Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pustaka AI : Pusat Akses Kajian Teknologi Artificial Intelligence
Rediutami, Imaulidia
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Mathematics

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Penerapan Algoritma K-Means Clustering untuk Pengelompokan Karakteristik Limbah Makanan Rediutami, Imaulidia; Mufliq, Achmad; Mu'min, Syahri
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v6i1.1743

Abstract

Limbah makanan merupakan salah satu permasalahan lingkungan yang dapat memberikan dampak signifikan terhadap aspek lingkungan, ekonomi, serta sosial. Banyaknya timbunan limbah makanan disebabkan oleh pola produksi dan konsumsi yang tidak efisien, serta rendahnya pemahaman publik dan pemerintah terhadap karakteristik limbah makanan yang bersifat kompleks dan direpresentasikan oleh berbagai sektor seperti rumah tangga, ritel, dan bisnis makanan dan minuman cepat saji. Untuk menganalisis data limbah makanan yang kompleks tersebut, diperlukan metode analitis yang mampu menyederhanakan data kompleks menjadi informasi yang mudah dipahami. Penelitian ini bertujuan mengoptimalkan pemanfaatan algoritma K-Means Clustering dalam pengelompokan data limbah makanan berdasarkan kesamaan karakteristiknya. Data yang digunakan untuk penelitian ini mencakup beberapa indikator limbah makanan, seperti limbah makanan per kapita, per ton, dan limbah makanan dari berbagai sektor. Sebelum dilakukan klasterisasi, data akan melalui tahap pra-pemrosesan yang meliputi pengecekan kelengkapan data serta standarisasi data menggunakan RobustScaler untuk menyamakan skala semua atributnya. Kemudian, menentukan jumlah klaster menggunakan evaluasi model Elbow Method dan Silhouette Score. Setelah itu, dilakukan proses klasterisasi akhir yaitu pengelompokan atribut dengan jumlah klaster yang sudah ditentukan berdasarkan hasil kedua evaluasi model tersebut. Hasil klasterisasi diharapkan mampu digunakan sebagai dasar perancangan program edukasi yang tepat sasaran dan sebagai dasar perumusan kebijakan pengelolaan sampah yang akurat dan efisien.
Co-Authors Achmad Mufliq Mu'min, Syahri