Penerapan K-Means Clustering Untuk Segmentasi UMKM Berbasis Rapid Miner
DOI:
https://doi.org/10.35473/jamastika.v5i1.4645Abstract
Despite their significant contribution to economic development, Micro, Small, and Medium Enterprises (MSMEs) face heterogeneous operational challenges and market barriers, necessitating a segmented approach—such as cluster analysis—to better understand and address their diverse needs. their varied characteristics present challenges in formulating effective and focused empowerment policies and programs. This study seeks to develop an MSME segmentation model based on objective data using the K-Means Clustering algorithm. Secondary MSME data analysis was conducted considering four key performance indicators: annual revenue, net profit, number of employees, and operational lifespan. The data mining process, from data preparation to model development, was applied in a structured manner using the RapidMiner application. The findings of this research show that the most appropriate clustering results in K business groups with distinct performance profiles, for example, MSMEs with high profitability and MSMEs with a low level of maturity (operational lifespan). This segmentation provides strategic insights that can be utilized by financial institutions and business advisors to design more accurate, efficient programs tailored specific to the profile of each MSME segment.
Keywords: Segmentation, K-Means Clustering, MSMEs, RapidMiner, Data Mining.
UMKM memegang peranan krusial sebagai buffer ekonomi selama periode krisis serta menjadi tulang punggung perekonomian domestik, meskipun demikian variasi karakteristik yang ada menghadirkan tantangan dalam merumuskan kebijakan dan program pemberdayaan yang efektif dan terfokus. Kajian ini berupaya untuk membangun sebuah model segmentasi UMKM yang didasarkan pada data objektif dengan menerapkan algoritma K-Means Clustering. Analisis data sekunder UMKM dilakukan dengan mempertimbangkan empat indikator kinerja utama, yakni pendapatan tahunan, laba bersih, jumlah tenaga kerja, dan rentang waktu operasional. Proses Data Mining, mulai dari tahap persiapan data hingga pembentukan model, diaplikasikan secara terstruktur menggunakan aplikasi RapidMiner. Temuan dari analisis ini mengindikasikan bahwa pembentukan klaster yang paling sesuai menghasilkan K kelompok usaha dengan profil kinerja yang mencolok, contohnya kelompok UMKM dengan tingkat profitabilitas tinggi dan kelompok UMKM dengan tingkat kematangan (rentang waktu operasional) yang belum tinggi. Segmentasi ini memberikan wawasan strategis yang dapat dimanfaatkan oleh lembaga keuangan dan pendamping usaha untuk merancang program yang lebih akurat, efisien, dan berdasarkan analisis kebutuhan yang spesifik tiap-tiap kelompok UMKM.
Kata Kunci: Segmentasi, K-Means Clustering ,UMKM, RapidMiner, Data Mining.
References
Astri, d. F., informatika, m., barat, j., langsung, b., kecil, a., & dasar, a. S. (2024). Clustering penduduk miskin menggunakan algoritma k-means pada wilayah jawa barat. 8(2), 1548–1554.
Desy, r., ruli, f., & wuryanto, e. (2017). Penerapan clustering k-means pada customer segmentation berbasis recency frequency monetary ( rfm ) ( studi kasus : pt . Sinar kencana intermoda surabaya ).
Fadel, d., maulana, f., harahap, a., fauzan, i., azriel, m., fadlan, m., & fansyuri, m. (2025). Implementasi algoritma k-means clustering data penjualan pada warung sembako isan menggunakan. 1(1), 7–11.
Oktavian, b. D., lumintu, i., & amar, s. (2025). Optimalisasi strategi product bundling melalui pemetaan pola peminatan dan pola penjualan produk menggunakan k-means clustering dan apriori optimizing product bundling strategy through mapping product interest patterns and sales patterns using k-means clustering and apriori. 8(1), 26–41.
Pt, p., multi, b., & cabang, s. (2023). J-icon : jurnal informatika dan komputer implementasi algoritma k-means untuk segmentasi pelanggan j-icon : jurnal informatika dan komputer. 11(2). Https://doi.org/10.35508/jicon.v11.i2.12478
Rapidminer, m. D. (2024). Data Mining klasterisasi customer segmantation netflix menggunakan metode k-. 6(2), 18–23.
Technology, i., sanjaya, i., inonu, n. E., fudholi, m. F., pratiwi, a., & sulistiani, h. (2025). Segmentasi produk fashion berdasarkan harga , ukuran , dan merek menggunakan k-means di rapidminer. 5(3), 398–405. Https://doi.org/10.47065/jimat.v5i3.651
Umkm, m., kecamatan, d. I., kota, p., aristika, w., & hartono, w. J. (2020). Data mining. 11, 2389–2395.
Z. Fatah. (2025). Tik dan masyarakat (cetakan pe). Pt penamuda media.
Zahra, s. (2022). “defenisi, kriteria dan konsep umkm” makalah ini disusun guna memenuhi tugas kelompok. Universitas islam negeri alauddin makassar, defenisi, kriteria dan konsep umkm, 3.
