25 Bab III Metode Penelitian III.1 Kontribusi Penelitian Berdasarkan paparan pada latar belakang, penelitian ini berfokus pada pengelompokan dataset ICONNET untuk menentukan area prioritas pengembangan jaringan FTTH di Kabupaten Bandung. Pengelompokan data dilakukan dengan menggunakan algoritma clustering seperti K-Means dan DBSCAN. Untuk menentukan jumlah klaster yang optimal, digunakan algoritma Elbow, sedangkan hasil clustering dievaluasi menggunakan matriks Davies- Bouldin Index (DBI) dan Silhouette Score. Karena dataset memiliki dimensi tinggi, metode reduksi dimensi Principal Component Analysis (PCA) dan Variational Autoencoder (VAE) diterapkan untuk meningkatkan kualitas analisis. Dalam proses klasifikasi, penelitian ini menggunakan algoritma K-Nearest Neighbor (KNN) untuk mengklasifikasikan data pelanggan berdasarkan kebutuhan bandwidth. KNN digunakan untuk menganalisis pola-pola dalam dataset pelanggan terkait daya listrik, kecamatan dan bandwidth yang sebelumnya diambil dapat membantu memberikan rekomendasi bandwidth yang sesuai dengan kebutuhan spesifik pelanggan di setiap wilayah. Selain klasifikasi, penelitian ini juga menerapkan pendekatan Analytic Hierarchy Process (AHP) untuk menentukan prioritas wilayah pengembangan jaringan. AHP digunakan untuk memberikan bobot pada kriteria-kriteria tertentu, seperti data AMI, data BPS, jumlah pelanggan, ketersediaan POP, biaya investasi dan potensi revenue, sehingga menghasilkan urutan prioritas yang mendukung pengambilan keputusan secara objektif. Penelitian ini juga mencakup analisis finansial dengan menghitung nilai investasi, potensi revenue, dan Return on Investment (ROI) dari pengembangan jaringan FTTH di Kabupaten Bandung. ROI digunakan untuk mengukur efisiensi investasi yang dilakukan dan memastikan bahwa pengembangan jaringan memberikan nilai ekonomi yang signifikan bagi perusahaan. Kajian literatur yang berkaitan dengan kontribusi penelitian terkait telah dilakukan sebelumnya, seperti yang ditunjukkan pada Tabel III.1. 26 Tabel III.1 Kajian literatur Penelitian No Penulis, Tahun Judul Kontribusi Penelitian 1 Abdullah dkk, 2021 The application of K- means clustering for province clustering in Indonesia of COVID-19 risk Pemilihan K optimal menggunakan Elbow dan Silhouette Score. 2 Umargono dkk 2019 K-Means Clustering Optimization Using the Elbow Method Optimasi algoritma K-Means dengan inisialisasi centroid berdasarkan Mean dan Median.. 3 Capó dkk 2020 An efficient K-means clustering algorithm for tall data Efisiensi algoritma K-Means untuk dataset besar dengan filtrasi jarak. 4 Ran dkk 2021 A Novel K-Means Clustering Algorithm with a Noise Algorithm Implementasi algoritma K- Means dalam menangani noise dan membandingkan dengan metode lain. 6 Mangapul, 2022 Data Mining Strategi Pembangunan Infrastruktur Menggunakan K-Means Menggunakan metodologi CRISP-DM untuk proses clustering. 7 Syafrina dkk 2023 Perbandingan Hasil Metode Clustering K- Means, DBSCAN & Hierarchical Melakukan perbandingan segmentasi area clustering menggunakan K-Means dan DBSCAN. 8 Erika, 2023 Application of Clustering Method for Grouping Data Based on Socio- Economic Status Analisa berbasis status social Ekonomi di suatu wilayah untuk melakukan pengembangan jaringan. 9 Ronal dkk 2022 Penerapan Algoritma K-Means pada Pemetaan Kemampuan IT Remaja dan Dewasa di Indonesia Dalam Implementasi K-means, DBI digunakan untuk mengevaluasi hasil cluster serta melakukan visualisasi spasial untuk hasil Implementasi Algoritma clustering. 10 Putri dkk 2023 Perbandingan Metode Elbow dan Silhouette untuk Penentuan Klaster Produksi Padi Pemilihan K optimal menggunakan Elbow dan Silhouette serta melakukan perbandingan K optimal. 11 Rimelda dkk 2021 Perbandingan Algoritma DBSCAN dan K-Means Clustering untuk Pengelompokan Kasus COVID-19 Membandingkan performa komparatif algoritma clustering . 27 No Penulis, Tahun Judul Kontribusi Penelitian 12 Dwina dkk 2022 Implementasi Algoritma DBSCAN untuk Clustering Seleksi Beasiswa Analisis Algoritma DBSCAN dalam menyelesaikan clustering . 13 Z. Saputra, 2024 Perbandingan Algoritma KNN (K-Nearest Neighbors), Naïve Bayes, dan SVM (Support Vector Machine) untuk Klasifikasi Pemberian Pinjaman Nasabah Melakukan perbandingan Algoritma KNN dengan beberapa algoritma lainnya. 14 Anjar dkk 2018 Seleksi Penerimaan Asisten Laboratorium Menggunakan Algoritma AHP Melakukan prioritas menggunakan Algoritma AHP. 15 Imamuddin dkk 2006 Penerapan Algoritma AHP untuk Prioritas Penanganan Bencana Banjir Dimensi dataset besar berhasil ditangani dengan AHP. 16 Fauzi dkk 2024 Analisis Evaluasi Kinerja Keuangan dengan ROI, RI, EVA Evaluasi keuangan menggunakan ROI. 17 Joshua Oktavianus dkk, 2021 Prediksi dan Visualisasi Penyakit COVID-19 menggunakan Kombinasi Long Short-Term Memory dan GeoJSON Visualisasi spasial dilakukan menggunakan format GeoJSON dalam google map untuk memetakan distribusi geografis juga Google Colab digunakan sebagai platform pengolahan data. 18 David Thompson dkk, 2021 Nonlinear Dimensionality Reduction for High- Dimensional Genomic Data Using Variational Autoencoders Membandingkan dalam melakukan reduksi dimensi data menggunakan VAE dan PCA. Berdasarkan kajian tersebut, posisi penelitian ini adalah mengintegrasikan algoritma clustering dengan evaluasi yang komprehensif, penentuan prioritas menggunakan AHP, klasifikasi kebutuhan menggunakan KNN, serta analisis finansial menggunakan perhitungan ROI. Hingga melakukan visualisasi agar dapat mempermudah membuat keputusan strategis dalam melakukan rekomendasi. 28 III.2 Metodologi Penelitian Ditunjukkan pada Gambar II.1, metodologi penelitian yang digunakan mengikuti alur sistematis. Penelitian ini diawali dengan Business Understanding, yaitu tahap memahami tujuan utama dari analisis dan clustering dataset, serta kebutuhan strategis yang akan dicapai. Selanjutnya, dilakukan Data understanding, yang mencakup pengumpulan data yang relevan serta eksplorasi untuk memahami karakteristik dan struktur data yang akan diolah. Tahap berikutnya adalah Data preparation, yang melibatkan proses seleksi, pembersihan, dan transformasi data agar siap digunakan untuk proses clustering dan klasifikasi. Transformasi data ini dilakukan untuk memastikan bahwa data memenuhi format dan kualitas yang dibutuhkan oleh model algoritma yang akan digunakan. Proses inti dilakukan pada tahap Modeling, di mana model clustering dibuat menggunakan algoritma K-Means dan DBSCAN. Selain itu, algoritma K- Nearest Neighbor (KNN) digunakan untuk melakukan klasifikasi data pelanggan berdasarkan kebutuhan bandwidth. Model-model ini dirancang untuk menghasilkan rekomendasi yang dapat mendukung pengambilan keputusan strategis. Tahap berikutnya adalah Evaluation, di mana model yang telah dibuat dievaluasi untuk memastikan validitas dan akurasi. Evaluasi clustering dilakukan dengan menggunakan matriks Davies-Bouldin Index (DBI) dan Silhouette Score, sedangkan evaluasi model klasifikasi KNN dilakukan dengan menggunakan metrik yang sesuai. Tahap ini bertujuan untuk memastikan bahwa model yang dihasilkan memenuhi tujuan bisnis dan menghasilkan hasil yang valid dan dapat diandalkan. Setelah evaluasi, dilakukan tahap Deployment, yaitu mengkomunikasikan hasil dan model clustering yang telah divalidasi kepada tim perencanaan ICONNET. Tahap ini mencakup penyampaian informasi secara komprehensif agar hasil penelitian dapat digunakan secara efektif dalam perencanaan pengembangan jaringan FTTH. 29 Gambar III.1 Bagan metodologi penelitian 30 III.3 Bussiness Understanding Tahap Business understanding merupakan langkah awal yang sangat penting dalam penelitian ini. Tahap ini bertujuan untuk mendefinisikan tujuan bisnis yang ingin dicapai serta memahami kebutuhan strategis perusahaan, dalam hal ini ICONNET, dalam pengembangan jaringan FTTH di Kabupaten Bandung. ICONNET menghadapi tantangan dalam mendistribusikan layanan internet secara merata di wilayah yang memiliki tingkat kepadatan penduduk yang tinggi, serta infrastruktur yang belum merata. Oleh karena itu, penelitian ini bertujuan untuk memberikan rekomendasi area prioritas pengembangan jaringan berdasarkan data yang tersedia, sehingga dapat mendukung efisiensi investasi dan meningkatkan potensi revenue perusahaan. Pada tahap ini, masalah bisnis utama yang perlu dipecahkan adalah: 1. Bagaimana melakukan analisis infrastruktur dan data terkait untuk keperluan pengembangan ICONNET di Kabupaten Bandung. 2. Kecamatan mana saja yang menjadi rekomendasi prioritas untuk pengembangan jaringan ICONNET di Kabupaten Bandung. 3. Bagaimana hasil visualisasi clustering wilayah per kecamatan di Kabupaten Bandung. 4. Berapa estimasi biaya investasi, potensi revenue dan nilai perhitungan Return on Investment (ROI) dari pengembangan jaringan ICONNET di wilayah Kabupaten Bandung. Hasil dari tahap Business understanding ini akan menjadi dasar bagi proses penelitian selanjutnya, termasuk Data understanding, Data preparation, dan Modeling. III.4 Data Understanding Pada tahap data understanding, langkah-langkah awal dalam penelitian ini melakukan identifikasi dan eksplorasi dataset yang relevan. Data yang digunakan dalam penelitian ini diperoleh dari berbagai sumber terpercaya, yaitu Badan Pusat Statistik (BPS), PT PLN (Persero), dan data internal ICONNET. Tahap ini bertujuan untuk memahami karakteristik setiap dataset, termasuk struktur, cakupan, dan kualitas datanya. Pemahaman mendalam tentang data ini menjadi dasar penting 31 untuk proses data preparation dan modeling yang lebih efektif. Adapun rincian dataset yang digunakan dalam penelitian ini adalah sebagai berikut: 1. Data BPS Provinsi Jawa Barat, rilis tahun 2023, berisi informasi demografis dan statistik umum untuk wilayah Jawa Barat, yang digunakan untuk analisis makro terkait karakteristik populasi dan ekonomi; 2. Data BPS Kabupaten Bandung, rilis tahun 2023, menyediakan data spesifik untuk Kabupaten Bandung, termasuk distribusi populasi, tingkat pendapatan, dan indikator lainnya yang relevan untuk pengelompokan wilayah. 3. Data POP hingga Mei 2024, dataset ini mencakup informasi tentang titik distribusi jaringan yang tersedia (Point of Presence/POP) di Kabupaten Bandung, yang penting untuk menentukan ketersediaan infrastruktur. 4. Data rencana pembangunan homepass project AMI tahun 2024, berisi rencana pengembangan jaringan FTTH oleh ICONNET, termasuk lokasi prioritas dan cakupan area yang akan dikembangkan. 5. Data pelanggan PLN hingga Mei 2024, berisi informasi pelanggan yang mencakup daya listrik, id pelanggan, potensi pelanggan, dan kecamatan. 6. Data pelanggan ICONNET hingga Mei 2024 : Berisi informasi pelanggan PLN yang berlangganan ICONNET atau belum berlangganan ICONNET. Hal ini dilakukan karena pelanggan ICONNET pasti memiliki ID Pelanggan PLN sebagai syarat berlangganan ICONNET. Selama tahap ini, dilakukan eksplorasi lebih lanjut untuk mengidentifikasi potensi masalah dalam data, seperti ketidakkonsistenan, data kosong, atau duplikasi. Setiap dataset akan dianalisis lebih lanjut untuk memahami distribusi nilai, korelasi antar variabel, dan relevansi terhadap tujuan penelitian. III.5 Data Preparation Tahap data preparation bertujuan untuk memastikan bahwa data yang digunakan dalam proses analisis dan pemodelan sudah bersih, terstruktur, dan siap digunakan. Tahap ini melibatkan berbagai langkah teknis yang dirancang untuk meningkatkan kualitas data dan mengatasi tantangan yang muncul akibat keragaman sumber dan format dataset. 32 Data Selection Pada langkah ini, dipilih variabel dan fitur yang relevan untuk penelitian. Dataset yang digunakan berasal dari beberapa sumber, seperti BPS, PT PLN (Persero), dan data internal ICONNET, sehingga seleksi dilakukan untuk memastikan hanya data yang relevan dengan tujuan penelitian yang digunakan. Fitur-fitur yang dipilih mencakup informasi demografis, ekonomi, titik distribusi jaringan (POP), rencana pembangunan homepass, serta data pelanggan. Data Cleaning Data yang dikumpulkan dari berbagai sumber sering kali mengandung masalah seperti data kosong (missing values), data duplikat, atau data yang tidak konsisten. Langkah ini mencakup: 1. Menghapus atau mengimputasi data kosong dengan metode seperti rata-rata (mean), median, atau nilai tertentu yang disesuaikan. 2. Menghilangkan data duplikat yang dapat memengaruhi hasil analisis. 3. Menstandarisasi format data, seperti format tanggal atau satuan pengukuran, untuk memastikan keseragaman. Data Transformation Data yang tidak berada dalam format yang sesuai untuk analisis perlu diubah (transformasi). Langkah ini meliputi: 1. Normalisasi atau standarisasi nilai fitur untuk memastikan bahwa data berada dalam rentang yang konsisten dan menghindari bias pada algoritma. 2. Encoding untuk mengubah data kategorikal menjadi data numerik yang dapat digunakan dalam proses pemodelan. 3. Pembuatan fitur baru jika diperlukan, seperti menghitung densitas penduduk berdasarkan data populasi dan luas wilayah. Dimensionality Reduction Karena dataset memiliki dimensi yang tinggi (banyak variabel), maka dilakukan reduksi dimensi menggunakan metode seperti: 33 1. Principal Component Analysis (PCA): Mengurangi dimensi data dengan mempertahankan sebanyak mungkin variansi. 2. Variational Autoencoder (VAE): Metode berbasis deep learning untuk mereduksi dimensi dengan menangkap pola non-linear dalam dataset. Data Integration Menggabungkan data dari berbagai sumber ke dalam satu dataset yang akan diolah untuk proses prioritas adalah langkah penting dalam penelitian ini. Proses ini melibatkan penyelarasan format, normalisasi, dan penggabungan data berdasarkan atribut atau variabel kunci, yaitu kecamatan.