Clustering Stok Material Di Pdam Kota Makassar Wilayah Pelayanan Vi Menggunakan Algoritma K-Means
DOI:
https://doi.org/10.25126/jtiik.124Kata Kunci:
Clustering, K-Means, Elbow Method, Silhouette CoefficientAbstrak
Perusahaan Daerah Air Minum (PDAM) Kota Makassar Wilayah Pelayanan VI mengalami kesulitan dalam memanajemen stok materialnya terutama dalam hal pengelompokan material berdasarkan rendah atau tingginya penggunaan material. Hal tersebut mengakibatkan seringnya terjadi kekurangan dan kelebihan stok yang dapat menghambat kegiatan dan meningkatkan biaya operasional di PDAM. Oleh karena itu, diterapkan metode clustering menggunakan algoritma k-means untuk mengelompokkan jenis material berdasarkan tingkat penggunaannya. Penelitian ini bertujuan membantu PDAM dalam mengelola stok material dengan lebih baik dengan mengidentifikasi tingkat kebutuhan berdasarkan pola penggunaan sebelumnya. Penelitian ini meliputi tahap identifikasi masalah, pengumpulan data, preprocessing data mencakup data selection, data reduction dan data integration, data transformation, dan standarisasi data, penerapan algoritma clustering, evaluasi hasil clustering, dan visualisasi hasil clustering. Hasil clustering menunjukkan bahwa jumlah cluster optimal yang diperoleh adalah 2, yaitu Cluster_0 (penggunaan rendah) dengan 123 jenis material dan Cluster_1 (penggunaan tinggi) dengan 2 jenis material. Kualitas cluster berdasarkan nilai silhouette menunjukkan hasil yang cukup baik dimana Cluster_0 sebesar 0.939 dan Cluster_1 sebesar 0.816, dan nilai silhouette score yaitu 0.937. Hasil clustering sebagai rekomendasi dalam menentukan kebutuhan stok material di masa depan sehingga dapat meningkatkan efisiensi pengelolaan stok material di PDAM Kota Makassar Wilayah Pelayanan VI.
Abstract
Regional Drinking Water Company (PDAM) Makassar City Service Region VI has difficulty managing its material stock, especially in grouping materials based on low or high material usage. This results in frequent shortages and excess stock, which can hamper activities and increase operational costs at the PDAM. Therefore, a clustering method using the k-means algorithm is applied to group material types based on their level of use. This research aims to assist the PDAM in managing material stocks better by identifying the level of need based on previous usage patterns. This research includes problem identification, data collection, data preprocessing, data selection, data reduction and integration, data transformation, data standardization, the application of clustering algorithms, evaluation of clustering results, and visualization of clustering results. The clustering results show that the optimal number of clusters obtained is 2, namely Cluster_0 (low usage) with 123 types of materials and Cluster_1 (high usage) with two types of materials. Cluster Quality Based on the silhouette value shows quite good results where Cluster_0 is 0.939, Cluster_1 is 0.816, and the silhouette score is 0.937. The clustering results are a recommendation for determining future material stock needs to improve the efficiency of material stock management at PDAM Makassar City Service Area VI.
Downloads
Referensi
ABDULLAH, M.A. & ALDISA, R.T. 2024. Grouping Products In Supermarkets Using The K-Means. International Journal of Society Reviews (INJOSER), 2(4), pp. 912–922. Available at: https://injoser.joln.org/index.php/123/article/view/125.
ALDINO, A.A. et al. 2021. Implementation of K-Means Algorithm for Clustering Corn Planting Feasibility Area in South Lampung Regency’, Journal of Physics: Conference Series, 1751(1). Available at: https://doi.org/10.1088/1742-6596/1751/1/012038.
ALVIANATINOVA, V. et al. 2024. Penerapan Algoritma K-Means Clustering Dalam Pengelompokan Data Penjualan Supermarket Berdasarkan Cabang (BRANCH). JATI (Jurnal Mahasiswa Teknik Informatika), 8(2), pp. 1529–1535. Available at: https://doi.org/https://doi.org/10.36040/jati.v8i2.8993.
ANNISA, K., GINTING, B.S. AND SYAR, M.A. 2022. Penerapan Data Mining Pengelompokan Data Pengguna Air Bersih Berdasarkan Keluhannya Menggunakan Metode Clustering Pada Pdam Langkat. ALGORITMA: Jurnal Ilmu Komputer dan Informatika, 6(1), pp. 112–129. Available at: https://doi.org/http://dx.doi.org/10.30829/algoritma.v6i1.11624.
ARIFIYANTI, A.A., DARUSMAN, F.S. AND TRENGGONO, B.W. 2022. Population Density Cluster Analysis in DKI Jakarta Province Using K-Means Algorithm. Journal of Information System and Informatics, 4(3), pp. 772–783. Available at: https://doi.org/http://dx.doi.org/10.51519/journalisi.v4i3.315.
ÇETIN, V. AND YILDIZ, O. 2022. A comprehensive review on data preprocessing techniques in data analysis. Pamukkale University Journal of Engineering Sciences, 28(2), pp. 299–312. Available at: https://doi.org/10.5505/pajes.2021.62687.
FAISAL, M. ET al. 2022. Information and Communication Technology Competencies Clustering for students for Vocational High School Students Using K-Means Clustering Algorithm. International Journal of Engineering, Science & InformationTechnology (IJESTY), 2(3), pp. 111–120. Available at: https://doi.org/http://dx.doi.org/10.52088/ijesty.v2i3.318.
IMRON, M., HASANAH, U. AND HUMAIDI, B. 2020. Analysis of Data Mining Using K-Means Clustering Algorithm for Product Grouping. IJIIS: International Journal of Informatics and Information Systems, 3(1), pp. 12–22. Available at: https://doi.org/10.47738/ijiis.v3i1.3.
IZZAH, L. AND JANANTO, A. 2022. Penerapan Algoritma K-Means Clustering Untuk Perencanaan Kebutuhan Obat Di Klinik Citra Medika. Jurnal Ilmiah Komputer, 18(1), pp. 69–76. Available at: https://doi.org/http://dx.doi.org/10.35889/progresif.v18i1.769.
JAYAKUMAR, R. AND SARAVANAN, D.R.A. 2022. Weather Data Analysis Data Preprocessing. Journal of Pharmaceutical Negative Results, 13(8), pp. 3149–3158. Available at: https://doi.org/https://doi.org/10.47750/pnr.2022.13.S08.390.
KURNIAWAN, Y.I. et al. 2023. Pengelompokan Prioritas Negara Yang Membutuhkan Bantuan Menggunakan Clustering K-Means dengan Elbow dan Silhouette. Jurnal Pendidikan dan Teknologi Indonesia (JPTI), 3(10), pp. 445–453. Available at: https://doi.org/https://doi.org/10.52436/1.jpti.343.
MARAVILLAS, A.B. 2023. Integration of K-means Algorithm and Elbow Method in Clustering the Bivalve Species. International Journal of Advance Research in Computer Science and Management Studies, 11(1). Available at: https://www.researchgate.net/publication/368719963_Integration_of_Kmeans_Algorithm_and_Elbow_Method_in_Clustering_the_Bivalve_Species.
MULKAN, M.B.I. et al. 2023. Aplikasi Peramalan Stok Barang Pada Cv. Sarana Usaha Mandiri Dengan Metode Single Moving Average. Jurnal Sains Komputer Dan Sistem Informasi, 1(2), pp. 38–44. Available at: https://doi.org/https://doi.org/10.61674/jursakomsi.v1i2.120.
NAHJAN, M.R., HERYANA, N. AND VOUTAMA, A. 2023. Implementasi Rapidminer Dengan Metode Clustering K-Means Untuk Analisa Penjualan Pada Toko Oj Cell. JATI (Jurnal Mahasiswa Teknik Informatika), 7(1), pp. 101–104. Available at: https://doi.org/https://doi.org/10.36040/jati.v7i1.6094.
PUTRY, N.M. AND BETHA NURINA SARI, M.K. 2022. Komparasi Algoritma Knn Dan Naïve Bayes Untuk Klasifikasi Diagnosis Penyakit Diabetes Melitus. Jurnal Sains dan Manajemen, 10(1), pp. 45–57. Available at: https://doi.org/https://doi.org/10.31294/evolusi.v10i1.12514.
RAMDHAN, D. et al. 2022. Clustering Data Persediaan Barang Dengan Menggunakan Metode K-Means. MEANS (Media Informasi Analisa dan Sistem), 7(1), pp. 1–9. Available at: https://doi.org/10.54367/means.v7i1.1826.
SHAHAPURE, K.R. AND NICHOLAS, C. 2020. Cluster quality analysis using silhouette score. 2020 IEEE 7th International Conference on Data Science and Advanced Analytics (DSAA), pp. 747–748. Available at: https://doi.org/10.1109/DSAA49011.2020.00096.
SIMANJUNTAK, K.P. AND KHAIRA, U. 2021. Pengelompokkan Titik Api di Provinsi Jambi dengan Algoritma Agglomerative Hierarchical Clustering. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 1(1), pp. 7–16. Available at: https://doi.org/10.57152/malcom.v1i1.6.
TAMBUNAN, H.B. et al. 2020. Electrical Peak Load Clustering Analysis Using K-Means Algorithm and Silhouette Coefficient. 2020 International Conference on Technology and Policy in Electric Power & Energy (ICT-PEP), pp. 258–262. Available at: https://doi.org/10.1109/ICTPEP50916.2020.9249773.
ZUO, Y. 2023. Investigation on the Impact of Preprocessing Methods and Parameter Selection in Acoustic Scene Classification Based on K-means Clustering Algorithm’, in. Atlantis Press International BV, pp. 300–306. Available at: https://doi.org/10.2991/978-94-6463-300-9_30.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
