Perkembangan startup Artificial Intelligence (AI) yang semakin pesat telah meningkatkan aktivitas pendanaan dari berbagai investor di tingkat global. Banyaknya data pendanaan yang tersedia menyebabkan proses identifikasi karakteristik aktivitas pendanaan startup menjadi lebih kompleks apabila dilakukan secara manual, sehingga diperlukan metode yang mampu mengelompokkan aktivitas pendanaan berdasarkan tingkat kemiripan karakteristik pendanaan. Penelitian ini bertujuan menerapkan metode K-Means Clustering untuk mengelompokkan aktivitas pendanaan startup Artificial Intelligence berdasarkan karakteristik pendanaan global serta menentukan jumlah cluster optimal menggunakan evaluasi Elbow Method. Penelitian menggunakan pendekatan kuantitatif dengan memanfaatkan dataset AI Startup Funding Database yang diperoleh dari Kaggle, meliputi tahapan data preprocessing, normalisasi menggunakan Min-Max Scaling, penentuan jumlah cluster menggunakan Elbow Method, serta proses clustering menggunakan algoritma K-Means. Hasil penelitian menunjukkan bahwa jumlah cluster optimal adalah lima kelompok (K = 5), yang menghasilkan lima kelompok dengan karakteristik berbeda berdasarkan nilai centroid, mencerminkan perbedaan jumlah pendanaan, valuasi perusahaan sebelum dan sesudah pendanaan, jumlah karyawan, pendapatan tahunan, serta tahap pendanaan. Hasil penelitian menunjukkan bahwa kombinasi metode K-Means Clustering dan Elbow Method mampu mengelompokkan aktivitas pendanaan startup Artificial Intelligence berdasarkan karakteristik pendanaan global sehingga dapat mendukung proses analisis data dan pengambilan keputusan.
Full Tugas Akhir
[1] B. Laksono, Y. Syahidin, dan Y. Yunengsih, “Implementasi Data Mining Klasterisasi Data Pasien Rawat Inap dengan Algoritma K-Means Clustering,” Jurnal Teknologi Sistem Informasi dan Aplikasi, vol. 7, no. 2, hlm. 621–627, Apr 2024, doi: 10.32493/jtsi.v7i2.39354.
[2] A. Schwab-McCoy, C. M. Baker, dan R. E. Gasper, “Data Science in 2020: Computing, Curricula, and Challenges for the Next 10 Years,” Journal of Statistics and Data Science Education, vol. 29, no. S1, hlm. S40–S50, 2021, doi: 10.1080/10691898.2020.1851159.
[3] S. P. Dewi, N. Nurwati, dan E. Rahayu, “Penerapan Data Mining Untuk Prediksi Penjualan Produk Terlaris Menggunakan Metode K-Nearest Neighbor,” Building of Informatics, Technology and Science (BITS), vol. 3, no. 4, hlm. 639–648, Mar 2022, doi: 10.47065/bits.v3i4.1408.
[4] N. Hendrastuty, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Dalam Evaluasi Hasil Pembelajaran Siswa,” Jurnal Ilmiah Informatika dan Ilmu Komputer (JIMA-ILKOM), vol. 3, no. 1, hlm. 46–56, Mar 2024, doi: 10.58602/jima-ilkom.v3i1.26.
[5] N. A. Maori, “METODE ELBOW DALAM OPTIMASI JUMLAH CLUSTER PADA K-MEANS CLUSTERING,” Jurnal SIMETRIS, vol. 14, 2023.
[6] J. Han, M. Kamber, dan J. Pei, “Data Mining. Concepts and Techniques, 3rd Edition (The Morgan Kaufmann Series in Data Management Systems),” 2016.
[7] A. Prasetio, M. Makmun, dan M. N. Dwi, “Analisis Gempa Bumi Di Indonesia Dengan Metode Clustering,” Bulletin of Information Technology (BIT), vol. 4, no. 2, hlm. 338–343, 2023, doi: 10.47065/bit.v3i1.
[8] E. Nur dkk., Tranformasi Bisnis Digital. Fakultas Ekonomi Universitas Nusantara PGRI Kediri, 2022.
[9] B. Wijaya, “CLUSTERING MENGGUNAKAN METODE K-MEANS DENGAN BANTUAN METODE ELBOW,” Jurnal Komputer dan Informatika, vol. 15, hlm. 258–264, 2020.
[10] N. A. Maori, “METODE ELBOW DALAM OPTIMASI JUMLAH CLUSTER PADA K-MEANS CLUSTERING,” Jurnal SIMETRIS, vol. 14, 2023.
[11] Kjpargeter, “ADVANCING THE MEASUREMENT OF INVESTMENTS IN ARTIFICIAL INTELLIGENCE,” 2025.
[12] Russels Stuart dan Norvig Peter, “GLOBAL EDITION,” 2022.
[13] N. Arnold, G. Claveres, dan J. Frie, “IMF WORKING PAPERS Stepping Up Venture Capital to Finance Innovation in Europe Stepping Up Venture Capital to Finance Innovation in Europe.”
[14] T. M. Poolman, A. Townsend-Nicholson, dan A. Cain, “Teaching genomics to life science undergraduates using cloud computing platforms with open datasets,” Biochemistry and Molecular Biology Education, vol. 50, no. 5, hlm. 446–449, Sep 2022, doi: 10.1002/bmb.21646.
[15] R. Faizal, A. Abdullah, dan M. W. Pangestika, “Perbandingan Random Forest Regressor Dan Decision Tree Regressor Untuk Prediksi Hasil Panen,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 6, no. 2, hlm. 247–253, Sep 2025, doi: 10.37859/coscitech.v6i2.9966.
[16] S. Dana Chiatra, H. Sabita, I. Z. Informatika dan Bisnis Darmajaya Jalan Pagar Alam No, dan G. Meneng Kecamatan Rajabasa, “Deteksi Objek Daun Tebu Dengan Menggunakan Metode Klasifikasi Pada Machine Learning”.
[17] M. J. Faisti, R. Hadapiningradja Kusumodestoni, G. Wahyu, dan N. Wibowo, “Mental Health Classification Using Naïve Bayes and Random Forest Algorithms,” 2025. [Daring]. Tersedia pada: http://jurnal.polibatam.ac.id/index.php/JAIC
[18] B. Wijaya, “CLUSTERING MENGGUNAKAN METODE K-MEANS DENGAN BANTUAN METODE ELBOW,” Jurnal Komputer dan Informatika, vol. 15, hlm. 258–264, 2020.