Implementasi Algoritma K-Means Untuk Klustering Data Produktivitas Kelapa Sawit

Abstract

Hasil panen kelapa sawit merupakan hal yang sangat penting bagi sebuah perusahaan kelapa sawit terutama pada PT Adei Plantation & Industry. Mengelompokkan kualitas bibit sawit perlu dilakukan untuk mengetahui kelompok jenis bibit kelapa sawit yang berkualitas baik dan tidak baik sehingga proses penanaman kelapa sawit dapat dilakukan dengan baik pula. Belum dilakukannya pemetaan terhadap buah yang berpotensi baik  untuk di produksi oleh pihak terkait dikarenakan terlalu luasnya daerah perkebunan kelapa sawit yang ada pada wilayah Mandau, dan pihak terkait masih belum dapat memberikan planning untuk melakukan panen buah merupakan permasalahan yang dihadapi perusahaan ini. Oleh karena itu, dibutuhkan metode untuk memudahkan dalam pengelompokan produksi buah berdasarkan blok panennya. Dengan pendekatan pengklasteran K-Means, pembagian kelompok lokasi dapat dilakukan berdasarkan hasil buah, hasil biji buah (brondol) dan hasil produksi. Pada penelitian ini dilakukan pengklasteran blok panen penghasil buah menggunakan algoritma K-Means. K-Means merupakan salah satu algoritma yang masuk dalam kelompok Unsupervised learning yang digunakan untuk mengelompokkan data kedalam beberapa kelompok berdasarkan kemiripan data yang dimiliki. Hasil dari penelitian ini didapakan C0  ialah 13 data, dan C1 ialah 35 data.