PENERAPAN ALGORITMA K-MEANS, DBSCAN, DAN AHC UNTUK CLUSTERING KUALITAS GARAM PADA PT. GARAM (PERSERO)

Sigit Susanto Putro* -  Universitas Trunojoyo Madura, Indonesia
Mohammad Syarief -  Universitas Trunojoyo Madura, Indonesia
Eka Mala Sari Rochman -  Universitas Trunojoyo Madura, Indonesia

DOI : 10.24269/mtkind.v18i2.8501

Garam merupakan barang hasil produksi rakyat yang berperan penting dalam memenuhi kebutuhan konsumen dan berbagai kegiatan industri. Kualitas garam dapat mempengaruhi berbagai aspek, termasuk kesehatan, cita rasa makanan, dan penggunaan dalam kegiatan industri. Kualitas garam yang buruk dapat mempengaruhi kualitas produk akhir yang dihasilkan. Oleh sebab itu, perlu dilakukan pengelompokan kualitas garam untuk memastikan bahwa garam yang digunakan sesuai dengan kebutuhan dan standar kualitas untuk kebutuhan tertentu. Berkaitan dengan tujuan tersebut penelitian ini menerapkan 3 metode berbeda yaitu K-means, DBSCAN, dan AHC. K-means adalah algoritma clustering yang membagi data ke dalam K kelompok dengan cara meminimalkan jarak antara titik data dan pusat cluster. Agglomerative Hierarchical Clustering adalah metode dalam analisis data yang mengelompokkan objek-objek berdasarkan kesamaan karakteristik dengan cara menggabungkan kelompok-kelompok secara hirarki. DBSCAN adalah algoritma clustering yang menggunakan kerapatan spasial untuk mengelompokkan data. Dari jumlah data sebanyak 350 dengan 9 fitur yang berasal dari PT. Garam Sumenep yang di kelompokkan menggunakan tiga metode dilakukan pengujian kualitas clustering menggunakan silhuette coefficient yang menghasilkan nilai 0.345 untuk metode K-means, 0.32 untuk metode AHC dan 0.5 untuk metode DBSCAN.

Keywords
Garam, Cluster, K-means, DBSCAN, AHC, Madura.
  1. Y. Kustiyahningsih, E. Rahmanita, and N. Kholifah, “Salt Farmer measurement performance system facing Covid-19 pandemic used interval type-2 FAHP Method,” in Journal of Physics: Conference Series, 2022, vol. 2193, no. 1, p. 12012, doi: 10.1088/1742-6596/2193/1/012012.
  2. Y. Kustiyahningsih, E. Rahmanita, E. M. S. Rochman, A. Amalina, and M. H. A. Sobri, “Decision Support System of Salt Points Grouping Using K-Means Method,” in Journal of Physics: Conference Series, 2022, vol. 2406, no. 1, p. 12022, doi: 10.1088/1742-6596/2406/1/012022.
  3. M. Kurdi, “Beyond Salt Industries and Environment in Sumenep: Effective Partnership for People Welfare,” in IOP Conference Series: Earth and Environmental Science, 2020, vol. 469, no. 1, p. 12085, doi: 10.1088/1755-1315/469/1/012085.
  4. G. Liu, F. Ji, W. Sun, and L. Sun, “Optimization design of short-circuit test platform for the distribution network of integrated power system based on improved K-means clustering,” Energy Reports, vol. 9, pp. 716–726, 2023, doi: 10.1016/j.egyr.2023.04.319.
  5. D. Das, P. Kayal, and M. Maiti, “A K-means clustering model for analyzing the Bitcoin extreme value returns,” Decis. Anal. J., vol. 6, p. 100152, 2023, doi: 10.1016/j.dajour.2022.100152.
  6. W. Kwedlo and M. Łubowicz, “Accelerated K-means algorithms for low-dimensional data on parallel shared-memory systems,” IEEE Access, vol. 9, pp. 74286–74301, 2021, doi: 10.1109/ACCESS.2021.3080821.
  7. E. M. S. Rochman and H. Suprajitno, “Comparison of clustering in tuberculosis using fuzzy c-means and k-means methods,” Commun. Math. Biol. Neurosci., vol. 2022, p. Article-ID, 2022, doi: 10.28919/cmbn/7335.
  8. R. M. F. Lubis, J.-P. Huang, P.-C. Wang, N. Damanik, A. C. Sitepu, and C. D. Simanullang, “K-Means and AHC Methods for Classifying Crime Victims by Indonesian Provinces: A Comparative Analysis,” Build. Informatics, Technol. Sci., vol. 5, no. 1, pp. 295–307, 2023, doi: 10.47065/bits.v5i1.3630.
  9. H. Henderi, T. Wahyuningsih, and E. Rahwanto, “Comparison of Min-Max normalization and Z-Score Normalization in the K-nearest neighbor (kNN) Algorithm to Test the Accuracy of Types of Breast Cancer,” Int. J. Informatics Inf. Syst., vol. 4, no. 1, pp. 13–20, 2021, doi: 10.47738/ijiis.v4i1.73.
  10. A. Pandey and A. Jain, “Comparative analysis of KNN algorithm using various normalization techniques,” Int. J. Comput. Netw. Inf. Secur., vol. 10, no. 11, p. 36, 2017, doi: 10.5815/ijcnis.2017.11.04.
  11. M. Faisal and E. M. Zamzami, “Comparative analysis of inter-centroid K-Means performance using euclidean distance, canberra distance and manhattan distance,” in Journal of Physics: Conference Series, 2020, vol. 1566, no. 1, p. 12112, doi: 10.1088/1742-6596/1566/1/012112.
  12. A. R. Lubis and M. Lubis, “Optimization of distance formula in K-Nearest Neighbor method,” Bull. Electr. Eng. Informatics, vol. 9, no. 1, pp. 326–338, 2020, doi: 10.11591/eei.v9i1.1464.
  13. E. K. A. Mala, S. Rochman, I. K. A. O. Suzanti, R. Jannah, B. K. Khotimah, and A. Rachmad, “A combination of algorithm agglomerative hierarchical cluster (AHC) and K-means for clustering tourism in Madura-Indonesia,” J. Math. Comput. Sci., pp. 1–19, 2022, doi: 10.28919/jmcs/7086.
  14. S. Wibisono, M. T. Anwar, A. Supriyanto, and I. H. A. Amin, “Multivariate weather anomaly detection using DBSCAN clustering algorithm,” J. Phys. Conf. Ser., vol. 1869, no. 1, 2021, doi: 10.1088/1742-6596/1869/1/012077.
  15. X. Wang and Y. Xu, “An improved index for clustering validation based on Silhouette index and Calinski-Harabasz index,” IOP Conf. Ser. Mater. Sci. Eng., vol. 569, no. 5, 2019, doi: 10.1088/1757-899X/569/5/052024.

Full Text:
Article Info
Submitted: 2023-12-17
Published: 2025-01-20
Section: Artikel
Article Statistics: