Analisis Kesesuaian Lokasi Minimarket Menggunakan Pendekatan Machine Learning Random Forest Dan Maximum Entropy Modelling (Studi Kasus: Kabupaten Kediri)

Sari, Ike Noevita (2022) Analisis Kesesuaian Lokasi Minimarket Menggunakan Pendekatan Machine Learning Random Forest Dan Maximum Entropy Modelling (Studi Kasus: Kabupaten Kediri). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6016201007-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (5MB) | Request a copy

Abstract

Minimarket adalah salah satu bisnis toko modern yang banyak berkembang saat ini, tidak terkecuali di Kabupaten Kediri. Karena persaingan bisnis toko modern yang semakin tinggi maka banyak pertimbangan yang harus dipersiapkan dalam mendirikan minimarket terutama dalam pemilihan lokasi. Pemilihan lokasi untuk mendirikan minimarket harus memperhatikan beberapa kriteria agar mendapatkan banyak konsumen nantinya. Parameter yang digunakan dalam penelitian ini adalah kepadatan penduduk, jenis penggunan lahan, akses jalan, ketersediaan infrastruktur fasilitas umum, dan keberadaan pasar tradisional di wilayah tersebut. Parameter penggunaan lahan menggunakan data rencana tata ruang Kabupaten Kediri. Parameter akses jalan, jarak ke pasar tradisional, dan jarak fasilitas umum diolah dengan menggunakan analisis spasial euclidean distance. Data kepadatan penduduk yang digunakan pada penelitian ini bersumber dari data WorldPop dengan resolusi 100 x 100 (m2 ). Setiap kriteria/parameter tersebut akan memiliki besar pengaruh (bobot) yang berbeda terhadap kesesuaian lokasi minimarket. Dalam penelitian ini, penentuan bobot parameter dilakukan dengan Machine Learning yaitu viii Random Forests dan Maximum Entropy Modelling. Random Forests sendiri merupakan suatu metode klasifikasi yang terdiri dari gabungan Classification and Regresion Tree yang saling independen yang berasal dari distribusi yang sama melalui proses voting untuk memperoleh prediksi klasifikasi. Sedangkan MaxEnt Modelling adalah metode machine learning dengan desain matematika sederhana dan tepat yang biasanya digunakan untuk pemodelan distribusi geografis spesies berdasarkan data kehadiran (presence) dan data lingkungan (environmental). Penelitian ini bertujuan untuk melakukan prediksi kesesuaian lokasi minimarket di Kabupaten Kediri dengan kriteria/parameter penentu menggunakan Machine Learning dengan metode Random Forests dan MaxEnt. Dari hasil penelitin didapatkan hasil bahwa parameter yang memiliki bobot tertinggi adalah populasi baik dari hasil metode Maxent maupun Random Forest. Pada pemodelan Maxent didapatkan nilai AUC sebesar 0,97 sedangkan Random Forest didapatkan nilai AUC sebesar 0,92 sehingga keduanya tergolong excellent classification. Hasil dari kedua metode menunjukkan bahwa daerah yang memiliki kesesuaian lokasi minimarket yang tinggi adalah Kecamatan Ngasem dan Kecamatan pare karena keduanya merupakan daerah dengan populasi relatif tinggi dibandingkan daerah lain. Setelah dilakukan analisis untuk area yang memiliki kesesuaian tinggi terhadap peraturan zonasi setempat maka didapatkan lokasi yang memiliki kesesuaian tinggi dan memenuhi kriteria peraturan zonasi (jarak terhadap pasar tradisional dan minimarket lain). Pada metode MaxEnt ditemukan di wilayah Kecamatan Ngasem dan Kecamatan Pare sedangkan pada metode Random Forest ditemukan di wilayah Kecamatan Pare.
=================================================================================================================================
Minimarket is one of the modern store businesses that are growing a lot nowadays in Kediri Regency. Because of the high competition of modern store business, many considerations must be prepared in setting up a modern store, especially location. To determine the location, several parameters must be observed to get many consumers later. The parameters used in this study are population density, type of land use, road access, availability of public space, and the presence of other modern stores in the region. The parameter of land cover is from spatial plan data of Kediri Regency. The parameter of road access, distance to traditional markets, and distance to public infrastructure are processed using euclidean distance spatial analysis. The population density data used in this study was from WorldPop data with a resolution of 100 x 100 (m2 ). Each of these criteria/parameters will have a different weight value on the suitability of minimarket locations. In this study, the determination of parameter weights is using Machine Learning (Random Forests and Maximum Entropy Modelling). Random Forests is a classification method consisting of a combination of classification and regression trees (CART) that are independent of the same distribution through the voting process to obtain classification predictions. MaxEnt Modeling is a machine learning method with a simple and precise mathematical design that is usually used for modeling the geographic distribution of species based on the presence and environmental data. This research aims to predict the suitability of modern store locations in the Kediri Regency by determining criteria/parameters using Machine Learning (Random Forests and MaxEnt). From the results of the study, it was found that the parameters that have the highest weight are populations from both the Maxent and Random Forest methods. In Maxent modeling, an AUC value of 0.97 was obtained while the Random Forest obtained an AUC value of 0.92 so both of them are classified as excellent classification. The results of the two methods show that the areas that have high suitability of minimarket location are Ngasem District and Pare District because both are areas with relatively high populations compared to other areas. After analysis was carried out for areas that have high conformity to local zoning regulations, locations that have high suitability and meets the criteria of zoning regulations (distance to traditional markets and other minimarket) are obtained. Fo MaxEnt method, they are found in the Ngasem District and Pare District while for the Random Forest method, they were found in the Pare District area.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Analisis spasial, Machine Learning, Random Forests, Maximum Entropy Modelling, kesesuaian lokasi minimarket, Kabupaten Kediri
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering > 29101-(S2) Master Thesis
Depositing User:	Anis Wulandari
Date Deposited:	28 May 2024 07:44
Last Modified:	28 May 2024 07:44
URI:	http://repository.its.ac.id/id/eprint/108001

Actions (login required)

View Item