Clustering Data Produksi untuk Identifikasi Pola Perakitan Hardware Menggunakan K-Means
DOI:
https://doi.org/10.35473/jamastika.v5i1.4737Abstract
Studi ini bertujuan untuk mengidentifikasi pola pengelompokan komponen perakitan komputer menggunakan metode K-Means Clustering. Dataset yang digunakan meliputi CPU, motherboard, RAM, GPU, PSU, dan casing. Proses penelitian melibatkan eksplorasi data, pembersihan data, imputasi nilai yang hilang, pengkodean kategorikal, normalisasi, dan rekayasa fitur seperti total TDP dan rasio daya PSU. Hasil clustering menunjukkan terbentuknya empat kelompok utama: komponen kelas bawah, komponen kelas menengah, komponen kelas atas, dan kelompok RAM yang berdiri sendiri. Temuan ini menunjukkan bahwa K-Means efektif dalam memetakan karakteristik perangkat keras dan dapat digunakan sebagai dasar untuk mengembangkan sistem rekomendasi perakitan PC.
Kata kunci: K-Means, Clustering, Perangkat Keras, Algoritma
This study aims to identify grouping patterns of computer assembly components using the K-Means Clustering method. The dataset includes CPU, motherboard, RAM, GPU, PSU, and casing. The research process involves data exploration, data cleaning, missing value imputation, categorical encoding, normalization, and feature engineering such as total TDP and PSU power ratio. The clustering results show the formation of four main groups: low-end components, mid-range components, high-end components, and a standalone RAM cluster. These findings demonstrate that K-Means is effective in mapping hardware characteristics and can be used as a basis for developing a PC assembly recommendation system.
Keywords: K-Means, Clustering, Hardware, Algorithm
References
Daud, R. F., Komunikasi, I., Universitas Muhammadiyah Kotabumi, & Lampung Utara. (2021). Dampak perkembangan teknologi komunikasi terhadap bahasa Indonesia. Interaksi, 5(2), 252–269. https://doi.org/10.30596/interaksi.v5i2.7539
Yunanri, W., Fauzan, A., Yani, A., & Aziz, M. A. (2021). Analisis performance central processing unit (CPU) realtime menggunakan metode benchmarking. Matrik, 20(2), 237–248. https://doi.org/10.30812/matrik
Montoya, F., Aulia, Z., Nugroho, A., & Aribowo, D. (2023). Optimasi performa komputer melalui teknik overclocking pada prosesor AMD Ryzen 5 5600X.
Zulyani, A. A. (2023). Penerapan data mining menggunakan algoritma K-Means untuk menentukan tingkat vaksinasi pada Kecamatan Tambun Selatan, 3, 7037–7050.
Nurhalizah, R. S., & Ardianto, R. (2024). Analisis supervised dan unsupervised learning pada machine learning: Systematic literature review. 4(1), 61–72.
Component, P. (n.d.). Pengembangan aplikasi berbasis web dengan R Shiny untuk analisis data menggunakan algoritma.
Sujiana, A., Budiyanto, U., & Teknik Informatika. (2023). Cogito Smart Journal, 9(2), 252–265.
Agustinus, S., Telaumbanua, B., Setiadi, F., & Nurjanah, S. (2025). Analisis clustering menggunakan metode enhanced fuzzy C-means clustering dengan algoritma ROCK pada student performance dataset. Buletin Teknik, 7(3). https://doi.org/10.32877/bt.v7i3.2287
Aplikasi Data Mining Menggunakan Algoritma K-Means Clustering untuk Mengelompokkan Mahasiswa Berdasarkan Gaya Belajar. (2022). JATI, 12. https://doi.org/10.34010/jati.v12i1
Abrar, I. N., & Abdullah, A. (2023). Klasifikasi penyakit liver menggunakan metode elbow untuk menentukan K optimal pada algoritma K-nearest neighbor (K-NN), 12, 218–228.
