Penerapan Algoritma K-Means Clustering untuk Pengelompokan Minat Baca Pengunjung Dinas Kearsipan dan Perpustakaan Daerah Kapuas

reniemeliya reniemeliya; Windarsyah Windarsyah; Ayu Ahadi  Ningrum

doi:10.55338/jumin.v7i4.9225

Authors

reniemeliya reniemeliya Universitas muhammadiyah banjarmasin
Windarsyah Windarsyah Universitas Muhammadiyah Banjarmasin
Ayu Ahadi Ningrum Universitas Muhammadiyah Banjarmasin

DOI:

https://doi.org/10.55338/jumin.v7i4.9225

Keywords:

K-Means Clustering, Minat Baca, Perpustakaan Daerah, Silhouette Score , Data mining

Abstract

Peningkatan kualitas layanan perpustakaan memerlukan pemahaman mendalam terhadap pola minat baca pengunjung yang akurat dan berbasis data, mengingat hasil analisis tersebut menjadi dasar penting dalam penyusunan program literasi dan pengambilan keputusan pengelola. Kompleksitas data kunjungan serta keragaman karakteristik pengunjung merupakan tantangan utama yang membatasi kemampuan pendekatan evaluasi konvensional dalam mengidentifikasi pola minat baca secara mendalam. Penelitian ini bertujuan menerapkan algoritma K-Means Clustering untuk pengelompokan minat baca pengunjung Dinas Kearsipan dan Perpustakaan Daerah Kapuas. Metode penelitian menggunakan pendekatan Knowledge Discovery in Database (KDD) hingga tahap evaluasi, dengan penerapan rekayasa fitur berupa Aktifitas_Index, normalisasi menggunakan RobustScaler, serta penentuan klaster optimal menggunakan metode Elbow, Silhouette Score, Davies-Bouldin Index, dan Calinski-Harabasz Score. Evaluasi kestabilan klaster dilakukan menggunakan Bootstrap Stability Test sebanyak 30 iterasi. Hasil penelitian menunjukkan bahwa K=5 merupakan jumlah klaster optimal dengan Silhouette Score sebesar 0,6106 (target >0,50 tercapai), Davies-Bouldin Index sebesar 0,5077 (target <1,0 tercapai), dan Inertia sebesar 146,37. Uji Bootstrap Stability menghasilkan Silhouette Score rata-rata 0,6147 ±0,0097, membuktikan konsistensi klaster. Lima klaster terbentuk: Minat Baca Sangat Rendah (758 pengunjung, 53,0%), Minat Baca Rendah (410 pengunjung, 28,7%), Minat Baca Sedang (173 pengunjung, 12,1%), Minat Baca Tinggi (66 pengunjung, 4,6%), dan Minat Baca Sangat Tinggi (23 pengunjung, 1,6%). Kelompok yang dihasilkan berpotensi mendukung perencanaan layanan perpustakaan secara objektif dan tepat sasaran.

Downloads

Download data is not yet available.

References

A. Wibowo dan M. Sari, “Peran Perpustakaan Daerah dalam Meningkatkan Minat Baca Masyarakat di Era Digital,” Jurnal Ilmu Perpustakaan dan Informasi, vol. 7, no. 2, pp. 45–58, 2023.

R. Hidayah, N. Pratiwi, dan S. Cahyono, “Analisis Kebutuhan Pengguna Perpustakaan Berbasis Data Kunjungan untuk Peningkatan Kualitas Layanan,” Jurnal Perpustakaan dan Informasi, vol. 12, no. 1, pp. 23–36, 2024.

E. Purwaningsih et al., “Efektivitas Layanan Perpustakaan Daerah terhadap Kepuasan dan Minat Baca Pengunjung,” Jurnal Pengabdian Kepada Masyarakat Nusantara, vol. 5, no. 1, pp. 126–130, 2024, doi: 10.55338/jpkmn.v5i1.

M. F. A. Fariz dan M. Muharrom, “Analisis Pola Pengguna Layanan Publik Menggunakan Pendekatan Machine Learning untuk Identifikasi Segmen Prioritas,” Software Development, Digital Business Intelligence, and Computer Engineering, vol. 3, no. 1, pp. 33–40, 2024, doi: 10.57203/session.v3i1.2024.33-40.

T. Zhao, X. Liu, and Y. Wang, “An Improved K-Means Clustering Algorithm for Large-Scale User Behavior Analysis,” Information Processing & Management, vol. 60, no. 3, p. 103287, 2023.

H. Argretya, “Implementasi Algoritma Klasterisasi pada Data Perilaku Pengguna Layanan Publik di Indonesia,” Jurnal Informatika: Jurnal Pengembangan IT, vol. 10, no. 4, pp. 2477–5126, 2025, doi: 10.30591/jpit.v10i4.9466.

D. A. Putri, R. Firmansyah, dan A. Nugroho, “Penerapan K-Means Clustering untuk Analisis Pola Kunjungan Perpustakaan Daerah,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 10, no. 4, pp. 789–799, 2023.

N. Rahmawati dan B. Kurniawan, “Segmentasi Pengunjung Perpustakaan Menggunakan Algoritma K-Means untuk Peningkatan Program Literasi,” Jurnal Informatika, vol. 9, no. 2, pp. 112–121, 2022.

M. Firmansyah, Y. Santoso, dan H. Purnomo, “Perbandingan Pendekatan Clustering Berbasis Aktivitas dan Demografi pada Analisis Pengguna Layanan Publik,” Jurnal Sistem Informasi, vol. 18, no. 1, pp. 34–47, 2024.

L. Chen, H. Zhang, and J. Li, “A Comprehensive Survey of User Behavior Clustering in Library Information Systems,” Library Hi Tech, vol. 41, no. 2, pp. 456–478, 2023.

K. Mahmood and F. Arif, “Bootstrap Stability Analysis for Behavioral Clustering in Overlapping Human Data,” Expert Systems with Applications, vol. 215, p. 119412, 2023.

D. B. Saputra, V. Atina, F. E. Nastiti, and F. I. Komputer, “Penerapan Model CRISP-DM pada Prediksi Perilaku Pengguna Menggunakan Algoritma Machine Learning,” 2024. [Online]. Available: http://jom.fti.budiluhur.ac.id/index.php/IDEALIS/index.

F. Fakhriza et al., “Optimalisasi Algoritma K-Means melalui Feature Selection dan Engineering untuk Meningkatkan Kualitas Klaster,” 2025. [Online]. Available: https://www.kaggle.com/datasets/maharshipa.

A. Pramudya dan I. Kusuma, “Pemisahan Fitur Perilaku dan Demografis dalam Analisis Klaster Pengguna Layanan,” Jurnal Ilmu Komputer dan Agri-Informatika, vol. 11, no. 1, pp. 10–22, 2024.

C. Magnolia, A. Nurhopipah, D. Bagus, and A. Kusuma, “Penanganan Data Tidak Seimbang pada Analisis Perilaku Pengguna Layanan Publik,” Edu Komputika Journal, 2022. [Online]. Available: http://journal.unnes.ac.id/sju/index.php/edukom.

B. Laksono dan D. Wahyuni, “Pengaruh Metode Normalisasi terhadap Kualitas Hasil K-Means Clustering pada Data Tidak Simetris,” Jurnal Rekayasa Sistem dan Teknologi Informasi, vol. 8, no. 3, pp. 567–576, 2024.

M. S. Mahmud, J. Z. Huang, R. Ruby, and K. Wu, “An Ensemble Method for Estimating the Number of Clusters in a Big Data Set Using Multiple Random Samples,” Journal of Big Data, vol. 10, no. 40, pp. 1–25, 2023.

F. Kächele and N. Schneider, “Cluster Validation Based on Fisher’s Linear Discriminant Analysis,” Journal of Classification, vol. 42, pp. 54–71, 2025. [Online]. Available: https://doi.org/10.1007/s00357-024-09481-3.

F. Nelli, “Machine Learning with Scikit-Learn,” in Python Data Analytics with Pandas, NumPy, and Matplotlib, Berkeley, CA: Apress, pp. 259–287, 2023. [Online]. Available: https://doi.org/10.1007/978-1-4842-9532-8_8.