memberikan bantuan modal kepada pelaku industri kecil dan mikro untuk meningkatkan
kapasitas produksi.

8
 Techno.COM, Vol. x, No. x, Februari 20xx: 1-5
DAFTAR PUSTAKA

[1] P. Anjani, L. Setianingrum, and M. B. Putri, “Dampak Pengembangan Industri Pengolahan Ikan
Teri Terhadap Kondisi Sosial Ekonomi Masyarakat (Studi Kasus : Pulau Pasaran),” Jurnal
Perencanaan Dan Pengembangan Kebijakan, vol. 2, no. 2, Aug. 2023.
[2] A. N. Rahmah and S. Widodo, “Peranan Sektor Industri Pengolahan dalam Perekonomian di
Indonesia dengan Pendekatan Input – Output Tahun 2010 – 2016,” Jurnal Ekonomi, vol. 1, no. 1,
Jun. 2019.
[3] M. Yasin, M. T. Alfian, and N. Mahmudah, “Analisis Pengaruh Industri Kecil Terhadap
Pertumbuhan Ekonomi Kabupaten Malang,” Student Scientific Creativity Journal (SSCJ), vol. 1,
no. 4, Jul. 2023.
[4] N. N. N. Oktaviani and P. G. A. S. Yasa, “Urgensi Legalitas Usaha Bagi Industri Kecil Dan
Menengah (Ikm),” Jurnal Pendidikan Kewarganegaraan Undiksha , vol. 10, no. 2, May 2022.
[5] I. G. Riana, I. B. P. Sedana, and K. Mustanda, “Perumusan Strategis Industri Kecil Dan Kerajinan
Di Bali Dengan Pendekatan Balance Scorecard,” JIMAT (Jurnal Ilmiah Mahasiswa Akuntansi )
Universitas Pendidikan Ganesha, vol. 1, no. 14, 2023.
[6] M. Kurnia and A. Mahendra, “Peluang Industri Olahraga Di Indonesia,” 2019.
[7] J. D. S. Amori and T. F. Suryati, “Membangun Daya Saing Industri Kecil dengan Kompetensi dan
Faktor Eksternal Melalui Strategi dan Kinerja Bisnis,” Growth: Jurnal Ilmiah Ekonomi
Pembangunan, vol. 1, no. 1, 2022.
[8] M. Nasution, “Ketimpangan Antar Wilayah & Hubungannya Dengan Belanja Pemerintah: Studi
Di Indonesia,” Jurnal Budget, vol. 5, no. 2, 2020.
[9] V. Herlinda and D. Darwis, “Analisis Clustering Untuk Recredesialing Fasilitas Kesehatan
Menggunakan Metode Fuzzy C-Means,” vol. 2, no. 2, pp. 94–99, 2021.
[10] R. Rustiyan and M. Mustakim, “Penerapan Algoritma Fuzzy C Means untuk Analisis
Permasalahan Simpanan Wajib Anggota Koperasi,” J. Teknol. Inf. dan Ilmu Komput, vol. 5, no. 2,
p. 171, 2018.
[11] E. Rouza and L. Fimawahib, “Implementasi Fuzzy C-Means Clustering dalam Pengelompokan
UKM Di Kabupaten Rokan Hulu,” Jurnal Techno, vol. 19, no. 4, Nov. 2020.
[12] N. Agustina and P. Prihandoko, “Perbandingan Algoritma K-Means dengan Fuzzy C-Means
Untuk Clustering Tingkat Kedisiplinan Kinerja Karyawan,” J. RESTI (Rekayasa Sist. dan Teknol.
Informasi), vol. 2, no. 3, pp. 621–626, 2018.
[13] F. Novianti, Y. R. A. Yasmin, and D. C. R. Novitasari, “Penerapan Algoritma Fuzzy C-Means
(FCM) dalam Pengelompokan Provinsi di Indonesia berdasarkan Indikator Penyakit Menular
Manusia,” vol. 6, May 2022.
[14] R. Syarif, M. T. Furqon, and S. Adinugroho, “Perbandingan Algoritme K-Means Dengan
Algoritme Fuzzy C Means (FCM) Dalam Clustering Moda Transportasi Berbasis GPS,” Jurnal
Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 10, pp. 4107–4115, Oct.
2018.
[15] Badan Pusat Statistik Jawa Timur, “BPS,” 2018.
[16] L. S. Ritonga and W. Qarni, “Analisis Peran Dinas Perindustrian Dan Perdagangan Provinsi
Sumatera Utara Terhadap Usaha Kecil Menengah Berbasis Ekonomi Kreatif Di Kota Medan,”
Sibatik Journal, vol. 1, no. 5, Apr. 2022.
[17] Qoiri, S. E. Kornita, and E. A. Pailis, “Strategi Kebijakan Pengembangan Industri Kecil Dan
Menengah Di Kota Pekanbaru,” JURNAL EKONOMI, vol. 26, no. 2, Jun. 2018.
[18] A. Florita, Jumiati, and A. Mubarak, “Pembinaan Usaha Mikro, Kecil, dan Menengah oleh Dinas
Koperasi dan UMKM Kota Padang,” jurnal ilmu administrasi publik, vol. 1, 2018.
[19] M. Prasnowo, A. Khomaruddin, and K. Hidayat, “Strategi Pengembangan Sentra Industri Kecil
Menengah Produksi Krupuk,” Teknika: Engineering and Sains Journal, vol. 1, pp. 17–24, 2017.
[20] B. A. Windusancono, “Upaya Percepatan Pertumbuhan Usaha Mikro Kecil Dan Menengah
(Umkm) Di Indonesia,” 2021.
[21] A. Halim, “Pengaruh Pertumbuhan Usaha Mikro, Kecil Dan Menengah Terhadap Pertumbuhan
Ekonomi Kabupaten Mamuju,” Growth: Jurnal Ilmiah Ekonomi Pembangunan, vol. 1, no. 2,
2020.
9
 Techno.COM, Vol. x, No. x, Februari 20xx: 1-5
[22] Kuat, H. Jayamiharja, Syarifuddin, I. Bane, and Darsono, “Pengaruh Industri Mikro dan Industri
Kecil Terhadap Tingkat Kemiskinan Provinsi Kalimantan Timur,” Wasathiyah: Jurnal Studi
Keislaman, vol. 4, Jan. 2023.
[23] R. K. Dinata, Safwandi, N. Hasdyna, and N. Azizah, “Analisis K-Means Clustering pada Data
Sepeda Motor,” Informatics Journal, vol. 5, 2020.
[24] S. D. K. Wardani, A. S. Ariyanto, M. Umroh, and D. Rolliawati, “Perbandingan Hasil Metode
Clusteringk-means, Db Scanner & Hierarchical Untukanalisa Segmentasi Pasar,” JIKO (Jurnal
Informatika dan Komputer), vol. 7, no. 2, Sep. 2023.
[25] D. A. Wulandari, H. Jatnika, and Y. S. Purwanto, “Rancang Bangun Aplikasi Clustering Data
Mining Menggunakan Metode K-means Dan K-modes ,” JURNAL KILAT: Kajian Ilmu dan
Teknologi, vol. 7, no. 1, Apr. 2018.
[26] S. I, H. N, S. S., and Widiarti, “Analisis Klaster Menggunakan Metode Fuzzy C-Means pada Data
COVID-19 di Provinsi Lampung,” 2021.
[27] W. Sanusi, A. Zaky, and B. N. Afni, “Analisis Fuzzy C-Means dan Penerapannya Dalam
Pengelompokan Kabupaten/Kota di Provinsi Sulawesi Selatan Berdasarkan Faktorfaktor Penyebab
Gizi Buruk,” Journal of Mathematics, Computations, and Statistics, vol. 2, no. 1, pp. 47–54, Apr.
2019.
[28] R. N. Turrahma, A. N. C. Putra, M. D. Alfajri, R. Gusmanto, and W. K. Oktoeberza,
“Implementasi Fuzzy C-Means untuk Clustering Data Harga Saham Harian pada PT. Astra
International Tbk,” Jurnal Rekursif, vol. 1, Mar. 2023.
[29] N. Zulfa, R. I. Auliya, and A. Zaenal, “Analisis Data Mining Untuk Clustering Kasus Covid-19 Di
Provinsi Lampung Dengan Algoritma K-Means,” J. Teknol. dan Sist. Inf, vol. 2, p. 100, Feb. 2021.
[30] G. S. Nugraha, R. Dwiyansaputra, F. Bimantoro, and A. Aranta, “Implementasi Fuzzy C-means
Untuk Pengelompokan Daerah Berdasarkan Persebaran Penularan Covid-19,” Jurnal Teknologi
Informasi dan Ilmu Komputer (JTIIK), vol. 10, no. 1, Feb. 2023.
[31] W. Rokhimah and Kismiantini, “Analisis Clustering Tingkat Kerawanan Wilayah Terhadap
Kasus Penyakit Di Kabupaten Sleman Dengan Metode K-means,” Jurnal Kajian dan Terapan
Matematika, vol. 8, no. 1, pp. 25–37, Mar. 2022.
[32] T. H. N. Utama, I. Saifudin, and A. E. Wardoyo, “Analisis Performa Algoritma Fuzzy C-means
Dan K-means Clustering Untuk Pengelompokan Pelanggan Pada Pt. Part Station Jember,” 2018.
[33] R. Hidayati, A. Zubair, A. H. Pratama, and L. Indana, “Analisis Silhouette Coefficient pada 6
Perhitungan Jarak K-Means Clustering,” vol. 20, no. 2, May 2021.
[34] S. N. Aisah, A. Nurcahyani, and D. C. Rini, “Implementasi Fuzzy C±Means Clustering (FCM)
pada Pemetaan Daerah Potensi Transmigrasi di Jawa Timur,” Jurnal Teknik Informatika Unika
ST. Thomas (JTIUST), vol. 7, no. 1, Jul. 2022.

1
Techno.COM, Vol. x, No. x, Februari 20xx: 1-5