i
PENERAPAN METODE K-MEANSCLUSTERING
UNTUK MENGELOMPOKAN POTENSI PRODUKSI BUAH – BUAHAN DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh :
MIKAEL ADITYA WAHYU KRISNA MURTI 125314047
PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA YOGYAKARTA
ii
THE IMPLEMENTATION OF K-MEANS CLUSTERING METHODS TO CLASSIFY THE FRUIT PRODUCTION POTENTIALITY
IN SPECIAL REGION OF YOGYAKARTA PROVINCE
A THESIS
Presented as Partial Fullfillment of Requirements
To Obtain the Sarjana Komputer Degree In Informatics Engineering Study Program
By :
MIKAEL ADITYA WAHYU KRISNA MURTI 125314047
INFORMATICS ENGINEERING STUDY PROGRAM INFORMATICS ENGINEERING DEPARTMENT
FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY
iii
HALAMAN PERSETUJUAN
SKRIPSI
PENERAPAN METODE
K-MEANS CLUSTERINGUNTUK
MENGELOMPOKAN POTENSI PRODUKSI BUAH
–
BUAHAN DI PROVINSI DAERAH ISTIMEWA
YOGYAKARTA
Oleh :
MIKAEL ADITYA WAHYU KRISNA MURTI 125314047
Telah disetujui oleh :
Dosen Pembimbing Proposal TA
iv
HALAMAN PENGESAHAN
SKRIPSI
PENERAPAN METODE
K-MEANS CLUSTERINGUNTUK
MENGELOMPOKAN POTENSI PRODUKSI BUAH
–
BUAHAN DI PROVINSI DAERAH ISTIMEWA
YOGYAKARTA
Dipersiapkan dan ditulis oleh :
MIKAEL ADITYA WAHYU KRISNA MURTI 125314047
Telah dipertahankan di depan Panitia Penguji
Pada tanggal 2 Februari 2017
Dan dinyatakan telah memenuhi syarat
Susunan Panitia Penguji
Nama Lengkap
Ketua : Paulina Heruningsih Prima Rosa M.Sc.
Sekretaris : JB. Budi Darmawan S.T., M.Sc.
Anggota : Dr. Cyprianus Kuntoro Adi, S.J. M.A.,M.Sc.
v
MOTTO
“Warisan cita-cita, takdir waktu, dan impian manusia adalah hal yang tidak akan pernah berakhir. Selama manusia terus mencari arti kebebasannya, hal ini tidak
akan pernah bisa dicegah!” –Gold D Roger
“Orang lemah tidak bisa memilih cara mereka untuk mati!” –Trafalgar D.Watel Law
vi
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis
ini tidak memuat karya atau bagian karya orang lain, kecuali yang
telah disebutkan dalam kutipan dan daftar pustaka, sebagaimana
layaknya karya ilmiah.
Yogyakarta,
Penulis
vii
LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS
Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma :
Nama : Mikael Aditya Wahyu Krisna Murti
NIM : 125314047
Demi mengembangkan ilmu pengetahunan, saya memberikan kepada
Perpusatakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul :
PENERAPAN METODE K-MEANSCLUSTERING UNTUK MENGELOMPOKAN POTENSI PRODUKSI BUAH – BUAHAN DI
PROVINSI DAERAH ISTIMEWA YOGYAKARTA
Beserta perangkat yang diperlukan (bila ada). Dengan demikian, saya memberikan
kepada Universitas Sanata Dharma hak untuk menyimpan, mengalihkan ke dalam
bentuk media lain, mengelolanya dalam bentuk pangkalan data,
mendistribusikannya secara terbatas dan mempublikasikannya di Internet atau
media lain untuk kepentingan akademis tanpa perlu izin dari saya maupun
memberi royalti kepada saya selama tetap mencantumkan nama saya sebagai
penulis.
Demikian pernyataan ini saya buat dengan sebenarnya.
Yang menyatakan,
viii
ABSTRAK
Berdasarkan data hasil pertanian buah di Dinas Pertanian Provinsi Daerah
Istimewa Yogyakarta menampilkan beberapa daerah dengan hasil panen buah
yang bervariasi jumlahnya. Untuk itu diperlukan pengelompokan daerah potensial
penghasil buah untuk mengetahuni daerah mana saja yang menghasilkan buah
dengan jumlah banyak ataupun sedikit. Pembagian hasil produksi biasanya
dilakukan berdasarkan nama kabupaten penghasil buah. Oleh karena itu,
dibutuhkan metode untuk memudahkan dalam pengelompokan daerah penghasil
buah.
Dengan pendekatan pengklasteran K-Means, pembagian kelompok daerah dapat dilakukan berdasarkan luas panen (Ha), produksi(ton) dan tahun panen.
Pada penelitian ini dilakukan pengklasteran daerah potensial penghasil buah
menggunakan algoritma K-Means.
Dengan menggunakan K-Means bertujuan dalam memudahkan pengelompokan suatu daerah dengan hasil produksi buah banyak, sedang dan
rendah. Hasilnya adalah sebuah gambaran yang menunjukan pengelompokan
daerah berdasarkan hasil pertanian buah.
ix
ABSTRACT
The data of fruit agriculture in Agriculture Department of Yogyakarta
Province presents that some region has lots of fruit variation. Based on the data, it
is necessary to classify the fruits based on the quantity of the fruits. The
classification is usually done based on the regions which produce the fruits.
Hence, a method is needed to make a classification easier.
The writer proposed K-Means cluster method. Using K-Means cluster
method. The region classification can be done based on the area (Ha), the amount
of production (ton) and the harvest time (year).This research was done with
K-Means algorithm.
It is aimed to make the classification easier in a region with lot, medium
and less production. The result of research is a picture that show the region
classification based on the fruit agriculture.
x
KATA PENGANTAR
Puji dan syukur kepada Tuhan Yang Maha Esa atas segala berkat dan
karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir yang berjudul "
Penerapan Metode K-MeansClustering Untuk Memetakan Potensi Produksi Buah - buahan di Provinsi Daerah Istimewa Yogyakarta ". Tugas akhir ini merupakan
salah satu mata kuliah wajib dan sebagai syarat akademik untuk memperoleh gelar
sarjana komputer Program Studi Teknik Informatika Universitas Sanata Dharma
Yogyakarta.
Penulis menyadari bahwa selama proses penelitian dan penyusunan
laporan tugas akhir ini, banyak pihak yang telah membantu penulis, sehingga pada
kesempatan ini penulis ingin mengucapkan terima kasih antara lain kepada :
1. Tuhan Yang Maha Esa, yang telah memberikan pertolongan dan
kekuatan dalam proses pembuatan tugas akhir.
2. Bapak Dr. Cyprianus Kuntoro Adi, S.J. M.A.,M.Sc. selaku dosen
pembimbing tugas akhir, atas kesabarannya dan nasehat dalam
membimbing penulis, meluangkan waktunya, memberi dukungan,
motivasi, serta saran yang sangat membantu penulis.
3. Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku Dekan Fakultas Sains
dan Teknologi, atas bimbingan, kritik dan saran yang telah diberikan
kepada penulis.
4. Dr. Anastasia Rita Widiarti, M.Kom. selaku Ketua Program Studi Teknik
Informatika atas bimbingan, kritik, dan saran yang telah diberikan kepada
penulis.
5. Iwan Binanto M.Cs.selaku dosen pembimbing akademik.
6. Keluarga tercinta, kedua orang tua Modestus Adi Sulistyana dan
Anastasia Endang Murtiasih, serta kakak saya Vitalista Epifani Tyas
Murtiasih dan adik saya Elisabeth Dhian Novitasari.
7. Agatha Secondy Christy Gratia yang selalu memberikan doa, semangat
xi
8. Warga ITIL Alvin, Bayu, Dion, Haris, Henry, Hugo, Kevin, Anjar, Dio,
Seto, Cahyo, Daniel, Alex, Tobi, Willy, Wisnu, Xave, dan Yosua yang
selalu memberikan semangat.
9. Anaknya Mo Kun Wiga, Desa Nada, Bondan, Echo, Nita, April, Okta,
Riyadlah, dan Agustin yang selalu memberikan dukungan.
10. Teman Anime Young, Ari, Eca, dan Theo.
11. Teman PES 2016 Rudi, Blasius, Parta, Ari Ori, Theo, Dika Gd, Ahok,
Dika Kc, dan Aldy.
12. Semua teman-teman Basis Data 2012 yang selalu kompak sampai akhir.
13. Teman – teman Teknik Informatika semua angkatan dan khususnya TI
angkatan 2012 yang selalu memberikan motivasi dan bantuan hingga
penulis menyelesaikan tugas akhir ini.
14. Reza Oktovian , The Jooomers , PokoPow, MiawAug, Erix Soekamti,
Tara Arts Game Indonesia, Bagoes Kresnawan, dan Picky Picks yang
selalu memberikan tontonan yang menarik.
Penulis menyadari bahwa masih banyak kekurangan dalam
penyusunan tugas akhir ini. Saran dan kritik sangat diharapkan untuk
perbaikan yang akan datang.
Penulis
xii
DAFTAR ISI
HALAMAN PERSETUJUAN... iii
HALAMAN PENGESAHAN ... iv
MOTTO ... v
PERNYATAAN KEASLIAN KARYA ... vi
LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... vii
1.7 Sistematika Penulisan ... 4
BAB II ... 5
LANDASAN TEORI ... 5
2.1 Data mining ... 5
2.1.1 Pengertian Data mining Dalam Berbagai Disiplin Ilmu ... 5
2.1.2 Posisi Data mining Dalam Berbagai Disiplin Ilmu ... 7
2.1.3 Data, Informasi, dan Pengetahunan (Knowledge) ... 7
2.1.5 Clustering ... 10
xiii
3.1.1 Gambaran Penelitian ... 18
3.2 Data... 18
3.3 Jenis Data... 19
3.4 Analisa Data ... 19
3.4.1 Transformasi Data ... 19
3.4.2 Pengolahan Data... 20
3.5 Desain User Interface ... 27
3.6 Spesifikasi Alat ... 28
BAB IV ... 29
IMPLEMENTASI SISTEM DAN ANALISISA HASIL ... 29
4.1 Implemantasi ... 29
Lampiran 1. Tabel Data Produksi Buah ... 44
xiv
DAFTAR TABEL
Tabel 3. 1 Inisialisasi nama buah ... 19
Tabel 3. 2 Inisialisasi nama Kabupaten... 20
Tabel 3. 3 Contoh data Jumlah Pohon dan Produksi Buah – buahan ... 21
Tabel 3. 4 Contoh data Jumlah Pohon dan Produksi Buah – buahan ... 21
Tabel 3. 5 Tabel Hasil Perhitungan Jarak Pusat Cluster ... 22
Tabel 3. 6 Tabel Pengelompokan Group... 23
Tabel 3. 7 Tabel Hasil Perhitungan Jarak Pusat Cluster ... 25
Tabel 3. 8 Tabel Pengelompokan Group... 26
xv
DAFTAR GAMBAR
Gambar 2. 1 Tahap penemuan Knowledge pada Data mining (KDD) Han, Jiawei
(2011) ... 6
Gambar 3. 1 Block Diagram ... 18
Gambar 3. 2 User Interface ... 27
Gambar 4. 1 Implementasi –K-Means clustering dengan tiga cluster ... 29
Gambar 4. 2 Tampilan keseluruhan sistem ... 30
Gambar 4. 3 Input dokumen... 31
1
BAB I
PENDAHULUAN
1.1Latar Belakang
Pangan adalah kebutuhan manusia yang paling mendasar. Menurut UU RI nomor 7 tahun
1996 tentang pangan menyebutkan bahwa pangan merupakan hak asasi bagi setiap individu
di Indonesia. Buah adalah bahan makanan yang kaya akan vitamin, mineral, lemak, protein
dan serat. Setiap jenis buah mempunyai keunikan dan daya tarik tersendiri, seperti rasa yang
lezat dan beraroma yang khas dalam buah itu sendiri. Buah – buahan saat ini semakin
mendapat perhatian dari masyarakat, baik sebagai menu makanan maupun sebagai komoditas
ekonomi yang bernilai tinggi (Widodo, 1996).
Sektor pertanian merupakan sektor yang mendapatkan perhatian cukup besar dari
pemerintah dikarenakan peranannya yang sangat penting dalam rangka pembangunan
ekonomi jangka panjang maupun dalam rangka pemulihan ekonomi bangsa. Peranan sektor
pertanian adalah sebagai sumber penghasil bahan kebutuhan pokok, sandang dan papan,
menyediakan lapangan kerja bagi sebagian besar penduduk, memberikan sumbangan
terhadap pendapatan nasional yang tinggi, memberikan devisa bagi negara dan mempunyai
efek pengganda ekonomi yang tinggi dengan rendahnya ketergantungan terhadap impor
(multiplier effect), yaitu keterkaitan input-output antar industri, konsumsi dan investasi.
Dampak pengganda tersebut relatif besar, sehingga sektor pertanian layak dijadikan sebagai
sektor andalan dalam pembangunan ekonomi nasional. Sektor pertanian juga dapat menjadi
basis dalam mengembangkan kegiatan ekonomi perdesaan melalui pengembangan usaha
berbasis pertanian yaitu agribisnis dan agroindustri. Dengan pertumbuhan yang terus positif
secara konsisten, sektor pertanian berperan besar dalam menjaga laju pertumbuhan ekonomi
nasional (Antara,2009).
Komoditas hortikultura merupakan produk yang prospektif, baik untuk memenuhi
kebutuhan pasar domestik maupun internasional. Permintaan pasar baik di dalam maupun di
luar negeri masih besar. Di samping itu, produk ini juga memiliki nilai ekonomi yang tinggi.
Di sisi lain, keragaman karakteristik lahan, agroklimat serta sebaran wilayah yang luas
memungkinkan wilayah Indonesia digunakan untuk pengembangan hortikultura tropis dan
sub tropis.
Indonesia merupakan salah satu negara penghasil buah tropis yang memiliki
keanekaragaman dan keunggulan cita rasa yang cukup baik bila dibandingkan dengan
buah-buahan dari negara-negara penghasil buah tropis lainnya. Produksi buah dalam negeri
diharapkan dapat memenuhi semua kebutuhan masyarakat. Karena dengan berhasilnya
produksi buah berarti pemerintah tidak memerlukan tindakan untuk menimpor buah dari
negara lain. Akan tetapi dalam kenyataannya, Indonesia dalam pemenuhan kebutuhan akan
buah masih tergantung pada impor dari Negara lain. Produksi buah dari tahun ke tahun
mengalami penurunan.
Penurunan produksi buah tersebut antara lain disebabkan karena menipisnya stok di
beberapa daerah karena belum memasuki masa panen atau juga dikarenakan impor buah yag
dilakukan oleh pemerintah untuk memenuhi kebutuhan belum teralisasi.
Produksi buah di Indonesia dari tahun ke tahun mengalami penurunan. Untuk itu dalam
rangka memenuhi kebutuhan buah, peran dinas pertanian untuk mengelompokan daerah
yang menghasilkan produksi buah di daerah Indonesia khususnya Provinsi Daerah Istimewa
Yogyakarta agar dapat mengoptimalkan produksi buah, tidak semata mengutamakan
keuntungan pribadi tetapi mendukung peningkatan nilai tambah produk dan peningkatan
pendapatan petani.
Pengelompokan tersebut dapat menggunakan metode pengelompokan dengan algoritma K-Means. Dengan data yang sudah dikelompokkan menggunakan algoritma
K-Means diharapkan dapat mempermudah dinas pertanian dalam menghitung hasil pertanian di tiap daerahnya agar mengetahuni daerah mana yang menghasilkan buah terbanyak, sedang,
dan sedikit.
1.2Rumusan Masalah
Berdasarkan latar belakang yang ada dapat dirumuskan masalah yaitu : untuk mengetahui
daerah yang menghasilkan produksi buah yang banyak di Provinsi Daerah Istimewa
1.3Tujuan Penelitian
Tujuan dari penelitian ini adalah mengetahui daerah potensial penghasil buah dan dapat
mengetahui daerah tersebut cocok untuk tanaman padi. Pengelompokan tersebut dapat menggunakan metode pengelompokan dengan algoritma K-Means.
1.4Manfaat Penelitian
Berdasarkan tujuan penelitian diatas, manfaat yang dapat diberikan adalah diharapkan
dapat membantu pihak Dinas Pertanian dalam memudahkan mengelompokan daerah
potensial untuk produksi buah di Provinsi Daerah Istimewa Yogyakarta.
1.5Batasan Masalah
Dalam batasan masalah ini, penulis membatasi permasalah yang perlu yaitu :
1. Data yang akan digunakan adalah data produksi buah - buahan dan jumlah pohon
selama lima tahun dari tahun 2005 sampai 2009.
2. Data yang digunakan dalam proses pengelompokan adalah data data produksi buah -
buahan dan jumlah pohon menurut Kabupaten di Provinsi Daerah Istimewa
Yogyakarta.
3. Data produksi buah meliputi alpokat, mangga, rambutan, duku, jeruk, sirsak, sukun,
belimbing, durian, jambu biji, manggis, sawo, pepaya, pisang, nenas, salak,
nangka, dan semangka.
1.6Metode Penelitian
Metode penelitian pada penyusunan penulisan ini, adalah :
1. Studi literatur dengan tujuan :
a. Mempelajari dan memahami K-Means clustering dalam data mining. b. Mengetahui data produksi buah beberapa kabupaten.
2. Pengumpulan data melalui Dinas Pertanian Provinsi Daerah Istimewa Yogyakarta.
3. Implementasi algoritma ke dalam sistem.
1.7Sistematika Penulisan Bab I. Pendahuluan
Dalam bab ini tentang latar belakang masalah, rumusan masalah, tujuan penelitian,
batasan masalah, dan sistematika penulisan.
Bab II. Landasan Teori
Dalam bab ini berisi tentang teori yang dapat menunjang peneitian, yaitu berupa
pengertian data mining, proses data mining, dan algoritma K-Means.
Bab III. Analisa dan Perancangan Sistem
Dalam bab ini berisi tentang cara penerapan konsep dasar yang telah diuraikan pada Bab
II untuk menganalisis dan merancang tentang system sesuai tahap – tahap penyelesaian
masalah tersebut dengan menggunakan algoritma K-Means.
Bab IV. Implementasi dan Analisa Sistem
Dalam bab ini berisi tentang implementasi ke program computer beradasarkan hasil
perancangan yang dibuat, analisis perangkat lunak yang telah dibuat.
Bab V. Penutup
5
BAB II
LANDASAN TEORI
Pada Bab II ini akan dipaparkan mengenai landasan teori yang medukung penelitian yang
dilakukan oleh penulis. Dalam Bab ini akan dijelaskan pengertian dan metode yang akan
digunakan oleh penulis.
2.1Data mining
2.1.1 Pengertian Data mining Dalam Berbagai Disiplin Ilmu
Data mining adalah sebuah proses percarian secara otomatis informasi yang berguna dalam tempat penyimpanan data berukuran besar. Istilah lain yang sering
digunakan diantaranya knowledge discovery (mining) in databases (KDD), knowledge extraction, data atau pattern analysis, data archeology, data dredging, information
harvesting, dan business intelligence. Teknik data mining digunakan untuk memeriksa basis data berukuran besar sebagai cara untuk menemukan pola yang baru dan berguna.
Tidak semua pekerjaan pencarian informasi dinyatakan sebagai data mining. Sebagai contoh, pencarian record individual menggunakan database management system atau
pencarian halaman we tertentu melalui kueri ke semua search engine adalah pekerjaan
pencarian informasi yang erat kaitannya dengan information retrieval. Teknik-teknik
data mining dapat digunakan untuk meningkatkan kemampuan sistem-sistem
information retrieval.
Data mining adalah adalah bagian integral dari knowledge discovery in databases
(KDD). sebuah langkah dalam proses mencari pola-pola yang terdapat dalam setiap
Database
Gambar 2. 1 Tahap penemuan Knowledge pada Data mining (KDD) Han, Jiawei (2011)
Gambar 2.1 menggambarkan proses KDD dalam menghasilkan knowledge dan terdiri dari beberapa tahap:
a. Data Cleaning
Untuk menghapus data yang tidak dipakai dan data yang tidak konsisten.
b. Data Integration
Berbagai sumber data dapat digabungkan.
c. Data Selection
Data yang bersangkutan pada tugas analisis diseleksi dan diambil kembali dari
database.
d. Data Transformation
Data diubah atau diperkuat menjadi bentuk yang seharusnya untuk diolah dengan
menganalisis ringkasan atau jumlah total agregasi.
e. Data mining
Sebuah proses penting di mana metode intelijen diterapkan dengan tujuan untuk
f. Pattern Evaluation
Untuk mengidentifikasi pola-pola menarik yang menjelaskan mengenai ukuran
dasar pengetahunan yang ada.
g. Knowledge Presentation
Visualisasi dan teknik representasi knowledge digunakan untuk menyajikan
knowledge yang telah diolah untuk pengguna.
2.1.2 Posisi Data mining Dalam Berbagai Disiplin Ilmu
Para ahli berusaha menetukan posisi bidang data mining di antara bidang-bidang yang lain. Hal dikarenakan ada kesamaan antara sebagian bahasan data mining dengan bahasan di bidang lain. Memang tidak seratus persen sama, tetapi ada sejumlah
kesamaan karakteristik dalam beberapa hal. Kesamaan bidang data mining dalam bidang statistik adalah penyampelan, estimasi, dan pengujian hipotesis.
2.1.3 Data, Informasi, dan Pengetahunan (Knowledge)
Data adalah segala fakta, angka, atau teks yang dapat diproses oleh komputer. Saat
ini, akumulasi pertumbuhan jumlah data berjalan dengan cepat dalam format dan basis
data yang berbeda. Data-data tersebut antara lain, adalah :
a. Data operasional atau transaksional. Contoh : penjualan, inventaris, penggajian,
akuntansi, dll.
b. Data non operasional. Contoh : Indusri penjualan, inventaris, permalan, dan data
ekonomi makro.
c. Meta data adalah mengenai data itu sendiri, seperti desain logikabasis data.\
2.1.4 Pengelompokan Data mining
Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu (Larose, 2005) :
a. Deskripsi (Description)
Terkadang penelitian analisis secara sederhana ingin mencoba mencari cara untuk
menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai
atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam
pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan
kemungkinan penjelasan untuk suatu pola atau kecenderungan.
b. Estimasi (Estimation)
Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke
arah numerik daripada ke arah kategori. Model dibangun menggunakan record
lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi.
Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat
berdasarkan nilai variabel prediksi. Sebagai contoh, akan dilakukan estimasi
tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, indeks berat badan, dan level sodium darah. Hubungan antara tekanan
darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan
menghasilan model estimasi. Model estimasi yang dihasilkan dapat digunakan
untuk kasus baru lainnya.
c. Prediksi (Prediction)
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam
prediksi nilai dari hasil akan ada di masa datang. Contoh prediksi dalam bisnis dan
penelitian adalah prediksi harga beras dalam tiga bulan yang akan datang, prediksi
persentase kenaikan kecelakaan lalu lintas tahun depan jika batas bawah kecepatan
dinaikkan. Beberapa metode dan teknik yang digunakan dalam klasifikasi dan
estimasi dapat pula digunakan untuk prediksi.
d. Klasifikasi (Classification)
Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh, penggolongan
pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi,
pendapatan sedang dan pendapatan rendah.
Contoh lain klasifikasi dalam bisnis dan penelitian adalah menentukan apakah suatu
transaksi kartu kredit merupakan transaksi yang curang atau bukan, memperkirakan
atau buruk, dan mendiagnosis penyakit seorang pasien untuk mendapatkan kategori
penyakit apa.
e. Pengklusteran (Clustering)
Pengklusteran merupakan pengelompokan record , pengamatan atau memperhatikan dan membentuk kelas objek – objek yang memiliki kemiripan.
Cluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan record – record dalam cluster lain.
Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam
Pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi,
mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma
Pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data
menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana
kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain akan bernilai minimal. Contoh Pengklusteran dalam bisnis dan penelitian adalah melakukan Pengklusteran
terhadap ekspresi dari gen, untuk mendapatkan kemiripan perilaku dari gen dalam
jumlah besar. Mendapatkan kelompok – kelompok konsumen untuk target
pemasaran dari suatu produk bagi perusahaan yang tidak memiliki dana pemasaran
yang besar, dan untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap
perilaku finansial dalam keadaan baik atau mencurigakan.
f. Asosiasi (Assosiation)
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam
satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja.
Contoh asosiasi dalam bisnis dan penelitian adalah menemukan barang dalam
supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli
secara bersamaan, dan meneliti jumlah pelanggan dari perusahaan telekomunikasi
seluler yang diharapkan untuk memberikan respons posistif terhadap penawaran
2.1.5 Clustering
Clustering data dapat dibedakan menjadi dua tujuan (Tan et al,2006), yaitu
clustering untuk pemahaman dan clustering untuk penggunaan. Jika tujuan untuk pemahaman maka cluster yang terbentuk harus menangkap struktur alami data. Biasanya proses clustering dalam tujuan ini hanya sebagai proses awal untuk kemudian dilanjutkan dengan pekerjaan ini seperti summarization (rata-rata, standar deviasi),
pelabelan kelas pada setiap kelompok untuk kemudian digunakan sebagai data latih
klasifikasi, dan sebagainya. Sementara jika tujuannya untuk penggunaan, biasanya
tujuan utama untuk mencari prototype cluster yang paling representative terhadap data dan memberikan abstraksi dan setiap objek data dalam cluster di mana sebuah data terletak didalamnya.
Banyak metode clustering yang sudah dikembangkan oleh para ahli. Masing – masing metode mempunyai karakter, kelebihan, dan kekurangan. Clustering dapat dibedakan menurut stuktur cluster, keanggotaan data dalam cluster dan kekompakan data dalam cluster.
Metode clustering menurut strukturnya dibagi menjadi dua yaitu pengelompokan hirarki dan partitioning. Pengelompokan hirarki memiliki aturan satu data tunggal bisa dianggap sebagai sebuah kelompok, dua atau lebih kelompok kecil dapat bergabung
menjadi satu kelompok besar dan begitu seterusnya hingga semua data dapat bergabung
menjadi satu kelompok. Metode clustering hirarki merupakan satu-satunya metode yang masuk ke dalam kategori pengelompokan hirarki. Metode clustering partitioning
membagi set data ke dalam sejumlah kelompok yang tidak tumpang tindih (overlap)
antara satu kelompok dengan kelompok yang lain artinya setiap data hanya menjadi
anggota satu kelompok. Metode seperti K-Means dan DBSCAN masuk dalam kategori
pengelompokan partitioning.
Metode clustering menurut keanggotaan dalam kelompok dibagi menjadi dua, yaitu eksklusif dan tumpang-tindih. Metode tersebut termasuk kategori eksklusif jika sebuah
data hanya menjadi anggota satu kelompok dan tidak menjadi anggota kelompok yang
membolehkan sebuah data menjadi anggota di lebih dari satu kelompok, misalnya F uzzy
C-Means.
Metode clustering menurut kategori kekompakan terbagi menjadi dua yaitu komplet dan parsial. Semua data bisa dikatakan kompak menjadi satu kelompok jika
semua data bisa bergabung menjadi satu (dalam konteks penyekatan) namun jika ada
sedikit data yang tidak ikut bergabung dalam kelompok mayoritas data tersebut
dikatakan mempunyai perilaku menyimpang. Data yang menyimpang ini dikenal
dengan sebutan noise. Metode yang tangguh untuk mendeteksi noise ini adalah
DBSCAN (Eko Prasetyo, 2014).
2.2Teorema K-Means
2.2.1 Clustering K-Means
Algoritma K-Means merupakan algoritma pengelompokan iterative yang melakukan partisi set data ke dalam sejumlah K cluster yang sudah ditetapkan di awal. Algoritma K-Means sederhana untuk diimplemtasikan dan dijalankan, relative cepat, mudah beradaptasi, umum penggunaannya dalam praktek. Secara historis, K-Means
menjadi salah satu algoritma yang paling penting dalam bidang data mining (Wu dan similarity) dikelompokkan pada kelompok yang lain. Proses clustering dimulai dengan mengidentifikasi data yang akan dicluster , Xij (i=1,...,n; j=1,...,m) dengan n adalah
jumlah data yang akan dicluster dan m adalah jumlah variabel. Pada awal iterasi, pusat setiap cluster ditetapkan secara bebas (sembarang), Ckj (k=1,...,k; j=1,...,m). Kemudian
dihitung jarak antara setiap data dengan setiap pusat cluster. Untuk melakukan penghitungan jarak data ke-i (xi) pada pusat cluster ke-k (ck), diberi nama (dik), dapat
√∑ ( ) (1)
Suatu data akan menjadi anggota dari cluster ke-k apabila jarak data tersebut ke pusat cluster ke-k bernilai paling kecil jika dibandingkan dengan jarak ke pusat cluster
lainnya. Hal ini dapat dihitung dengan menggunakan persamaan (2) Selanjutnya,
kelompokkan data-data yang menjadi anggota pada setiap cluster.
∑ √∑ (2)
Nilai pusat cluster yang baru dapat dihitung dengan cara mencari nilai rata-rata
dari data-data yang menjadi anggota pada cluster tersebut, dengan menggunakan rumus pada persamaan (3):
∑ (3)
Dimana xij∈cluster ke – k
p = banyaknya anggota cluster ke k
2.2.2 Tujuan Clustering K-Means
Tujuan pekerjaan pengelompokan (clustering) data dapat dibedakan menajadi dua, yaitu pengelompokan untuk pemahaman dan pengelompokan untuk penggunaan. Jika
tujuannya untuk pemahaman, kelompok yang terbentuk harus menangkap struktur alami
data, bisanya proses pengelompokan dalam tujuan ini hanya sebagai proses awal untuk
kemudian dilanjutkan dengan pekerjaan inti seperti peringkasan atau summarization
(rata – rata, standart deviasi), pelabelan kelas pada setiap kelompok untuk kemudian
digunakan sebagai data latih klasifikasi, dan sebagainya. Sementara jika penggunaan,
tujuan utama pengelompokan biasanya adalah mencari prototype kelompok yang paling respresentatif terhadap data, memberikan abstraksi dari setiap objek data dalam
kelompok dimana sebuah data terletak di dalamnya. Contoh – contoh tujuan
pengelompokan untuk pemahaman adalah sebagai berikut :
a. Biologi
Seperti yang sudah banyak diketahui, bahwa hewan – hewan di alam ini
dikelompokan – kelompokkan menurut karakter – karakter tertentu secara hierarkis,
kerajaan, sedangkan level terendah adalah spesies. Satu jenis hewan mempunyai
nama spesies sendiri. Dua hewan dengan spesies berbeda dapat mempunyai genus
yang sama. Sejumlah hewan dengan genus berbeda dapat mempunyai suku yang
sama. Begitu juga dengan ordo, kelas, filum, dan kerajaan. Semua hewan berada
dalam kelompok yang sama (satu kelompok) di level kerajaan, yaitu hewan. Contoh
teknik pengelompkan dalam bidang biologi yang lain adalah pengelompokan gen –
gen yang fungsinya sama.
b. Informationretrieval
Situs web di internet berjumlah miliaran. Ketika di-query, mesin pencari akan memberikan hasil ribuan halaman. Teknik pengelompokan dapat digunakan untuk
mengelompokkan hasil halaman yang diberikan mesin pencari ke dalam kelompok
yang lebih kecil di mana setiap kelompok berisi halaman yang berkarakteristik
sama atau mirip. Misalnya, dengan kata kunci query “movie” dapat diberikan hasil
halaman yang dibedakan dalam kategori seperti “genre”, “star”,”theaters”, dan
sebagainya. Setiap kategori dapat dipecah kembali menjadi subkategori yang
membentuk hierarki sehingga membatu pengguna mengekspolarsi hasil query.
c. Klimatologi
Pemahaman cuaca di bumi memerlukan pencarian pola atmosfer dan lautan.analisis
kelompok dapat diterapkan untuk menemukan pola tekanan udara di wilayah kutub
dan lautan yang berpengaruh besar pada cuaca di daratan.
d. Bisnis
Perusahaan biasanya mempunyai data informasi dalam jumlah yang besar tentang
seluruh pelanggan saat itu dan pelanggan yang berpotensi. Pengelompokan dapat
diterapkan untuk memecah pelanggan ke dalam kelompok – kelompok kecil untuk
Contoh – contoh tujuan pengelompokan untuk penggunaan adalah sebagai berikut :
a. Peringkasan (Summarization)
Ada banyak teknik analisis data, seperti regresi atau PCA, yang membutuhkan
waktu dan atau kompleksitas komputasi O(m2) atau lebih (m adalah jumlah data). Dengan semakin banyak data, biaya untuk melakukan peringkasan menjadi mahal
(berat dan kompleks). Teknik pengelompokan data dapat diterapkan untuk
membuat sebuah prototype yang dapat mewakili kondisi seluruh data, misalnya dengan mengambil nilai rata – rata untuk semua data dari setiap kelompok sehingga
sejumlah data yang bergabung dalam sebuah kelompok akan diwakili oleh sebuah
data. Dengan cara ini, waktu dan kompleksitas komputasi data dikurangi secara
signifikan.
b. Kompresi
Data – data yang bergabung dalam setiap kelompok dapat dianggap berkarakter
sama atau mirip sehingga data – data dalam kelompok yang sama dapat dikompresi
dengan diwakili oleh indeks prototype dari setiap kelompok. Setiap objek diresprentasikan dengan indeks prototype yang dikaitkan dengan sebuah kelompok. Teknik kompresi ini dikenal dengan kuatisasi vektor (vector quatization).
c. Pencarian Tetangga Terdekat Secara Efisien
Pada teknik K-NN, komputasi untuk mencari tetangga terdekat akan semakin berat
ketika jumlah data semakin besar. Hal tersebut tidak sebanding dengan jumlah data
yang akhirnya digunakan sebagai tetangga terekat. Dengan pengelompokan, kita
dapat membuat prototype di mana setiap prototype mewakili satu kelas. Dengan
cara ini, komputasi pencarian tetangga terdekat dapat digantikan dengan prototype
terdekat. Hal ini dapat mengurangi waktu komputasi secara signifikat. Konsekuensinya adalah mungkin cara mendapatkan tetangga terdekat menjadi
2.2.3 Langkah Clustering K-Means
Proses clustering dengan menggunakan algoritma K-Means memiliki langkah-langkah sebagai berikut :
a. Inisialisasi : tentukan K sebagai jumlah cluster yang diinginkan dan metrik
ketidakmiripan (jarak) yang diinginkan. Jika perlu, tetapkan ambang batas
perubahan fungsi objektif dan ambang batas perubahan centroid. b. Pilih K data baru set data X sebagai centroid.
c. Alokasikan semua data ke centroid terdekat dengan metrik jarak yang sudah
ditetapkan (memperbaharui ID setiap data).
d. Hitung kembali centroid C berdasarkan data yang mengikuti cluster
masing-masing.
e. Ulangi langkah tiga dan empat hingga kondisi konvergen tercapai, yaitu (a)
perubahan fungsi objektif sudah dibawah ambang batas yang diinginkan; atau (b)
tidak ada data yang berpindah cluster ; atau (c) perubahan posisi centroid sudah dibawah ambang batas yang ditetapkan.
2.2.4 Jenis Data Dalam Set Data
Sebuah data set dapat dipandang sebagai sebuah koleksi dari objek- objek data.
Nama lain dari sebuah objek data adalah record, titik, vektor, pola, event , case, sample, observasi atau entitas. Objek-objek data dijelaskan oleh sejumlah atribut yang
menangkap karakteristik dasar dari sebuah objek, seperti massa dari sebuah objek fisik
atau waktu pada saat sebuah kejadian terjadi. Nama-nama lain untuk atribut adalah
variabel, karekteristik, field , fitur atau dimensi.
Atribut adalah sifat atau property atau karakteristik objek data yang nilainya dapat
bermacam – macam dari dari suatu objek ke objek yang lain, dari satu waktu ke waktu
yang lain. Misalnya, warna kulit seseorang bisa berbeda dengan warna kulit orang lain,
berat badan seseorang juga bisa berubah dari waktu ke waktu. Warna kulit bisa
mempunyai nilai simbolik (hitam, putih, kuning, langsat, cokelat, sawo matang),
sedangkan berat badan bisa berupa nilai angka numerik.
dibandingkan satu sama lain, sedangkan warna kulit tidak bisa dibandingkan karena
menggunakan nilai yang sifatnya kualitatif. Umumnya, tipe atribut ada dua, yaitu
17
BAB III
METODE PENELITIAN
Berdasarkan pada landasan teori yang berada pada Bab II yang telah disampaikan oleh
penulis. Pada bab ini menjelaskan cara kerja algoritma yang digunakan dan proses yang akan
dibangun untuk melakukan pengelompokan.
3.1Tahap Penelitian
Dalam sub bab ini akan membahas tentang metode perancangan yang akan digunakan
dan langkah-langkah dalam penelitian ini, adapun sebagai berikut :
1. Tahap pencarian, pada tahap ini akan dilakukan pencarian data langsung melalui
Dinas Pertanian Provinsi Daerah Istimewa Yogyakarta. Pencarian data di lakukan
dengan proses wawancara terhadap Kepala Dinas Pertanian Provinsi Daerah
Istimewa Yogyakarta.
2. Pencarian informasi mengenai segala sesuatu yang berhubungan dengan penelitian
ini.
3. Pengumpulan data.
4. Menganalisa data yang sudah didapatkan, dan membuat perancangan sistemnya.
5. Mengimplementasikan perancangan yang sudah dilakukan ke dalam perangkat lunak.
6. Melakukan pengujian terhadap sistem dengan memasukan data .
3.1Model Analisis
Pada bagian model analisis berisi diagram block yang teridi dari
preprocessing data, K-Means clustering. Berikut ini penjelasannya :
3.1.1 Gambaran Penelitian
Di bawah ini merupakan proses system menggunakan diagram block :
]\
Gambar 3. 1 Block Diagram
Pada gambar 3.1 proses clustering di mulai dari input data mentah yang
seperti nama buah dan kabupaten harus dilakukan proses inisialisasi data terlebih
dahulu ke dalam bentuk angka/numerikal. Tahap ke empat yaitu K-Means clutering disini tahap K-Means clustering adalah menggelompokan data yang sudah ada ke dalam tiga kelompok yaitu banyak, sedang, dan rendah.
3.2Data
Data yang akan digunakan untuk mengelompokan adalah data produksi yang
diperoleh dari data produksi buah – buahan selama lima tahun yang terkumpul
sebanyak 450 data. Data tersebut diambil langsung dari Dinas Pertanian Provinsi
3.3Jenis Data
Jenis data yang diambil adalah dari dokumen jumlah pohon dan produksi
buah – buahan Provinsi Daerah Istimewa Yogyakarta tahun 2005 sampai dengan
tahun 2009 yang berupa format pdf kemudian yang kemudian diubah ke dalam
bentuk dokumen yang berekstensi .xlsx.
3.4Analisa Data
Secara umum, system yang akan dibangun dalam penelitian ini adalah sebuah
system dengan fungsi utama untuk melakukan pengelompokan produksi buah. Data yang digunakan untuk penelitian merupakan data yang diperoleh dari arsip
Dinas Pertanian Provinsi Daerah Istimewa Yogyakarta. Data yang digunakan
merupakan data jumlah pohon dan produksi. Sehingga nantinya dinas terkait
dapat mengambil tindakan untuk memetakan tempat produksi. Berikut ini adalah
contoh data yang akan digunakan untuk perhitungan dengan K-Means clustering :
3.4.1 Transformasi Data
Agar data di atas dapat diolah dengan menggunakan metode K-Means
clustering, maka data yang berjenis data nominal seperti nama buah dan kabupaten harus diinisialisasikan terlebih dahulu dalam bentuk angka.
Tabel 3. 1 Inisialisasi nama buah
Sukun 7
Belimbing 8
Durian 9
Jambu Biji 10
Manggis 11
Sawo 12
Pepaya 13
Pisang 14
Nanas 15
Salak 16
Nangka 17
Semangka 18
Tabel 3. 2 Inisialisasi nama Kabupaten
Kabupaten Inisalisasi
Kabupaten Bantul 1
Kabupaten Gunungkidul 2
Kota Yogyakarta 3
Kabupaten Kulonprogo 4
Kabupaten Sleman 5
3.4.2 Pengolahan Data
Setelah semua data nama buah dan kabupaten pada tahun 2005 sampai
2009 ditransformasi ke dalam bentuk angka, maka data-data tersebut telah
dapat dikelompokan dengan menggunakan algoritma K-Means
a. Tentukan jumlah cluster yang diinginkan. Dalam penelitian ini data – data yang ada akan dikelompokan menjadi tiga cluster .
b. Tentukan titik pusat awal dari setiap cluster . Dalam penelitian ini titik pusat awal ditentukan secara random dan didapat titik pusat dari setiap
cluster dapat dilihat pada tabel 3.3 dan contoh data sample yang digunakan dapat dilihat pada tabel 3.4.
Tabel 3. 3 Contoh data Jumlah Pohon dan Produksi Buah – buahan
TITIK PUSAT AWAL JUMLAH POHON PRODUKSI
Cluster 1 14634913 57476
Cluster 2 123129 213
Cluster 3 2314 66
Tabel 3. 4 Contoh data Jumlah Pohon dan Produksi Buah – buahan
Setelah diketahui nilai k dan pusat cluster awal selanjutnya mengukur jarak antara pusat cluster menggunakan euclidian distance, kemudian akan
didapatkan matriks jarak yaitu C1, C2 dan C3 sebagai berikut:
Rumus euclidian distance:
Perhitungan jarak data pertama dengan pusat cluster pertama adalah :
√
Perhitungan jarak data pertama dengan pusat cluster kedua adalah :
√
Perhitungan jarak data pertama dengan pusat cluster ketiga adalah :
√
Tabel 3. 5 Tabel Hasil Perhitungan Jarak Pusat Cluster
JUMLAH POHON
PRODUKSI C1 C2 C3 Jarak
Terpendek
14634913 57476 0.00 14511896.98 14632711.62 0.00
9772771 123229 4862586.58 9650426.09 9771233.24 4862586.58
4534595 67329 10100322.81 4411976.52 4532780.09 4411976.52
1381584 21811 13253376.99 1258640.32 1379441.40 1258640.32
1031988 13870 13602994.89 908961.60 1029766.53 908961.60
360286 18743 14274679.55 237879.81 358458.90 237879.81
256227 7984 14378771.18 133324.66 254036.43 133324.66
123129 213 14511896.98 0.00 120815.09 0.00
81180 4079 14553830.96 42126.77 78968.03 42126.77
80960 296 14554065.32 42169.08 78646.34 42169.08
79262 11704 14555722.97 45347.07 77823.12 45347.07
76956 3477 14558057.15 46288.22 74719.90 46288.22
75434 4157 14559576.63 47857.79 73234.35 47857.79
73069 10337 14561920.30 51073.47 71496.60 51073.47
2314 66 14632711.62 120815.09 0.00 0.00
Jarak hasil perhitungan akan dilakukan perbandingan dan dipilih jarak
terdekat antara data dengan pusat cluster, jarak ini menunjukkan bahwa data tersebut berada dalam satu kelompok dengan pusat cluster terdekat. Dengan cara membandingkah hasil cluster dan diambil yang paling kecil.
Berikut ini akan ditampilkan data matriks pengelompokangroup, nilai 1 berarti data tersebut berada dalam group (kelompok data).
Tabel 3. 6 Tabel Pengelompokan Group
1
1
1
Setelah diketahui anggota tiap-tiap cluster kemudian pusat cluster baru dihitung berdasarkan data anggota tiap-tiap cluster sesuai dengan rumus pusat anggota cluster .
Dengan perhitungan sebagai berikut :
Cluster baru yang keempat
Cluster baru yang keenam Jumlah Pohon :
Hasil Produksi :
Pusat cluster keempat dengan jumlah pohon sebesar 12203842.00 dan hasil produksi sebesar 90352.50, pusat cluster kelima jumlah pohon sebesar
679555.83 dan hasil produksi sebesar 13666.67, pusat cluster keenam jumlah
pohon sebesar 2314 dan hasil produksi sebesar 66.
Ulang perhitungan jarak data pertama dengan pusat cluster keempat adalah :
√
Perhitungan jarak data pertama dengan pusat cluster kelima adalah :
√
Perhitungan jarak data pertama dengan pusat cluster keenam adalah :
√
Tabel 3. 7 Tabel Hasil Perhitungan Jarak Pusat Cluster
JUMLAH POHON
PRODUKSI C1 C2 C3 Jarak
terpendek
14634913 57476 2431293.29 13955425.93 14632711.62 2431293.29
9772771 123229 2431293.29 9093875.19 9771233.24 2431293.29
4534595 67329 7669281.56 3855412.64 4532780.09 3855412.64
1381584 21811 10822475.05 702075.41 1379441.40 702075.41
1031988 13870 11172115.80 352432.23 1029766.53 352432.23
360286 18743 11843772.48 319310.19 358458.90 319310.19
256227 7984 11947898.93 423366.97 254036.43 254036.43
123129 213 12081049.28 556589.46 120815.09 120815.09
81180 4079 12122968.99 598452.64 78968.03 78968.03
79262 11704 12124835.08 600297.04 77823.12 77823.12
76956 3477 12127197.18 602685.98 74719.90 74719.90
75434 4157 12128714.29 604196.68 73234.35 73234.35
73069 10337 12131036.89 606495.97 71496.60 71496.60
2314 66 12201862.04 677378.39 0.00 0.00
Langkah selanjutnya hasil perhitungan akan dilakukan perbandingan
dan dipilih jarak terdekat antara data dengan pusat cluster , jarak ini menunjukkan bahwa data tersebut berada dalam satu kelompok dengan pusat
cluster terdekat.
Tabel 3. 8 Tabel Pengelompokan Group
Pada perhitungan ini iterasi berhenti pada iterasi ke-9 karena kelompok
data 3 sama dengan kelompok data 2 dari hasil clustering, dan telah mencapai stabil dan konvergen.
3.5Desain User Interface
Gambar 3. 2 User Interface
User interface penerapan metode K-Means Cluster ing untuk memetakan potensi produksi buah – buahan di Provinsi Daerah Istimewa Yogyakarta. Dalam
user interface terdapat button “cari data” untuk memasukan data yang akan diolah. Data awal sebelum di olah akan ditampilkan dalam tabel “ tabel hasil”
dan masuk ke dalam kolom jenis buah, daerah, jumlah pohon, produksi, dan
tahun. Selanjutnya, user menekan button “proses” maka data akan diolah dengan
algoritma K-Means clustering sehingga akan mendapatkan hasil pada kolom
3.6 Spesifikasi Alat
Sistem ini mempunyai kebutuhan perangkat keras dan lunak untuk
mendapatkan hasil yang maksimal.
1. Kebutuhan perangkat lunak :
a. Microsoft Windows 10
b. Microsoft Excel 10
c. Matlab 2012
2. Kebutuhan perangkat keras :
a. Processor : AMD A8-6410 Quad Core 2.0Ghz up to 2.4Ghz
b. Memory : 4GB DDR3
29
BAB IV
IMPLEMENTASI SISTEM DAN ANALISISA HASIL
Bab ini berisikan tentang implementasi dan analisis keluaran dari system
dengan algoritma yang telah digunakan serta perancangan antarmuka.
4.1Implemantasi
Landasan teori dan metodologi yang telah disampaikan berkurang manfaatnya
jika disertai dengan implementasi. Implementasi dibagi kedalam dua bagian,
yaitu berkaitan dengan pengolahaan data dan user interface system.
4.2K-Means Clustering
Gambar 4. 1 Implementasi –K-Means clustering dengan tiga cluster
Proses pengelompokan dengan menggunakan metode K-Means clustering
Tabel 4. 1 Jumlah data masing – masing cluster
Cluster Jumlah
1 142
2 176
3 127
4.3User Interface
Dalam membuta system implementasi K-Means clustering untuk pengelompokan capaian belajar ini penulisan menggunakan Matlab R2012b.
User Interface system telah dipaparkan dalam bab sebelumnya diimplementasikan dan digunkan untuk melakukan proses pengelompokan
dengan K-Means clustering. Sistem menampilkan hasil cluster . Gambar 4.2 Contoh User Interface dari keseluruhan system yang telah terbentuk.
Gambar 4. 2 Tampilan keseluruhan sistem
4.4Input Data
Data sistem dijalankan, langkah pertama yang harus dilakukan user adalah
memasukan. Tombol cari file digunakan untuk meng-input-kan data yang berkestensi *.xlsx. Setelah di-inputkan, sistem akan menampilkan pada tabel
hasil. Selanjutnya yang harus dilakukan user adalah dengan menekan button
proses. Gambar 4.3 Contoh adalah proses input dokumen.
Gambar 4. 3 Input dokumen
4.5Proses K-Means Clustering
User interface dari implementasi hasil proses K-Means clustering dapat dilihat pada gambar 4.4
Ketika tombol “proses” seperti pada gambar 4.4 di klik maka akan muncul
hasil proses clustering metode K-Means.
4.6Analisa Hasil
Implementasi yang telah dijelaskan di bab 4 membantu analisis terhadap
pengelompokan untuk memetakan potensi produksi buah – buahan di Provinsi
Daerah Istimewa Yogyakarta. Analisis dilakukan terhadap 450 data dalam lima
tahun.
Dalam pengelompokan ini, yang menjadi atribut adalah jumlah pohon dan
jumlah produksi. Data tersebut diolah dengan menggunakan K-Means clustering.
Hasil Penelitian menggunakan data produksi buah di Provinsi Yogyakarata.
1. Produksi Alpokat
Untuk produksi alpokat Kabupaten Bantul termasuk dalam kelompok
produksi yang banyak pada tahun 2005 terdapat pada cluster ke 3 sedangkan untuk tahun 2006 sampai dengan 2009 Kabupaten Bantul
termasuk dalam kelompok produksi sedang terdapat pada cluster ke 2. Kabupaten Gunung Kidul, Kota Yogyakarta termasuk dalam kelompok
produksi yang sedang pada tahun 2005 sampai dengan tahun 2009
terdapat pada cluster ke 2. Kabupaten Kulonprogo termasuk dalam kelompok produksi yang banyak pada tahun 2005, 2007 sampai dengan
2009 terdapat pada cluster ke 3, sedangkan untuk tahun 2006 Kabupaten Kulonprogo termasuk dalam kelompok produksi sedang
terdapat pada cluster ke 2. Kabupaten Sleman termasuk dalam kelompok produksi yang sedikit pada tahun 2005, 2007 sampai dengan 2009
terdapat pada cluster ke 1, sedangkan untuk tahun 2006 Kabupaten Sleman termasuk dalam kelompok produksi banyak terdapat pada cluster
2. Mangga
Untuk produksi mangga Kabupaten Bantul, termasuk dalam kelompok
produksi sedang pada tahun 2005, 2006, dan 2009. Itu diketahui karena
terdapat pada cluster ke 2. Untuk produksi mangga tahun 2007 dan 2008
Kabupaten Bantul termasuk dalam kelompok produksi sedikit. Untuk
produksi mangga Kabupaten Gunung Kidul, termasuk dalam kelompok
produksi sedang pada tahun 2005, 2006, 2008 ,dan 2009. Itu diketahui
karena terdapat pada cluster ke 2. Untuk produksi mangga tahun 2007 Kabupaten Gunung Kidul termasuk dalam kelompok produksi banyak
terdapat pada cluster ke 3. Kota Yogyakarta termasuk dalam kelompok produksi sedikit pada tahun 2005 sampai 2009 banyak terdapat pada
cluster ke 1. Kulonprogo termasuk dalam kelompok produksi sedikit pada tahun 2005 banyak terdapat pada cluster ke 1, pada tahun 2006 sampai 9 Kulonprogo termasuk dalam kelompok produksi sedang
terdapat pada cluster ke 2. Kabupaten Sleman termasuk dalam kelompok produksi sedang terdapat pada cluster ke 2 pada tahun 2005 sampai 2009.
3. Rambutan
Untuk produksi rambutan Kabupaten Bantul, dalam kelompok
produksi sedikit terdapat pada cluster ke 3 pada tahun 2005 sampai 2009, Kabupaten Gunung Kidul pada tahun 2005,2006, dan 2008 kelompok
produksi banyak terdapat pada cluster ke 1, pada tahun 2007 dan 2008 kelompok produksi banyak terdapat pada cluster ke 1. Kota Yogyakarta termasuk dalam kelompok produksi sedikit pada tahun 2005 sampai 2009
sedikit terdapat pada cluster ke 3, Kulonprogo Yogyakarta termasuk dalam kelompok produksi sedikit pada tahun 2005 sampai 2009 banyak
kelompok produksi yang sedang pada tahun 2005 sampai dengan tahun
2009. Itu diketahui karena terdapat pada cluster ke 2.
4. Duku
Untuk produksi duku Kabupaten Bantul, Kabupaten Gunung Kidul,
Kota Yogyakarta, termasuk dalam kelompok produksi sedang pada tahun
2005 sampai dengan tahun 2009. Itu diketahui karena terdapat pada dan Kabupaten Sleman termasuk dalam kelompok produksi yang sedikit
pada tahun 2006 sampai dengan tahun 2009. Itu diketahui karena terdapat
pada cluster ke 3.
5. Jeruk
Untuk produksi jeruk Kabupaten Bantul, Kabupaten Gunung Kidul,
Kota Yogyakarta, termasuk dalam kelompok produksi sedang pada tahun
2005 sampai dengan tahun 2009. Itu diketahui karena terdapat pada
cluster ke 2. Kulonprogo, termasuk dalam kelompok produksi yang sedikit pada tahun 2005, 2008 dan 2009 Itu diketahui karena terdapat
pada cluster ke 3. pada tahun 2006 dan 2007 kelompok produksi yang banyak . Itu diketahui karena terdapat pada cluster ke 1. Kabupaten Sleman termasuk dalam kelompok produksi yang sedikit pada tahun
2005, 2006, 2008 dan 2009 Itu diketahui karena terdapat pada cluster ke 3. pada tahun 2007 kelompok produksi yang banyak. Itu diketahui karena
6. Sirsak
Untuk produksi sirsak Kabupaten Bantul termasuk dalam kelompok
produksi yang sedikit pada tahun 2005, 2006, 2007 dan 2008, itu
diketahui karena terdapat pada cluster ke 3. Sedangkan tahun 2009
termasuk dalam kelompok produksi yang banyak karena terdapat pada
cluster ke 1. Kabupaten Gunung Kidul tahun 2005 termasuk dalam kelompok produksi yang sedikit karena terdapat pada cluster ke 3. Sedangkan tahun 2006 sampai 2009 termasuk dalam kelompok produksi
yang sedang karena terdapat pada cluster ke 2, Kota Yogyakarta tahun 2005 sampai 2009 termasuk dalam kelompok produksi yang banyak
karena terdapat pada cluster ke 1, Kulonprogo tahun 2005, 2006, 2008, dan 2009 termasuk dalam kelompok produksi yang banyak karena
terdapat pada cluster ke 1, pada tahun 2007 termasuk kelompok produksi yang sedikit karena terdapat pada cluster ke 3 dan Kabupaten Sleman termasuk dalam kelompok produksi yang sedikit pada tahun 2005 sampai
dengan tahun 2009. Itu diketahui karena terdapat pada cluster ke 3.
7. Sukun
Untuk produksi suku Kabupaten Bantul dan Kota Yogyakarta
termasuk kelompok produksi yang sedikit karena terdapat pada cluster
terdapat pada cluster ke 3 pada tahun 2005 dan 2006, tahun 2008, tahun 2007 termasuk kelompok produksi yang sedang karena terdapat pada
2006, 2008, dan 2009 termasuk dalam kelompok produksi yang banyak
karena terdapat pada cluster ke 1, pada tahun 2007 termasuk kelompok produksi yang sedikit karena terdapat pada cluster ke 3.
8. Belimbing
Untuk produksi belimbing Kabupaten Bantul tahun 2005 dan 2006
termasuk kelompok produksi yang sedang karena terdapat pada cluster
ke 2, pada tahun 2007 termasuk kelompok produksi yang sedikit karena
terdapat pada cluster ke 3, pada tahun 2008 dan 2009 termasuk kelompok produksi yang banyak karena terdapat pada cluster ke 1. Kabupaten Gunung Kidul, Kulonprogo dan Kabupaten Sleman tahun
2005, 2006, 2008, dan 2009 termasuk dalam kelompok produksi yang
sedang karena terdapat pada cluster ke 2, pada tahun 2007 termasuk kelompok produksi yang sedikit karena terdapat pada cluster ke 3, Kota Yogyakarta termasuk kelompok produksi yang banyak karena terdapat
pada cluster ke 1 pada tahun 2005 sampai dengan tahun 2009.
9. Durian
Untuk produksi durian Kabupaten Bantul, Kabupaten Gunung Kidul,
Kota Yogyakarta , pada tahun 2007 termasuk kelompok produksi yang
sedikit karena terdapat pada cluster ke 3, Kulonprogo tahun 2005, 2007, 2008, dan 2009 termasuk kelompok produksi yang sedang karena
terdapat pada cluster ke 2, dan termasuk kelompok produksi yang banyak karena terdapat pada cluster ke 1 pada tahun 2006. Kabupaten Sleman termasuk dalam kelompok produksi yang sedang pada tahun 2005
10. Jambu Biji
Untuk produksi jambu biji Kabupaten Bantul pada tahun 2005 dan
2007 termasuk kelompok produksi yang sedang karena terdapat pada
cluster ke 2, dan termasuk kelompok produksi yang banyak karena terdapat pada cluster ke 1 pada tahun 2006, 2008 dan 2009. Kabupaten Gunung Kidul pada tahun 2005, 2006 dan 2007 termasuk kelompok
produksi yang sedang karena terdapat pada cluster ke 2, dan termasuk kelompok produksi yang banyak karena terdapat pada cluster ke 1 pada tahun 2008 dan 2009. Kota Yogyakarta termasuk kelompok produksi
yang banyak karena terdapat pada cluster ke 1 pada tahun 2005 sampai 2009, Kulonprogo pada tahun 2005, 2008 dan 2009 termasuk kelompok
produksi yang sedang karena terdapat pada cluster ke 2, termasuk kelompok produksi yang banyak karena terdapat pada cluster ke 1 pada tahun 2006, dan termasuk kelompok produksi yang sedikit karena
terdapat pada cluster ke 3 pada tahun 2005 dan Kabupaten Sleman tahun 2005, 2006, 2008, dan 2009 termasuk dalam kelompok produksi
yang sedang karena terdapat pada cluster ke 2, pada tahun 2007 termasuk kelompok produksi yang sedikit karena terdapat pada cluster
ke 3.
11. Manggis
Untuk produksi manggis Kabupaten Bantul, Kabupaten Gunung Kidul,
Kota Yogyakarta tahun 2005 sampai 2009 termasuk dalam kelompok
produksi yang sedang karena terdapat pada cluster ke 2, Kulonprogo termasuk kelompok produksi yang sedikit karena terdapat pada cluster
ke 3 pada tahun 2005, 2006 dan 2009 dan Kabupaten Sleman termasuk
12. Sawo
Untuk produksi sawo Kabupaten Bantul, Kabupaten Gunung Kidul
Kulonprogo, dan Kabupaten Sleman tahun 2005, 2006, 2008, dan 2009
termasuk dalam kelompok produksi yang banyak karena terdapat pada
cluster ke 1, tahun 2007 termasuk dalam kelompok produksi yang sedang karena terdapat pada cluster ke 2. Kota Yogyakarta termasuk
dalam kelompok produksi yang sedikit pada tahun 2005 sampai dengan
tahun 2009. Itu diketahui karena terdapat pada cluster ke 3.
13. Pepaya
Untuk produksi pepaya Kabupaten Bantul tahun 2005, 2006, 2008, dan
2009 termasuk dalam kelompok produksi yang sedikit karena terdapat
pada cluster ke 3, tahun 2006 termasuk dalam kelompok produksi yang banyak karena terdapat pada cluster ke 1, Kabupaten Gunung Kidul tahun 2005, 2006, 2008, dan 2009 termasuk dalam kelompok produksi
yang sedikit karena terdapat pada cluster ke 3, tahun 2007 termasuk dalam kelompok produksi yang sedang karena terdapat pada cluster ke 2. Kota Yogyakarta, dan Kulonprogo, termasuk dalam kelompok
produksi yang sedikit pada tahun 2005 sampai dengan tahun 2009. Itu
diketahui karena terdapat pada cluster ke 3. Kabupaten Sleman tahun
2005, 2006, 2008, dan 2009 termasuk dalam kelompok produksi yang
sedikit karena terdapat pada cluster ke 3, tahun 2007 termasuk dalam
kelompok produksi yang banyak karena terdapat pada cluster ke 1.
14. Pisang
Untuk produksi pisang Kabupaten Bantul termasuk dalam kelompok
produksi yang sedang pada tahun 2005 sampai dengan tahun 2009. Itu
termasuk dalam kelompok produksi yang sedang karena terdapat pada
cluster ke 2, tahun 2007 termasuk dalam kelompok produksi yang banyak karena terdapat pada cluster ke 1. Kota Yogyakarta, termasuk dalam kelompok produksi yang sedikit pada tahun 2005 sampai dengan
tahun 2009. Itu diketahui karena terdapat pada cluster ke 3.
15. Nanas
Untuk produksi nanas Kabupaten Bantul dan Kota Yogyakarta
termasuk dalam kelompok produksi yang sedang pada tahun 2005
sampai dengan tahun 2009. Itu diketahui karena terdapat pada cluster ke 2. Kabupaten Gunung Kidul tahun 2005, 2006, 2008, dan 2009 termasuk
dalam kelompok produksi yang sedang karena terdapat pada cluster ke 2, tahun 2007 termasuk dalam kelompok produksi yang banyak karena
terdapat pada cluster ke 1. Kulonprogo, dan Kabupaten Sleman tahun 2005, 2006, 2008, dan 2009 termasuk dalam kelompok produksi yang
banyak karena terdapat pada cluster ke 1, tahun 2007 termasuk dalam kelompok produksi yang sedikit karena terdapat pada cluster ke 3.
16. Salak
Untuk produksi salak Kabupaten Bantul, Kabupaten Gunung Kidul,
dan Kota Yogyakarta termasuk dalam kelompok produksi yang sedang
pada tahun 2005 sampai dengan tahun 2009. Itu diketahui karena terdapat
pada cluster ke 2. Kabupaten Kulonprogo, termasuk dalam kelompok produksi yang sedikit pada tahun 2005 sampai dengan tahun 2009. Itu
diketahui karena terdapat pada cluster ke 3. Kabupaten Sleman , termasuk dalam kelompok produksi yang banyak pada tahun 2005 sampai
17. Nangka
Untuk produksi nangka Kabupaten Bantul tahun 2005 dan 2007
termasuk dalam kelompok produksi yang banyak karena terdapat pada
cluster ke 1, tahun 2006, 2008, dan termasuk dalam kelompok produksi yang sedikit karena terdapat pada cluster ke 3. Kabupaten Gunung Kidul dan Kabupaten Sleman tahun 2005, 2006, 2008, dan 2009 termasuk
dalam kelompok produksi yang banyak karena terdapat pada cluster ke 1, tahun 2007 termasuk dalam kelompok produksi yang sedang karena
terdapat pada cluster ke 2. Kota Yogyakarta termasuk dalam kelompok produksi yang sedikit pada tahun 2005 sampai dengan tahun 2009. Itu
diketahui karena terdapat pada cluster ke 3. Kabupaten Kulonprogo termasuk dalam kelompok produksi yang banyak pada tahun 2005 sampai
dengan tahun 2009. Itu diketahui karena terdapat pada cluster ke 1.
18. Semangka
Untuk produksi semangka Kabupaten Bantul, Kabupaten Gunung
Kidul termasuk dalam kelompok produksi yang sedikit pada tahun 2005
sampai dengan tahun 2009. Itu diketahui karena terdapat pada cluster ke
3. Kota Yogyakarta tahun 2005, 2006, 2008, dan 2009 termasuk dalam
kelompok produksi yang sedikit karena terdapat pada cluster ke 3, tahun
2007 termasuk dalam kelompok produksi yang banyak karena terdapat
41
BAB V
PENUTUP
Bab terakhir pada penulisan ini menjelaskan mengenai kesimpulan dari
penelitian terkait dengan terhadap pengelompokan untuk memetakan potensi
produksi buah – buahan di Provinsi Yogyakarta. Pada bab ini dijelaskan saran yang
diberikan pada system yang sudah dibuat.
5.1Analisa Hasil
Dari permasalahan tentang data produksi buah – buahan di Provinsi Daerah
Istimewa Yogyakarta dapat diselesaikan dengan Algoritma K-Means dapat melakukan pengelompokan dokumen dalam jumlah yang banyak akan tetapi
belum efisien dalam mengelompokan dokumen secara tepat. Untuk
mengelompokan daerah potensial buah – buahan di Provinsi Daerah Istimewa
Yogyakarta. Penentuan centroid (titik pusat) pada tahap awal algoritma K-Means
sangat berpengaruh pada hasil cluster seperti pada hasil pengujian yang dilakukan dengan centroid yang berbeda menghasilkan hasil cluster yang
berbeda juga.
5.2Saran
Saran yang diperlukan untuk pengembangan system lebih lanjut sebagai berikut :
1. Penelitian selanjutnya dapat dikembangkan pada jenis data yang serupa
2. Hasil clustering yang terbentuk dapat dikembangkan menjadi basis pengetahuan untuk sistem pendukung keputusan maupun sistem
rekomendasi daerah yang cocok untuk ditanami buah oleh dinas
43
DAFTAR PUSTAKA
Gorunescu, Florin (2011). Data mining: Concepts, Models, and Techniques. Verlag Berlin Heidelberg: Springer
Han, Jiawei & Micheline Kamber. 2006. Second Edition. Data mining : Concepts and Techniques. New York : Morgan Kaufman
Han, Jiawei & Micheline Kamber. 2012. Third Edition. Data mining : Concepts and
Techniques. New York : Morgan Kaufman
Kusrini, dan Luthfi, Emha. Taufiq. (2009). Algoritma Data mining. Yogyakarta: Andi Publishing.
Larose, Daniel. T. (2005).Discovering Knowledge in Data. New Jersey: John Willey & Sons, Inc.
Lee, Finn. S. dan Santana, Juan (2010). Data mining : Meramalkan Bisnis
Perusahaan. Jakarta: Elex Media Komputindo
Liao. (2007). Recent Advances in Data mining of Enterprise Data: Algorithms and
Application. Singapore: World Scientific Publishing
Prasetyo Eko. 2014. Data mining Mengolah Data menjadi Informasi Menggunakan
44
LAMPIRAN
Lampiran 1. Tabel Data Produksi Buah
JENIS BUAH DAERAH JUMLAH POHON PRODUKSI TAHUN
Alpokat Kabupaten Bantul 7405 553 2005
Alpokat Kabupaten
Alpokat Kabupaten Sleman 79262 11704 2005
Alpokat Kabupaten Bantul 1522 348 2006
Alpokat Kabupaten
Alpokat Kabupaten Sleman 21740 3944 2006
Alpokat Kabupaten Bantul 1660 108 2007
Alpokat Kabupaten
Alpokat Kabupaten Sleman 54731 3302 2007
Alpokat Kabupaten Bantul 1550 66 2008
Alpokat Kabupaten
Gunungkidul
45
Alpokat Kota Yogyakarta 343 49 2008
Alpokat Kabupaten
Kulonprogo
7597 370 2008
Alpokat Kabupaten Sleman 38166 3613 2008
Alpokat Kabupaten Bantul 597 83 2009
Alpokat Kabupaten Sleman 37775 3900 2009
Mangga Kabupaten Bantul 113591 6361 2005
Mangga Kabupaten
Mangga Kabupaten Sleman 131779 9881 2005
Mangga Kabupaten Bantul 96279 5559 2006
Mangga Kabupaten
Mangga Kabupaten Sleman 153471 11115 2006
Mangga Kabupaten Bantul 72682 1885 2007
Mangga Kabupaten
Gunungkidul
