Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Emerging Statistics and Data Science Journal
Purnama Akbar
Unknown Affiliation
Computer Science & IT Mathematics

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Penerapan Principal Component Analysis (PCA) dan K-Medoids Clustering untuk Pengelompokan Data Inventaris Mesin: Penerapan Principal Component Analysis (PCA) dan K-Medoids Clustering untuk Pengelompokan Data Inventaris Mesin -, Ananda Nabila Azizah; Dina Tri Utari; Purnama Akbar
Emerging Statistics and Data Science Journal Vol. 4 No. 1 (2026): Emerging Statistics and Data Science Journal
Publisher : Statistics Department, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20885/esds.vol4.iss.1.art02

Abstract

Pengelompokkan adalah proses mengklaster sebuah kumpulan data menjadi dua atau lebih kelompok sehingga titik-titik data dalam satu kelompok memiliki kemiripan yang lebih tinggi dibandingkan dengan titik data di kelompok lain. Pengelompokan menjadi proses penting untuk membantu PT. XYZ mengelola management assets secara lebih efisien dengan mengklaster data mesin menjadi beberapa kelompok berdasarkan kemiripan karakteristiknya. Dalam pengelompokkan data mesin, keberadaan outlier dan multikolinieritas menjadi tantangan yang dapat memengaruhi hasil pengelompokan dan interpretasi data. Penelitian ini menggunakan algoritma K-Medoids Clustering karena lebih robust terhadap outlier dibandingkan K-Means Clustering. Untuk mengatasi multikolinieritas, diterapkan metode reduksi dimensi Principal Component Analysis (PCA), yaitu teknik statistik multivariat yang mengubah variabel asli menjadi komponen utama yang lebih sedikit namun tetap mewakili informasi data secara optimal. Penentuan jumlah klaster (k) dilakukan dengan metode silhouette yang menghasilkan skor 0,70, menandakan tiga kelompok sebagai jumlah optimal. Hasil pengelompokan membagi jenis mesin menjadi tiga kelompok, yaitu kelompok 1 berisi 10 jenis mesin, kelompok 2 berisi 43 jenis mesin, dan kelompok 3 berisi 1 jenis mesin. Harapannya penelitian ini dapat menjadi dasar bagi PT. XYZ untuk melakukan evaluasi kembali terkait ketersediaan dan pemanfaatan jenis mesin, sehingga perusahaan dapat mempertimbangkan aspek persediaan dan pemilihan mesin secara lebih optimal guna menekan total biaya persediaan dan total biaya penggunaan mesin.
Penerapan Metode K-Medoids untuk Mengelompokkan Kecamatan di Kabupaten Cianjur Berdasarkan Dampak Kejadian Tanah Longsor Tahun 2024: Penerapan Metode K-Medoids untuk Mengelompokkan Kecamatan di Kabupaten Cianjur Berdasarkan Dampak Kejadian Tanah Longsor Tahun 2024 Ranta Anjani, Pingki Ranta Anjani; Purnama Akbar
Emerging Statistics and Data Science Journal Vol. 4 No. 2 (2026): Emerging Statistics and Data Science Journal
Publisher : Statistics Department, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20885/esds.vol4.iss.2.art02

Abstract

Tanah longsor merupakan bencana yang memiliki tingkat dampak berbeda antar wilayah. Kabupaten Cianjur termasuk daerah rawan dengan variasi dampak yang cukup tinggi pada tahun 2024. Namun, pemetaan berbasis data untuk mengelompokkan tingkat dampak masih terbatas. Penelitian ini bertujuan mengelompokkan kecamatan berdasarkan dampak tanah longsor menggunakan metode K-Medoids. Data diperoleh dari Badan Penanggulangan Bencana Daerah (BPBD) Provinsi Jawa Barat. Variabel yang digunakan meliputi jumlah jiwa terdampak, kerusakan rumah, dan kerusakan fasilitas umum. Analisis dilakukan melalui standarisasi data, reduksi dimensi menggunakan PCA, serta penentuan jumlah klaster optimal dengan metode Silhouette. Proses klasterisasi menggunakan K-Medoids berbasis jarak untuk menghasilkan kelompok yang stabil terhadap outlier. Hasil penelitian menunjukkan terbentuknya tiga klaster. Klaster pertama memiliki dampak berat. Klaster kedua menunjukkan dampak ringan. Klaster ketiga memiliki dampak sangat berat. Setiap klaster memiliki karakteristik yang berbeda berdasarkan tingkat korban dan kerusakan. Penelitian ini berkontribusi dalam pemetaan tingkat dampak bencana secara berbasis data. Hasilnya dapat digunakan untuk mendukung penentuan prioritas penanganan dan mitigasi bencana.
Co-Authors -, Ananda Nabila Azizah Dina Tri Utari Ranta Anjani, Pingki Ranta Anjani