ANALISIS KLASTERING DAMPAK LINGKUNGAN BERDASARKAN KONSUMSI ENERGI PERUSAHAAN BERBASIS INDUSTRI 4.0 MENGGUNAKAN METODE CRISP-DM

Penulis

  • Dewa Adji Kusuma Informatika, Institut Teknologi Telkom Purwokerto, Indonesia
  • Aditya Dwi Putro Wicaksono Informatika, Institut Teknologi Telkom Purwokerto, Indonesia

DOI:

https://doi.org/10.31961/positif.v9i2.2050

Kata Kunci:

Emisi Karbon, K-Means, Konsumsi Energi, Kesehatan Lingkungan

Abstrak

Pertumbuhan konsumsi energi didunia mengalami peningkatan yang cukup signifikan dalam dua dekade terakhir. Bertambahnya konsumsi energi pada suatu perusahaan, menandakan bahwa perusahaan menghasilkan emisi karbon CO2 lebih banyak dari biasanya. Emisi karbon yang berlebihan memberikan dampak yang besar terhadap kesehatan manusia dan lingkungan. Menurut World Health Organization (WHO), Emisi gas rumah kaca yang dihasilkan dari ekstraksi dan pembakaran bahan bakar fosil merupakan kontributor utama terhadap perubahan iklim dan polusi udara. Perlu untuk dilakukan analisis terkait hal apa yang menentukan jumlah emisi karbon yang tinggi. penelitian ini menggunakan metode CRISP-DM (Cross-Industry Standard Process for Data Mining). Algoritma K-Means akan digunakan untuk mengelompokkan fitur yang mempengaruhi tingginya emisi karbon. Proses penentuan fitur yang akan digunakan dalam K-Means menggunakan pearson correlation. Hasil model clustering mendapatkan nilai evaluasi yang baik menggunakan metrik evaluasi silhouette. Pada subset data 1 mendapatkan nilai silhouette 0.744 dan pada subset data 2 mendapatkan nilai silhouette 0.7629. Hasil evaluasi menunjukan bahwa model K-Means bekerja dengan cukup baik dalam membuat cluster.

Kata Kunci: Emisi Karbon, K-Means, Konsumsi Energi, Kesehatan Lingkungan

Unduhan

Data unduhan belum tersedia.

Referensi

S. R. Paramati, N. Apergis, and M. Ummalla, “Dynamics of renewable energy consumption and economic activities across the agriculture, industry, and service sectors: evidence in the perspective of sustainable development,” Environ. Sci. Pollut. Res., vol. 25, no. 2, pp. 1375–1387, 2018, doi: 10.1007/s11356-017-0552-7.

O. Rusmana and S. M. N. Purnaman, “Pengaruh Pengungkapan Emisi Karbon Dan Kinerja Lingkungan Terhadap Nilai Perusahaan,” J. Ekon. Bisnis dan Akunt., vol. 22, no. 1, pp. 42–52, 2020, [Online]. Available: http://www.jp.feb.unsoed.ac.id/index.php/jeba/article/viewFile/1563/1577

G. Gustientiedina, M. H. Adiya, and Y. Desnelita, “Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan,” J. Nas. Teknol. dan Sist. Inf., vol. 5, no. 1, pp. 17–24, 2019, doi: 10.25077/teknosi.v5i1.2019.17-24.

M. Torabi, S. Hashemi, M. R. Saybani, S. Shamshirband, and A. Mosavi, “A Hybrid clustering and classification technique for forecasting short-term energy consumption,” Environ. Prog. Sustain. Energy, vol. 38, no. 1, pp. 66–76, 2019, doi: 10.1002/ep.12934.

A. Sulistiyawati and E. Supriyanto, “Implementasi Algoritma K-means Clustring dalam Penetuan Siswa Kelas Unggulan,” J. Tekno Kompak, vol. 15, no. 2, p. 25, 2021, doi: 10.33365/jtk.v15i2.1162.

S. Namboori, “Forecasting Carbon Dioxide Emissions in the United States using Machine Learning,” 2020.

M. Hamdhani, D. Purwitasari, and A. B. Raharjo, “Identifikasi Profil Konsumsi Enegri Listrik untuk Meningkatkan Pendapatan dengan Klustering,” J. Inf. Syst. Hosp. Technol., vol. 4, no. 2, pp. 62–70, 2022, doi: 10.37823/insight.v4i2.232.

J. L. S. Sinaga, S. Solikhun, and D. Suhendro, “Penerapan Algoritma K-Means Dalam Mengelompokkan Rata-Rata Konsumsi Kalori Menurut Provinsi,” Jurasik (Jurnal Ris. Sist. Inf. dan Tek. Inform., vol. 6, no. 1, p. 75, 2021, doi: 10.30645/jurasik.v6i1.272.

C. Schröer, F. Kruse, and J. M. Gómez, “A systematic literature review on applying CRISP-DM process model,” Procedia Comput. Sci., vol. 181, no. 2019, pp. 526–534, 2021, doi: 10.1016/j.procs.2021.01.199.

M. Cazacu and E. Titan, “Adapting CRISP-DM for Social Sciences,” BRAIN. Broad Res. Artif. Intell. Neurosci., vol. 11, no. 2sup1, pp. 99–106, 2020, doi: 10.18662/brain/11.2sup1/97.

E. Patel and D. S. Kushwaha, “Clustering Cloud Workloads: K-Means vs Gaussian Mixture Model,” Procedia Comput. Sci., vol. 171, no. 2019, pp. 158–167, 2020, doi: 10.1016/j.procs.2020.04.017.

Unduhan

Diterbitkan

2023-12-27

Cara Mengutip

Kusuma, D. A., & Wicaksono, A. D. P. (2023). ANALISIS KLASTERING DAMPAK LINGKUNGAN BERDASARKAN KONSUMSI ENERGI PERUSAHAAN BERBASIS INDUSTRI 4.0 MENGGUNAKAN METODE CRISP-DM. POSITIF : Jurnal Sistem Dan Teknologi Informasi, 9(2), 130–135. https://doi.org/10.31961/positif.v9i2.2050

Terbitan

Vol 9 No 2 (2023): Positif : Jurnal Sistem dan Teknologi Informasi

Bagian

Articles

Lisensi

Hak Cipta (c) 2023 Dewa Adji Kusuma, Aditya Dwi Putro Wicaksono

Creative Commons License

Artikel ini berlisensi Creative Commons Attribution 4.0 International License.

Penulis yang menerbitkan dengan Positif : Jurnal Sistem dan Teknologi Informasi menyetujui persyaratan berikut:

  • Penulis memegang hak cipta dan memberikan jurnal hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Lisensi Atribusi Creative Commons yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepenulisan karya dan publikasi awal dalam jurnal ini.
  • Penulis dapat masuk ke dalam pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan publikasi awalnya di jurnal ini.
  • Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, di repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena dapat menghasilkan pertukaran yang produktif, serta kutipan lebih awal dan lebih besar dari karya yang diterbitkan.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.