Self Organizing Map (SOM) Clustering untuk Analisis Potensi Obyek Daya Tarik Wisata (ODTW) di Jawa Barat

Ahmad Fauzi, Eko Harli, Tria Hadi Kusmanto

Abstract


Sektor pariwisata di Jawa Barat memiliki potensi besar dengan keberagaman objek daya tarik wisata (ODTW) yang meliputi wisata alam, budaya, buatan, dan minat khusus. Namun, pengembangan pariwisata belum merata karena adanya ketimpangan dalam pengelolaan dan promosi antar daerah, sehingga diperlukan analisis berbasis data untuk mengidentifikasi pola dan mengelompokkan daerah dengan karakteristik serupa. Penelitian ini bertujuan untuk mengelompokkan kabupaten/kota di Jawa Barat berdasarkan jenis dan jumlah potensi ODTW menggunakan algoritma Self-Organizing Map (SOM), yang dipilih karena kemampuannya memetakan data berdimensi tinggi ke dalam peta dua dimensi yang intuitif. Data jumlah ODTW dikumpulkan, dipreproses, dan dianalisis menggunakan SOM, menghasilkan tiga kelompok utama dengan kategori tinggi, sedang, dan rendah. Hasil penelitian ini diharapkan dapat memberikan wawasan bagi pengambil kebijakan dalam merancang strategi pengembangan pariwisata yang lebih efektif dan berkelanjutan, sehingga mampu mengoptimalkan kontribusi sektor pariwisata terhadap perekonomian daerah.


Keywords


som; wisata; klaster; odtw

References


Assaf, A. G., & Josiassen, A. (2011). Identifying and Ranking the Determinants of Tourism Performance: A Global Investigation. Journal of Travel Research, 51(4), 388–399. https://doi.org/10.1177/0047287511426337

Ayu, D., Cahya, I., Ayu, D., & Pramita, K. (2019). Analisis Perbandingan Metode Elbow dan Sillhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali. 9(3).

Fauzi, A., & Harli, E. (2017). Rancang Bangun Penerapan Teknologi SMS Gateway Terintegrasi Mesin Biometrik pada Sistem Informasi Akademik. Journal of Information Engineering and Educational Technology, 1(2), 60. https://doi.org/10.26740/jieet.v1n2.p60-64

Fawaz, Fitriasari, N. S., & Rosalia, A. A. (2022). Perbandingan Algoritma Self Organizing Map dan Fuzzy C-Means dalam clustering hasil produksi ikan PPN Karangantu. EXPLORE (Jurnal Sistem Informasi Dan Telematika), 13(2), 102–109.

Frigui, H. (2008). Clustering: Algorithms and Applications. 2008 First Workshops on Image Processing Theory, Tools and Applications, 1–11. https://doi.org/10.1109/IPTA.2008.4743793

Habiballah, H., Faqih, A., & Supriati, T. (2024). Implementasi Algoritma K-Means Dalam Mengelompokan Kabupaten/Kota Di Jawa Barat Berdasarkan Jenis Dan Jumlah Potensi Objek Daya Tarik Wisata. JITET (Jurnal Informatika Dan Teknik Elektro Terapan), 12(2), 1482–1490.

Klir, G. J., & Yuan, B. (2015). Fuzzy Sets and Fuzzy Logic: Theory and Applications. Prentice-Hall.

Kodinariya, T. M., & Makwana, P. R. (2013). Review on determining number of Cluster in K-Means Clustering. https://api.semanticscholar.org/CorpusID:10090179

Kusumadewi, S., & Purnomo, H. (2004). Aplikasi logika fuzzy untuk pendukung keputusan. Graha Ilmu.

Vesanto, J., & Alhoniemi, E. (2000). Clustering of the self-organizing map. IEEE Transactions on Neural Networks, 11(3), 586–600. https://doi.org/10.1109/72.846731




DOI: https://doi.org/10.30998/semnasristek.v9i1.7940

Refbacks

  • There are currently no refbacks.


Prosiding SEMNAS RISTEK indexed by: