Analisis Spasial dan Model Prediktif Data Geografis-Demografis untuk Prediksi Kelayakan Lokasi Usaha
DOI:
https://doi.org/10.30865/json.v7i3.9612Keywords:
Analisis Spasial, Random Forest, Geografis, Demografis, Lokasi Usaha, Machine LearningAbstract
Pemilihan lokasi usaha yang tepat merupakan faktor strategis yang menentukan keberhasilan operasional dan finansial bisnis baru. Permasalahan utama yang dihadapi calon pengusaha adalah sulitnya menentukan kelayakan lokasi secara objektif akibat keterbatasan data primer dan metode analisis yang bersifat intuitif. Penelitian ini bertujuan membangun sistem prediksi kelayakan lokasi usaha dengan mengintegrasikan analisis spasial dan model prediktif berbasis machine learning. Metode yang digunakan adalah algoritma Random Forest yang dilatih menggunakan data primer dari 45 titik lokasi di wilayah urban Makassar yang diperoleh melalui survei lapangan langsung. Variabel input mencakup jumlah penduduk, kepadatan toko kompetitor, ketersediaan fasilitas umum, dan volume lalu lintas. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan model Random Forest memberikan prediksi jumlah pengunjung dengan nilai R² sebesar 0,72, MAE 450,00, dan RMSE 600,17, serta estimasi pendapatan dengan R² sebesar 0,75, MAE Rp1.412.556, dan RMSE 1.894.958. Kestabilan model dikonfirmasi melalui pengujian 5-Fold Cross-validation dengan rata-rata R² sebesar 0,70. Benchmarking terhadap Linear Regression menunjukkan keunggulan Random Forest dengan peningkatan R² sebesar 50% pada prediksi pengunjung dan 36,4% pada prediksi pendapatan. Analisis feature importance mengungkapkan jumlah penduduk sebagai variabel paling dominan (bobot 0,45), diikuti volume lalu lintas (0,25) dan fasilitas umum (0,15). Secara keseluruhan, sistem ini menyediakan alat bantu estimasi kelayakan lokasi berbasis data geografis dan demografis yang dapat mendukung pengambilan keputusan investasi bagi pelaku usaha baru.
References
D. Fajriyah, A. Putri Vindiana, A. P. Rosyidta, and E. S. Tampubolon, “Analisis Pengaruh Variasi Produk, Desain Kemasan, Kebersihan, dan Lokasi terhadap Keputusan Pembelian Konsumen pada UMKM Tamaaman Cake,” 2025.
Andri Cahyo Purnomo, “Manajemen Pemasaran Pendidikan Berbasis Strategi Penentuan Pasar Sasaran,” INOVASI, vol. 1, no. 2, pp. 130–137, May 2022.
J. Wang and D. T. Robinson, “Assessing the Relative and Combined Effects of Network, Demographic, and Suitability Patterns on Retail Store Sales,” Land (Basel)., vol. 12, no. 2, Feb. 2023, doi: 10.3390/land12020489.
Riznov Briandana and J. Santoso, “Pembangunan Model Klasifikasi untuk Menilai Lokasi Strategis Usaha Laundry Berdasarkan Analisis Geospasial dan Data Open-Source,” vol. 6, no. 1, pp. 73–84, 2026, doi: 10.57152/malcom.v6i1.2358.
F. Sampe Suhardi Lita Limpo Syamsu Rijal Muhammad Yusuf Ramadhi Lisa Jolanda Catherine Polimpung Yuanita Levany Oza Syafriani Jie Lydia Irawan Uli Urbanus Bubun Beauty Pudhak Prasetiyorini Daniel Lallo Pakiding Nathanael Papalangi, Manajemen Strategis (Teori Dan Implementasi). 2023.
Arysespajayadi and K. Syaban, “Sistem Informasi Geografis Distribusi Mahasiswa Kuliah Kerja Nyata Universitas Sembilanbelas November Kolaka,” INFORMASI (Jurnal Informatika dan Sistem Informasi), vol. 13, no. 2, 2021, doi: 10.37424/informasi.v13i2.127.
M. Zubair, Z. Zafar, M. S. Mehmood, and M. I. Ahamad, “Innovative GIS techniques for identifying optimal service center locations in Islamabad a PTCL case study,” Discover Cities, vol. 2, no. 1, Jan. 2025, doi: 10.1007/s44327-025-00044-8.
D. Erdiansyah, I. Nugraha, and Abdullah, “Penentuan Lokasi Bisnis Terbaik dengan Perbandingan K-Means, DBSCAN dan GMM,” 2024.
A. H. Candra, T. Tanto, M. H. Saputra, W. Antori, and I. Firmansyah, “Implementasi Model Klasifikasi Berbasis Machine Learning Untuk Sistem Pendukung Keputusan Kurasi Produk Umkm,” Infotech: Journal of Technology Information, vol. 10, no. 2, pp. 267–272, Nov. 2024, doi: 10.37365/jti.v10i2.316.
B. Aziz, “Pengaruh Infrastruktur dan Kepadatan Penduduk Terhadap Penanaman Modal Asing Di Provinsi Jawa Tengah,” Lisyabab : Jurnal Studi Islam dan Sosial, vol. 3, no. 2, pp. 219–236, Dec. 2022, doi: 10.58326/jurnallisyabab.v3i2.147.
K. Kristiawan and A. Widjaja, “Perbandingan Algoritma Machine Learning dalam Menilai Sebuah Lokasi Toko Ritel,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 7, no. 1, Apr. 2021, doi: 10.28932/jutisi.v7i1.3182.
B. Y. Yana et al., “Penerapan Algoritma K-Nearest Neighbor Dalam Klasifikasi Penyakit Daun Padi Menggunakan Ekstraksi HOG,” Jurnal Algoritme, vol. 6, no. 1, pp. 110–120, 2025, doi: 10.35957/algoritme.v6i1.12154.
R. Dwi Sanjaya and R. Meilisa, “Analisis Prediksi Pendapatan Pada Toko Eska Dengan Metode Regresi Linear,” 2025. [Online]. Available: http://jurnal.mdp.ac.id
D. Syaputri, P. Herwina Noprita, and S. Romelah, “Implementasi Algoritma K-Means untuk Pengelompokan Distribusi Sosial Ekonomi Masyarakat Berdasarkan Demografi Kependudukan,” vol. 1, pp. 1–6, 2021.
M. S. Chowdhury, “Comparison of accuracy and reliability of random forest, support vector machine, artificial neural network and maximum likelihood method in land use/cover classification of urban setting,” Environmental Challenges, vol. 14, Jan. 2024, doi: 10.1016/j.envc.2023.100800.
F. Ardiansyah and I. Komputer, “Menggunakan Algoritma Random Forest Untuk Prediksi Harga Properti,” 2024.
A. Dhista Ayunia, I. Made Adnyana Sektor Transportasi Angkutan Barang dan Pertumbuhan, and I. Made Adnyana, “Freight Transportation Sector and Indonesian Economic Growth,” Jurnal Manajemen Transportasi & Logistik, vol. 07, no. 03, 2020, doi: 10.25292/j.mtl.v7i3.413.
M. Husni Mubarok and F. Septian, “Prediksi GDP dengan RF dan XGBoost Berdasarkan Aspek Sosial, Ekonomi, dan Lingkungan”.
F. Budiman, “Prediksi Harga Rumah Menggunakan Algoritma Regresi Linier,Random Forest, Dan Gradient Boosting,” Jurnal Riset Komputer), vol. 12, no. 6, pp. 2407–389, 2025, doi: 10.30865/jurikom.v12i6.9369.
Putri Yusra Haliza, R. Rafiza, and J. Simanullang, “Penerapan Regresi Linier Berganda Dalam Memprediksi IPM Berdasarkan Faktor Ekonomi Dan Sosial Di Sumatera Barat,” vol. 2, 2025, doi: 10.5281/enodenodo.15696487.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jurnal Sistem Komputer dan Informatika (JSON)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
This work is licensed under a Creative Commons Attribution 4.0 International License
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
