Pengelompokan Pengiriman Hasil Kelapa Sawit Berdasarkan Tonase dan Kwalitas Menggunakan Metode Clustering (Studi Kasus : KUD Bumi Pusaka)


Abstract
Prospek pasar bagi olahan kelapa sawit cukup menjanjikan, karena permintaan dari tahun ke tahun mengalami peningkatan yang cukup besar, tidak hanya didalam negeri, tetapi juga di luar negeri. Sebagai negara tropis yang masih memiliki lahan yang cukup luas, Indonesia berpeluang besar untuk mengembangkan pertanian kelapa sawit. Untuk mengetahui data pengiriman hasil kelapa sawit berdasarkan pabrik, tonase dan kwalitas, maka perlu adanyadilakukan perancangan sistem data pengiriman hasil kelapa sawit untuk mengetahui hasil tonase dan kwalitas kelapa sawit yang sebenarnya. Salah satucarauntukmengetahui pengiriman hasilkelapa sawit adalah dengan mengelompokan data-data pengiriman kelapa sawit ke setiap pabrik. Cluster analysis adalah pekerjaan mengelompokan data (objek) yang didasarkan hanya pada informasi yang ditemukan dalam data yang menggambarkan objek tersebut dan hubungan diantaranya. Dari 500 data pengiriman hasil kelapa sawit diperoleh 3 Group, di mana Group 1 berjumlah 174 data, Group 2 berjumlah 246 data dan Group 3 berjumlah 80 data. Dapat diketahui pada cluster 1 terdapat pada pabrik APL (Anugrah Putra Langkat) berat tonase Max 10 ton memiliki kwalitas Tenera lebih tebal pada batoknya, pada cluster 2 diketahui terdapat pada pabrik JPN (Jaya Palma Nusantara) berat tonase Min 2 ton memiliki kwalitas Tidak restan sedangkan pada cluster 3 terdapat pada pabrik MPA (Mega Pusaka Andalas) berat tonase Min 2 ton memiliki kwalitas Tenera lebih tebal pada batoknya.
References
[2] M. F. I. Al-Rizki, I. Widaningrum, and G. A. Buntoro, “Prediksi Penyebaran Penyakit TBC dengan Metode K-Means Clustering Menggunakan Aplikasi Rapidminer,” JTERA (Jurnal Teknol. Rekayasa), vol. 5, no. 1, 2020, doi: 10.31544/jtera.v5.i1.2019.1-10.
[3] J. Wandana, S. Defit, and S. Sumijan, “Klasterisasi Data Rekam Medis Pasien Pengguna Layanan BPJS Kesehatan Menggunakan Metode K-Means,” J. Inf. dan Teknol., 2020, doi: 10.37034/jidt.v2i4.73.
[4] W. Lestari, F. Fatoni, and H. Hutrianto, “IMPLEMENTASI DATA MINING UNTUK KARTU INDONESIA SEHAT BAGI MASYARAKAT KURANG MAMPU MENGGUNAKAN METODE CLUSTERING PADA DINAS SOSIAL KOTA PALEMBANG,” J. Nas. Ilmu Komput., vol. 1, no. 4, 2020, doi: 10.47747/jurnalnik.v1i4.163.
[5] S. Butsianto and N. T. Mayangwulan, “Penerapan Data Mining Untuk Prediksi Penjualan Mobil Menggunakan Metode K-Means Clustering,” J. Nas. Komputasi dan Teknol. Inf., vol. 3, no. 3, 2020, doi: 10.32672/jnkti.v3i3.2428.
[6] R. Ordila, R. Wahyuni, Y. Irawan, and M. Yulia Sari, “PENERAPAN DATA MINING UNTUK PENGELOMPOKAN DATA REKAM MEDIS PASIEN BERDASARKAN JENIS PENYAKIT DENGAN ALGORITMA CLUSTERING (Studi Kasus : Poli Klinik PT.Inecda),” J. Ilmu Komput., vol. 9, no. 2, 2020, doi: 10.33060/jik/2020/vol9.iss2.181.
[7] A. Wibowo and A. R. Handoko, “Segmentasi Pelanggan Ritel Produk Farmasi Obat Menggunakan Metode Data Mining Klasterisasi Dengan Analisis Recency Frequency Monetary (RFM) Termodifikasi,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 3, 2020, doi: 10.25126/jtiik.2020702925.