Penerapan Algoritma K-Means Clustering untuk Prediksi Permintaan Pemasangan WiFi pada BUMDes Net Desa Pamegarsari
Keywords:
Data Mining, K-Means Clustering, Pemasangan WiFi, BUMDes Net, Monte CarloAbstract
Peningkatan kebutuhan masyarakat terhadap akses internet mendorong BUMDes Mekarwangi Desa Pamegarsari bekerja sama dengan Net Solution Indonesia untuk menyediakan layanan internet desa melalui BUMDes Net. Peningkatan jumlah pelanggan yang mencapai 897 pelanggan baru pada tahun 2025 menimbulkan tantangan dalam memahami pola permintaan pemasangan WiFi dan risiko ketidakseimbangan infrastruktur jaringan. Penelitian ini menerapkan metode data mining dengan algoritma K-Means Clustering untuk mengelompokkan data pelanggan berdasarkan karakteristik demografi, waktu, lokasi, dan ekonomi. Simulasi Monte Carlo digunakan dalam membantu penentuan centroid awal terbaik untuk meningkatkan stabilitas clustering. Pengujian jumlah klaster menggunakan metode Elbow menunjukkan penurunan WCSS yang signifikan. Hasil penelitian ini membagi pelanggan ke dalam 3 klaster optimal yang membentuk segmentasi terstruktur untuk membantu pihak BUMDes Net dalam menentukan prioritas pemasangan jaringan dan strategi infrastruktur.
References
Abdulghani, M. A., & Gozali, F. (2020). Pengertian dan Fungsi World Wide Web (WWW) dalam Jaringan Internet Global. Jurnal Teknologi Informasi, 5(2), 112-118.
Afifah, N., & Setyantoro, D. (2021). Perkembangan Teknologi Internet Terhadap Layanan Digital Masyarakat Pedesaan. Jurnal Komunikasi Global, 9(1), 45-53.
Anggraini, D. (2021). Penerapan Metode Monte Carlo dalam Penyelesaian Masalah Kuantitatif yang Rumit. Jurnal Sains Komputasi, 14(3), 201-209.
Apriyanti, L., et al. (2022). Analisis Pemanfaatan Jaringan Internet sebagai Media Perpustakaan Digital Masyarakat. Jurnal Ilmu Informasi, 8(2), 89-97.
Bahtiar, A., et al. (2023). Pemetaan Penduduk Penerima Bantuan Sosial Desa Waru Jaya Menggunakan Algoritma K-Means Clustering. Jurnal Data Mining Desa, 4(1), 12-22.
Harist, N., et al. (2021). Tahapan Proses Knowledge Discovery in Database (KDD) dalam Mengolah Pola Data Mining. Jurnal Sistem Informasi Terpadu, 7(2), 134-142.
Haryadi, T., et al. (2021). Penerapan Algoritma K-Means Clustering Pada Produksi Perkebunan Kelapa Sawit Menurut Provinsi. Jurnal Statistika dan Data Science, 3(2), 77-85.
Hasyim, M., & Muafi, A. (2022). Implementasi Data Mining Dalam Menentukan Strategi Promosi Program KB Menggunakan Algoritma K-Means Clustering. Jurnal Analisis Data Kesehatan, 6(1), 54-63.
Mamduh, M. (2021). Laporan APJII: Penetrasi dan Perilaku Pengguna Internet Urban vs Rural di Indonesia. Warta Digital Nasional, 11(4), 210-216.
Manalu, R., & Gunadi, H. (2022). Penggunaan Bahasa Pemrograman Python dalam Analisis Data Science dan Machine Learning. Jurnal Edik Informatika, 10(1), 33-41.
Putra, R. A., et al. (2022). Simulasi Menggunakan Metode Monte Carlo untuk Peramalan Permintaan Produk Persediaan. Jurnal Logistik dan Industri, 5(3), 145-154.
Safira, M., et al. (2022). Penerapan Algoritma K-Means untuk Mengetahui Pola Persediaan Barang pada Toko Raja Bekasi. Jurnal Informatika Bisnis, 10(2), 88-96.
Salamah, U. (2022). Konsep Dasar Peramalan dan Analisis Regresi dalam Metode Machine Learning. Jurnal Pemodelan Matematika, 12(1), 19-27.
Samsiar Ilmananda, A., & Ranglalin, D. (2023). Klasterisasi Negara Pengekspor Beras ke Indonesia Menggunakan Algoritma K-Means Clustering. Jurnal Ekonomi dan Perdagangan Internasional, 15(2), 101-110.
Surbakti, K. (2021). Teknik Ekstraksi Informasi Menggunakan Konsep Knowledge Discovery in Database (KDD). Jurnal Riset Komputer, 8(4), 175-182.
Vulandari, R. T. (2017). Data Mining: Teori dan Aplikasi Deskriptif serta Prediktif. Yogyakarta: Gava Media.
Waruwu, E., et al. (2025). Metodologi Penelitian Kuantitatif dan Teknik Studi Dokumentasi Hasil Karya Ilmiah. Jurnal Edukasi Akademik, 3(1), 40-48.
Yani, A., et al. (2023). Analisis Metode Non-Hierarchical Partitioning Menggunakan Algoritma K-Means Berbasis Jarak Euclidean. Jurnal Algoritma dan Komputasi, 11(3), 220-229.
