K-NEAREST NEIGHBOR UNTUK KLASIFIKASI MUTU PRODUKSI FRESH FRUIT BUNCHES (FFB) DI PT. PADASA ENAM UTAMA KEBUN TELUK DALAM

widia fahwana br panjaitan, Muhammad Ardiansyah Sembiring, Elly Rahayu

Abstract


Abstract: PT. Padasa Enam Utama, a palm oil plantation company, currently assesses the quality of Fresh Fruit Bunches (FFB) based solely on physical aspects. They use Microsoft Excel without a specialized application system, which can lead to subjective assessments and the risk of fraud. This research aims to develop a predictive system for the quality of Fresh Fruit Bunches. Data collection was conducted using quantitative methods through direct observation and interviews with relevant parties. The study shows that the use of the K-Nearest Neighbor method provides the best accuracy with a more efficient calculation process. With this system, the company’s performance in making decisions regarding FFB quality is expected to improve. The system helps reduce human errors in quality assessments and offers visualizations that make it easier for users to understand the classification of production quality. Although the results are reliable, there is still room for further development, such as improving accuracy through more advanced data preprocessing techniques or using more complex machine learning models.

Keywords: Data Mining; K-Nearest Neighbor algorithm; Fresh Fruit Bunches (FFB); Python;  Streamlit.                                                           

Abstrak: PT. Padasa Enam Utama, sebuah perusahaan perkebunan kelapa sawit, saat ini menilai kualitas produksi Tandan Buah Segar (TBS) berdasarkan aspek fisik saja. Mereka menggunakan Microsoft Excel tanpa sistem aplikasi khusus, yang dapat menyebabkan penilaian tidak objektif dan risiko kecurangan. Penelitian ini bertujuan untuk mengembangkan sistem prediksi mutu kualitas Tandan Buah Segar. Dalam pengumpulan data, digunakan metode kuantitatif melalui observasi langsung dan wawancara dengan pihak terkait. Penelitian menunjukkan bahwa penggunaan metode K-Nearest Neighbor memberikan akurasi terbaik dengan proses perhitungan yang lebih efisien. Dengan adanya sistem ini, diharapkan kinerja perusahaan dalam membuat keputusan terkait mutu produksi TBS dapat meningkat. Sistem ini membantu mengurangi kesalahan manusia dalam penilaian mutu TBS dan memberikan visualisasi yang memudahkan pengguna memahami klasifikasi mutu produksi. Meskipun telah memberikan hasil yang dapat diandalkan, masih ada ruang untuk pengembangan lebih lanjut, seperti peningkatan akurasi melalui teknik preprocessing data yang lebih canggih atau penggunaan model-machine learning yang lebih kompleks.

Kata kunci: Data Mining; Algoritma K-Nearest Neighbor; Tandan Buah Segar (TBS); Python;  Streamlit


Full Text:

PDF

References


Y. A. Iskandar, I. Sukarno, and I. N. Sabani, “Pengembangan Model Optimasi Suplai Tandan Buah Segar dengan Goal Programming di PKS Tanjung Seumantoh PTPN I,” Matrik J. Manaj. dan Tek. Ind. Produksi, vol. 23, no. 2, p. 165, 2023, doi: 10.30587/matrik.v23i2.3959.

M. H. Nasution, “Pengaruh Pemberian Sludge Limbah Kelapa Sawit dan POC Kulit Pisang Pada Pertumbuhan Bibit Kelapa Sawit ( Elaeis guineensis Jacq ) di Pre-Nursery,” J. Ilm. Mhs. Pertan., vol. 3, pp. 1–12, 2023.

A. Christopher and T. M. S. Mulyana, “Klasifikasi Tumbuhan Angiospermae Menggunakan Algoritma K-Nearest Neighbor Berdasarkan Pada Bentuk Daun,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 7, no. 4, pp. 1233–1243, 2022, doi: 10.29100/jipi.v7i4.3211.

R. Bangun et al., “Design of a Palm Fruit Ripeness Detection Tool Using Image Processing Methods Based on Color Composition,” J. Garuda Pengabdi. Kpd. Masy., vol. 1, no. 2, 2023, [Online]. Available: http://creativecommons.org/licenses/by-sa/4.0/

H. Ulfa, H. Maulana, L. Fimawahib, and F. Erwis, “Akurasi Citra Image Penyakit Daun Kentang berdasarkan Citra Sehat , Citra Early Blight , dan Citra Late Blight Menggunakan Convolutional Neural Network ( CNN ),” vol. 10, no. 2, pp. 167–174, 2024.

N. R. Muntiari and K. H. Hanif, “Klasifikasi Penyakit Kanker Payudara Menggunakan Perbandingan Algoritma Machine Learning,” J. Ilmu Komput. dan Teknol., vol. 3, no. 1, pp. 1–6, 2022, doi: 10.35960/ikomti.v3i1.766.

U. Erdiansyah, A. Irmansyah Lubis, and K. Erwansyah, “Komparasi Metode K-Nearest Neighbor dan Random Forest Dalam Prediksi Akurasi Klasifikasi Pengobatan Penyakit Kutil,” J. Media Inform. Budidarma, vol. 6, no. 1, p. 208, 2022, doi: 10.30865/mib.v6i1.3373.

K. Annisa, B. S. Ginting, and M. A. Syar, “Penerapan Data Mining Pengelompokan Data Pengguna Air Bersih Berdasarkan Keluhannya Menggunakan Metode Clustering Pada Pdam Langkat,” J. Sist. Inf. Kaputama, vol. 6, no. 2, pp. 165–179, 2022, doi: 10.59697/jsik.v6i2.167.

I. P. Ninditama, W. Cholil, M. Akbar, and D. Antoni, “Klasifikasi keluarga sejahtera study kasus : Kecamatan Kota Palembang,” J. TEKNO KOMPAK, vol. 15, no. 2, pp. 37–49, 2020.

G. F. Ramadhan and E. Winarno, “Sistem Diagnosa Penyakit Ikan Menggunakan Metode Case Based Reasoning Dengan Algoritma Similaritas Sorgenfrei Dan K-Nearest Neighbor,” J. Ilm. Inform., vol. 10, no. 01, pp. 44–50, 2022, doi: 10.33884/jif.v10i01.4634




DOI: https://doi.org/10.33330/j-com.v4i2.3226

Article Metrics

Abstract view : 24 times
PDF - 26 times

Refbacks

  • There are currently no refbacks.


Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.