Implementasi Metode K-Means Clustering untuk Identifikasi Buah Kelapa Sawit Berdasarkan Tingkat Kematangan
Abstract
To get quality palm oil results, it really depends on the level of maturity. To find out what percentage of oil palm fruit is ripe and not at PT. Wilmar Pangkalanbun is quite difficult to calculate manually. So it is necessary to carry out a system process that can help to group the percentage levels of oil palm fruit based on maturity level. Grouping is carried out by implementing K-Means Clustering assisted by the RapidMiner application. This provides understanding to the company PT. Wilmar Pangkalanbun regarding the percentage of mature harvests in February 2023. By knowing this information, companies can manage more effectively to maximize their harvests. This research involved the formation of two clusters, namely cluster 0 (representation of the ripe fruit group) with a total of 407 items and cluster 1 (representation of the immature fruit group) with a total of 141 items. This cluster reflects differences in the maturity level of palm fruit. The centroid point results show that the high maturity cluster data is centered at 83,111, and the low maturity cluster data is centered at 75,411.
Keywords: Data Mining; Clustering; K-Means; Palm oil; Rapid Miner
Abstrak
Untuk mendapatkan hasil minyak sawit yang berkualitas itu sangat bergantung pada tingkat kematangannya. Untuk mengetahui berapa persenkah buah kelapa sawit yang matang dan tidak pada PT. Wilmar Pangkalanbun cukup kesulitan jika dihitung secara manual. Sehingga perlu dilakukan suatu proses sistem yang bisa membantu untuk mengelompokkan tingkat persentase buah kelapa sawit berdasarkan tingkat kematangan. Pengelompokkan dilakukan dengan mengimplementasikan K-Means Clustering dibantu aplikasi RapidMiner, Hal ini memberikan pemahaman kepada pihak perusahaan PT. Wilmar Pangkalanbun mengenai persentase hasil panen yang matang pada bulan Februari 2023. Dengan mengetahui informasi ini, perusahaan dapat mengelola lebih efektif lagi untuk memaksimalkan hasil panen mereka. Penelitian ini melibatkan pembentukan dua klaster, yaitu klaster 0 (representasi kelompok buah matang) dengan jumlah item sebanyak 407 dan klaster 1 (representasi kelompok buah tidak matang) dengan jumlah item sebanyak 141. Klaster ini mencerminkan perbedaan tingkat kematangan buah sawit. Hasil titik pusat klaster (centroid) menunjukkan Data klaster kematangan tinggi berpusat pada 83.111, dan data klaster kematangan rendah berpusat pada 75.411.
Kata kunci: Data Mining; Clustering; K-Means; Kelapa Sawit; Rapid Miner
References
A. Riyono, “Peran Perkebunan Kelapa Sawit Dalam Kabupaten Kutai Timur,” vol. 10, no. 1, pp. 1–15, 2022.
N. Puspitasari, R. Rosmasari, F. W. Pratama, and H. Sulastri, “Quality Classification of Palm Oil Varieties Using Naive Bayes Classifier,” Digit. Zo. J. Teknol. Inf. dan Komun., vol. 13, no. 1, pp. 11–23, 2022, doi: 10.31849/digitalzone.v13i1.9773.
A. Mathematics, 済無No Title No Title No Title, vol. 6534. 2016.
F. Rahmadhania, P. Sembiring, and M. A. Sinaga, “Pengaruh Kematangan Buah Kelapa Sawit Varietas Dxp Bah Lias Terhadap Kadar Minyak Sawit Mentah (Cpo),” J. Agro Estate, vol. 3, no. 1, pp. 1–9, 2019, doi: 10.47199/jae.v3i1.15.
I. Irmayansyah and S. E. Triyono, “Penerapan Algoritma K-Means Untuk Pemetaan Potensi Calon Mahasiswa Baru,” Teknois J. Ilm. Teknol. Inf. dan Sains, vol. 12, no. 2, pp. 139–150, 2022, doi: 10.36350/jbs.v12i2.139.
A. Jananto, "Penerapan Algoritma K-Means Clustering Untuk Perencanaan Kebutuhan Obat Di Klinik Citra Medika". Progresif: Jurnal Ilmiah Komputer, vol. 18, no. 1, pp. 69-76, 2022.
W. D. H. Hendra Effendi, Ahmad Syahrial, Sefran Prayoga, “Penerapan Metode K-Means Clustering untuk Pengelompokan Lahan Sawit Produktif pada PT Kasih Agro Mandiri,” Teknomatika, vol. 11, no. 02, pp. 117–126, 2021.
E. F. Himmah, M. Widyaningsih, and M. Maysaroh, “Identifikasi Kematangan Buah Kelapa Sawit Berdasarkan Warna RGB Dan HSV Menggunakan Metode K-Means Clustering,” J. Sains dan Inform., vol. 6, no. 2, pp. 193–202, 2020, doi: 10.34128/jsi.v6i2.242.
D. Haryadi, “Penerapan Algoritma K-Means Clustering Pada Produksi Perkebunan Kelapa Sawit Menurut Provinsi,” J. Informatics Commun. Technol., vol. 3, no. 1, pp. 50–64, 2021, doi: 10.52661/j_ict.v3i1.71.
N. Nuraisana, “Analisis Clustering Untuk Mengetahui Tingkat Potensi Tanaman Kelapa Sawit Berdasarkan Luas Tanaman Menggunakan Algoritma K …,” J. Mantik Penusa, vol. 3, no. 1, pp. 110–123, 2019.
W. E. Sari, M. Muslimin, A. Franz, and P. Sugiartawan, “Deteksi Tingkat Kematangan Tandan Buah Segar Kelapa Sawit dengan Algoritme K-Means,” SINTECH (Science Inf. Technol. J., vol. 5, no. 2, pp. 154–164, 2022, doi: 10.31598/sintechjournal.v5i2.1146.
S. Hajar, A. A. Novany, A. P. Windarto, A. Wanto, and E. Irawan, “Seminar Nasional Teknologi Komputer & Sains (SAINTEKS) Penerapan K-Means Clustering Pada Ekspor Minyak Kelapa Sawit Menurut Negara Tujuan,” Semin. Nas. Teknol. Komput. Sains, pp. 314–318, 2020.
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.
K. S. H. Kusuma Al Atros, A. R. Padri, O. Nurdiawan, A. Faqih, and S. Anwar, “Model Klasifikasi Analisis Kepuasan Pengguna Perpustakaan Online Menggunakan K-Means dan Decission Tree,” JURIKOM (Jurnal Ris. Komputer), vol. 8, no. 6, p. 323, 2021, doi: 10.30865/jurikom.v8i6.3680.
B. Bahar, B. "Model Pengujian Akurasi Berbasis Empiris Pada Algoritma A-Priori". Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 8, no. 2, pp. 45-56, 20219.
A. Moubayed, M. Injadat, A. Shami & H. Lutfiyya, "Student engagement level in an e-learning environment: Clustering using k-means". American Journal of Distance Education, vol. 34, no. 2, pp. 137-156, 2020.
G.R. Sreekanth, P. Thangaraj, & S. Kirubakaran, "Fruit detection using improved K-means algorithm". Journal of Critical Reviews, vol. 7, no. 12, pp. 5-6, 2020.
N. Indriyani, A. S. Budi, D. Laraswati, W. Yusnaeni, & A. Hidayat, "The Classification Of Monster And Williams Pear Varieties Using K-Means Clustering And K-Nearest Neighbor (KNN) Algorithm". In Journal of Physics: Conference Series. Vol. 1641, No. 1, p. 012082, 2020. IOP Publishing.
How To Cite This :
Refbacks
- There are currently no refbacks.
