Pengelompokan Keaktifan Anggota Perpustakaan Rimba Baca Jakarta Selatan menggunakan Algoritma K-Means
Keywords:
Rimba Baca Library, Library Membership, K-Means Algorithm, Activity Patterns, Data AnalysisAbstract
Penelitian ini bertujuan untuk menganalisis keaktifan keanggotaan di Perpustakaan Rimba Baca Jakarta Selatan dengan menggunakan algoritma K-Means. Latar belakang penelitian ini adalah kebutuhan perpustakaan untuk memahami pola keanggotaan dan meningkatkan layanan berdasarkan data kunjungan dan peminjaman buku. Metode yang digunakan melibatkan pengumpulan data kunjungan dan peminjaman buku dari tahun 2023 hingga 2024, kemudian menerapkan algoritma K-Means untuk mengelompokkan anggota berdasarkan tingkat keaktifan mereka. Hasil penelitian menunjukkan adanya tiga cluster dengan karakteristik yang berbeda. Cluster 1 terdiri dari anggota yang sangat aktif, sedangkan Cluster 0 dan Cluster 2 menunjukkan tingkat keaktifan yang lebih rendah. Temuan ini memberikan wawasan bagi perpustakaan untuk mengembangkan strategi layanan yang lebih efektif, seperti promosi khusus dan program peningkatan keaktifan bagi kelompok anggota yang kurang aktif. Selain itu, penelitian ini menunjukkan bahwa tipe keanggotaan yang memungkinkan peminjaman lebih banyak buku tidak selalu berkorelasi dengan keaktifan tinggi. Dengan informasi ini, perpustakaan dapat meningkatkan keterlibatan anggota dan mengoptimalkan penggunaan sumber daya yang ada, sehingga menciptakan lingkungan yang lebih dinamis dan interaktif bagi semua pengunjung.
This study aims to analyze membership activity at Rimba Baca Library in South Jakarta using the K-Means algorithm. The background of this research is the library's need to understand membership patterns and improve services based on visit and book loan data. The method involved collecting visit and loan data from 2023 to 2024 and then applying the K-Means algorithm to cluster members based on their activity levels. The results show three clusters with distinct characteristics. Cluster 1 consists of very active members, while Clusters 0 and 2 exhibit lower activity levels. These findings provide insights for the library to develop more effective service strategies, such as special promotions and programs to increase activity among less active member groups. Additionally, the study indicates that membership types allowing more book loans do not necessarily correlate with higher activity levels. With this information, the library can enhance member engagement and optimize the use of existing resources, thereby creating a more dynamic and interactive environment for all visitors.
References
Alkhairi, P., & Windarto, A. P. (2019). Penerapan K-Means Cluster pada Daerah Potensi Pertanian Karet Produktif di Sumatera Utara. Seminar Nasional Teknologi Komputer & Sains, 762–767. https://prosiding.seminar-id.com/index.php/sainteks/article/download/228/223
Aulia, S. (2020). Klasterisasi Pola Penjualan Pestisida Menggunakan Metode K-Means Clustering (Studi Kasus Di Toko Juanda Tani Kecamatan Hutabayu Raja). Djtechno: Jurnal Teknologi Informasi, 1(1), 1–5. https://doi.org/10.46576/djtechno.v1i1.964
Istikomah, N., & Masruri, A. (2021). A Strategi Pengembangan Kompetensi Pustakawan di Dinas Perpustakaan dan Kearsipan Kabupaten Gunung Kidul.
Baitul ’Ulum: Jurnal Ilmu Perpustakaan Dan Informasi, 5(1), 45–57. https://doi.org/10.30631/baitululum.v5i1.107
Nur Ika Royanti, & Ismanto, B. (2020). Pengelompokkan Keaktifan Peminjaman Buku Di Perpustakaan Stmik Widya Pratama Dengan Metode K-Means Nur. XV(1), 53–54.
Prasetyo, V. R., Lazuardi, H., Mulyono, A. A., & Lauw, C. (2021). Penerapan Aplikasi RapidMiner Untuk Prediksi Nilai Tukar Rupiah Terhadap US Dollar Dengan Metode Linear Regression. Jurnal Nasional Teknologi Dan Sistem Informasi, 7(1), 8–17. https://doi.org/10.25077/teknosi.v7i1.2021.8-17
Sahputra, M. I., Triayudi, A., & Rubhasy, A. (2022). Analisis Faktor Yang Mempengaruhi Penumpang Angkutan Umum Beralih Ke Transportasi Online Go-Jek Menggunakan Metode K-Means Clustering. Jurnal JTIK (Jurnal Teknologi Informasi Dan Komunikasi), 6(1), 63–69. https://doi.org/10.35870/jtik.v6i1.381
Sholikhah, N. A. (2022). Studi Perbandingan Clustering Kecamatan di Kabupaten Bojonegoro Berdasarkan Keaktifan Penduduk Dalam Kepemilikan Dokumen Kependudukan. Jurnal Statistika Dan Komputasi, 1(1), 42–53. https://doi.org/10.32665/statkom.v1i1.443
Suci Arischa. (2019). Analisis Beban Kerja Bidang Pengelolaan Sampah Dinas Lingkungan Hidup Dan Kebersihan Kota Pekanbaru. Jurnal Online Mahasiswa Universitas Riau, 6(Edisi 1 Januari-Juni 2019), 1–15. http://weekly.cnbnews.com/news/article.html?no=124000
Triandini, M., Defit, S., & Nurcahyo, G. W. (2021). Data Mining dalam Mengukur Tingkat Keaktifan Siswa dalam Mengikuti Proses Belajar pada SMP IT Andalas Cendekia. Jurnal Informasi Dan Teknologi, 3, 167–173. https://doi.org/10.37034/jidt.v3i3.120
Yusra, Z., Zulkarnain, R., & Sofino, S. (2021). Pengelolaan Lkp Pada Masa Pendmik Covid-19. Journal Of Lifelong Learning, 4(1), 15–22. https://doi.org/10.33369/joll.4.1.15-22
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Ilham Izaz Amanullah
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.