Gambar 10. Diagram alir proses analisis manajemen
7. Metode Analisis Lingkungan dan Legalitas
Analisis lingkungan meliputi sejauh mana keadaan tingkat lingkungan dapat menunjang perwujudan pendirian industri pengolahan limbah batang kelapa sawit, terutama sumber daya yang
diperlukan, seperti air, energi, manusia, dan ancaman alam sekitar, serta analisis mengenai dampak lingkungan yang ditimbulkan oleh pendirian industri ini. Analisis legalitas meliputi mekanisme
perizinan dan peraturan-peraturan yang berlaku.
8. Metode penjadwalan Penebangan
a. Algoritma K-means Cluster Pengelompokan data Clustering adalah teknik umum untuk analisis data statistik, yang
digunakan dalam banyak bidang, termasuk pembelajaran mesin, data mining, pengenalan pola, analisis gambar dan bioinformatika. Clustering adalah klasifikasi objek serupa ke dalam beberapa
kelompok. Lebih tepatnya, partisi dari kumpulan data ke subset cluster. Secara ideal, data dalam setiap subset memiliki beberapa ciri umum yang berdekatan melalui metode pengukuran jarak
János, 2007.
Clustering membagi data ke dalam grup cluster yang bermakna, berguna, atau keduanya. Tujuan dari clustering adalah agar obyek-obyek di dalam grup adalah mirip atau
berhubungan satu dengan lainnya, dan berbeda atau tidak berhubungan dengan obyek dalam grup lainnya. Semakin besar tingkat kemiripan atau similarity atau homogenitas di dalam satu
Mulai
Menentukan tujuan perusahaan
Mempertimbangkan: • Data perkiraan investasi yang diperlukan
dari penggunaan mesin dan bahan baku • Data kapasitas produksi
• Teknologi proses yang digunakan
Menentukan bentuk usaha yang dipilih
Menentukan struktur organisasi, deskripsi dan spesifikasi kerja, dan kebutuhan tenaga kerja
Selesai
grup dan semakin besar tingkat perbedaan diantara grup, maka semakin baik atau lebih berbeda clustering tersebut.
Algoritma clustering K-Means dikembangkan oleh J. MacQueen 1967 dan kemudian oleh J. A. Hartigan dan M. A. Wong sekitar tahun 1975 . Algoritma clustering K-Means adalah
algoritma untuk mengklasifikasikan atau mengkelompokkan objek berbasis atribut atau ciri tertentu ke dalam K jumlah klaster . K adalah sebuah angka integer positif . Pengelompokkan
dilakukan dengan cara meminimalisir jarak data dan centroid klaster yang ditentukan. Algoritma K-means cluster merupakan sebuah algoritma clustering tanpa pengawasan,
K diartikan sebagai jumlah klaster yang biasanya digunakan sebagai input pengguna untuk algoritma. Beberapa kriteria dapat digunakan untuk secara otomatis memperkirakan K. Algoritma
K-means adalah sebuah pendekatan untuk masalah optimasi kombinatorial NP-hard. K-means algoritma sangat iteratif di alam, konvergen, namun hanya menghasilkan minimum lokal. Bekerja
hanya untuk data numerik, mudah untuk diterapkan.. Kesamaan ukuran atau jarak ukuran perbedaan digunakan untuk menghitung kesamaan
atau ketidaksamaan dua titik data atau dua kelompok. Kesamaan dan jarak merupakan elemen dasar dari algoritma clustering, dengan kemungkinan analisis kelompok. Secara umum, jarak dan
kesamaan adalah konsep timbal balik. Seringkali, kesamaan langkah dan koefisien kesamaan yang digunakan untuk menggambarkan secara kuantitatif seberapa mirip dua titik data yang atau
bagaimana serupa dua cluster adalah: semakin besar kesamaan koefisien, yang lebih mirip adalah dua titik data. Ketidaksamaan ukuran dan jarak adalah sebaliknya: semakin besar ketidaksamaan
ukuran atau jarak, semakin berbeda adalah titik data dua atau dua cluster. Pertimbangkan dua titik data
1 2
, ,...,
d
x x x
x T
dan
1 2
, ,...,
d
y y y
y T
. Jarak Euclidean mungkin jarak yang paling umum kita yang pernah digunakan untuk
numerik data. Selama dua titik data
x
dan
y
dalam ruang d-dimensi, jarak Euclidean antara mereka didefinisikan sebagai :
dimana
j
x
dan
j
y
adalah nilai-nilai atribut ke-
j
dari
x
dan
y
, masing-masing. Diagram alir proses analisis k-means cluster dapat dilihat pada Gambar 11 dibawah ini.
Gambar 11. Diagram alir proses analisis K-means Cluster
1 2
2 1
,
d j
j j
d x y x
y