STMIK AMIKBANDUNGSTMIK AMIKBANDUNG

Journal of Information TechnologyJournal of Information Technology

Sistem informasi untuk pengklasifikasian dibutuhkan oleh sebuah perusahaan yang memproduksi suatu barang. Tujuan penggunaan sistem informasi pengklasifikasian adalah untuk memudahkan didapatkanya hasil produksi secara tepat. Permasalahan yang dihadapi secara spesifik yaitu ketika bahan baku datang, kemudian ditimbang, bahan baku tersebut tidak dapat dihitung secara tepat berapa jumlah bubuk teh yang dihasilkan sesuai dengan standar kualitas PTPN VIII, sehingga hanya dapat dikira-kira saja. Untuk itu dirancang sebuah sistem informasi, di mana sistem ini dapat menentukan jumlah bubuk teh yang dihasilkan oleh PTPN VIII. Sistem infomasi yang dimaksud adalah sistem informasi yang menggunakan metode K-Means. Cara kerja K-Means adalah memperhitungkan sejumlah data yang didapat dari penelitian. Data tersebut diolah dengan cara mengklasterkan data awal menjadi 2 klaster. Percobaan dilakukan dengan mengolah 90 data. Hasil pengolahan dihasilkan 2 klaster, yaitu klaster 1 dengan kriteria berat daun teh basah rata-rata dikisaran 307.867 ton s.d. 658.761 ton, setelah diolah menggunakan metode K-Means menghasilkan bubuk teh seberat rata-rata 277.080 ton s.d. 592.885 ton dengan menggunakan suhu 100oC s.d. 250oC menghasilkan kepekatan warna yang rendah. Klaster 2 dengan kriteria berat daun teh basah rata-rata 180.876 ton s.d. 246.246 ton, setelah diolah menggunakan metode K-Means menghasilkan bubuk teh seberat rata-rata 162.788 ton s.d. 221.621 ton dengan suhu 250oC s.d. 350oC dan menghasilkan teh yang lebih pekat. Dengan demikian dapat disimpulkan bahwa penggunaan sistem informasi untuk pengklasifikasian hasil produksi teh dengan menggunakan metode K-Means sangat baik.

Metode K-Means terbukti efektif digunakan dalam penentuan klaster kualitas teh.Klaster 1 dikarakteristikkan oleh berat daun teh basah rata-rata 307.250oC, menghasilkan teh dengan kepekatan warna rendah.Sementara itu, Klaster 2 memiliki kriteria berat daun teh basah rata-rata 108.250oC, menghasilkan teh dengan kepekatan warna yang cukup pekat.

Untuk pengembangan penelitian ini di masa mendatang, ada beberapa arah studi yang menarik dan berpotensi memberikan manfaat lebih besar. Pertama, penting untuk menguji sejauh mana penambahan variabel-variabel lain, seperti jenis kultivar teh, komposisi tanah, kelembaban udara selama penjemuran, atau bahkan data historis permintaan pasar, dapat memperkaya model klasifikasi dan menghasilkan pemahaman yang lebih komprehensif tentang faktor-faktor penentu kualitas dan kuantitas teh. Apakah dengan data yang lebih beragam ini, sistem mampu mengidentifikasi nuansa kualitas yang lebih halus atau memprediksi hasil produksi dengan akurasi yang lebih tinggi? Selanjutnya, akan sangat berharga untuk melakukan studi komparatif dengan mengimplementasikan algoritma data mining atau pembelajaran mesin lainnya, seperti Support Vector Machine (SVM), Decision Tree, atau bahkan jaringan saraf tiruan (neural networks), pada data yang sama. Tujuan dari perbandingan ini adalah untuk mengevaluasi mana dari metode-metode tersebut yang menawarkan performa terbaik dalam hal akurasi klasifikasi, kecepatan komputasi, dan kemampuan adaptasi terhadap perubahan data, khususnya untuk pengklasifikasian hasil produksi teh. Terakhir, sebuah langkah maju yang signifikan adalah mengembangkan sistem informasi ini dari sekadar alat klasifikasi menjadi alat prediktif dan optimasi. Penelitian lanjutan dapat berfokus pada bagaimana sistem dapat secara otomatis merekomendasikan penyesuaian parameter proses produksi, seperti suhu pengeringan atau durasi fermentasi, berdasarkan input bahan baku untuk secara proaktif mencapai target kualitas teh tertentu atau mengoptimalkan hasil sesuai standar yang diinginkan. Ini akan mengubah peran sistem dari reaktif menjadi proaktif dalam manajemen kualitas produksi teh.

  1. #sistem m paspor#sistem m paspor
  2. #data mining algoritma#data mining algoritma
Read online
File size913.61 KB
Pages7
Short Linkhttps://juris.id/p-3l0
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test