ABSTRAK
Penelitian ini berjudul implementasi metode k-meanss clustering untuk
pengelompokan lahan sawit produktif pada PT Andalan Alam Sumatra. Tujuan
dilakukan penelitian ini untuk dapat mengetahui lahan sawit mana yang dapat
menghasilkan buah kelapa sawit lebih banyak. Metode penelitian yang digunakan
adalah metode penelitian kuantitatif. Hasil penelitian ini menggunakan teknik
pengumpulan data adapun data yang digunakan yaitu, observasi, wawancara, dan
study literatul. Tools yang digunakan RapidMiner Studio. Analisis data dilakukan
dengan teknik knowledge discovery database (KDD). KDD memiliki 5 tahapan
yaitu: Data Selection , di tahap ini informasi tentang data panen dikumpulkan
sebelum proses KDD dimulai. Atribut dipilih dan beberapa data dikonversi untuk
mempermudah proses penambangan data. Data yang tidak lengkap atau berubahubah disaring agar hanya data dengan atribut lengkap yang digunakan. Data
cleaning, Langkah pertama setelah seleksi data adalah membersihkan data. Ini
termasuk menghapus duplikat, menangani nilai yang hilang (dalam hal ini,
mengganti nilai kosong dengan 0 untuk bulan November), dan menghapus baris
yang tidak lengkap. Data Transformation, data yang dipilih kemudian diubah ke
format yang sesuai untuk kebutuhan analisis. Misalnya data luas blok (Ha)
dikonversi menjadi rata-rata produksi perbulan setiap blok (A, B, C, dst). Data
Mining, ini adalah tahapan penemuan pengetahuan utama, dimana teknik data
mining diterapkan untuk mengidentifikasi pola dan tren dari data set besar. Dalam
konteks ini, fokusnya adalah pada hubungan antara luas blok tanah, jumlah pohon,
dan hasil produksi bulanan kelapa sawit. Evaluation, pada tahap ini, model yang
telah dibuat dievaluasi. Dalam kasus ini algoritma clustering (khususnya Kmeans) digunakan untuk membentuk cluster berdasarkan data produksi kelapa
sawit. Hasilnya, menunjukan cluster-cluster yang berbeda berdasarkan
karakteristik produksi tahunan dari setiap blok. Berdasarkan hasil pengujian
tersebut dapat disimpulkan bahwa dari pengelompokan lahan sawit degan kmeans mengidentifikasi produktivitas, tinggi (cluster 3), sedang (cluster 2), rendah
(cluster 1) untuk pemeliharaan efektif.
Kata Kunci : K-Means Clustering, Produktivitas Sawit, RapidMiner, Data Mining