Clustering SMEs Based on Technology Readiness using K-Means Algorithm
Article Sidebar
Read Counter : 928
Download : 857
Main Article Content
Abstract
Potensi TIK dapat mendorong peran strategis UKM sebagai penggerak ekonomi yang nyata, namun pemanfaatan TIK di UKM masih rendah khususnya di Tangerang Selatan yang menjadi basis objek penelitian. Tujuan penelitian untuk memetakan kelompok UKM berdasarkan tingkat kesiapan pemanfaatan TIK.
Pengumpulan data pada penelitian ini menggunakan metode survei yang berbasis kuesioner, yang terdiri dari pernyataan-pernyataan untuk menilai tingkat kesiapan teknologi pada usaha kecil menengah (UKM) dengan persepsi kesiapan pemanfaatan Teknologi Informasi dan Komunikasi (TIK). 250 kuesioner telah didistribusikan pada UKM sebagai responden dan yang kembali sebanyak 107. Setelah dilakukan uji reliabilitas, data primer ditabulasi dan dianalisa menggunakan SPSS dengan algoritma K-Means untuk klasifikasi kesiapan UKM.
Hasil penelitian menunjukkan klasifikasi pionir 19.62%, Skeptis 30.84%, penjelajah 20.56%, lamban 18.69% dan paranoid 10.28%. Tipe penjelajah merupakan tipe UKM yang paling siap dalam memanfaatkan TIK. Dengan demikian selanjutnya dipilih menjadi pilot study pengembangan TIK di UKM di kota Tangerang Selatan.
Article Details
JPPI provides immediate open access to its content on the principle that making research freely available to the public to supports a greater global exchange of knowledge.
JPPI by MCIT/Kemenkominfo is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License. Permissions beyond the scope of this license may be available at https://kominfo.go.id/.
References
Agusta Y. (2007). K-Means-Penerapan, Permasalahan dan Metode Terkait. Jurnal Sistem Dan Informatika, Vol 3(No 1), 47–60.
Berry, M. J., & Linoff, G. (1997). Data mining techniques: for marketing, sales, and customer support. John Wiley & Sons, Inc.
C., L.-N., & Soto-Acosta, P. (2010). Analyzing ICT adoption and use effects on knowledge creation: An empirical investigation in SMEs. International Journal of Information Management, Vol 30, 521–528.
Cahyo A, A, R., Hendrawan, & H, I. (2012). Clustering Kelompok Swadaya Masyarakat (KSM) dalam menentukan kebijakan bantuan badan pemberdayaan masyarakat di kota Surabaya dengan menggunakan metode self-organizing map (SOM) dan K-Means. Jurnal Teknik ITS, No 1, 368–373.
Dahnil, M., & et al. (2014). Factors Influencing SMEs Adoption of Social Media Marketing. In Procedia - Social and Behavioral Sciences. Elsevier Ltd.
Johan, O. (2013). Implementasi Algoritma K-Means Clustering untuk Menentukan Strategi Marketing. Jurnal Ilmiah Teknik Industri, President University, Vol 12(No 1), 10–20.
León O. A., et al. (2016). Relationship between the use of ICT and the degree and type of diversification. Elsevier Procedia Computer Science, Vol 100, 1191–1199.
Parasuraman. (2000). Technology Readiness Index (Tri) A Multiple-Item Scale to Measure Readiness to Embrace New Technologies. Journal of Service Research, Vol 2(No 4), 307–320.
Parasuraman, & C.L, C. (2001). Techno-Ready Marketing: How and Why Your Customers Adopt Technology. New York: Free Press.
Penz, D., & et al. (2016). The Influence of Technology Readiness Index in Entrepreneurial Orientation: A Study with Brazilian Entrepreneurs in The United States of America. International Journal of Innovation, Vol 5(No 1), 66–76.
Rahayu, R., Day, J. (2015). Determinant Factors of E-commerce Adoption by SMEs in Developing Country: Evidence from Indonesia. Procedia - Social and Behavioral Sciences, Vol 195, 142–150.
Santosa, B. (2007). Data mining teknik pemanfaatan data untuk keperluan bisnis. Yogyakarta: Graha Ilmu.
Wu, J. (2012). Advances in K-means Clustering a Data Mining Thinking Springer-Verlag. Tsinghua University.