Garuda - Garba Rujukan Digital

Keterkaitan Luas Panen, Curah Hujan, dan Suhu terhadap Hasil Produksi Padi di Wilayah Sumatera Menggunakan K-Means: The Relationship between Harvest Area, Rainfall and Temperature on Rice Production Results in the Sumatra Region Using K-Means Fadhillah, Muhammad Helmy; Firmansyah, Hasbi
SITEDI (Sistem Informasi dan Teknologi Digital) Vol. 2 No. 4 (2025): Jurnal Sistem Informasi dan Teknologi Digital (SITEDI)
Publisher : Universitas Teknologi Digital

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70888/sitedi.v2i4.84

Penelitian ini bertujuan untuk mengevaluasi hubungan antara luas panen, curah hujan, dan suhu terhadap produksi padi di Sumatera dengan menggunakan metode K-Means. Data yang dianalisis mencakup informasi mengenai manufaktur, panen, hujan curah, kelembapan, dan rata-rata suhu, yang dikumpulkan dari sumber terbuka untuk periode 1993 hingga 2020. Analisis dilakukan menggunakan perangkat lunak RapidMiner melalui pendekatan data mining dengan fokus pada teknik klasterisasi. Data mentah diproses terlebih dahulu agar hanya data numerik yang relevan digunakan. Klasterisasi K-Means diterapkan dengan jumlah klaster k=5k=5, menghasilkan lima kelompok: Cluster0 (31 data), Cluster1 (84 data), Cluster2 (7 data), Cluster3 (66 data), dan Cluster4 (36 data), dengan total 224 data. Iterasi dilakukan hingga hasil klasterisasi mencapai kestabilan dan menghasilkan model yang optimal. Evaluasi klasterisasi memanfaatkan Indeks Davies-Bouldin (DBI), di mana nilai DBI yang rendah menunjukkan keberhasilan klasterisasi dalam memisahkan data ke dalam kelompok yang jelas. Temuan menunjukkan bahwa metode K-Means mampu mengelompokkan data produksi padi secara efektif berdasarkan faktor-faktor agronomis yang dianalisis, memberikan pemahaman yang lebih baik tentang distribusi produksi yang dipengaruhi oleh kondisi iklim dan luas panen. Pendekatan ini diharapkan dapat menjadi dasar untuk pengambilan keputusan strategis dalam meningkatkan hasil pertanian, khususnya di daerah dengan karakteristik serupa. Selain itu, penelitian ini menekankan pentingnya penerapan teknologi data mining untuk meningkatkan efisiensi dan ketepatan analisis dalam sektor pertanian di Indonesia.

Penerapan Algoritma K-Means Untuk Segmentasi Pelanggan Pada Dataset Wholesale Customer: Application of K-Means Algorithm for Customer Segmentation on Wholesale Customer Dataset Mariadin, Farhan Habli; Firmansyah, Hasbi
SITEDI (Sistem Informasi dan Teknologi Digital) Vol. 2 No. 4 (2025): Jurnal Sistem Informasi dan Teknologi Digital (SITEDI)
Publisher : Universitas Teknologi Digital

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70888/sitedi.v2i4.86

Penelitian ini menunjukkan penerapan kalkulasi K-Means dalam pembagian klien dengan memanfaatkan kumpulan data Klien Diskon. Pembagian klien merupakan prosedur penting dalam memahami desain pemanfaatan dan membuat langkah-langkah untuk meningkatkan efektivitas. Dalam pertimbangan ini, penanganan penambangan informasi dilakukan dengan menggunakan program komputer RapidMiner, dengan tahapan pengumpulan informasi, penanganan informasi awal, dan investigasi pengelompokan menggunakan kalkulasi K-Means. Hasil pengelompokan menunjukkan bahwa informasi dikumpulkan menjadi lima kluster dengan kualitas yang dinilai menggunakan File Davies-Bouldin (DBI). Nilai DBI sebesar -0,947 menunjukkan bahwa pengelompokan tersebut memiliki kualitas yang baik, dengan setiap kluster mencerminkan desain pemanfaatan klien yang berbeda. Pertimbangan ini menunjukkan bahwa kalkulasi K-Means dapat digunakan secara efektif untuk pembagian klien, memberikan pengalaman utama bagi perusahaan dalam membuat pilihan bisnis

Analisa Faktor Stres pada Mahasiswa Menggunakan Algoritma K-Means Clustering : Analysis of Stress Factors in Student Using the K-Means Clustering Algorithm Riyo Iman Purwanto Pratama; Firmansyah, Hasbi
SITEDI (Sistem Informasi dan Teknologi Digital) Vol. 2 No. 4 (2025): Jurnal Sistem Informasi dan Teknologi Digital (SITEDI)
Publisher : Universitas Teknologi Digital

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70888/sitedi.v2i4.89

Stres merupakan salah satu masalah yang sering dialami mahasiswa akibat berbagai tekanan akademis dan sosial. Penelitian ini bertujuan untuk menganalisis faktor-faktor penyebab stres pada mahasiswa menggunakan algoritma K-Means Clustering. Data yang digunakan mencakup 21 atribut, seperti tingkat kecemasan, kualitas tidur, tekanan darah, riwayat kesehatan mental, dan faktor sosial lainnya. Pengolahan data dilakukan dengan perangkat lunak RapidMiner, yang menghasilkan lima cluster dengan distribusi data yang bervariasi. Cluster 3 memiliki jumlah anggota tertinggi (344), sedangkan Cluster 1 memiliki jumlah terendah (48). Hasil evaluasi menggunakan indeks Davies-Bouldin menunjukkan nilai -1.139, yang mengindikasikan kualitas clustering yang baik dengan pemisahan antarcluster yang jelas dan kekompakan dalam cluster. Analisis lebih lanjut mengungkapkan bahwa cluster dengan karakteristik umum dapat digunakan untuk memahami pola stres secara luas, sedangkan cluster dengan karakteristik unik dapat menjadi fokus intervensi khusus. Penelitian ini memberikan wawasan mendalam yang dapat digunakan oleh institusi pendidikan dalam merancang strategi berbasis data untuk mengelola stres mahasiswa secara efektif.

Penerapan K-Means Clustering Untuk Segmentasi Dataset Ulasan wisata HolidayIQ Pralampitho, Yoga Adhi; Firmansyah, Hasbi; Damuri, Amat; Mulyana, Iwan
Journal of Information System & Business Management (ISBM) Vol. 3 No. 2 (2025)
Publisher : Universitas Pancasakti Tegal

Show Abstract | Download Original | Original Source | Check in Google Scholar

Penelitian ini mengeksplorasi penggunaan algoritma K-means untuk membagi data ulasan tentang pariwisata yang diambil dari platform HolidayIQ. Dataset ini mencakup informasi mengenai minat wisatawan dalam enam kategori berbeda: alam, budaya, relaksasi, petualangan, kehidupan malam, dan belanja. Tujuan utama dari penelitian ini adalah untuk mengelompokkan wisatawan yang memiliki ciri- ciri yang sama, sehingga pola preferensi mereka dapat dianalisis lebih mendalam. Proses pengelompokan dilakukan dengan menerapkan algoritma K-means, dengan penekanan pada identifikasi jumlah kluster yang ideal serta menganalisis karakteristik setiap kluster berdasarkan atribut yang relevan. Hasil penelitian diharapkan dapat memberikan wawasan yang lebih komprehensif bagi pihak pengelola destinasi wisata dalam merancang strategi pemasaran dan pengembangan layanan yang lebih tepat sasaran, serta menjadi acuan dalam pengambilan keputusan berbasis data.

Grouping of Heart Failure Patients Using K-Means Clustering Algorithm for Clinical Risk Determination Using Rapidminer: Pengelompokan Pasien Gagal Jantung Menggunakan Algoritma K-Means Clustering untuk Penentuan Risiko Klinis Menggunakan Rapidminer Permana, Yoga Putra; Firmansyah, Hasbi
SITEDI (Sistem Informasi dan Teknologi Digital) Vol. 2 No. 4 (2025): Jurnal Sistem Informasi dan Teknologi Digital (SITEDI)
Publisher : Universitas Teknologi Digital

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70888/sitedi.v2i4.62

Gagal jantung adalah salah satu penyebab utama kematian secara global yang memerlukan pendekatan analisis untuk memperkuat keputusan dalam bidang klinis. Penelitian ini bertujuan untuk mengelompokkan pasien yang mengalami gagal jantung berdasarkan karakteristik klinis dengan menggunakan metode K-Means Clustering. Data diambil dari UCI Repository dengan melibatkan 299 sampel pasien yang mencakup 13 variabel. Proses pengelompokan ini menghasilkan lima cluster yang masing-masing memiliki karakteristik berbeda yang mencerminkan tingkat risiko klinis. Misalnya, Cluster 4 berisi pasien yang lebih tua dengan kadar kreatinin tinggi dan fraksi ejeksi rendah, yang menunjukkan bahwa mereka memiliki risiko kematian yang lebih besar. Penilaian menggunakan indeks Davies-Bouldin menunjukkan nilai 0,509, yang menunjukkan bahwa kualitas pengelompokan tersebut cukup memadai. Diharapkan penelitian ini dapat memberikan kontribusi besar dalam pengembangan sistem yang mendukung keputusan klinis, khususnya dalam manajemen risiko bagi pasien yang mengalami gagal jantung.

Indonesian Stock Movement Using K-Means Clustering Method: Pergerakan Saham indonesia Menggunakan Metode K-Means Clustering seniati, Cahyo; Firmansyah, Hasbi
SITEDI (Sistem Informasi dan Teknologi Digital) Vol. 2 No. 4 (2025): Jurnal Sistem Informasi dan Teknologi Digital (SITEDI)
Publisher : Universitas Teknologi Digital

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70888/sitedi.v2i4.70

Pergerakan harga saham merupakan salah satu indikator penting dalam analisis pasar keuangan. Volatilitas dan fluktuasi harga saham yang tinggi menuntut adanya metode analisis yang efektif untuk mengelompokkan saham berdasarkan karakteristik pergerakannya. Penelitian ini bertujuan untuk mengelompokkan saham-saham di Bursa Efek Indonesia berdasarkan pola pergerakan harga menggunakan metode K-Means Clustering. Data historis harga saham digunakan sebagai input untuk membentuk klaster saham yang memiliki pola pergerakan serupa. Proses normalisasi data dilakukan untuk menyamakan skala sebelum diterapkan algoritma K-Means. Hasil clustering menunjukkan bahwa saham-saham dapat dikelompokkan ke dalam beberapa klaster dengan tingkat volatilitas dan tren pergerakan yang berbeda. Informasi ini diharapkan dapat membantu investor dan analis dalam membuat keputusan investasi yang lebih terarah, serta memberikan gambaran umum mengenai karakteristik saham di Indonesia. Metode ini juga dapat digunakan sebagai dasar untuk analisis lanjutan seperti prediksi harga saham dan manajemen portofolio

Implementasi Metode K-Means Clustering untuk Pengelompokan pada Dataset Pelanggan Mall: Implementation of K-Means Clustering Method for Customer Segmentation on Mall Customer Dataset firmansyah, femas; Firmansyah, Hasbi
SITEDI (Sistem Informasi dan Teknologi Digital) Vol. 2 No. 4 (2025): Jurnal Sistem Informasi dan Teknologi Digital (SITEDI)
Publisher : Universitas Teknologi Digital

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70888/sitedi.v2i4.76

Pengelompokan data merupakan salah satu teknik dalam data mining yang digunakan untuk mengidentifikasi pola tersembunyi atau kelompok dalam sekumpulan data yang belum diberi label. Teknik ini sangat berguna dalam berbagai bidang analisis, termasuk dalam memahami perilaku konsumen. Penelitian ini bertujuan untuk mengelompokkan pelanggan berdasarkan atribut-atribut utama menggunakan metode K-Means Clustering pada dataset "Mall Customer." Tahapan penelitian meliputi preprocessing data seperti pembersihan dan normalisasi, pengelompokan menggunakan algoritma K-Means, serta evaluasi hasil klasterisasi menggunakan indeks Davies-Bouldin. Dataset yang digunakan terdiri dari 200 entri pelanggan dengan atribut usia, pendapatan tahunan, skor pengeluaran, dan jenis kelamin. Hasil penelitian menunjukkan terbentuknya lima kelompok pelanggan dengan karakteristik yang berbeda-beda, di mana salah satu cluster terbesar terdiri dari 65 anggota. Nilai Davies-Bouldin Index sebesar -0,872 menunjukkan kualitas klasterisasi yang baik, dengan tingkat pemisahan antar cluster yang tinggi. Penelitian ini memberikan wawasan strategis tentang profil pelanggan yang dapat digunakan untuk menyusun pendekatan pemasaran yang lebih terarah dan efektif dalam menarik serta mempertahankan pelanggan

Keterkaitan Luas Panen, Curah Hujan, dan Suhu terhadap Hasil Produksi Padi di Wilayah Sumatera Menggunakan K-Means: The Relationship between Harvest Area, Rainfall and Temperature on Rice Production Results in the Sumatra Region Using K-Means Fadhillah, Muhammad Helmy; Firmansyah, Hasbi
SITEDI (Sistem Informasi dan Teknologi Digital) Vol. 2 No. 4 (2025): Jurnal Sistem Informasi dan Teknologi Digital (SITEDI)
Publisher : Universitas Teknologi Digital

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70888/sitedi.v2i4.84

Penelitian ini bertujuan untuk mengevaluasi hubungan antara luas panen, curah hujan, dan suhu terhadap produksi padi di Sumatera dengan menggunakan metode K-Means. Data yang dianalisis mencakup informasi mengenai manufaktur, panen, hujan curah, kelembapan, dan rata-rata suhu, yang dikumpulkan dari sumber terbuka untuk periode 1993 hingga 2020. Analisis dilakukan menggunakan perangkat lunak RapidMiner melalui pendekatan data mining dengan fokus pada teknik klasterisasi. Data mentah diproses terlebih dahulu agar hanya data numerik yang relevan digunakan. Klasterisasi K-Means diterapkan dengan jumlah klaster k=5k=5, menghasilkan lima kelompok: Cluster0 (31 data), Cluster1 (84 data), Cluster2 (7 data), Cluster3 (66 data), dan Cluster4 (36 data), dengan total 224 data. Iterasi dilakukan hingga hasil klasterisasi mencapai kestabilan dan menghasilkan model yang optimal. Evaluasi klasterisasi memanfaatkan Indeks Davies-Bouldin (DBI), di mana nilai DBI yang rendah menunjukkan keberhasilan klasterisasi dalam memisahkan data ke dalam kelompok yang jelas. Temuan menunjukkan bahwa metode K-Means mampu mengelompokkan data produksi padi secara efektif berdasarkan faktor-faktor agronomis yang dianalisis, memberikan pemahaman yang lebih baik tentang distribusi produksi yang dipengaruhi oleh kondisi iklim dan luas panen. Pendekatan ini diharapkan dapat menjadi dasar untuk pengambilan keputusan strategis dalam meningkatkan hasil pertanian, khususnya di daerah dengan karakteristik serupa. Selain itu, penelitian ini menekankan pentingnya penerapan teknologi data mining untuk meningkatkan efisiensi dan ketepatan analisis dalam sektor pertanian di Indonesia.

Penerapan Algoritma K-Means Untuk Segmentasi Pelanggan Pada Dataset Wholesale Customer: Application of K-Means Algorithm for Customer Segmentation on Wholesale Customer Dataset Mariadin, Farhan Habli; Firmansyah, Hasbi
SITEDI (Sistem Informasi dan Teknologi Digital) Vol. 2 No. 4 (2025): Jurnal Sistem Informasi dan Teknologi Digital (SITEDI)
Publisher : Universitas Teknologi Digital

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70888/sitedi.v2i4.86

Penelitian ini menunjukkan penerapan kalkulasi K-Means dalam pembagian klien dengan memanfaatkan kumpulan data Klien Diskon. Pembagian klien merupakan prosedur penting dalam memahami desain pemanfaatan dan membuat langkah-langkah untuk meningkatkan efektivitas. Dalam pertimbangan ini, penanganan penambangan informasi dilakukan dengan menggunakan program komputer RapidMiner, dengan tahapan pengumpulan informasi, penanganan informasi awal, dan investigasi pengelompokan menggunakan kalkulasi K-Means. Hasil pengelompokan menunjukkan bahwa informasi dikumpulkan menjadi lima kluster dengan kualitas yang dinilai menggunakan File Davies-Bouldin (DBI). Nilai DBI sebesar -0,947 menunjukkan bahwa pengelompokan tersebut memiliki kualitas yang baik, dengan setiap kluster mencerminkan desain pemanfaatan klien yang berbeda. Pertimbangan ini menunjukkan bahwa kalkulasi K-Means dapat digunakan secara efektif untuk pembagian klien, memberikan pengalaman utama bagi perusahaan dalam membuat pilihan bisnis

Analisa Faktor Stres pada Mahasiswa Menggunakan Algoritma K-Means Clustering : Analysis of Stress Factors in Student Using the K-Means Clustering Algorithm Riyo Iman Purwanto Pratama; Firmansyah, Hasbi
SITEDI (Sistem Informasi dan Teknologi Digital) Vol. 2 No. 4 (2025): Jurnal Sistem Informasi dan Teknologi Digital (SITEDI)
Publisher : Universitas Teknologi Digital

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70888/sitedi.v2i4.89

Stres merupakan salah satu masalah yang sering dialami mahasiswa akibat berbagai tekanan akademis dan sosial. Penelitian ini bertujuan untuk menganalisis faktor-faktor penyebab stres pada mahasiswa menggunakan algoritma K-Means Clustering. Data yang digunakan mencakup 21 atribut, seperti tingkat kecemasan, kualitas tidur, tekanan darah, riwayat kesehatan mental, dan faktor sosial lainnya. Pengolahan data dilakukan dengan perangkat lunak RapidMiner, yang menghasilkan lima cluster dengan distribusi data yang bervariasi. Cluster 3 memiliki jumlah anggota tertinggi (344), sedangkan Cluster 1 memiliki jumlah terendah (48). Hasil evaluasi menggunakan indeks Davies-Bouldin menunjukkan nilai -1.139, yang mengindikasikan kualitas clustering yang baik dengan pemisahan antarcluster yang jelas dan kekompakan dalam cluster. Analisis lebih lanjut mengungkapkan bahwa cluster dengan karakteristik umum dapat digunakan untuk memahami pola stres secara luas, sedangkan cluster dengan karakteristik unik dapat menjadi fokus intervensi khusus. Penelitian ini memberikan wawasan mendalam yang dapat digunakan oleh institusi pendidikan dalam merancang strategi berbasis data untuk mengelola stres mahasiswa secara efektif.

Title

Found 30 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 30 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 30 Documents
Search