Implementasi K-Means Clustering untuk Analisis Non-Numerik Dataset Spare Part Mobil
DOI:
https://doi.org/10.62411/tc.v23i2.9446Keywords:
non-numerik, K-means clustering, Spare partAbstract
Industri otomotif merupakan salah satu sector ekonomik terbesar di dunia, dengan berbagai rantai pasok yang kompleks. Kompleksitas data otomotif yang beragai sering kali banyak mengandung atribut data non-numerik, seperti nama, jenis spare part, merk, dan atribut kualitatif lainnya. Analisis non-nurmerik dapat memberikan wawasan berharga dengan pola dan hubungan antar suku cadang. Tujuan dari penelitian ini yaitu untuk mengembangkan metode k-means clustering pada dataset spare part yang mengandung atribut non-numerik. K-means clustering adalah Teknik yang umumnya digunakan untuk analisis data numerik dan memerlukan modifikasi atau keterlibatan metode lain dalam mengatasi data non-numerik. Adapun proses yang dilibatkan yaitu proses normalisasi dengan menggunakan metode binning. Implementasi K-means Clustering pada dataset non-numerik memiliki manfaat potensial. Pertama, itu memungkinkan identifikasi kelompok dari suku cadang yang memiliki karakterisktik serupa, yang dapat digunakan untuk mengelompokkan produk serupa. Kedua yaitu untuk membantu dalam pengelolaan ketersedian dengan lebih efisien, menghindari kelebihan persedian, dan memenuhi permintaan pelanggan dengan lebih baik. Penelitian ini menghadapi tantangan dalam menentukan metrik kesamaan yang tepat untuk data non-numerik dan dalam menentukan jumlah cluster yang optimal. Namun, metodologi yang cermat dan eksperimen yang bekelanjutan, mampu mengembangkan pendekatan yang dapat digunakan dalam pengelompokan suku cadang mobil non-numerik. Hasil dari penelitian ini diperoleh sebaran data dengan menggunkan cluster K=2 dengan nilai Silhouette sebagai nilai dari sebaran data yaitu 0,925.References
M. P. Utami, “Aplikasi C-Service Motor Dengan Algoritma Artificial Neural Network Terintegrasi Sistem Pakar,” Jurnal sistem dan teknologi informasi, vol. 11, no. 3, pp. 496-503, 2023.
Y. Z. Q. T. W. H. Y. J. S. T. X. Yming li, “K-Means: A Robust and Stable K-means Variant,” International Conference on Acoustics, Speech and Signal Processing (ICASSP), vol. 1, pp. 3120-3124, 2021.
F. T. K. F. Saut Parsaoran Tamba, “Penerapan Data Mining Untuk Menentukan Penjulanan Sparepart Toyota Dengan Metode K-Means Clustering,” Jurnal Sistem Informasi Ilmu Komputer Prima, vol. 2, pp. 67-72, 2019.
D. W. Z. M. ,. B. X. Jinyan Liu, “Improved K-means clustering algorithm for screwlocking classification,” Advanced Information Technology, Electronic and Automation Control Conference, vol. 4, pp. 1955-1958, 2019.
M. s. B. B. Fransisca Angelia, “Optimization on Purity K-Means Using Variant Distance Measure,” Intenational Conference on Mechanical, Electronics, Computer and Industrial Techology, vol. 3, no. IEEE Xplore, pp. 143-147, 2020.
J. H. F. B. G. Shivani shah, “ProxiClust: Data Sparsification and Community Detection for Assembly-free Metagenomic Binning,” Intenational Conference on Advences in Social Netwoks Analysis and Mining, vol. 1, no. IEEE Xplore, pp. 17-20, 2018.
Y. Z. zhuo wang, “Anomaly Detection by using streaming K-Means and Batch K-Means,” International Conference on Big Data Analysis, vol. 5, no. IEEE Xplore, pp. 11-17, 2020.
D. X. Z. N. Wenhaou, “Improved K-Means Text Clustering Algorithm Based on BERT and Density Peak,” Infomation Communication Techologies Conference, vol. 2, no. IEEE Xplore, pp. 260-264, 2021.
M. S. Y. Kristina P. Sinaga, “Unxupervised K-Means Clustering Algorithm,” no. IEEE Access, pp. 80716 - 80727, 2020.
S. K. P. T Namratha Reddy, “Optimization of K-Means Algorithm: Ant Colony Optimization,” International Conference on Computing Methodologies and Communication, no. IEEE, pp. 530-535, 2017.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Mailia Putri Utami, Gita Mustika Rahma, Finna Suroso
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
License Terms
All articles published in Techno.COM Journal are licensed under the Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0). This means:
1. Attribution
Readers and users are free to:
-
Share – Copy and redistribute the material in any medium or format.
-
Adapt – Remix, transform, and build upon the material.
As long as proper credit is given to the original work by citing the author(s) and the journal.
2. Non-Commercial Use
-
The material cannot be used for commercial purposes.
-
Commercial use includes selling the content, using it in commercial advertising, or integrating it into products/services for profit.
3. Rights of Authors
-
Authors retain copyright and grant Techno.COM Journal the right to publish the article.
-
Authors can distribute their work (e.g., in institutional repositories or personal websites) with proper acknowledgment of the journal.
4. No Additional Restrictions
-
The journal cannot apply legal terms or technological measures that restrict others from using the material in ways allowed by the license.
5. Disclaimer
-
The journal is not responsible for how the published content is used by third parties.
-
The opinions expressed in the articles are solely those of the authors.
For more details, visit the Creative Commons License Page:
? https://creativecommons.org/licenses/by-nc/4.0/
