OPTIMALISASI KLASTER UMKM DI KECAMATAN SAMPANG DENGAN METODE FUZZY K-MEDOIDS TYPE-2

Deskripsi Proyek

Proyek ini bertujuan untuk mengoptimalkan klasterisasi UMKM (Usaha Mikro Kecil dan Menengah) di Kecamatan Sampang dengan menggunakan metode Fuzzy K-Medoids Type-2. Proses klasterisasi ini membantu untuk menganalisis dan mengategorikan UMKM berdasarkan berbagai faktor data yang dapat digunakan untuk pengambilan keputusan yang lebih baik dalam pengembangan ekonomi lokal.

Fitur

• Beranda: Halaman utama aplikasi.
• Upload File: Pengguna dapat mengunggah file data lokal (.csv, .xlsx, dll) atau memasukkan tautan Google Drive / Spreadsheet.
• Normalisasi Data: Halaman untuk melakukan normalisasi data sebelum menerapkan algoritma klasterisasi.
• K-Medoids: Metode klasterisasi K-Medoids tradisional untuk mengkategorikan data UMKM.
• Fuzzy K-Medoids Type-2: Versi lebih lanjut dari K-Medoids yang menggunakan logika fuzzy untuk menangani ketidakpastian data.
• Hasil Analisa: Menampilkan hasil analisis dan visualisasi dari proses klasterisasi.

Penggunaan

1. Upload File: Anda dapat mengunggah dataset lokal Anda dalam format .csv, .xlsx atau tautan ke file Google Drive / Spreadsheet publik.
2. Normalisasi Data: Setelah file diunggah, normalisasi data akan diterapkan untuk menstandarisasi nilai-nilai data.
3. Klasterisasi: Terapkan metode K-Medoids atau Fuzzy K-Medoids Type-2 untuk mengklasterisasi data UMKM.
4. Lihat Hasil: Setelah klasterisasi selesai, bagian Hasil Analisa akan menampilkan hasil analisis dan membantu pengguna dalam menginterpretasikan klaster yang dihasilkan.

Stack Teknologi

• Python (Flask/Django atau Streamlit untuk backend)
• Pandas, NumPy (untuk pemrosesan data)
• Implementasi algoritma Fuzzy K-Medoids
• HTML, CSS, dan Bootstrap untuk frontend
• JavaScript untuk elemen dinamis (jika diperlukan)

Instalasi

Untuk menjalankan proyek ini secara lokal, Anda memerlukan Python terinstal. Ikuti langkah-langkah berikut:

1. Clone/Download repositori:

   git clone https://github.com/LabQii/tugas-akhir.git

2. Buka Tools (Visual Studio Code):

   Buka Visual Studio Code (Visual Studio Code) atau editor pilihan Anda, dan buka folder repositori yang telah di-clone.

3. Instal library di terminal Visual Studio Code:

   pip install streamlit pandas numpy requests seaborn matplotlib scikit-learn pyclustering streamlit-option-menu openpyxl 

4. Jalanakan aplikasi:

   streamlit run C:\Users\acer\Downloads\tugas-akhir-main\insyaallah.py

5. Akses aplikasi di server lokal:

   http://127.0.0.1:8000