Similarity Report ID: oid:29615:55074203

PAPER NAME

PROPOSAL RENISAAFIXXX.docx

WORD COUNT CHARACTER COUNT

5038 Words 31095 Characters

PAGE COUNT FILE SIZE

28 Pages 191.9KB

SUBMISSION DATE REPORT DATE

Mar 23, 2024 8:42 PM GMT+7 Mar 23, 2024 8:43 PM GMT+7

24% Overall Similarity

The combined total of all matches, including overlapping sources, for each database.
21% Internet database 7% Publications database
Crossref database Crossref Posted Content database
20% Submitted Works database

Excluded from Similarity Report

Bibliographic material Quoted material
Cited material Small Matches (Less then 8 words)

Summary
 PROPOSAL PENELITIAN

CLUSTERING STOK MATERIAL DI PDAM KOTA MAKASSAR

WILAYAH PELAYANAN VI MENGGUNAKAN ALGORITMA K-MEANS

MATERIAL STOCK CLUSTERING AT PDAM MAKASSAR CITY SERVICE

AREA VI USING K-MEANS ALGORITHM

RENISA AMALIA TAHIR

200210501002

1
PROGRAM STUDI TEKNIK KOMPUTER
JURUSAN TEKNIK INFORMATIKA DAN KOMPUTER
FAKULTAS TEKNIK
UNIVERSITAS NEGERI MAKASSAR
2023
 4
DAFTAR ISI

HALAMAN JUDUL .......................................................................................................... i

DAFTAR ISI ...................................................................................................................... ii
DAFTAR GAMBAR ........................................................................................................ iii
DAFTAR TABEL ............................................................................................................. iv
BAB I .................................................................................................................................. 1
PENDAHULUAN ............................................................................................................. 1
A. Latar Belakang ...................................................................................................... 1
B. Rumusan Masalah ................................................................................................ 5
C. Tujuan Penelitian .................................................................................................. 6
D. Manfaat Penelitian ................................................................................................ 6
BAB II ................................................................................................................................ 7
TINJAUAN PUSTAKA .................................................................................................... 7
A. Kajian Teori ........................................................................................................... 7
12
B. Kerangka Pikir .................................................................................................... 12
BAB III............................................................................................................................. 13
METODE PENELITIAN ............................................................................................... 13
A. Jenis Penelitian .................................................................................................... 13
B. Waktu dan Tempat Penelitian ............................................................................ 13
C. Alat dan Bahan .................................................................................................... 14
D. Prosedur Penelitian ............................................................................................. 14
E. Teknik Analisis Data ........................................................................................... 20
DAFTAR PUSTAKA ...................................................................................................... 21

ii
 6
DAFTAR GAMBAR

Gambar 3. 1 Prosedur Penelitian........................................................................... 14

Gambar 3. 2 Flowchart Algoritma K-Means......................................................... 18

iii
 6
DAFTAR TABEL

Tabel 3. 1 Data Penggunaan Material ................................................................... 15

Tabel 3. 2 Hasil Preprocessing Data ..................................................................... 17

iv
 7
BAB I

PENDAHULUAN

A. Latar Belakang
Pada masa globalisasi saat ini, kemajuan teknologi tengah berkembang
dengan pesat. Hal tersebut dapat membantu manusia untuk melakukan
pekerjaannya dengan lebih mudah, efektif, serta lebih efisien dalam berbagai
pekerjaan. Salah satu contohnya yaitu dalam melakukan manajemen stok barang
di sebuah perusahaan, termasuk PDAM (Andrean et al., 2019).
10
PDAM atau singkatan dari Perusahaan Daerah Air Minum merupakan
salah satu instansi milik pemerintah yang termasuk dalam Badan Usaha Milik
Daerah (BUMD). PDAM terdapat di berbagai wilayah di Indonesia, salah satunya
PDAM Kota Makassar Wilayah Pelayanan VI yang dikelola oleh otoritas
pemerintah daerah kota Makassar, Provinsi Sulawesi Selatan, Indonesia. PDAM
bertanggung jawab dalam memenuhi kebutuhan air bersih untuk masyarakat,
termasuk dalam penyediaan, pengembangan atau manajemen infrastruktur, hingga
pendistribusian air bersih ke masyarakat (Annisa et al., 2022).

Pada sebuah perusahaan, termasuk PDAM, ketersediaan stok barang

termasuk hal yang sangat penting sehingga diperlukan manajemen stok yang
efektif dalam pengaturan persediaan stok barang (Ramdhan et al., 2022). PDAM
sendiri, manajemen stok material seperti pipa, valve, dan berbagai jenis material
lainnya juga memiliki peran penting yang tidak bisa diabaikan. Hal ini
dikarenakan ketersediaan dan kelancaran pasokan material tersebut menjadi kunci
utama dalam menjaga agar operasional PDAM dapat berjalan dengan lancar dan
36
efisien. Salah satu tujuan utama dari manajemen stok material ini adalah untuk
memastikan bahwa tidak terjadi kekurangan atau kelebihan stok material yang
tidak diperlukan. Kekurangan material dapat menghambat proses operasional,
sedangkan kelebihan material bisa menyebabkan akumulasi persediaan yang

1
berlebihan. Akumulasi persediaan yang berlebihan tersebut dapat memiliki
dampak yang merugikan pada aspek finansial di sebuah perusahaan termasuk
PDAM, karena dapat mengakibatkan pemborosan sumber daya dan modal yang
seharusnya dialokasikan untuk kebutuhan lain yang lebih mendesak atau strategis
(Mulkan et al., 2023). Oleh karena itu, pengelolaan stok material harus dilakukan
dengan cermat dan terencana guna mengoptimalkan penggunaan sumber daya dan
mencegah terjadinya kerugian yang tidak diinginkan.

Saat ini, PDAM Kota Makassar Wilayah pelayanan VI masih

menggunakan sistem manual dalam melakukan prediksi terhadap stok material.
Penggunaan sistem manual ini memiliki keterbatasan dalam akurasi dan efisiensi
yang sering mengakibatkan kesalahan dalam perhitungan prediksi stok material.
Kesalahan ini dapat berasal dari berbagai faktor, seperti kesalahan input data atau
ketidaktepatan dalam menganalisis pola permintaan. Akibatnya, PDAM sering
mengalami masalah seperti kekurangan atau kelebihan stok material yang tidak
diinginkan. Selain itu, PDAM juga sering menghadapi berbagai tantangan dalam
manajemen stok material seperti perubahan dalam permintaan barang, fluktuasi
harga. serta kompleksitas penyimpanan dan pengelolaan stok yang beragam.

Untuk mengatasi tantangan ini, diperlukan sebuah metode yang mampu

mengelompokkan dan mengidentifikasi pola penggunaan stok material dan bahan
menggunakan teknik data mining yaitu clustering. Clustering merupakan sebuah
metode atau langkah – langkah pengelompokan data dari sekelompok data
8
menjadi beberapa kelompok atau cluster, di mana objek yang berada di dalam satu
cluster tersebut cenderung memiliki kesamaan yang tinggi, namun secara
signifikan objek tersebut berbeda dengan objek – objek yang berada di cluster
yang lain (Han et al., 2012).

Beberapa penelitian yang menerapkan metode clustering dalam

9
memprediksi persediaan barang telah dilakukan oleh Andre Prayoga Rizkyandri,
Dr. Jasmir, S.Kom, M.Kom, dan Yulia Arvita, S.Kom, M.S.I pada tahun 2023.
Dalam penelitian tersebut dilakukan teknik data mining seperti data cleaning dan
9
menggabungkan 3 jenis data, yaitu data penjualan barang, data stok barang, serta

2
data transaksi yang terdapat pada Toko SS BABYSHOP. Kemudian dilakukan
melakukan pengelompokan stok barang dengan membaginya ke dalam 5 cluster
untuk menentukan persediaan barang di Toko SS BABYSHOP. Dari penelitian
51
tersebut, diperoleh hasil yang menunjukkan tren penjualan barang dari yang
paling banyak hingga yang paling sedikit sehingga penyediaan barang di toko
tersebut dapat dilakukan dengan tepat. Namun, karena pusat cluster dipilih secara
acak, terdapat perbedaan antara hasil perbandingan perhitungan manual dan
SPSS. Selain itu, penelitian ini juga belum sampai ke tahap pengujian hasil
clustering yang diperoleh (Andre Prayoga Rizkyandri et al., 2023)
47
Kemudian penelitian oleh Rosi Kusuma Serli, Imron, Bambang
Wijonarko, dan M.Sinta Nurhayati yang dilakukan untuk menganalisis persediaan
barang di PT. Brothersindo Saudara Sejati dengan algoritma K-Means Clustering.
Penelitian tersebut menggunakan data transaksi bulan januari hingga desember
tahun 2022 dari perusahaan tersebut. Dengan metode yang digunakan diperoleh
hasil dengan dua cluster yaitu cluster 1 yang menunjukkan produk yang paling
sedikit terjual dan cluster 2 menunjukkan produk yang paling laris terjual
sehingga dapat menjadi referensi bagi perusahaan untuk meningkatkan efisiensi
6
dalam mengelola stok barang. Namun, dalam penelitian ini, belum dilakukan
tahap pengujian terhadap hasil clustering yang diperoleh sehingga keakuratannya
masih belum teruji (Kusuma Serli et al., 2023).
19
Penelitian selanjutnya yang menggunakan algoritma K-Means Clustering
adalah penelitian yang dilakukan oleh Intan Safira, Ratna Salkiawati, dan Wowon
58
Priatna di Toko Raja Bekasi. Penelitian tersebut menggunakan algoritma K-Means
Clustering untuk memahami pola persediaan barang di toko tersebut dengan
menerapkannya pada 10 sampel jenis barang yang telah diambil sebelumnya dan
57
mengelompokkannya menjadi 3 cluster. Hasil clusteringnya kemudian di evaluasi
menggunakan metode Davies-Bouldin Index atau DBI dan memperoleh nilai DBI
yaitu sebesar 1,856, dimana nilai tersebut merupakan hasil yang baik karena nilai
DBI nya mendekati nilai 0 (jurnal 4).

3
 Penelitian lain mengenai clustering dengan algoritma K-Means yaitu
penelitian yang dilakukan oleh Fauzia Allamatull Fitri dan Sukma Wardhana
34
tahun 2021. Penelitian ini mengimplementasikan algoritma K-Means untuk
mengklasterisasi data penjualan di Toko Usaha Mandiri. Berdasarkan algoritma
yang digunakan, maka diperoleh hasil clustering yaitu cluster 1 yang mencakup 11
data dengan nilai persentase sebesar 62%, cluster 2 mencakup 56 data dengan
nilai persentase 8%, dan cluster 3 yang mencakup 25 data dengan nilai persentase
8
30%, serta evaluasi hasil clustering dengan metode Davies Bouldin Index dengan
nilai 0.201 (Fithri & Wardhana, 2021).

Selanjutnya adalah penelitian oleh Niken Wulandari, Intan Nur Farida, dan
33
Umi Mahdiyah tahun 2022. Penelitian ini menggunakan metode K-Means
Clustering untuk melakukan prediksi terhadap persediaan barang di Toko N-Case
dengan menggunakan data penjualan selama 6 bulan dari 10 jenis case di toko
tersebut. Berdasarkan hasil dari metode tersebut diperoleh 3 cluster, di mana
43
cluster 1 menunjukkan tingkat penjualan rendah, cluster 2 menunjukkan tingkat
penjualan sedang, dan cluster 3 menunjukkan tingkat penjualan tinggi. Adapun
evaluasi clusternya menggunakan metode DBI yang menghasilkan nilai rata – rata
sebesar 0,2782 (Wulandari et al., 2022).

Kemudian penelitian terkait lainnya dilakukan oleh Tri Bayu Pamungkas,

Siti Maesaroh, dan Pebri Ardiansyah di PT. GMF AeroAsia tahun 2023. Penelitian
ini melakukan klasterisasi terhadap data penggunaan stok barang dari perusahaan
41
tersebut dengan menggunakan metode K-Means. Dengan menggunakan metode
tersebut, data terbagi menjadi tiga cluster yaitu cluster 1 yang memiliki 13 data
barang yang menunjukkan kategori barang dengan tingkat kedaluwarsa yang
rendah, cluster 2 yang memiliki 5 data barang yang menunjukkan kategori barang
dengan tingkat kedaluwarsa yang sedang, dan cluster 3 yang memiliki 2 data
barang yang menunjukkan kategori barang dengan tingkat kedaluwarsa yang
tinggi. Hasil clustering yang diperoleh kemudian di evaluasi menggunakan
metode DBI yang menghasilkan nilai 0,494 (Pamungkas et al., 2023).

4
 Berdasarkan hasil yang diperoleh dari beberapa penelitian terkait
penerapan algoritma K-Means Clustering yang telah dipaparkan di atas, secara
keseluruhan, metode ini dapat digunakan untuk melakukan prediksi terhadap stok
barang sehingga dapat mengoptimalisasi pengelolaan stok barang di sebuah toko
atau perusahaan.

Maka dari itu, penulis mengusulkan penelitian dengan judul “Clustering

Stok Material di PDAM Kota Makassar Wilayah Pelayanan VI
Menggunakan Algoritma K-Means”. Implementasi algoritma ini diharapkan
59
dapat menjadi solusi yang efektif dalam menghadapi tantangan yang ada dengan
mengelompokkan data historis penggunaan material ke dalam kelompok yang
serupa. Hal ini memungkinkan PDAM mengidentifikasi pola permintaan dengan
lebih baik dan menghasilkan prediksi stok material yang lebih tepat dan efisien,
serta hasil evaluasi clustering menggunakan metode Silhouette Coefficient
sebagai validasi dari hasil clustering.
7
B. Rumusan Masalah
Berdasarkan latar belakang dari permasalahan tersebut, maka rumusan
masalah
63
1. Bagaimana menerapkan algoritma K-Means untuk mengelompokkan stok
material berdasarkan pola – pola yang ada di PDAM Kota Makassar Wilayah
Pelayanan VI?
2. Bagaimana evaluasi hasil clustering stok material di PDAM Kota Makassar
Wilayah Pelayanan VI?
3. Bagaimana analisis hasil clustering dan evaluasi hasil clustering sehingga
dapat digunakan untuk melakukan prediksi terhadap kebutuhan stok material
di PDAM Kota Makassar Wilayah Pelayanan VI?

5
 28
C. Tujuan Penelitian
Adapun tujuan dari penelitian ini yaitu:

1. Untuk mengimplementasikan algoritma K-Means dalam mengelompokkan

stok material berdasarkan pola – pola yang ada di PDAM Kota Makassar
Wilayah Pelayanan VI.
2. Untuk mengevaluasi hasil clustering stok material di PDAM Kota
Makassar Wilayah Pelayanan VI.
3. Untuk melakukan analisis terhadap hasil clustering dan evaluasi hasil
clustering stok material sehingga dapat diterapkan dalam memprediksi
kebutuhan stok material di PDAM Kota Makassar Wilayah Pelayanan VI.
18
D. Manfaat Penelitian
Adapun manfaat dari penelitian ini, diantaranya:

1. Meningkatkan efisiensi dalam pengelompokan stok material untuk

mengidentifikasi pola – pola stok material di PDAM Kota Makassar Wilayah
Pelayanan VI sehingga dapat memberikan wawasan lebih baik dalam
memanajemen stok materialnya.
2. Memberikan landasan yang kuat dalam pengambilan keputusan terkait
kebutuhan stok material di PDAM Kota Makassar Wilayah Pelayanan VI
untuk membantu dalam penyusunan rencana persediaan yang lebih akurat dan
efisien sehingga tidak terjadi kekurangan atau kelebihan stok material yang
tidak diinginkan.
3. Memberikan wawasan dan pemahaman mengenai algoritma clustering,
terutama dalam penerapan algoritma k-means dalam melakukan klasterisasi
terhadap stok material di PDAM Kota Makassar Wilayah Pelayanan VI.

6
 42
BAB II

TINJAUAN PUSTAKA

A. Kajian Teori
1. PDAM Kota Makassar Wilayah Pelayanan VI
10
PDAM atau singkatan dari Perusahaan Daerah Air Minum merupakan
salah satu instansi milik pemerintah yang termasuk dalam Badan Usaha Milik
56
Daerah (BUMD). PDAM terdapat di berbagai provinsi, kabupaten, dan
kotamadya di Indonesia, termasuk di Kota Makassar. PDAM Kota Makassar
memiliki satu kantor pusat yang berlokasi di Jl. DR. Ratulangi No.3 dan memiliki
enam kantor wilayah pelayanan yang salah satunya adalah Kantor Wilayah
Pelayanan VI yang berlokasi di Komp. Ruko Mahkota Mas No. 15 RT 001 RW01,
Bangkala, Kecamatan Manggala, Kota Makassar, Sulawesi Selatan.

Sebagai bentuk perusahaan yang dimiliki oleh pemerintah daerah, PDAM

bertanggung jawab dalam memenuhi kebutuhan air bersih untuk masyarakat
umum, termasuk dalam penyediaan, pengembangan atau manajemen infrastruktur,
hingga pendistribusian air bersih ke masyarakat. Salah satu hal yang sangat
penting dalam operasional PDAM adalah pemilihan material yang digunakan
dalam infrastruktur air. Oleh karena itu, ketersediaan material di PDAM
7
merupakan salah satu hal yang penting dalam menjaga kelancaran operasionalnya.
PDAM. Di PDAM sendiri, terdapat ratusan jenis material seperti pipa, valve, dan
masih banyak lagi material lainnya di mana setiap material memiliki fungsi yang
berbeda – beda. Dengan memastikan ketersediaan material yang memadai, PDAM
dapat menjaga keberlanjutan operasionalnya dalam memenuhi kebutuhan air
bersih bagi masyarakat.
54
2. Clustering

Clustering merupakan sebuah metode atau langkah – langkah

pengelompokan data dari sekelompok data menjadi beberapa kelompok atau
8
cluster, di mana objek yang berada di dalam satu cluster tersebut cenderung

7
memiliki kesamaan yang tinggi, namun secara signifikan objek tersebut berbeda
dengan objek – objek yang berada di cluster yang lain. Tujuannya adalah untuk
memahami struktur data, mengidentifikasi pola – pola yang tidak terlihat
sebelumnya, dan memberikan pemahaman yang berharga dalam pengambilan
48
sebuah keputusan, terutama dalam sebuah perusahaan. Clustering termasuk salah
satu hal yang penting dalam analisis data karena dapat membantu dalam
menyederhanakan data yang kompleks, menemukan pola – pola atau informasi
yang belum terlihat, dan mendukung segmentasi pasar dan strategi bisnis (Han et
al., 2012).

Menurut Jiawei Han et al., terdapat berbagai metode clustering yang terdiri
dari beberapa kategori, seperti metode partisi, hierarkis, metode berbasis density,
21
dan metode berbasis grid (Han et al., 2012). Adapun algoritma clustering yang
umum digunakan adalah sebagai berikut:

a. K-Means Clustering

K-Means termasuk dalam algoritma pengelompokan non hierarki yang

15
mengelompokkan data dengan meningkatkan tingkat kesamaan data di dalam satu
cluster dan mengurangi tingkat kesamaan data antar cluster (Gideon Manik et al.,
2023).

b. Hierarchical Clustering

Hierarchical Clustering merupakan algoritma clustering yang

menghasilkan struktur hirarkis dengan mengelompokkan data secara bertahap
sehingga membentuk struktur pohon (Simanjuntak & Khaira, 2021). Algoritma ini
terdiri dari dua metode diantaranya Agglomerative (Bottom Up) yang
17
menggabungkan data menjadi kelompok data yang lebih besar dan Divisive (Top
to Down) yang memecah data menjadi kelompok data yang lebih kecil (Muhartini
et al., 2022)
11
c. Density-Based Spatial Clustering of Applications with Noise (DBSCAN)

8
 DBSCAN merupakan algoritma clustering yang membentuk cluster
berdasarkan tingkat kepadatan data dengan memperhitungkan jarak centroid
61
dalam membentuk sebuah cluster. Algoritma ini mengelompokkan daerah –
daerah yang memiliki tingkat kepadatan yang tinggi menjadi cluster – cluster
bebas dengan memperhitungkan keberadaan noise, yang menandai daerah yang
kurang padat dan memisahkan cluster (Hasibuan & Gaol, 2020).

Setelah hasil clustering diperoleh, selanjutnya dilakukan evaluasi terhadap

hasil clustering tersebut. Terdapat beberapa teknik yang dapat dilakukan dalam
mengevaluasi hasil clustering, seperti Silhouette Coefficient dan Davies-Bouldin
Index (DBI) (Sholeh & Aeni, 2023). Adapun penerapan algoritma clustering telah
diterapkan dalam berbagai bidang, seperti dalam menganalisis data, analisis
bioinformatika, deteksi anomali, analisis geospasial, analisis jaringan sosial,
26
rekomendasi produk, serta analisis sentiment (Han et al., 2012).

3. Algoritma K-Means

K-Means merupakan salah satu algoritma clustering K-Means yang

termasuk dalam algoritma pengelompokan non hierarki yang mengelompokkan
15
data dengan meningkatkan tingkat kesamaan data di dalam satu cluster dan
mengurangi tingkat kesamaan data antar cluster (Gideon Manik et al., 2023).
17
Menurut Salem 2014, Algoritma K-Means adalah metode pengelompokan yang
banyak digunakan yang bertujuan untuk mempartisi data input ke dalam k cluster
49
dengan cara meminimalkan jumlah kuadrat dalam cluster (within-cluster sum of
squares, WCSS) (Salem, 2014). Algoritma ini dikenal dengan kesederhanaan
implementasi dan eksekusi yang cepat, sehingga menjadi pilihan populer di
berbagai bidang, seperti segmentasi gambar, partisi data, dan analisis
pengelompokan (Patel & Sinha, 2010), (Chen & Wang, 2012), (Yu et al., 2014).

Berikut merupakan langkah – langkah algoritma K-Means (Putu et al.,

2015).
27
a. Menentukan jumlah k cluster yang akan dibentuk.

9
b. Menentukan titik pusat cluster secara acak sebagai sebagai centroid awal
sejumlah k cluster.
20
c. Menghitung jarak dari setiap objek terhadap setiap centroid di setiap cluster
dengan menggunakan perhitungan metrik jarak Euclidean Distance.
16
d(xi,yi) = √∑𝑛𝑖=1(𝑥𝑖, 𝑦𝑖)2 , dimana i = 1, 2,3, … n.
dengan d adalah jarak, i adalah jumlah data, y adalah centroid, x adalah
centroid, dan n adalah jumlah objek.
d. Menentukan centroid yang paling dekat untuk setiap objek dan alokasikan
objek tersebut ke centroid tersebut.
e. Melakukan iterasi untuk menentukan posisi centroid baru hingga konvergensi
tercapai, yaitu ketika centroid tidak lagi berubah secara signifikan atau jumlah
iterasi yang ditentukan tercapai.

Secara umum, K-Means memiliki beberapa keunggulan seperti mudah

diterapkan, efisien dalam proses pembelajaran, dan fleksibilitas adaptasi. Namun
juga terdapat kelemahan seperti risiko terhadap masalah curse of dimensionality
saat memiliki data pelatihan dengan dimensi yang sangat tinggi (Wahyono, 2018).

4. Evaluasi Clustering

Dalam analisis cluster, evaluasi hasil clustering merupakan langkah

penting untuk menentukan kualitas dan validitas skema pengelompokan yang
1
diterapkan pada sekumpulan data. Salah satu metode yang umum digunakan
untuk mengevaliasi kualitas hasil clustering adalah Sillhouette Coeficient.
Sillhouette Coefficient adalah ukuran yang menilai kualitas pengelompokan
dalam hal seberapa baik setiap titik data cocok dengan cluster yang ditetapkan
dibandingkan dengan cluster lainnya. Metode ini memperhitungkan kohesi dan
separasi dimana kohesi mengukur tingkat kedekatan antara objek – objek di dalam
13
sebuah cluster, sedangkan separasi mengukur seberapa besar jarak antara satu
cluster dengan cluster lainnya (Simanjuntak & Khaira, 2021).
1
Silhouette Coefficient terdiri dari beberapa tahapan yaitu sebagai berikut
(Handoyo et al., 2014).

10
a. Hitung rata – rata jarak antara sebuah titik data (i) dengan semua titik data lain
dalam cluster yang sama (ai).
3 1
a(i) = |𝐴|−1 ∑𝑗 ∈A,j≠i d(i, j)

di mana,
j = titik data lain dalam sebuah cluster A
d(i, j) = jarak titik data i dan titik data j.
b. Hitung rata – rata jarak antara titik data (i) tersebut dengan semua titik data
dalam cluster terdekat dan mengambil nilai yang paling kecil.
1
d(i,C) = |𝐴|−1 ∑𝑗 𝐽 ∈ Cd(i, j)

di mana,
d(i,C) = rata – rata jarak antara titik data i dengan keseluruhan objek yang
24
berada dalam cluster lain C dengan A ≠ C.
b(i) = min C ≠ Ad(i, C)
5
c. Hitung Silhouette Coefficient s(i) dengan menggunakan rumus berikut.
(𝑏(𝑖)−𝑎(𝑖))
s(i) =
max⁡(𝑎(𝑖),𝑏(𝑖))

Berdasarkan perhitungan Silhouette Coefficient nantinya akan

13
menghasilkan nilai di mana nilai yang tinggi atau mendekati 1 menunjukkan
bahwa titik data sangat cocok dengan clusternya sendiri dan kurang cocok dengan
cluster lainnya yang berdekatan, begitupun sebaliknya. Dengan demikian,
38
Silhouette Coefficient dapat membantu dalam membuat keputusan yang tepat
tentang jumlah cluster yang akan digunakan, yang mengarah pada hasil
pengelompokan yang lebih akurat dan dapat di andalkan.

11
B. Kerangka Pikir

Clustering Stok Material di PDAM Kota Makassar Wilayah Pelayanan VI

Menggunakan Algoritma K-Means
Model Analitik Menggunakan K-Means Clustering untuk Stok Material PDAM

FAKTA

Proses pengelolaan stok material di PDAM saat ini tidak optimal dan dapat
memengaruhi kelancaran operasional. Jumlah penggunaan material seperti
pipa, katup, maupun peralatan lainnya merupakan fakor kunci dalam
memastikan ketersediaan air yang memadai, sedangkan fluktuasi
permintaan dan kebutuhan material dapat menjadi kompleks dan sulit
diprediksi.

SOLUSI

Algoritma K-Means dipilih pada penelitian ini karena kemampuannya

untuk melakukan clustering pada data berdasarkan pola – pola yang terkait
dengan jumlah penggunaan material. Hasil clustering dengan algoritma ini
diharapkan dapat menghasilkan kelompok material yang serupa dalam pola
penggunaan sehingga dapat meningkatkan dan mengoptimalkan persediaan
material di PDAM.

12
 22
BAB III

METODE PENELITIAN

A. Jenis Penelitian
Pada penelitian ini, metode yang digunakan adalah teknik data mining.
30
Data mining merupakan salah satu pendekatan analisis data yang digunakan untuk
menggali informasi yang tersembunyi dan pola – pola yang bermanfaat dari
sejumlah data yang besar (Han et al., 2012). Proses penelitian dimulai dengan
pengumpulan data mentah yang relevan dengan topik penelitian, diikuti dengan
55
tahap preprocessing untuk membersihkan dan mempersiapkan data agar siap
untuk di analisis lebih lanjut. Selanjutnya adalah memilih dan menerapkan
berbagai algoritma data mining yang sesuai dengan fokus penelitian yang ingin
dilakukan, seperti algoritma klasifikasi, clustering, atau asosiasi, untuk
mengidentifikasi pola – pola, relasi, atau informasi penting lainnya dalam dataset.
Tahap terakhir dalam proses ini adalah evaluasi dan interpretasi hasil dari teknik
data mining yang telah diterapkan untuk memastikan keandalan dan relevansi
informasi yang ditemukan dalam analisis data tersebut.

Adapun fokus penelitian teknik data mining pada penelitian ini adalah
untuk menerapkan teknik – teknik tersebut untuk menganalisis data historis
penggunaan material di PDAM, dengan tujuan untuk mengidentifikasi pola
permintaan dengan lebih baik dan menghasilkan prediksi stok material yang lebih
tepat dan efisien.
62
B. Waktu dan Tempat Penelitian
Penelitian ini akan berlangsung sekitar dua bulan di dua lokasi yang
32
berbeda yaitu Lab. Sistem Cerdas Jurusan Teknik Informatika dan Komputer,
Fakultas Teknik, Universitas Negeri Makassar dan Kantor PDAM Kota Makasar
Wilayah Pelayanan VI.

13
 18
C. Alat dan Bahan
2
Adapun alat dan bahan yang akan digunakan dalam penelitian ini adalah
sebagai berikut.

1. Perangkat Keras

Perangkat keras yang digunakan dalam penelitian ini adalah sebuah PC

dengan spesifikasi sebagai berikut:

a. Processor Intel(R) Core(TM) i5-4200M CPU @ 2.50GHz 2.49 GHz

b. RAM 16.0 GB
2
c. 64-bit operating system, x64-based processor
2. Perangkat Lunak

Perangkat lunak yang digunakan dalam penelitian ini adalah sebagai

berikut:

a. Sistem Operasi Windows 10

b. Microsoft Office Excel
c. Visual Studio Code
d. Python 3.11.3

D. Prosedur Penelitian
11
Prosedur penelitian dalam penelitian ini terdiri dari beberapa tahap, yaitu
identifikasi masalah, pengumpulan data, pengumpulan data, pengolahan data
1
dengan data mining, evaluasi dan visualisasi hasil yang dapat dilihat pada gambar
2.1.

Gambar 3. 1 Prosedur Penelitian

14
1. Identifikasi Masalah

PDAM Kota Makassar Wilayah Pelayanan VI saat ini masih menggunakan

sistem manual untuk memprediksi stok material yang seringkali mengalami
50
kesalahan dan mengakibatkan masalah seperti kelebihan atau kekurangan stok.
Oleh karena itu diperlukan sebuah metode untuk mengidentifikasi pola
permintaan dengan lebih baik dan menghasilkan prediksi stok material yang lebih
tepat dan efisien.
1
2. Pengumpulan Data

Data yang digunakan dalam penelitian ini diperoleh dari PDAM Kota
Makassar Wilayah Pelayanan VI berupa data historis penggunaan material bagian
14
distribusi dan kehilangan air. Adapun beberapa contoh data yang akan digunakan
dalam penelitian ini terdapat pada tabel berikut.

Tabel 3. 1 Data Penggunaan Material

SPK Material
Hari/Tgl BPP Petugas Ket.
No Kegiatan Jenis Jml St
1 02 Jan 42/BPP/V/2023 Kebocoran Pipa HDPE ¾ inch 5 Mtr Arif Saenal P
2023 Fauzi
Double Nepple GI 3/4 2 Bh
Repair Clamp Steel SNI 1 Bh
4
Socket GI 3/4 2 Bh
Cleam Saddle.B 2 Bh
(HDPE) 4x1 1/4
Ferrule.B (HDPE) 1 2 Bh
1/4x3/4
Knie HDPE 3/4 6 Bh
2 02 Jan 44/BPP/V/2023 Kebocoran Repair Clamp Steel SNI 1 Bh Hamka Saenal P
2023 4
3 03 Jan 57/BPP/V/2023 Kebocoran Pipa HDPE 3/4 inc 1 Mtr Muhtar Saenal P
2023
Brass Ball Valve With 1 Bh
Lock GI 3/4x1/2
Varlop Socket GI 3/4 1 Bh
Isolasi Pipa 1 Roll

Sumber Data: PDAM Kota Makassar Wilayah Pelayanan VI

15
 Dapat dilihat pada tabel 3.1 bahwa terdapat 7 atribut yaitu sebagai berikut.

a. No yaitu nomor
b. Hari/Tgl adalah hari dan tanggal pekerjaan tersebut dilakukan
c. BPP adalah nomor surat
d. SPK Kegiatan merupakan jenis pekerjaan yang dilakukan
e. Material, memiliki 3 atribut yaitu Jenis yang merupakan jenis material yang
digunakan, Jml adalah jumlah material yang digunakan, St adalah satuan
material digunakan seperti buah, meter, dan roll.
f. Petugas merupakan nama petugas PDAM yang bertanggung jawab dalam
pekerjaan tersebut.
g. Ket atau keterangan merupakan nama petugas PDAM yang bertanggung
jawab untuk meminta material yang dibutuhkan dari gudang PDAM untuk
pekerjaan tersebut.

Data tersebut terdiri dari 1.120 SPK (Surat Perintah Kerja) bulan Januari
2023 hingga Desember 2023 dengan penggunaan material yang berbeda dalam
setiap pekerjaannya. Selain itu, dilakukan pula wawancara dengan petugas teknis
PDAM untuk mendapatkan pemahaman yang lebih mendalam mengenai kondisi
14
infrastruktur dan kebutuhan material di PDAM. Studi literatur juga dilakukan
untuk mengumpulkan referensi dari berbagai sumber seperti buku, jurnal, maupun
artikel yang berkaitan dengan penerapan algoritma K-Means dalam analisis
clustering. Studi literatur ini ini bertujuan untuk mendapatkan topik penelitian,
sehingga penelitian ini memiliki dasar teoritis yang kuat dan relevan dalam bidang
tersebut.

3. Preprocessing Data
45
Preprocessing data pada penelitian ini dilakukan dengan tiga tahap yaitu
37
data cleaning, data selection, dan data transformation.

a. Data Cleaning

Pada tahap data cleaning dilakukan penghapusan beberapa atribut yang

tidak digunakan serta variabel – variabel yang terduplikat, seperti jenis material

16
 53
yang sama digunakan secara berulang. Hal ini dilakukan untuk memastikan
kebersihan dan kualitas data yang akan digunakan.
31
b. Data Selection

Pada tahap data selection dilakukan pemilihan terhadap atribut – atribut

yang relevan dengan penelitian yang ingin dilakukan. Pemilihan data yang tepat
dapat membantu dalam meningkatkan efisiensi komputasi, mengurangi dimensi
data, serta mencegah overfitting. Adapun atribut yang akan digunakan adalah
atribut Jenis Material dan Jumlah. Adapun pada atribut Jumlah, jumlah
penggunaan material yang digunakan adalah total jumlah penggunaan setiap jenis
material pada setiap bulannya.
40
c. Data Transformation

Pada tahap data transformation dilakukan perubahan terhadap data yang

25
digunakan agar sesuai dengan format data yang akan diolah. Adapun hasil
preprocessing data dapat dilihat pada tabel berikut.

Tabel 3. 2 Hasil Preprocessing Data

29
Jenis Material Jan Feb Maret April Mei Jun Jul Agust Sep Okt Nov Des
No
1 Air Valve GI 1 0 0 0 0 3 0 0 0 12 1 0 0
2 Bend 90° FOR 0 0 0 0 0 1 0 0 0 0 4 0
HDPE 2
3 Bend 90° FOR 0 0 0 0 4 0 2 0 0 0 0 0
HDPE 3
4 Bend 90° FOR 0 0 0 0 0 1 0 0 0 0 0 0
HDPE 4
5 Bend 90° FOR 0 0 0 0 4 0 0 0 0 0 0 0
HDPE 6
6 Brass Ball 60 55 58 25 34 35 48 31 13 5 5 4
Valve With
Lock GI 3/4 x
1/2
… … … … … … … … … … … … … …
126 Water_Mour 9 1 0 2 3 12 11 4 11 9 11 5
3/4

17
 52
Berdasarkan tabel 3.2 di atas, dapat dilihat bahwa terdapat 126 jenis
material yang digunakan selama bulan Januari 2023 hingga Desember 2023.
35
4. Penerapan Algoritma Clustering

Pada tahap ini dilakukan pengimplementasian algoritma clustering dengan

metode K-Means terhadap data yang telah diolah sebelumnya dengan tujuan
untuk mengelompokkan dan mengidentifikasi pola – pola tersembunyi dalam data
tersebut. Berikut merupakan alur dari tahap tahap algoritma clustering dengan
metode K-Means (Putu et al., 2015).

44
Gambar 3. 2 Flowchart Algoritma K-Means

Berdasarkan gambar di atas, algoritma K-Means terdiri dari beberapa

23
tahap, yaitu sebagai berikut.

a. Menentukan jumlah k cluster yang akan dibentuk.

b. Menentukan titik pusat cluster secara acak sebagai sebagai centroid awal
sejumlah k cluster.

18
20
c. Menghitung jarak dari setiap objek terhadap setiap centroid di setiap cluster
dengan menggunakan perhitungan metrik jarak Euclidean Distance.
16
d(xi,yi) = √∑𝑛𝑖=1(𝑥𝑖, 𝑦𝑖)2 , dimana i = 1, 2,3, … n.
dengan d adalah jarak, i adalah jumlah data, y adalah centroid, x adalah
centroid, dan n adalah jumlah objek.
d. Menentukan centroid yang paling dekat untuk setiap objek dan alokasikan
objek tersebut ke centroid tersebut.
e. Melakukan iterasi untuk menentukan posisi centroid baru hingga konvergensi
tercapai, yaitu ketika centroid tidak lagi berubah secara signifikan atau jumlah
iterasi yang ditentukan tercapai.
5. Evaluasi Hasil Clustering
64
Evaluasi terhadap hasil clustering dilakukan dengan menggunakan metode
Silhouette Coefficient untuk menilai kualitas pengelompokan dalam hal seberapa
baik setiap titik data cocok dengan cluster yang ditetapkan dibandingkan dengan
1
cluster lainnya. Silhouette Coefficient terdiri dari beberapa tahapan yaitu sebagai
berikut (Handoyo et al., 2014).

a. Hitung rata – rata jarak antara sebuah titik data (i) dengan semua titik data lain
dalam cluster yang sama (ai).
19 1
a(i) = |𝐴|−1 ∑𝑗 ∈A,j≠i d(i, j)

di mana,
1
j = titik data lain dalam sebuah cluster A
d(i, j) = jarak titik data i dan titik data j.
b. Hitung rata – rata jarak antara titik data (i) tersebut dengan semua titik data
dalam cluster terdekat dan mengambil nilai yang paling kecil.
1
d(i,C) = |𝐴|−1 ∑𝑗 𝐽 ∈ Cd(i, j)

di mana,
d(i,C) = rata – rata jarak antara titik data i dengan keseluruhan objek yang
berada dalam cluster lain C dengan A ≠ C.
b(i) = min C ≠ Ad(i, C)

19
 5
c. Hitung Silhouette Coefficient s(i) dengan menggunakan rumus berikut.
(𝑏(𝑖)−𝑎(𝑖))
s(i) =
max(𝑎(𝑖),𝑏(𝑖))

Nilai Silhouette Coefficient yang mendekati 1 menunjukkan bahwa titik

data sangat cocok dengan clusternya, begitupun sebaliknya.

6. Visualisasi Hasil

Pada penelitian ini, dilakukan visualisasi hasil clustering dengan

menggunakan perangkat lunak Tableu untuk menampilkan hubungan antara dua
variabel. Tableu dapat membantu dalam mengidentifikasi pola, tren, serta anomali
39
dalam data dengan cepat, termasuk dalam data dalam penelitian ini.

E. Teknik Analisis Data

Pada penelitian ini, dilakukan analisis data untuk mengidentifikasi
material apa saja yang secara konsisten digunakan dalam pemasangan dan
46
perbaikan untuk pelanggan PDAM Kota Makassar Wilayah Pelayanan VI. Metode
yang digunakan dalam analisis data pada penelitian ini melibatkan evaluasi hasil
60
clustering dan visualisasi hasil clustering. Evaluasi hasil clustering dilakukan
dengan metode silhouette coefficient yang akan memberikan ukuran mengenai
seberapa baik sebuah objek cocok dengan kelompoknya sendiri dibandingkan
dengan kelompok yang lain. Adapun hasil clustering akan divisualisasikan dengan
menggunakan perangkat lunak Tableau untuk menggambarkan hasil clustering
yang diperoleh dalam bentuk diagram. Hal ini memungkinkan penulis untuk
mengidentifikasi dan memahami pola penggunaan material berdasarkan grafik
yang digambarkan dengan teknik visualisasi tersebut.

20
 DAFTAR PUSTAKA

Andre Prayoga Rizkyandri, Jasmir, & Arvita, Y. (2023). Implementasi Metode K-

Means Clustering Untuk Menentukan Persediaan Barang Pada Toko SS
BabyShop. Jurnal Informatika Dan Rekayasa Komputer(JAKAKOM), 3(2),
712–718. https://doi.org/10.33998/jakakom.2023.3.2.1388

Andrean, R., Fendy, S., & Nugroho, A. (2019). Klasterisasi Pengendalian

Persediaan Aki Menggunakan Metode K-Means. JOINTECS (Journal of
Information Technology and Computer Science), 4(1), 5.
https://doi.org/10.31328/jointecs.v4i1.998

Annisa, K., Ginting, B. S., & Syar, M. A. (2022). Penerapan Data Mining
Pengelompokan Data Pengguna Air Bersih Berdasarkan Keluhannya
Menggunakan Metode Clustering Pada Pdam Langkat. ALGORITMA: Jurnal
Ilmu Komputer Dan Informatika, 6(1), 112–129.

Chen, G. P., & Wang, W. P. (2012). An improved K-means algorithm with

meliorated initial center. ICCSE 2012 - Proceedings of 2012 7th
International Conference on Computer Science and Education, Iccse, 150–
153. https://doi.org/10.1109/ICCSE.2012.6295047

Fithri, F. A., & Wardhana, S. (2021). Cluster Analysis of Sales Transaction Data
Using K-Means Clustering At Toko Usaha Mandiri. Jurnal PILAR Nusa
Mandiri, 17(2), 113–118.
https://doi.org/https://doi.org/10.33480/pilar.v17i2.2273

Gideon Manik, T., Isti Rahayu, W., & Siti Fathonah, R. N. (2023). Perbandingan
Metode Fuzzy C-Cmeans Dan K-Means Clustering Pada Data Penggunaan
Obat Di R.S National Hospital Surabaya. JATI (Jurnal Mahasiswa Teknik
Informatika), 7(1), 591–597. https://doi.org/10.36040/jati.v7i1.6430

Han, J., Kamber, M., & Pei, J. (2012). DATA MINING : Concepts and
Techniques Third Edition. In Data Mining, Concepts and Techniques (3rd
ed.). Morgan Kaufmann Publishers is an imprint of Elsevier.

21
Handoyo, R., M, R. R., & Nasution, S. M. (2014). PERBANDINGAN METODE
CLUSTERING MENGGUNAKAN METODE SINGLE LINK DAN K-
MEANS PADA PENGELOMPOKAN DOKUMEN. Jurnal Sifo Mikroskil,
Vol. 15(2), 73–83. https://doi.org/https://doi.org/10.55601/jsm.v15i2.161

Hasibuan, Z. A., & Gaol, F. L. (2020). MACHINE LEARNING: KONSEP DAN

IMPLEMENTASI (1st ed.). PENERBIT GAVA MEDIA.

Kusuma Serli, R., Imron, Wijonarko, B., & Nurhayati, M. S. (2023). Analisis
Persediaan Barang Menggunakan Clustering K Means Pada PT.
Brothersindo Saudara Sejati. JURNAL TEKNIKA, 17(2), 569–580.
https://doi.org/https://doi.org/10.5281/zenodo.10275405

Muhartini, A. A., Febriati, T., & Sukmawati, S. (2022). ANALISIS CLUSTER

UNTUK MENGELOMPOKKAN PENGGUNAAN KARTU PERDANA
SELULER DI UNIVERSITAS BINA BANGSA: Survei Mahasiswa Jurusan
Pendidikan Matematika. Jurnal Bayesian: Jurnal Ilmiah Statistika Dan
Ekonometrika, 2(1), 15–30. https://doi.org/doi.org/10.46306/bay.v2i1.25

Mulkan, M. B. I., Meilen, H., Putra, A. M., Sepriansyah, A. A. G., & Rahman, M.
A. (2023). APLIKASI PERAMALAN STOK BARANG PADA CV.
SARANA USAHA MANDIRI DENGAN METODE SINGLE MOVING
AVERAGE. Jurnal Sains Komputer Dan Sistem Informasi, 1(2), 38–44.
https://doi.org/https://doi.org/10.61674/jursakomsi.v1i2.120

Pamungkas, T. B., Maesaroh, S., & Ardiansyah, P. (2023). Implementasi Data

Mining Pada Stok Penggunaan Barang Di Gmf Aeroasia Menggunakan
Algoritma K-Means Clustering. Jurnal Ilmiah Sains Dan Teknologi, 7(2),
112–123. https://doi.org/10.47080/saintek.v7i2.2697

Patel, B. C., & Sinha, G. R. (2010). An Adaptive K-means Clustering Algorithm

for Breast Image Segmentation. International Journal of Computer
Applications, 10(4), 35–38. https://doi.org/10.5120/1467-1982

Putu, N., Merliana, E., & Santoso, A. J. (2015). ANALISA PENENTUAN

22
 JUMLAH CLUSTER TERBAIK PADA METODE K-MEANS
CLUSTERING. PROSIDING SEMINAR NASIONAL MULTI DISIPLIN
ILMU & CALL FOR PAPERS UNISBANK (SENDI_U), 978–979.

Ramdhan, D., Dwilestari, G., Dana, R. D., Ajiz, A., & Kaslani, K. (2022).
Clustering Data Persediaan Barang Dengan Menggunakan Metode K-Means.
MEANS (Media Informasi Analisa Dan Sistem), 7(1), 1–9.
https://doi.org/10.54367/means.v7i1.1826

Salem, N. M. (2014). Segmentation of white blood cells from microscopic images

using K-means clustering. National Radio Science Conference, NRSC,
Proceedings, 371–376. https://doi.org/10.1109/NRSC.2014.6835098

Sholeh, M., & Aeni, K. (2023). Perbandingan Evaluasi Metode Davies Bouldin,
Elbow dan Silhouette pada Model Clustering dengan Menggunakan
Algoritma K-Means. STRING (Satuan Tulisan Riset Dan Inovasi Teknologi),
8(1), 56–65. https://doi.org/10.30998/string.v8i1.16388

Simanjuntak, K. P., & Khaira, U. (2021). Pengelompokkan Titik Api di Provinsi

Jambi dengan Algoritma Agglomerative Hierarchical Clustering. MALCOM:
Indonesian Journal of Machine Learning and Computer Science, 1(1), 7–16.
https://doi.org/10.57152/malcom.v1i1.6

Wahyono, T. (2018). FUNDAMENTAL OF PYTHON FOR MACHINE

LEARNING (1st ed.). PENERBIT GAVA MEDIA.

Wulandari, N., Farida, I. N., & Mahdiyah, U. (2022). Implementasi Metode K-

Means Clustering Dalam Pengadaan Barang Di Toko N-Case. Seminar
Nasional Inovasi Teknologi, 2(5), 308–313.
https://doi.org/https://doi.org/10.29407/inotek.v6i1.2534

Yu, S.-S., Chu, S.-W., Wang, C.-L., Chan, Y.-K., & Chuang, C.-Y. (2014). A
Modified K-means Algorithms - Bi-Level K-Means Algorithm. International
Conference on on Soft Computing in Information Communication
Technology (SCICT 2014), Scict, 10–13. https://doi.org/10.2991/scict-

23
14.2014.3

24
 Similarity Report ID: oid:29615:55074203

24% Overall Similarity

Top sources found in the following databases:
21% Internet database 7% Publications database
Crossref database Crossref Posted Content database
20% Submitted Works database

TOP SOURCES
The sources with the highest number of matches within the submission. Overlapping sources will not be
displayed.

123dok.com
1 3%
Internet

digilib.unila.ac.id
2 1%
Internet

Universitas Pendidikan Ganesha on 2020-06-27

3 1%
Submitted works

unars on 2024-03-18
4 <1%
Submitted works

ojs.unpkediri.ac.id
5 <1%
Internet

etheses.uin-malang.ac.id
6 <1%
Internet

docplayer.info
7 <1%
Internet

Sriwijaya University on 2019-06-11

8 <1%
Submitted works

Sources overview
 Similarity Report ID: oid:29615:55074203

ejournal.unama.ac.id
9 <1%
Internet

eprints.umm.ac.id
10 <1%
Internet

repository.its.ac.id
11 <1%
Internet

Politeknik Pariwisata Lombok on 2022-06-23

12 <1%
Submitted works

Universitas Brawijaya on 2019-10-15

13 <1%
Submitted works

repo.itera.ac.id
14 <1%
Internet

Universitas Brawijaya on 2017-01-05

15 <1%
Submitted works

Universitas Lancang Kuning on 2022-06-30

16 <1%
Submitted works

repository.ub.ac.id
17 <1%
Internet

repository.iainambon.ac.id
18 <1%
Internet

STT PLN on 2020-09-18

19 <1%
Submitted works

jurnal.iaii.or.id
20 <1%
Internet

Sources overview
 Similarity Report ID: oid:29615:55074203

jurnal.peneliti.net
21 <1%
Internet

nilaisiswa.files.wordpress.com
22 <1%
Internet

Musfiani Musfiani. "ANALISIS CLUSTER DENGAN MENGGUNAKAN ME...

23 <1%
Crossref

Universitas Brawijaya on 2016-09-19

24 <1%
Submitted works

Universitas Brawijaya on 2022-10-31

25 <1%
Submitted works

journal.sinov.id
26 <1%
Internet

Tri Bayu Pamungkas, Siti Maesaroh, Pebri Ardiansyah. "IMPLEMENTA...

27 <1%
Crossref

eprints.unisbank.ac.id
28 <1%
Internet

sumbar.bpk.go.id
29 <1%
Internet

UIN Maulana Malik Ibrahim Malang on 2019-10-06

30 <1%
Submitted works

Universitas Pelita Harapan

31 <1%
Submitted works

ojs.unm.ac.id
32 <1%
Internet

Sources overview
 Similarity Report ID: oid:29615:55074203

proceeding.unpkediri.ac.id
33 <1%
Internet

Konsorsium Perguruan Tinggi Swasta Indonesia II on 2021-08-27

34 <1%
Submitted works

Universitas Brawijaya on 2020-04-18

35 <1%
Submitted works

Universitas Brawijaya on 2023-05-22

36 <1%
Submitted works

ojs.unud.ac.id
37 <1%
Internet

nikeshoescom.us.com
38 <1%
Internet

scribd.com
39 <1%
Internet

UIN Sultan Syarif Kasim Riau on 2019-09-18

40 <1%
Submitted works

Universitas Putera Batam on 2019-05-25

41 <1%
Submitted works

Universitas Terbuka on 2017-12-07

42 <1%
Submitted works

Universitas Trunojoyo on 2022-01-14

43 <1%
Submitted works

Universitas Trunojoyo on 2022-01-28

44 <1%
Submitted works

Sources overview
 Similarity Report ID: oid:29615:55074203

core.ac.uk
45 <1%
Internet

digilibadmin.unismuh.ac.id
46 <1%
Internet

jurnal.polsri.ac.id
47 <1%
Internet

repo.untribkalabahi.ac.id
48 <1%
Internet

repositori.uin-alauddin.ac.id
49 <1%
Internet

repository.stmikroyal.ac.id
50 <1%
Internet

repository.usd.ac.id
51 <1%
Internet

zh.scribd.com
52 <1%
Internet

Forum Komunikasi Perpustakaan Perguruan Tinggi Kristen Indonesia (...

53 <1%
Submitted works

UIN Sunan Ampel Surabaya on 2020-05-08

54 <1%
Submitted works

UIN Sunan Ampel Surabaya on 2023-05-31

55 <1%
Submitted works

Universitas Bung Hatta on 2021-08-18

56 <1%
Submitted works

Sources overview
 Similarity Report ID: oid:29615:55074203

ejournal.itn.ac.id
57 <1%
Internet

eprints.mercubuana-yogya.ac.id
58 <1%
Internet

geograf.id
59 <1%
Internet

journal.irpi.or.id
60 <1%
Internet

ml.scribd.com
61 <1%
Internet

rachmaferdiana.wordpress.com
62 <1%
Internet

repository.potensi-utama.ac.id
63 <1%
Internet

repository.uin-suska.ac.id
64 <1%
Internet

Sources overview