Model Integrasi Machine Learning dan Decision Support System dalam Pemetaan Potensi UMKM Kabupaten Polewali Mandar :

Basri; Rachmaniar  Rachman; Zulkifli  Said; Reski  Idrus

doi:10.47065/bit.v7i1.2617

Basri * Institut Hasan Sulur, Indonesia
Rachmaniar Rachman Institut Hasan Sulur, Indonesia
Zulkifli Said Institut Hasan Sulur, Indonesia
Reski Idrus Institut Hasan Sulur, Indonesia

DOI: https://doi.org/10.47065/bit.v7i1.2617

Keywords: Kata Kunci: UMKM; K-Means Clustering; Analytic Hierarchy Process; Machine Learning; Sistem Pendukung Keputusan

Abstract

Abstrak- Sektor Usaha Mikro, Kecil, dan Menengah (UMKM) memegang peranan krusial dalam struktur ekonomi daerah, namun di Kabupaten Polewali Mandar, pengembangan sektor ini masih menghadapi kendala signifikan karena potensi wilayah yang belum terpetakan secara komprehensif berbasis data digital. Meskipun Produk Domestik Regional Bruto (PDRB) daerah didominasi oleh sektor pertanian sebesar 46,58% dan pertumbuhan sektor perdagangan mencapai 7,93% pada tahun 2024, distribusi sumber daya dan kebijakan pendukung UMKM seringkali belum tepat sasaran akibat ketiadaan model klasifikasi wilayah yang objektif. Penelitian ini bertujuan untuk mengembangkan model integrasi antara Machine Learning (ML) dan Decision Support System (DSS) guna memetakan potensi UMKM di 16 kecamatan Kabupaten Polewali Mandar. Metodologi yang digunakan adalah algoritma K-Means Clustering untuk pengelompokkan wilayah dan metode pembobotan Analytic Hierarchy Process (AHP) untuk menentukan prioritas kriteria. Data penelitian bersumber dari Badan Pusat Statistik Kabupaten Polewali Mandar Tahun 2025, mencakup variabel PDRB sektoral, statistik tenaga kerja, dan akses kredit usaha.Hasil penelitian menunjukkan terbentuknya tiga cluster wilayah utama, yaitu potensi tinggi (pusat pertumbuhan), potensi sedang (wilayah berkembang), dan potensi rendah (wilayah tertinggal). Evaluasi model menggunakan Silhouette Score menghasilkan nilai 0,62, yang menunjukkan bahwa pengelompokkan wilayah memiliki struktur cluster yang cukup kuat dan baik. Implementasi model ini memberikan rekomendasi strategis bagi pemerintah daerah dalam mengalokasikan bantuan dan infrastruktur pendukung UMKM secara presisi sesuai karakteristik ekonomi masing-masing kecamatan untuk mendukung peningkatan Indeks Pembangunan Manusia (IPM) yang kini berada pada angka 70,71.

References

REFERENCES

K. P. Mandar, “Statistik daerah,” 2025.

Basri, A. Achamad, Hazriani, and C. S. Munthakhabah R, “Sistem Informasi Geografis Pemetaan dan Prediksi Pertumbuhan Penduduk Menggunakan Regresi Linearmemberikan rekomendasi pembangunan fasilitas kesehatan berdasarkan standar pembangunan,” Bull. Inf. Technol., vol. 4, no. 2, pp. 171–177, 2023, doi: 10.47065/bit.v4i2.633.

A. M. Yuyun, Guntur, Yanto Naim, Mulawarman, Hidayat, Basri, Yusri, Etika profesi pada teknologi informasi dan komunikasi (Teori, konsep, dan implementasinya). Amerta Media. Purwokerto, 2023.

A. Ridho and N. Listiana, “Implementasi Metode AHP dan TOPSIS dalam Pemilihan Social Commerce terbaik bagi UMKM,” vol. 8, no. 4, pp. 1160–1171, 2024.

A. H. Harapan, T. A. Gaotama, A. M. Fahri, R. K. Ananda, and U. Pamulang, “Penerapan Manajemen Sumber Daya Manusia dalam Meningkatkan Kompetensi Pekerja di Era Digital pada Kelompok UMKM Pemula KEDU EMAS di Kecamatan Kelapa Dua Kabupaten Tangerang Provinsi Banten,” vol. 4, no. 2, pp. 294–303, 2024.

“View of UNIFIED MODELLING LANGUAGE (UML) UNTUK PERANCANGAN SISTEM INFORMASI PENERIMAAN SISWA BARU DI SMK MARGA INSAN KAMIL.pdf.”

R. Septima, T. Manisa, and H. Gemasih, “Sistem Informasi Kepegawaian Badan Pusat Statistik Aceh Tengah,” J. Tek. Inform. dan Elektro, vol. 6, no. 1, pp. 121–133, 2024, doi: 10.55542/jurtie.v6i1.995.

H. A. A. Sayed, M. A. Abdelhamid, T. K. Abdelkader, Q. Lai, A. M. Mousa, and M. Refai, “Machine learning and analytic hierarchy process integration for selecting a sustainable tractor,” pp. 1–16, 2024.

V. Agustine, I. F. Ashari, R. Chrisna, and T. Hadi, “Clustering of Regions in Lampung Province based on social and economic aspects using the K-Means algorithm with PCA optimization,” vol. 26, no. October, 2025, doi: 10.18196/jesp.v26i2.26212.

A. D. Khairunnisa, M. F. Muzaki, and M. F. Hardiansyah, “Analisis Klaster Data Ekonomi dengan Algoritma K-Means pada Beragam Dataset Nasional dan Internasional,” vol. 4, no. 6, pp. 8439–8445, 2025.

T. L. Saaty, “Decision making with the analytic hierarchy process,” vol. 1, no. 1, 2008.

A. S. Ramadhan, I. S. Suasana, S. A. Pamungkas, and N. Adinda, “Smart-Rural Entrepreneurship : Integration of IoT and Entrepreneurship Management to Strengthen the Village Economy,” vol. 2664, 2024.

M. Amelia, A. Faqih, A. R. Rinaldi, and K. Sosial, “PENERAPAN METODE K-MEANS CLUSTERING DALAM PEMETAAN KEMISKINAN KABUPATEN / KOTA DI TEPAT,” vol. 13, no. 2, 2025.

M. Nusrang, M. K. Aidid, and Z. Rais, “K-Means Cluster Analysis for Grouping Districts in South Sulawesi Province Based on Village Potential,” vol. 2, no. 2, pp. 73–82, 2022.

R. Setiowati, “MSMEs in Jakarta through Spatial Planning and Stakeholder Collaboration for Sustainability,” no. 2019, 2024.

Y. Lasena, “CLUSTERING KOMODITI UNGGULAN MENGGUNAKAN ALGORITMA K-MEANS,” vol. 2, pp. 14–18, 2020.

J. M. Guntur, R. Kurniawan, and U. Hayati, “Algoritma K-Means untuk Meningkatkan Silhouette Score pada Pengelompokan Data Stok Bahan Manufaktur di PT . XYZ,” pp. 11–21, 2025.

L. Penelitian et al., http://ejournal.nusamandiri.ac.id/index.php/jitk/index, vol. 8, no. 2. 2023. doi: 10.33480/jitk/v8i2.