Analisis Permasalahan Perangkat Pencetak Menggunakan Metode Algoritma K-Means dan K-Medoids
DOI:
https://doi.org/10.34148/teknika.v11i2.471Keywords:
Clustering, TF-IDF Vectorizer, Silhouette Score, K-Means, K-MedoidsAbstract
Amido Makmor Tulus Sejati merupakan perusahaan distributor multifunction printer merek Kyocera di Indonesia. Evaluasi kinerja teknisi diperlukan untuk mempertahankan kepuasan customer terhadap penggunaan multifunction printer Kyocera. Proses penilaian kinerja teknisi masih dilakukan secara manual yang mengakibatkan hasil evaluasi kinerja teknisi yang diberikan kurang akurat atau kurang maksimal, sehingga perlu dilakukan suatu teknik pengolahan data secara cepat dan lebih akurat. Salah satunya dengan mempergunakan teknik data mining dengan menggunakan metode algoritma clustering. Metode algoritma clustering dipergunakan untuk mengelompokkan problem yang sering terjadi berdasarkan tipe mesin multifunction printer Kyocera. Pada penelitian ini diterapkan algoritma clustering K-Means dan K-Medoids, yang kemudian dilakukan uji clustering yang optimal dengan mempergunakan Metode Elbow dan Silhouette Score. Data yang dipergunakan dalam penelitian ini sebanyak 1.620 instan yang merupakan Data Kuantitatif. Proses untuk mencari nilai clustering yang optimal dilakukan dengan mencari rata-rata Silhouette Score dan Nilai Kemurnian dengan sisi luar dari algoritma K-Means dan K-Medoids. Hasil penelitian ini menunjukkan bahwa jumlah cluster optimal adalah 2 (dua) untuk algoritma K-Means dengan nilai Silhouette Score 0,606 dan jumlah cluster optimal 4 (empat) untuk algoritma K-Medoids dengan nilai Silhouette Score 0,240.
Downloads
References
S. A. Sutresno, A. Iriani, and E. Sediyono, “Metode K-Means Clustering dengan Atribut RFM untuk Mempertahankan Pelanggan,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 4, no. 3, pp. 433—440, Dec. 2018.
M. Aryuni, E. D. Madyatmadja, and E. Miranda, “Penerapan K-Means dan K-Medoids Clustering Pada Data Internet Banking di Bank XYZ,” Jurnal Teknik dan Ilmu Komputer, vol. 7, no. 27, pp. 349—356, Jan. 2018.
Athifaturrofifah, R. Goejantoro, and D. Yuniarti, “ Perbandingan Pengelompokan K-Means dan K-Medoids Pada Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Studi Kasus : Data Titik Panas Di Indonesia Pada 28 April 2018) ,” Jurnal Eksponensial, vol. 10, no. 2, pp. 143—152, 2019.
A. Supriyadi, A. Triayudi, and I. D. Sholihati, “Perbandingan Algoritma K-Means Dengan K-Medoids Pada Pengelompokan Armada Kendaraan Truk Berdasarkan Produktivitas,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 6, no. 2, pp. 229—240, 2021.
D. A. Dewi and D. A. Pramita, “Analisis Perbandingan Metode Elbow dan Silhouette Pada Algoritma Clustering K-Medoids Dalam Pengelompokan Produksi Kerajinan Bali,” Matrix: Jurnal Manajemen Teknologi dan Informatika, vol. 9, no. 3, pp. 102—109, 2019.
G. R. Prima, “Analisa Perbandingan Nilai K Terbaik Untuk Clustering K-Means Menggunakan Pendekatan Elbow dan Silhouette Pada Citra Aksara Jawa,” Universitas Sanata Dharma, 2021.
A. Nofiar, S. Defit, and Sumijan, “Penentuan Mutu Kelapa Sawit Menggunakan Metode K-Means Clustering,” Jurnal KomtekInfo, vol. 5, no. 3, pp. 1—9, 2019.
H. Putri and D. Saputro, “Clustering Data Campuran Numerik dan Kategorik Menggunakan Algoritme Ensemble Quick RObust Clustering using linKs (QROCK)”, Prisma, vol. 5, pp. 716-720, Feb. 2022.
M. Silalahi, “Analisis Clustering Menggunakan Algoritma K-Means Terhadap Penjualan Produk Pada PT Batamas Niaga Jaya”, CBIS, vol. 6, no. 2, pp. 20—35, Sep. 2018.
D. F. Pramesti, M. T. Furqon, and C. Dewi, “Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Hotspot) ,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 1, no. 9, pp. 723—732, Jun. 2017.
