Optimalisasi Pengelompokkan Data Produksi Kelapa Sawit Menggunakan Algoritma K-Medoids

Fina Nasari

doi:10.59061/jsit.v5i1.126

Authors

Fina Nasari Politeknik Kampar

DOI:

https://doi.org/10.59061/jsit.v5i1.126

Keywords:

Clustering, K-Medoids, Nilai DBI, Kelapa Sawit

Abstract

Kelapa sawit merupakan salah satu tanaman yang banyak dikembangkan diarea perkebunana di provinsi Riau. Luas area dan produksi kelapa sawit provinsi Riau menjadi salah satu yang tertinggi diindonesia. Penyebaran perkebunana kelapa sawit yang hamper diseluruh kabupaten/kota diprovinsi riau, perlu adanya pengelompokkan daerah berdasarkan jumlah produksi. berdasarkan akurasi dan eksekusi algoritma k-medoids lebih baik dari algoritma k-means dalam pengelompokkan data. Tujuan dari penelitian ini adalah mengelompokkan daerah produksi kelapa sawit dengan dalam 2 kelompok, 3 dan 5 kelompok. Dari hasil pengelompokkan tersebut akan dilihat kelompok terbaik berdasarkan nilai DBI terkecil. Hasil penelitian untuk jenis 2 kelompok diperoleh hasil 7 data pada kelompok 1 dan 5 data pada kelompok 2. Untuk jenis 3 kelompok diperoleh hasil 5 data pada kelompok 1, 4 data pada kelompok 2 dan 3 data pada kelompok 3, sedangkan jenis 5 kelompok diperoleh hasil 3 data pada kelompok 1, 2 dan 4, 1 data pada kelompok 3 dan 2 data pada kelompok 4. Berdasarkan nilai DBI diperoleh jenis kelompok 2 menjadi jenis kelompok terbaik dengan nilai DBI -159796492242,667.

References

L. K. W. and B. Nurhayati, N. S. Sinatrya, “This research’s goal is to find out the better performance algorithm between K-Means and K-Medoids algorithm. The performance of both algorithm are compared by testing data using Java-based application, Hadoop, and Hive. Comparison was conducted in terms,” 2018 6th Int. Conf. Cyber IT Serv. Manag., doi: 10.1109/CITSM.2018.8674251.

A. upi Fitriyadi, “Analisis Algoritma K-Means dan K-Medoids Untuk Clustering Data Kinerja Karyawan Pada Perusahaan Perumahan Nasional,” Kilat, vol. 10, no. 1, pp. 157–168, 2021, doi: 10.33322/kilat.v10i1.1174.

L. Agustini and I. O. Kirana, “Pengelompokan Data Janjang Panen Kelapa Sawit Menggunakan Algoritma K-Medoids Pada PT SIR MANDAU,” J. Mach. Learn. Data Anal., vol. 01, no. 01, pp. 36–44, 2022.

I. M. Pulungan, S. Saifullah, M. Fauzan, and A. P. Windarto, “Implementasi Algoritma K-Means Clustering dalam Menentukan Blok Tanaman Sawit Paling Produktif,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, p. 338, 2019, doi: 10.30645/senaris.v1i0.39.

F. Nasari, “ALGORITMA K-MEANS CLUSTERINGDALAM PENYEBARAN PENYAKIT DIARE”.

A. Nofiar, S. Defit, and Sumijan, “Penentuan Mutu Kelapa Sawit Menggunakan Metode K-Means Clustering,” J. KomtekInfo, vol. 5, no. 3, pp. 1–9, 2019, doi: 10.35134/komtekinfo.v5i3.26.

R. Gustrianda and D. I. Mulyana, “Penerapan Data Mining Dalam Pemilihan Produk Unggulan dengan Metode Algoritma K-Means Dan K-Medoids,” J. Media Inform. Budidarma, vol. 6, no. 1, p. 27, 2022, doi: 10.30865/mib.v6i1.3294.

D. Marlina, N. Lina, A. Fernando, and A. Ramadhan, “Implementasi Algoritma K-Medoids dan K-Means untuk Pengelompokkan Wilayah Sebaran Cacat pada Anak,” J. CoreIT J. Has. Penelit. Ilmu Komput. dan Teknol. Inf., vol. 4, no. 2, p. 64, 2018, doi: 10.24014/coreit.v4i2.4498.

F. Nasari and U. P. Utama, “Pengelompokkan Daerah Produksi Kelapa Sawit Menggunakan Algoritma K-Means Clustering,” vol. 4, no. 2, pp. 34–38, 2021.

D. F. Pasaribu, I. S. Damanik, E. Irawan, Suhada, and H. S. Tambunan, “Memanfaatkan Algoritma K-Means Dalam Memetakan Potensi Hasil Produksi Kelapa Sawit PTPN IV Marihat,” BIOS J. Teknol. Inf. dan Rekayasa Komput., vol. 2, no. 1, pp. 11–20, 2021, doi: 10.37148/bios.v2i1.17.

E. Muningsih, I. Maryani, and V. R. Handayani, “Penerapan Metode K-Means dan Optimasi Jumlah Cluster dengan Index Davies Bouldin untuk Clustering Propinsi Berdasarkan Potensi Desa,” J. Sains dan Manaj., vol. 9, no. 1, pp. 95–100, 2021, [Online]. Available: www.bps.go.id

A. Bates and J. Kalita, “Counting Clusters in Twitter Posts,” in Proceedings of the Second International Conference on Information and Communication Technology for Competitive Strategies, 2016. doi: 10.1145/2905055.2905295.