Metodologi Penelitian

Metodologi penelitian ini menjelaskan langkah-langkah yang akan diambil untuk

mengumpulkan, mengolah, menganalisis data, dan mengembangkan sistem pendukung
keputusan (DSS) menggunakan metode K-Means Clustering.

3.1 Pengumpulan Data

3.1.1 Sumber Data

 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:

 Cleanliness: Kebersihan fasilitas, frekuensi pembersihan, ketersediaan tempat sampah.

 Health: Ketersediaan fasilitas kesehatan (P3K, klinik), protokol kesehatan (masker, hand
sanitizer).
 Safety: Keamanan (pengawasan, CCTV), tanda darurat, aksesibilitas alat pemadam
kebakaran.
 Environment Sustainability: Pengelolaan limbah, upaya pengurangan plastik,
konservasi energi.

3.2 Pengolahan Data

3.2.1 Preprocessing Data

 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)

3.2.2 Deskripsi Statistik

 Analisis deskriptif untuk memahami distribusi data, termasuk mean, median, standar
deviasi, dan distribusi frekuensi dari setiap variabel.
3.3 K-Means Clustering

3.3.1 Penentuan Jumlah Cluster

 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_)

plt.plot(range(1, 11), sse)

plt.xlabel('Jumlah Cluster')
plt.ylabel('SSE')
plt.show()

3.3.2 Implementasi K-Means Clustering

 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)

3.3.3 Evaluasi Hasil Clustering

 Menggunakan metode Silhouette Analysis untuk menilai kualitas clustering.

python
Copy code
from sklearn.metrics import silhouette_score

silhouette_avg = silhouette_score(data_scaled, data['Cluster'])

print(f'Silhouette Score: {silhouette_avg}')

3.4 Pengembangan Sistem Pendukung Keputusan

3.4.1 Desain Sistem

 Menentukan arsitektur sistem, termasuk komponen-komponen utama seperti database,

server, dan antarmuka pengguna.
 Menggunakan framework web (misalnya, Django atau Flask) untuk pengembangan
sistem.
3.4.2 Implementasi Sistem

 Database: Menggunakan sistem basis data relasional (misalnya, PostgreSQL) untuk

menyimpan data objek wisata dan hasil clustering.
 Backend: Implementasi logika bisnis dan koneksi ke database.
 Frontend: Antarmuka pengguna yang memungkinkan pengguna untuk mengakses hasil
clustering dan informasi CHSE dari objek wisata.

3.4.3 Integrasi dan Pengujian

 Mengintegrasikan komponen-komponen sistem.

 Melakukan pengujian untuk memastikan sistem berfungsi dengan baik dan hasil
clustering ditampilkan dengan benar.

Diagram Alur Penelitian

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

3.1 Pengumpulan Data

3.1.1 Sumber Data

 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.

3.1.2 Variabel yang Diukur

 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.

3.2 Pengolahan Data

3.2.1 Preprocessing Data

 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.

3.2.2 Deskripsi Statistik

 Analisis statistik deskriptif digunakan untuk memberikan gambaran tentang distribusi

data. Ini mencakup menghitung mean, median, dan standar deviasi untuk setiap variabel.
Visualisasi seperti histogram atau box plot juga dapat digunakan untuk memahami pola
distribusi.

3.3 K-Means Clustering

3.3.1 Penentuan Jumlah Cluster

 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.

3.3.2 Implementasi K-Means Clustering

  Menggunakan algoritma K-Means untuk melakukan clustering. Algoritma ini membagi
data menjadi k kelompok berdasarkan jarak terdekat dari pusat cluster.
 Menentukan nilai k yang telah ditentukan sebelumnya dan menginisialisasi pusat cluster
secara acak. Algoritma kemudian mengiterasi untuk menemukan pusat cluster yang
optimal.

3.3.3 Evaluasi Hasil Clustering

 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.

3.4 Pengembangan Sistem Pendukung Keputusan (DSS)

3.4.1 Desain Sistem

 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.

3.4.2 Implementasi Sistem

 Mengimplementasikan logika bisnis dan algoritma clustering menggunakan bahasa

pemrograman yang sesuai (misalnya, Python).
 Membangun antarmuka pengguna yang ramah pengguna menggunakan framework web
seperti Django atau Flask.

3.4.3 Integrasi dan Pengujian

 Mengintegrasikan semua komponen sistem dan memastikan bahwa mereka berfungsi

dengan baik bersama-sama.
 Melakukan pengujian sistem untuk memastikan bahwa semua fitur berjalan sesuai
harapan dan memberikan hasil yang akurat.

Diagram Alur Penelitian

Pengumpulan Data → Preprocessing Data → Penentuan Jumlah Cluster (Elbow Method) →

Implementasi K-Means Clustering → Evaluasi Hasil Clustering → Pengembangan DSS →
Integrasi dan Pengujian Sistem