Penerapan Algoritma K-Means dan K-Medoids dalam Pengelompokkan Data Inventaris Rig
Application Of K-Means And K-Medoid Algorithm In Rig Inventory Data Grouping
DOI:
https://doi.org/10.57152/ijirse.v3i2.965Keywords:
Inventory, Davies Bouldin Index (DBI), K-Medoids, K-Means, ClusteringAbstract
Perusahaan yang bergerak pada pengeboran minyak dan gas merupakan suatu instansi dengan berfokus pada kegiatan pengeboran sumur migas demi mendapatkan sumber daya dari bawah tanah. Dikarenakan pada perusahaan migas bumi merupakan industri yang memiliki kompleksitas data tinggi, terutama dalam hal pengelolaan inventaris rig atau peralatan yang digunakan untuk pengeboran minyak dan gas. Data inventaris rig mencakup berbagai informasi, seperti kapasitas rig, jenis peralatan, kategori peralatan, dan lain sebagainya. Dengan begitu banyaknya data yang terkumpul, pengelompokan data menjadi kritis untuk memahami pola dan hubungan antar data dalam inventaris rig. Pada penelitian ini, dengan memanfaatkan dua algoritma ini, data kelompok akan ditetapkan oleh inti data masing-masing cluster lalu dihitung mengonsumsi formula K-means dan K-medoids sehingga membentuk ketetapan dari tiap algoritma, selanjutnya bisa dilakukan perbandingan dengan kelompok yang dapat dianalisis berdasarkan karakter pembantunya. Berdasarkan hasil pengkajian ini, K-Medoids lebih baik dibanding K-Means atas nilai DBI terbaik yaitu 0,073 pada nilai uji K=2.
References
Nandasari, P., & Priadythama, I. (2016). Analisis Keekonomian Proyek Perusahaan Minyak Dan Gas Bumi: Studi Kasus ABC Oil. Teknik Industri Universitas Sebelas Maret..
Sugianto, Castaka Agus, Ayu Hendrati Rahayu, and Aditia Gusman. 2020. “Algoritma K-Means Untuk Pengelompokkan Penyakit Pasien Pada Puskesmas Cigugur Tengah.” Journal of Information Technology 2(2):39–44
Utomo, D. P., & Mesran, M. (2020). Analisis komparasi metode klasifikasi data mining dan reduksi atribut pada data set penyakit jantung. Jurnal Media Informatika Budidarma, 4(2), 437-444.
Gustientiedina, G., Adiya, M. H., & Desnelita, Y. (2019). Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan. Jurnal Nasional Teknologi Dan Sistem Informasi, 5(1), 17-24.
A. Amelio and A. Tagarelli, “Data Mining: Clustering,” Ref. Modul. Life Sci., 2018.
Agusta, Y. (2007). K-means–penerapan, permasalahan dan metode terkait. Jurnal Sistem dan informatika, 3(1), 47-60.
Metisen, B. M., & Sari, H. L. (2015). Analisis clustering menggunakan metode K-Means dalam pengelompokkan penjualan produk pada Swalayan Fadhila. Jurnal media infotama, 11(2).
Hardiyanti, F., Tambunan, H. S., & Saragih, I. S. (2019). Penerapan Metode K-Medoids Clustering Pada Penanganan Kasus Diare Di Indonesia. KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer), 3(1).
Triyanto, W. A. (2015). Algoritma K-Medoids Untuk Penentuan Strategi Pemasaran Produk. Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer, 6(1), 183-188.
Supriyadi, A., Triayudi, A., & Sholihati, I. D. (2021). Perbandingan algoritma k-means dengan k-medoids pada pengelompokan armada kendaraan truk berdasarkan produktivitas. JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), 6(2), 229-240.
Monalisa, S. (2018). Klasterisasi Customer Lifetime value dengan Model LRFM Menggunakan Algoritma K-Means. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 5(2), 247-252.
Wira, B., Budianto, A. E., & Wiguna, A. S. (2019). Implementasi Metode K-Medoids Clustering Untuk Mengetahui Pola Pemilihan Program Studi Mahasiwa Baru Tahun 2018 Di Universitas Kanjuruhan Malang. Rainstek: Jurnal Terapan Sains & Teknologi, 1(3), 53-68.
Patel, A., & Singh, P. (2013). New Approach for K-mean and K-medoids Algorithm. International Journal of Computer Applications Technology and Research, 2(1), 1-5.
Bhat, A. (2014). K-medoids clustering using partitioning around medoids for performing face recognition. International Journal of Soft Computing, Mathematics and Control, 3(3), 1-12.
Herviany, M., Delima, S. P., Nurhidayah, T., & Kasini, K. (2021). Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokkan Daerah Rawan Tanah Longsor Pada Provinsi Jawa Barat: Comparison of K-Means and K-Medoids Algorithms for Grouping Landslide Prone Areas in West Java Province. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 1(1), 34-40.
Mughnyanti, M., Efendi, S., & Zarlis, M. (2020). Analysis of determining centroid clustering x-means algorithm with davies-bouldin index evaluation. In IOP Conference Series: Materials Science and Engineering (Vol. 725, No. 1, p. 012128). IOP Publishing.
Sulistiani, Heni, Imam Darwanto, and Imam Ahmad. 2020. “Penerapan Metode Case Based Reasoning Dan K-Nearest Neighbor Untuk Diagnosa Penyakit Dan Hama Pada Tanaman Karet.” JEPIN (Jurnal Edukasi Dan Penelitian Informatika) 6(1):23–28
Siregar, V. M. M. (2018). Perancangan Sistem Informasi Inventaris Barang Pada Sekolah SMA Negeri 4 Pematangsiantar. IT Journal Research and development, 3(1), 54-61.
Novendri, M. S., Saputra, A., & Firman, C. E. (2019). Aplikasi Inventaris Barang Pada Mts Nurul Islam Dumai Menggunakan Php Dan Mysql. lentera dumai, 10(2).
Ridwan, M. (2022). Sistem Informasi Inventaris Berbasis Web Menggunakan Metode Prototype. Jurnal Multidisiplin Madani, 2(9), 3543-3550.
Khambali, A., & Siswanto, A. (2018). Sistem Informasi Inventaris Alat dan Barang Berbasis Web Pada SMA Kandangserang. Jurnal Surya Informatika: Membangun Informasi dan Profesionalisme, 5(1), 44-49.
Meilina, P. (2015). Penerapan data mining dengan metode kalsifikasi menggunakan decision tree dan regresi. Jurnal Teknologi, 7(1), 11-20.
Marisa, F. (2013). Educational Data Mining (Konsep dan Penerapan). Jurnal Teknologi Informasi: Teori, Konsep, dan Implementasi, 4(2), 90-97.
