Analisis Algoritma K-Means Clustering Untuk Daerah Penyebaran Sampah di Kota Bekasi

Authors

  • Dinda Ruwandara Universitas Singaperbangsa Karawang
  • Mohamad Jajuli Universitas Singaperbangsa Karawang
  • Adhi Rizal Universitas Singaperbangsa Karawang

DOI:

https://doi.org/10.33633/joins.v6i1.4085

Abstract

Sampah sudah menjadi masalah nasional. Masalah sampah terkait erat dengan pertumbuhan populasi, pertumbuhan ekonomi dan perubahan pola konsumsi. Penduduk Kota Bekasi setiap hari menghasilkan 1900 ton sampah ke Tempat Pembuangan Akhir tanpa membutuhkan biaya kecil dan armada yang cukup serta lahan Tempat Pembuangan Akhir yang luas. Fasilitas dan infrastruktur pengolahan sampah adalah kebutuhan utama untuk meringankan masalah sampah. Data mining dapat digunakan dalam  menemukan area distribusi sampah. Tujuan dari penelitian ini yaitu mengelompokkan distribusi sampah dengan sampah tinggi, sedang dan rendah di Kota Bekasi. Pengujian dilakukan dengan 3 skenario berbeda dan nilai K untuk mendapatkan nilai K optimal. Setelah itu, dilakukan 3 skenario dan nilai benih acak berbeda dilakukan. pengujian dievaluasi menggunakan SSE (Sum of Square Error). Hasil evaluasi menunjukkan bahwa jumlah optimal K3 dengan selisih sebesar SSE 58.889504 pada tahun 2018. Sedangkan pada 2019 memiliki selisih sebesar SSE 47.15601. Cluster pada tahun 2018 dari tiga nilai random seed (S) menghasilkan nilai yang sama dengan nilai SSE 26.03858, 2019 cluster dari tiga nilai S menghasilkan nilai paling optimal pada S = 25 dengan nilai SSE 33.868462.

References

B. P. S. Indonesia, 2016, Statistik Lingkungan hidup Indonesia, Jakarta.

BPS Indonesia, 2016, Provinsi Jawa Barat Dalam Angka 2016, vol. 1, Jakarta.

F. Agus and M. Mahyudin. 2017. Pengklasifikasian Dokumen Berbahasa Arab Menggunakan K-Nearest Neighbor, Jurnal SIFO Mikroskil, vol. 18, no. 1, hal 43–56.

M. G. Sadewo, A. P. Windarto, and D. Hartama. 2017. Penerapan data mining pada populasi daging ayam ras pedaging di indonesia berdasarkan provinsi menggunakan k-means clustering. InfoTekJar (Jurnal Nasional Informasi dan Teknologi Jaringan), vol. 2, no. 1, hal 60–67.

A. Bastian. 2018. Penerapan algoritma k-means clustering analysis pada penyakit menular manusia (studi kasus kabupaten Majalengka). Jurnal Sistem Informasi, vol. 14, no. 1, hal 28–34.

A. Asroni and R. Adrian. 2016. Penerapan metode K-means untuk clustering mahasiswa berdasarkan nilai akademik dengan Weka Interface studi kasus pada jurusan Teknik Informatika UMM Magelang. Semesta Teknologi, vol. 18, no. 1, hal 76–82.

L. Zahrotun. 2015. Analisis pengelompokan jumlah penumpang bus Trans Jogja menggunakan metode clustering k-means dan agglomerative hierarchical clustering (AHC). Jurnal Informatika Ahmad Dahlan, vol. 9, no. 1.

Yohannes. 2017. Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means,” in Annual Research Seminar (ARS), 2017, vol. 2, no. 1, pp. 151–155.

H. Artanto, I. Istiadi, F. Marisa, and D. Purnomo. 2019. Implementasi dan komparasi algoritma fuzzy c-means dan k-means untuk mengelompokkan siswa berdasarkan nilai akademik dan perilaku siswa (data survey), Conference on Innovation and Application of Science and Technology (CIASTECH).

B. M. Metisen and H. L. Sari. 2015. Analisis clustering menggunakan metode K-Means dalam pengelompokkan penjualan produk pada Swalayan Fadhila. Jurnal media infotama, vol. 11, no. 2.

N. Rohmawati, S. Defiyanti, and M. Jajuli. 2015. Implementasi Algoritma K-Means Dalam Pengklasteran Mahasiswa Pelamar Beasiswa,” Jurnal Ilmu Teknologi Infomasi Terapan, vol. 1, no. 2,

A. T. Rahman. 2017. Coal Trade Data Clustering Using K-Means (Case Study Pt. Global Bangkit Utama). ITSMART Jurnal Teknologi dan Informasi, Vol. 6 No. 1 hal 24-31

Downloads

Published

2021-05-31

How to Cite

[1]
D. Ruwandara, M. Jajuli, and A. Rizal, “Analisis Algoritma K-Means Clustering Untuk Daerah Penyebaran Sampah di Kota Bekasi”, Journal of Information System, vol. 6, no. 1, pp. 56–63, May 2021.