IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK PENGELOMPOKAN JENIS PROYEK VIDEO BERDASARKAN KARAKTERISTIK DI AGENCY PT LOGEEKA GRUP ID

Muhammad Surya Candra; Thomas Afrizal; Umar Wirantasa

doi:10.47775/ictech.v21i1.394

Penulis

Muhammad Surya Candra Indraprasta PGRI
Thomas Afrizal Universitas Indraprasta PGRI
Umar Wirantasa

DOI:

https://doi.org/10.47775/ictech.v21i1.394

Kata Kunci:

K-Means Clustering, Produksi Video, Agency Kreatif, Data Mining, Min-Max Normalization

Abstrak

Agency produksi video menghadapi tantangan krusial dalam pengelolaan proyek yang bervariasi dari
segi kompleksitas, anggaran, dan durasi pengerjaan. PT Logeeka Grup ID sebagai salah satu pelaku
industri kreatif di Jakarta mengalami kendala dalam distribusi sumber daya tim produksi akibat tidak
adanya sistem klasifikasi proyek yang terstandarisasi. Penelitian ini merancang dan membangun
aplikasi web berbasis algoritma K-Means Clustering untuk mengelompokkan 30 data proyek video tahun
2024 ke dalam tiga kluster berdasarkan nilai budget (juta rupiah) dan durasi produksi (hari). Data
dinormalisasi menggunakan metode Min-Max Normalization sebelum proses iterasi K-Means
dijalankan. Sistem dibangun menggunakan PHP dan MySQL, dilengkapi modul kelola proyek, kelola
tim, kelola budget, proses clustering otomatis, serta laporan hasil pengelompokan. Hasil iterasi ke-2
menghasilkan kluster yang stabil: Kluster 1 (Proyek Premium) mencakup proyek berbudget tinggi dan
durasi panjang, Kluster 2 (Proyek Standard) untuk proyek menengah, dan Kluster 3 (Proyek Quick)
untuk proyek berscale kecil. Evaluasi menggunakan Silhouette Score dan Davies-Bouldin Index
mengkonfirmasi kualitas pengelompokan yang baik. Sistem terbukti mampu meningkatkan efisiensi
perencanaan alokasi sumber daya dan estimasi anggaran di lingkungan agency kreatif.

Referensi

Suryadi, A., & Mulyana, D. (2021). Analisis Permasalahan Manajemen Proyek pada Agency Kreatif Digital di Indonesia. Jurnal Manajemen Teknologi Informasi, 12(2), 45-58.

Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann Publishers.

Kusumawati, R., & Wibowo, A. (2022). Segmentasi Pelanggan Platform E-Commerce Menggunakan Algoritma K-Means Clustering. Jurnal Teknologi Informasi dan Ilmu Komputer, 9(1), 112-121.

Andini, T. D., & Prasetya, D. A. (2021). Optimasi Jumlah Kluster pada K-Means Menggunakan Elbow Method dan Silhouette Score. Jurnal Informatika, 15(3), 78-89.

Rahman, F., & Hidayat, R. (2023). Pengaruh Normalisasi Data terhadap Akurasi Algoritma K-Means pada Data Proyek Kreatif. Jurnal Ilmu Komputer dan Informasi, 16(1), 23-35.

Firmansyah, B. (2023). Implementasi Data-Driven Decision Making pada Agency Produksi Video: Studi Kasus PT Creativindo Media. Jurnal Bisnis dan Teknologi Informasi, 8(2), 201-215.

Xu, R., & Tian, Y. (2017). A Comprehensive Study of Clustering Algorithms. Annals of Data Science, 2(2), 165-193.

MacQueen, J. (1967). Some Methods for Classification and Analysis of Multivariate Observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1, 281-297.

Saxena, A., Prasad, M., Gupta, A., Bharill, N., Patel, O. P., Tiwari, A., ... & Lin, C. T. (2017). A Review of Clustering Techniques and Developments. Neurocomputing, 267, 664-681.

Putri, S. N., & Nugroho, H. (2023). Tantangan Adopsi Sistem Berbasis Data pada Tim Kreatif di Industri Periklanan Digital Indonesia. Jurnal Komunikasi dan Bisnis, 11(1), 88-103.