Studi Perbandingan Algoritma Klastering Dalam Pengelompokan Persediaan Produk (Studi Kasus : Subdirektorat Perencanaan Sarana Prasarana Dan Logistik PTN X)

Authors

  • Choirun Nisa Program Studi S1 Sistem Informasi Universitas Negeri Surabaya
  • Wiyli Yustanti Program Studi S1 Sistem Informasi Universitas Negeri Surabaya

Keywords:

Studi Perbandingan, Clustering, Silhoutte Coefincient

Abstract

Clustering merupakan metode penganalisaan data yang bertujuan untuk membuat suatu kelompok atau cluster berdasarkan tingkat kemiripian karakter tiap objek. hasil dari Clustering merupakan satu kelas dalam tingkat kemiripan yang tinggi ataupun tingkat kemiripan yang rendah pada antar kelas. Didalam penelitian ini dilakukan studi perbandingan ketiga algoritma Clustering yaitu K-means Clustering, K-Medoids Clustering dan Agglomerative Hierarchical Clustering dalam pengelompokkan persediaan produk di Subdirektorat Perencanaan Sarana Prasarana dan Logistik pada PTN X yang bertujuan untuk membandingkan ketiga metode Clustering dalam mengkelompokkan data persediaan produk dengan optimal. Dari pengujian validitas nilai hasil uji validitas metode Silhoutte Coefficient yang optimal untuk membentuk cluster dari data persediaan produk ialah algoritma K-means Clustering nilai index yang didapatkan sebesar 0,52 sesuai dengan nilai Silhoutte Coefficient diantara ketiga metode hanya K-means yang nilai indexnya mendekati angka 1 yang dapat di interprestasikan bahwa nilai Silhoutte Coefficient untuk Algoritma K-means dalam kategori baik. Dari hasil uji yang telah dilakukan mendapati hasil bahwa algoritma Clustering yang terbaik ialah K-means Clustering maka dari itu akan dilakukannya analisa lanjutan untuk mengevaluasi hasil pengelompokkan data menggunakan algoritma K-means Clustering. Dari analisa lanjutan yang tlah dilakukan metode K-means Clustering berhasil membentuk 2 cluster yaitu cluster produk dalam stok rendah dan produk dalam stok tinggi.

Downloads

Download data is not yet available.

Downloads

Published

2021-07-05

Issue

Section

Articles
Abstract views: 363 , PDF Downloads: 583