K-Means Clustering untuk Menentukan Penambahan Buku di Perpustakaan Depan SMKN 8 Jakarta

Rifqi Arya Putra, Ni Wayan Parwati Septiani, Wanti Rahayu

Abstract


Peningkatan kualitas layanan perpustakaan menuntut strategi yang tepat dalam pengelolaan koleksi buku, khususnya dalam memenuhi kebutuhan dan preferensi pemustaka. Salah satu permasalahan umum yang dihadapi adalah ketidaksesuaian antara koleksi yang tersedia dengan minat baca pengguna. Pemanfaatan teknologi data mining dalam pengelolaan perpustakaan menjadi penting untuk mendukung pengambilan keputusan berbasis data. Penelitian ini bertujuan untuk mengelompokkan data peminjaman buku menggunakan metode K-Means Clustering guna menentukan kebutuhan penambahan buku di Perpustakaan Depan SMK Negeri 8 Jakarta. Tahapan penelitian meliputi seleksi data, penentuan jumlah cluster dan centroid awal, serta proses iteratif hingga mencapai konvergensi. Hasil clustering menunjukkan dua kelompok utama, yaitu buku yang sering dipinjam dan buku yang jarang dipinjam. Buku dengan tingkat peminjaman tertinggi berdasarkan kategorinya direkomendasikan untuk ditambah dalam koleksi guna memenuhi kebutuhan pengguna. Proses clustering menghasilkan pemisahan cluster yang stabil dan mampu merepresentasikan pola peminjaman secara akurat, dengan nilai Silhouette Coefficient sebesar 0,63. Hal ini menunjukkan bahwa metode clustering yang diterapkan berjalan secara efektif dan menghasilkan kualitas pengelompokan yang baik. Implementasi metode ini terbukti mendukung perumusan strategi penambahan buku secara objektif dan efisien.


Keywords


Perpustakaan; Data Mining; K-Means; Clustering; Java

References


Afifah, I. A. N., & Nurdiyanto, H. (2023). DATA MINING CLUSTERING DALAM PENGELOMPOKAN BUKU PERPUSTAKAAN MENGUNAKAN ALGORITMA K-MEANS. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 8(3), 802–814. https://doi.org/10.29100/jipi.v8i3.3891

Fadlina, J., Utami, R., & Sitinjak, N. M. (2024). Pengelompokan Buku dan Rekomendasi Buku Menggunakan K-Means Clustering Pada Dinas Perpustakaan dan Kearsipan Kota Medan. 5(2). https://doi.org/10.54593/awl.v5i2.288

Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases) (© AAAI) (Vol. 17). www.ffly.com/

Firmansyah, T., Poningsih, & Andani, S. R. (2022). Analisis Clustering Algoritma K-Means Sebagai Rekomendasi Penambahan Koleksi Buku Di Perpustakaan Madrasah Tsanawiyah Negeri 2 Simalungun. ZAHRA: Buletin Big Data, Data Science and Artificial Intelligence, 1(1), 44–48. https://ejurnal.pdsi.or.id/index.php/zahra/article/view/13%0Ahttps://ejurnal.pdsi.or.id/index.php/zahra/article/viewFile/13/11

Gan, Guojun., Ma, Chaoqun., & Wu, Jianhong. (2007). Data Clustering : Theory, Algorithms, and Applications. SIAM, Society for Industrial and Applied Mathematics ; American Statistical Association.

Han, J., Pei, J., & Tong, H. (2022). Data Mining: Concepts and Techniques.

Haryani, Nofriansyah, D., & Mariami, I. (2021). Implementasi Data Mining Untuk Pengelempokan Buku Di Perpustakaan Yayasan Nurul Islam Indonesia Baru Dengan Metode K-Means Clustering. https://ojs.trigunadharma.ac.id/index.php/jct/index

Hasanah, N. N., & Purnomo, A. S. (2022). Implementasi Data Mining Untuk Pengelompokan Buku Menggunakan Algoritma K-Means Clustering (Studi Kasus : Perpustakaan Politeknik LPP Yogyakarta). Jurnal Teknologi Dan Sistem Informasi Bisnis, 4(2), 300–311. https://doi.org/10.47233/jteksis.v4i2.499

Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651–666. https://doi.org/10.1016/j.patrec.2009.09.011

Struyf, A., Hubert, M., & Rousseeuw, P. J. (1997). Clustering in an Object-Oriented Environment. Journal of Statistical Software, 1(4), 1–30. https://doi.org/10.18637/jss.v001.i04




DOI: https://doi.org/10.30998/semnasristek.v10i1.8513

Refbacks

  • There are currently no refbacks.


Prosiding SEMNAS RISTEK indexed by: