Article Sidebar

Download
Download Article

Main Article Content

Abstract

This study aims to classify reject patterns in the production process using the K-Means Clustering method. The dataset consists of 870 records collected from the production line, containing information such as product name, reject type, process stage, and production quantity. Through a data mining approach, data preprocessing steps such as cleaning, encoding, and normalization were performed prior to the clustering process. The Elbow Method indicated that the optimal number of clusters is three. Each cluster exhibits distinct characteristics: light rejects with small quantities in early stages, heavy rejects with large quantities, and moderate rejects with random distribution. These findings are expected to assist management in formulating more targeted strategies for process improvement and quality control. By identifying common reject patterns within each cluster, companies can adopt a more proactive approach to minimizing production defects and enhancing overall operational efficiency.

Keywords

Data Mining K-Means Clustering Production Rejects Manufacturing Process

Article Details

Creative Commons License

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

How to Cite
Lestari, R., Novalia, E., Tukino, & Nurapriani, F. (2025). Classification of Reject Patterns Based on Production Stages Using the K-Means Clustering Method. Golden Ratio of Data in Summary, 5(4), 972–980. https://doi.org/10.52970/grdis.v5i4.1301
Download Citation
Endnote/Zotero/Mendeley (RIS)
BibTeX

References

  1. Arrosyad, A. A., Purnamasari, A. I., & Ali, I. (2024). Implementasi algoritma K-Means clustering untuk analisis persebaran UMKM di Jawa Barat. Jurnal Mahasiswa Teknik Informatika, 8(3).
  2. Barimbing, A. O., & Hidayat, R. R. (2024). Rancang bangun customer relationship management dengan K-Means untuk reward customer berbasis web. Jurnal Teknik Informatika dan Sistem Informasi, 10(2). https://doi.org/10.28932/jutisi.v10i2.7138
  3. Darmawan, H., & Yudistira, N. (2017). Penggunaan model Tabular Retrieval Model (TabR) dengan K-Means clustering untuk efisiensi klasifikasi dan regresi data tabular, 1(1). http://j-ptiik.ub.ac.id
  4. Dila, R., Saputra, R., & Ramadhanu, A. (2025). Klasifikasi timun segar dan busuk menggunakan K-Means clustering dengan peningkatan noise reduction dan median filter, 6(1).
  5. Priambodo, E. P., & Jananto, A. (2023). Perbandingan analisis cluster algoritma K-Means dan …
  6. Haekal, J., & Mu’min, R. (2024). Structured defect data-based K-Means clustering analysis and framework for quality control (QC) prioritization in manufacturing, 18(3), 405–416.
  7. Harani, N. H., Prianto, C., & Nugraha, F. A. (2020). Segmentasi pelanggan produk digital service Indihome menggunakan algoritma K-Means berbasis Python. Jurnal Manajemen Informatika (JAMIKA). https://doi.org/10.34010/jamika.v10i2
  8. Anikah, I., Surip, A., Rahayu, N. P., Al-Musa, M. H., & Tohidi, E. (2022). Pengelompokan data barang dengan menggunakan metode K-Means untuk menentukan stok persediaan barang. KOPERTIP: Jurnal Ilmiah Manajemen Informatika dan Komputer, 4(2), 58–64. https://doi.org/10.32485/kopertip.v4i2.120
  9. Industri, K., Budi, S., Sakur, H., Silangen, M., & Tuwohingide, D. (2022). Penerapan algoritme K-Means cluster dan metode TOPSIS pada pemilihan mahasiswa kunjungan industri.
  10. Kurnia, N., & Muhammad, A. (2023). IT management dengan menggunakan metode K-Means clustering untuk pengelompokan stok barang. Jurnal Sains Informatika Terapan (JSIT), 2(1).
  11. Zeda Al Widad, P. U., & Malik, K. (2022). Implementasi algoritma K-Means clustering untuk loyalitas pelanggan berbasis web di Majutoto Malang, x(x), 1–5.
  12. Zahrial, O. T., Siddik, M., & Kom, M. (2023). Penerapan metode K-Means clustering dalam perancangan sistem penjualan. Jurnal Mahasiswa Aplikasi Teknologi Komputer dan Informasi, 5(2), 138–143.
  13. Hidayat, M. K., & Fitriana, R. (2022). Penerapan sistem intelijensia bisnis dan K-Means clustering untuk memantau produksi tanaman obat. Jurnal Teknologi Industri Pertanian, 32(2), 204–219. https://doi.org/10.24961/j.tek.ind.pert.2022.32.2.204
  14. Pooja, N., Saputra, M., Aisyah, S., & Juanta, P. (2022). Implementasi data mining clustering data valuasi ekspor kertas Indonesia menggunakan algoritma K-Means. Jurnal Sistem Informasi dan Ilmu Komputer Prima, 5(2). https://www.bps.go.id
  15. Sebagai, D., Satu, S., Untuk, S., Gelar, M., & Strata, S. (2024). Penerapan metode K-Means clustering untuk analisis profil lulusan teknik industri di dunia kerja (Tugas akhir).
  16. Setiawan, S. (2022). Implementasi data mining clustering dengan metode K-Means untuk mengelola persediaan stok, 3(2), 146–164. https://katalog.data.go.id/dataset/banyaknya-persediaan-dan-pemakaian-kabupaten
  17. Syani, M., Wahyudi, T., & Studi Sistem Informasi, P. (2024). Klasterisasi penggunaan ban dengan cost per kilometer terendah pada PT. PL menggunakan metode K-Means. Jurnal Indonesia: Manajemen Informatika dan Komunikasi (JIMIK), 5(3). https://journal.stmiki.ac.id
  18. Ulfah, M., & Sri Irtwaty, A. (2022). Penerapan data mining clustering menggunakan metode K-Means dalam pengelompokan buku perpustakaan Politeknik Negeri Balikpapan.
  19. Watmah, S., Riana, D., & Astuti, R. D. (2024). Penerapan K-Means dan K-Medoids berbasis RFM pada segmentasi pelanggan di masa pandemi COVID-19. INTI Nusa Mandiri, 18(2), 192–200. https://doi.org/10.33480/inti.v18i2.4963
  20. Widodo, A., Widyastuti, R., & Hendrawan, S. A. (2024). Prediksi biaya logistik menggunakan metode K-Means. Innovation and Technology, 1(1).

Similar Articles

1 2 3 4 5 6 7 8 9 10 > >> 

You may also start an advanced similarity search for this article.