DATA MINING K-MEDOIDS DAN K-MEANS UNTUK PENGELOMPOKAN POTENSI PRODUKSI KELAPA SAWIT DI INDONESIA
Bibliographic record
Abstract
Kelapa sawit merupakan tanaman golongan palma yang memiliki periode produksi setiap tahunnya. Penyebaran terbesar kelapa sawit berada di Indonesia. Indonesia memiliki luas perkebunan mencapai 17,32 juta hektar. Detailnya hasil produksi 26,57 ton dengan luas kebun 8,51 juta hektar. Menurut data USDA, pada tahun 2022 menurun karena berbagai faktor. Untuk itu perlu dilakukan klasifikasi potensi produksi kelapa sawit dan identifikasi peluang keberhasilan produksi disetiap lokasi perkebunan kelapa sawit. Dengan ini dilakukan penelitian pembuatan sistem clustering untuk melihat potensi produksi kelapa sawit dengan memakai kombinasi 2 metode yaitu K-Medoids dan K-Means. K-Medoids berfungsi untuk penentuan cluster sesuai dengan data variable yang paling rendah(Cluster 1) 18 wilayah, sedang (Cluster 2) 5 wilayah, dan tinggi (Cluster 3)/(Cemtroid) 2 wilayah pada potensi hasil Luas areal, produksi, dan produktivitas kelapa sawit. Algoritma K-Means berfungi untuk mengelompokkan rata rata luas tanah 514.885,72 Ha, produksi 1.931.882,84 Ton dan produktifitas 3.227,08 Kg/Ha, dengan pembagian potensi rendah, sedang dan tinggi. Kombinasi dari kedua algoritma berfungsi sangat baik karena masing masing memiliki peran tersendiri yang sesuai dengan kebutuan penelitian. Dari penggabungan 2 metode K-Medoids dan K-Means mendaptkan hasil ketiga klaster bahwa hasil produksi kelapa sawit yang memiliki potensi rendah 72% sedang 20%, tinggi 2%. Segmentasi ini disebabkan oleh kesamaan karakteristik perkebunan berdasarkan kesamaan dari luas, produksi, dan produktivitas. Yang memiliki potensi produksi tertinggi kelapa sawit ada 2 provinsi yaitu Kalimantan Barat dan Riau.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".