Metode K-Means Pada Pengelompokan Wilayah Pendistribusian Listrik
Abstract
Penelitian ini membahas tentang metode k-means pada pengelompokan wilayah pendistribusian listrik. Sumber data penelitian ini dikumpulkan berdasarkan dokumen-dokumen keterangan energi yang dihasilkan oleh Direktorat Jenderal Bea dan Cukai. Data yang digunakan dalam penelitian ini adalah data dari tahun 2011-2017 yang terdiri dari 34 provinsi. Variable yang digunakan jumlah pendistribusian listrik berdasarkan wilayah. Metode yang digunakan untuk meyelesaikan kasus ini adalah memanfaatkan teknik datamining dengan metode k-means. Data diolah dengan bantuan software RapidMiner dan melakukan 2 cluster yaitu cluster tingkat distribusi tinggi (C1) dan cluster tingkat distribusi rendah (C2). Cetroid data untuk cluster tingkat distribusi tinggi 33.622,87 dan cetroid data untuk cluster tingkat distribusi rendah 2.352,402.Sehingga diperoleh penilaian berdasarkan indeks wilayah pendistribusian listrik dengan 3provinsi cluster tingkat distribusi tinggi yakni DKI Jakarta,Jawa Barat dan Jawa Timur dan 31provinsi cluster tingkat distribusi rendah yakni Provinsi yang tidak terdapat dalam cluster tingkat distribusi rendah. Hal ini dapat menjadi masukan kepada pemerintah, provinsi yang menjadi prioritas tertinggi pada kegiatan pendistribusian listrik berdasarkan klaster yang telah dilakukan.
Kata Kunci: Datamining, Clustering, K-Means, Pendistribusian Listrik, Wilayah
Full Text:
PDFReferences
T. D. A. N. Distribusi and R. Syahputra, “Transmisi dan distribusi tenaga listrik.”
A. P. Windarto, S. Tinggi, I. Komputer, and T. Bangsa, “Implementation of Data Mining on Rice Imports by Major Country of Origin Implementation of Data Mining on Rice Imports by Major Country of Origin Using Algorithm Using K-Means Clustering Method,” no. November, 2017.
J. O. Ong, “IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN STRATEGI MARKETING,” no. April, pp. 10–20, 2013.
D. R. Sari, A. P. Windarto, D. Hartama, and S. Solikhun, “Sistem Pendukung Keputusan untuk Rekomendasi Kelulusan Sidang Skripsi Menggunakan Metode AHP-TOPSIS,” J. Teknol. dan Sist. Komput., vol. 6, no. 1, p. 1, 2018.
L. K. Simanjuntak, M. Mesran, T. Y. M. Sihite, N. Kurniasih, and Y. Yuhandri, “Sistem Pendukung Keputusan SNMPTN Jalur Undangan Dengan Metode Electre,” Jurasik (Jurnal Ris. Sist. Inf. dan Tek. Inform., vol. 3, no. July, p. 14, 2018.
M. Turnip, “Sistem Pakar Diagnosa Penyakit THT Menggunakan Metode Backward Chaining,” no. January 2015, 2017.
A. P. Windarto, M. R. Lubis, and L. R. Komprehensif, “IMPLEMENTASI JST PADA PREDIKSI TOTAL LABA RUGI KOMPREHENSIF IMPLEMENTATION OF NEURAL NETWORK IN PREDICTING TOTAL COMPREHENSIVE INCOME OF CONVENTIONAL COMMERCIAL BANKS USING,” vol. 5, no. 4, pp. 411–418, 2018.
S. Solikhun, A. Revi, S. Ramadan, and R. Novita Sari, “Model Jaringan Syaraf Tiruan Dalam Memprediksi Pendapatan Perkapita Masyarakat Perkotaan Pada Garis Kemiskinan Berdasarkan Propinsi,” Klik - Kumpul. J. Ilmu Komput., vol. 5, no. 2, p. 122, 2018.
T. Takagi and M. Sugeno, “Fuzzy Identification of Systems and Its Applications to Modeling and Control,” no. 1, pp. 116–132, 1985.
Y. R. Nasution et al., “PENERAPAN ALGORITMA K-MEANS CLUSTERING PADA APLIKASI MENENTUKAN BERAT BADAN IDEAL,” vol. 6341, no. April, pp. 77–81, 2018.
D. Mining and K. Clustering, “Penerapan Algoritma K-Means Clustering Untuk Pengelompokkan Penyebaran Diare Di Kabupaten Langkat,” pp. 108–119.
L. Maulida, “Penerapan Data Mining Dalam Mengelompokan Kunjungan Wisatawan Ke Objek Wisata Unggulan Di Prov. DKI Jakarta Dengan K-Means,” JISKa, vol. 2, no. 3, pp. 167–174, 2018.
A. P. Windarto, P. Studi, S. Informasi, and D. Mining, “Penerapan Data Mining Pada Ekspor Buah-Buahan Menurut Negara Tujuan Menggunakan K-Means Clustering,” vol. 16, no. 4, pp. 348–357, 2017.
F. L. Sibuea, A. Sapta, S. Informasi, and S. Royal, “PEMETAAN SISWA BERPRESTASI MENGGUNAKAN METODE K-MEANS CLUSTERING,” vol. IV, no. 1, 2017.
Refbacks
- There are currently no refbacks.
Copyright (c) 2019 Seminar Nasional Sains dan Teknologi Informasi (SENSASI)