2022
DOI: 10.28932/jutisi.v8i2.4897
|View full text |Cite
|
Sign up to set email alerts
|

Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Daerah Produksi Kakao

Abstract: Kakao ialah salah satu komoditas unggulan dari sektor perkebunan bahkan produksi kakao dinilai mampu meningkatkan devisa negara. Di Indonesia khususnya Provinsi Sulawesi Selatan memiliki produksi kakao yang besar dimana hampir semua Kabupaten/Kota yang terdapat di Sulawesi Selatan memproduksi kakao. Tujuan dalam melakukan penelitian ini ialah untuk melakukan pengelompokan daerah produksi kakao pada Provinsi Sulawesi Selatan. Adapun algoritma yang digunakan yakni K-Means serta K-Medoids, yang mana K-Means menge… Show more

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
2
2
1

Citation Types

0
1
0
5

Year Published

2024
2024
2024
2024

Publication Types

Select...
6

Relationship

0
6

Authors

Journals

citations
Cited by 6 publications
(6 citation statements)
references
References 6 publications
0
1
0
5
Order By: Relevance
“…Extensive research has been conducted on clustering techniques for grouping data. The Fuzzy C-Means algorithm has the highest silhouette index accuracy comparison of 0.2559, which is better than the k-medoids algorithm [8] and has an accuracy rate of 76% when compared to the k-means algorithm [7]. The Fuzzy C-Means algorithm is excellent at detailed grouping [9] based on the data attributes it possesses [10], and it performs exceptionally well in finding high-level clusters [11] Additionally, it can map interactions between different cluster shapes [12] and demonstrate test results with a best percentage of 71.23% [13].…”
Section: Introductionmentioning
confidence: 95%
“…Extensive research has been conducted on clustering techniques for grouping data. The Fuzzy C-Means algorithm has the highest silhouette index accuracy comparison of 0.2559, which is better than the k-medoids algorithm [8] and has an accuracy rate of 76% when compared to the k-means algorithm [7]. The Fuzzy C-Means algorithm is excellent at detailed grouping [9] based on the data attributes it possesses [10], and it performs exceptionally well in finding high-level clusters [11] Additionally, it can map interactions between different cluster shapes [12] and demonstrate test results with a best percentage of 71.23% [13].…”
Section: Introductionmentioning
confidence: 95%
“…Dalam penelitian Nur Awalia Syukri Zainal Abidin (dkk) tentang pengelompokan daerah produksi kakao di provinsi Sulawesi Selatan dengan membandingkan algoritma K-Means dan K-Medoids. Berdasarkan hasil percobaan, algoritma K-Means lebih efektif dibandingkan algoritma K-Medoids dalam mengelompokkan wilayah produksi kakao di provinsi Sulawesi Selatan dengan nilai DBI K-Means sebesar 0,292 dan nilai K-Medoids sebesar 0,365 [13].…”
Section: Pendahuluanunclassified
“…Penelitian yang pernah dilakukan dengan kedua algoritma yaitu perbandingan metode clustering yaitu algoritma K-Means dan K-Medoids dalam menentukan hasil cluster, pernah dilakukan oleh [3] dengan judul "Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokkan Daerah Produksi Kakao" tujuan pada penelitian ini melakukan proses pengelompokan terhadap wilayah produksi kakao di Provinsi Sulawesi Selatan, perbandingan kinerja dua algoritma yaitu K-Means dan K-Medoids dilakukan dengan satu dataset. Hasil dari analisis menunjukan bahwa, berdasarkan perbandingan nilai DBI menggunakan RapidMiner diperoleh algoritma K-Means menghasilkan nilai DBI 0,292 dan K-Medoids menghasilkan nilai DBI 0,365 dengan masing-masing nilai k adalah 4.…”
Section: Pendahuluanunclassified