Bab III
Bab III
Bab III
Data Primer: Data yang diperoleh langsung dari survei terhadap pengelola dan
pengunjung objek wisata. Survei ini bisa dilakukan secara offline (kuesioner di tempat)
atau online (melalui Google Forms atau platform lainnya).
Data Sekunder: Data yang dikumpulkan dari laporan resmi pemerintah (seperti data dari
Kementerian Pariwisata), situs web ulasan wisata (TripAdvisor, Google Reviews), dan
publikasi akademik terkait standar CHSE.
3.1.2 Variabel yang Diukur Variabel yang akan diukur berdasarkan standar CHSE mencakup:
Handling Missing Values: Data yang hilang akan diatasi dengan metode imputasi
(misalnya, mengganti dengan mean atau median dari variabel tersebut).
Normalisasi Data: Menggunakan metode standardisasi (mean = 0, std = 1) untuk
memastikan semua variabel berada pada skala yang sama.
python
Copy code
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)
Analisis deskriptif untuk memahami distribusi data, termasuk mean, median, standar
deviasi, dan distribusi frekuensi dari setiap variabel.
3.3 K-Means Clustering
Menggunakan metode Elbow untuk menentukan jumlah cluster optimal. Ini melibatkan
penghitungan SSE (Sum of Squared Errors) untuk berbagai nilai k dan memilih k di mana
penurunan SSE mulai melambat (elbow point).
python
Copy code
sse = []
for k in range(1, 11):
kmeans = KMeans(n_clusters=k, random_state=0).fit(data_scaled)
sse.append(kmeans.inertia_)
Melakukan clustering dengan jumlah cluster yang telah ditentukan. Hasil clustering akan
ditambahkan ke dataset sebagai label cluster.
python
Copy code
kmeans = KMeans(n_clusters=3, random_state=0)
data['Cluster'] = kmeans.fit_predict(data_scaled)
python
Copy code
from sklearn.metrics import silhouette_score
plaintext
Copy code
Pengumpulan Data
↓
Preprocessing Data
↓
Penentuan Jumlah Cluster (Elbow Method)
↓
Implementasi K-Means Clustering
↓
Evaluasi Hasil Clustering
↓
Pengembangan DSS
↓
Integrasi dan Pengujian Sistem
Penutup
Metodologi penelitian ini dirancang untuk memastikan proses klasifikasi objek wisata
berdasarkan standar CHSE dilakukan dengan cermat dan hasilnya dapat diaplikasikan secara
praktis melalui sistem pendukung keputusan. Ini diharapkan dapat membantu pengelola wisata
dan pemerintah dalam meningkatkan kualitas objek wisata di Indonesia.
3. Metodologi Penelitian
Data Primer: Melibatkan survei langsung kepada pengelola dan pengunjung objek wisata.
Survei ini mungkin dilakukan secara langsung di lapangan atau melalui platform online.
Pertanyaan survei harus dirancang untuk mencakup aspek CHSE seperti kebersihan,
kesehatan, keselamatan, dan keberlanjutan lingkungan.
Data Sekunder: Dapat berupa data dari pemerintah, situs ulasan wisata, dan publikasi
terkait CHSE.
Variabel yang diukur harus mencakup kriteria CHSE yang ingin dinilai, seperti
kebersihan fasilitas, ketersediaan sarana kesehatan, langkah-langkah keamanan, dan
praktik keberlanjutan lingkungan. Variabel ini harus diukur secara kuantitatif atau
dikonversi menjadi skala numerik untuk analisis.
Handling Missing Values: Identifikasi dan tangani nilai yang hilang dalam dataset. Ini
bisa dilakukan dengan menghapus baris atau kolom yang mengandung nilai yang hilang
atau dengan mengisi nilai yang hilang menggunakan metode imputasi seperti mean,
median, atau modus.
Normalisasi Data: Skala variabel ke rentang yang seragam. Ini mencegah variabel dengan
rentang nilai yang besar memiliki dampak yang lebih besar pada analisis daripada
variabel dengan rentang nilai yang lebih kecil.
Elbow Method: Metode ini melibatkan pembuatan plot antara jumlah cluster dan nilai
inertia (jumlah kuadrat jarak terkecil dalam cluster). Titik di mana penurunan inertia
mulai melambat menandakan jumlah cluster yang optimal.
Analisis Silhouette: Metode ini memberikan ukuran seberapa baik setiap objek
ditempatkan dalam cluster-nya masing-masing. Nilai Silhouette berkisar dari -1 hingga 1,
dengan nilai lebih tinggi menunjukkan bahwa objek lebih baik cocok dengan cluster
mereka sendiri daripada cluster lain.
Evaluasi kualitas clustering dengan metode Silhouette untuk memastikan bahwa objek
dalam cluster yang sama secara keseluruhan lebih mirip satu sama lain daripada dengan
objek di cluster lain.
Merancang arsitektur sistem yang mencakup backend, frontend, dan database. Backend
akan menangani logika bisnis dan pemrosesan data, sementara frontend akan menjadi
antarmuka pengguna.
Menyusun skema database yang sesuai untuk menyimpan data objek wisata dan hasil
clustering.