SISTEM INFORMASI GEOGRAFIS BERBASIS WEB UNTUK
PRODUKSI KEDELAI DI INDONESIA MENGGUNAKAN
K-MEANS CLUSTERING
RESTI HIDAYAH
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
BOGOR 2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Sistem Informasi Geografis Berbasis Web untuk Produksi Kedelai di Indonesia Menggunakan K-MeansClustering adalah benar karya saya dengan arahan dari komisi pembimbing dan
belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Juli 2014
Resti Hidayah
ABSTRAK
RESTI HIDAYAH. Sistem Informasi Geografis Berbasis Web untuk Produksi Kedelai di Indonesia Menggunakan K-Means Clustering. Dibimbing oleh IMAS SUKAESIH SITANGGANG.
Informasi mengenai wilayah-wilayah yang berpotensi untuk produksi kedelai belum disajikan dalam sistem informasi yang interaktif dan mudah diakses dengan mudah oleh masyarakat. Saat ini informasi produksi kedelai di setiap kabupaten di Indonesia disajikan dalam bentuk tabel pada situs http://aplikasi.deptan.go.id/bdsp. Oleh karena itu, dalam penelitian ini sistem informasi geografis (SIG) berbasis web dibangun untuk mengelola dan memvisualisasikan informasi produksi kedelai di seluruh kabupaten di Indonesia. Teknik clustering k-means diterapkan untuk mengelompokan data produksi, produktivitas, dan luas panen kedelai sehingga mempermudah dalam proses pewarnaan peta dalam SIG. Clustering terbaik dengan jumlah cluster 4 menghasilkan sum square error (SSE) sebesar 2.07, 1.53, dan 0.0037 berturut-turut untuk data luas panen, produksi, dan produktivitas. SIG dibangun dengan menggunakan OpenGeo Suite 3.0 sebagai perangkat lunak geospasial untuk mengelola dan menyediakan informasi mengenai produksi kedelai di Indonesia dalam bentuk peta, tabel, dan grafik berdasarkan hasil k-means clustering.
Kata kunci: sistem informasi geografis, clustering, k-means, produksi kedelai
ABSTRACT
RESTI HIDAYAH. Web-Based Geographic Information System for Soybean Production in Indonesia Using K-Means Clustering. Supervised by IMAS SUKAESIH SITANGGANG.
Information concerning areas that are potential for soybean production is not provided in an interactive information system that can be easily accessed by public. Nowadays, information about soybean production in all districts in Indonesia is displayed in the tabular form in the website http://aplikasi.deptan.go.id/bdsp. For that, in this study, a web-based geographic information system (GIS) was developed to manage and visualize soybean production in all districts in Indonesia. K-means clustering was performed to group data on production, productivity and harvested areas of soybean to make the coloring process become easier in GIS. The best clustering was obtained with 4 clusters and the sum square error (SSE) were 2.07, 1.53, and 0.0037 for data on production, productivity, and harvested areas of soybean, respectively. The GIS was developed using OpenGeo Suite 3.0 as the geospatial tool for managing and providing information about soybean production in Indonesia in forms of maps, tables, and graphs based on the results of k-means clustering.
Keywords: geographic information system, clustering, k-means, soybean production
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada
Departemen Ilmu Komputer
SISTEM INFORMASI GEOGRAFIS BERBASIS WEB UNTUK
PRODUKSI KEDELAI DI INDONESIA MENGGUNAKAN
K-MEANS CLUSTERING
RESTI HIDAYAH
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
BOGOR 2014
Penguji:
1 Hari Agung Adrianto, SKom MSi 2 Ibu Rina Trisminingsih, SKom MT
Judul Skripsi : Sistem Informasi Geografis Berbasis Web untuk Produksi Kedelai di Indonesia Menggunakan K-Means Clustering
Nama : Resti Hidayah NIM : G64100074
Disetujui oleh
Dr Imas Sukaesih Sitanggang, SSi MKom Pembimbing I
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir Sistem Informasi Geografis Berbasis Web untuk Produksi Kedelai di Indonesia Menggunakan K-Means Clustering. Penelitian ini dilaksanakan mulai Oktober 2013 sampai dengan Mei 2014, bertempat di Departemen Ilmu Komputer.
Dalam pelaksanaan tugas akhir ini banyak pihak yang selalu memberikan dukungan dan bantuan. Oleh karena itu penulis ingin menyampaikan terima kasih kepada:
1 Alm. Papa, Mama, dan semua anggota keluarga yang selalu memberikan dukungan, kasih sayang, doa, dan semangat yang tiada tara.
2 Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku dosen pembimbing yang selalu memberikan bimbingan dan nasehat selama pengerjaan tugas akhir. 3 Bapak Hari Agung Adrianto, SKom MSi dan Ibu Rina Trisminingsih, SKom
MT selaku dosen penguji atas kesediaannya sebagai penguji pada ujian tugas akhir
4 Astari, Andi, Risa, Anna, Khairil, Colin, dan kak Ella yang senantiasa selalu memberikan semangat.
5 Teman-teman XL Future Leaders the Scholarship Batch II khususnya kak Ruma, Iqoh, Nesa, Mutya, Didi, Lubby, dan lainnya yang selalu memberikan semangat, dan motivasi untuk menyelesaikan tugas akhir ini.
6 Huda, Sodik, Baskoro, Alfat, dan Kak Irham yang telah banyak membantu dan menjadi teman diskusi selama pengerjaan tugas akhir.
Semoga karya ilmiah ini bermanfaat.
Bogor, Juli 2014
DAFTAR ISI
DAFTAR TABEL viii
DAFTAR GAMBAR viii
PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 2
METODE 2
Data, Alat, dan Area Studi 2
Tahapan Penelitian 3
HASIL DAN PEMBAHASAN 4
Praproses 4
Clustering 4
Pembuatan Sistem Informasi Geografis 7
Implementasi 9
Penggunaan Sistem 15
SIMPULAN DAN SARAN 17
Simpulan 17
Saran 17
DAFTAR PUSTAKA 17
LAMPIRAN 19
DAFTAR TABEL
1 Hasil clustering luas panen 5
2 Hasil clustering produksi 5
3 Hasil clustering produktivitas 6
4 Rentang nilai hasil clustering 6
5 Data kategori produksi kedelai berdasarkan hasil clustering 7
6 Hasil pengujian 15
DAFTAR GAMBAR
1 Tahapan penelitian (Abdul-Aziz et al. 2012) 4
2 Diagram konteks SIG untuk produksi kedelai 8
3 Arsitektur OpenGeo Suite 3.0 9
4 Pembuatan workspace 10
5 Pembuatan store 10
6 Konfigurasi layer 11
7 Pengaturan style 12
8 Hasil pewarnaan peta 12
9 Tampilan peta hasil pencarian 13
10 Tampilan tabel hasil pencarian 13
11 Tampilan grafik hasil pencarian 14
12 Tabel hasil visualisasi tahun 14
13 Grafik hasil visualisasi tahun 15
DAFTAR LAMPIRAN
1 Daftar atribut data tabel geom dan produksi kedelai 19
1
PENDAHULUAN
Latar BelakangKacang-kacangan banyak dibutuhkan sebagai bahan baku industri pangan, salah satunya yaitu kacang kedelai. Kacang kedelai bisa digunakan sebagai bahan baku pembuatan kecap, susu kedelai, tahu, dan tempe. Selain itu kacang kedelai juga memiliki nilai gizi yang cukup tinggi yang mengandung protein, karbohidrat, lemak, kalsium, dan vitamin B kompleks.
Jumlah produksi kacang kedelai di Indonesia dapat dikatakan belum mampu memenuhi kebutuhan kedelai dalam negeri. Berdasarkan data dari Departemen Pertanian Indonesia pada tahun 2012, Indonesia hanya melakukan ekspor kacang kedelai sebesar 67 899 346 kg, sedangkan impor kacang kedelai mencapai 4 257 526 480 kg. Hal ini terjadi karena tingginya kebutuhan akan kacang kedelai di dalam negeri setiap tahunnya. Untuk tempe dan tahu saja, kebutuhan kedelai sangat tinggi, ditambah lagi kebutuhan kedelai untuk bahan baku makanan ternak. Karena tingginya tingkat kebutuhan akan kacang kedelai maka negara kita masih tergantung akan impor kedelai. Bahkan karena kebutuhan yang terus meningkat maka nilai impor kacang kedelai setiap tahunnya juga terus meningkat (Nazaruddin 1993).
Bila melihat potensi wilayah serta lahan yang dimiliki Indonesia maka tidak seharusnya Indonesia selalu mengimpor kedelai untuk memenuhi kebutuhan pangan dalam negeri. Begitu banyak provinsi di Indonesia yang memiliki lahan berpotensi tinggi dan cukup luas untuk ditanami kacang kedelai, diantaranya yaitu Jawa Timur, Jawa Tengah, Sumatera Barat, Papua Barat, Jawa Barat, dan Sulawesi Selatan, sedangkan lahan berpotensi sedang untuk ditanami kedelai ada di Lampung, NAD, Banten, Nusa Tenggara Barat, dan Sulawesi Tenggara (BBSDLP 2008). Namun banyaknya wilayah Indonesia yang berpotensi ini belum didukung oleh adanya informasi yang dapat dilihat oleh masyarakat Indonesia. Oleh karena itu diperlukan adanya suatu sistem informasi geografis (SIG) untuk menampilkan informasi mengenai produksi kedelai wilayah-wilayah di Indonesia.
SIG merupakan salah satu sistem yang memungkinkan kita untuk mengelola data spasial menjadi sebuah informasi yang eksplisit, dan digunakan untuk membuat sebuah keputusan (DeMers 1997).
Pada penelitian ini, teknik clustering k-means diterapkan untuk mengelompokkan data produksi, produktivitas, dan luas panen kedelai untuk selanjutnya disajikan dalam SIG. K-means merupakan metode pengelompokkan data nonhierarki yang mempartisi data berdasarkan nilai pusat dari cluster. Metode ini mempartisi data kedalam dua kelompok atau lebih, sehingga data yang berkarakteristik sama dimasukkan ke dalam satu kelompok yang sama dan data yang berkarakteristik berbeda dikelompokkan ke dalam kelompok yang lain (Han
et al. 2012). SIG berbasis web untuk produksi kedelai dibangun menggunakan OpenGeo Suite 3.0 sebagai salah satu perangkat lunak geospasial untuk mengelola dan menyediakan informasi mengenai produksi kedelai di Indonesia dalam bentuk peta, tabel, dan grafik.
2
Perumusan Masalah
Tingginya tingkat kebutuhan kacang kedelai yang tidak diiringi dengan jumlah produksi kacang kedelai yang memadai menyebabkan negara kita masih tergantung akan impor kedelai. Kurangnya informasi mengenai histori produksi kacang kedelai yang mudah diperoleh oleh pihak-pihak yang bersangkutan seperti petani, peneliti, praktisi, maupun perencana penggunaan lahan menyebabkan kurangnya referensi untuk mengambil keputusan dalam penggunan lahan yang tepat untuk menanam kacang kedelai. Oleh karena itu diperlukannya sebuah sistem informasi geografis berbasis web yang mampu memberikan informasi produksi kedelai di Indonesia.
Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mengembangkan sistem informasi geografis berbasis web dengan menggunakan k-means clustering untuk menyajikan informasi geografis data produksi kedelai di Indonesia.
Manfaat Penelitian
Hasil penelitian ini diharapkan dapat membantu dan bermanfaat untuk pihak-pihak yang memerlukan informasi terkait produksi kedelai di Indonesia sehingga dapat membantu dalam pengambilan suatu keputusan terkait dalam masalah produksi kedelai.
Ruang Lingkup Penelitian Ruang lingkup penelitian ini meliputi:
1 Data atribut yang digunakan adalah data produksi kedelai di 33 provinsi di Indonesia tahun 2000-2011 yang didapatkan dari Departemen Pertanian Republik Indonesia.
2 Data spasial yang digunakan adalah data vektor untuk batas administrasi kabupaten dari 33 provinsi di Indonesia.
3 Penyajian hasil pencarian dalam bentuk peta, grafik, dan tabel. 4 Teknik clustering yang diterapkan adalah algoritme k-means. 5 Sistem dibangun menggunakan OpenGeo Suite 3.0.
METODE
Data, Alat, dan Area Studi
Pada penelitian ini, data spasial yang digunakan adalah data vektor untuk peta administrasi kabupaten dari 33 provinsi di Indonesia dan data atributnya adalah nama kabupaten, luas panen, jumlah produksi, produktivitas, dan tahun produksi kacang kedelai di 33 provinsi di Indonesia dari tahun 2000-2011 yang
3 diperoleh dari Departemen Pertanian Republik Indonesia (http://aplikasi.deptan.go.id/bdsp/). Data awal yang diperoleh masih berupa file dengan format .xls sehingga harus dilakukan praproses data terlebih dahulu sebelum data diolah untuk membangun SIG. Data yang telah dipraproses akan dikelompokkan menggunakan perangkat lunak Weka 3.6.9 dan selanjutnya diolah menggunakan OpenGeo Suite 3.0 sebagai salah satu perangkat lunak geospasial untuk mengelola dan menyediakan informasi mengenai produksi kedelai di Indonesia dalam bentuk peta, tabel, dan grafik.
Tahapan Penelitian Praproses
Pada penelitian ini dilakukan 2 tahapan praproses data, yaitu: pembersihan data dan pemilihan data. Pembersihan data dilakukan untuk menghapus data yang tidak konsisten yang akan mengganggu pada tahap data mining atau mengisi nilai
missing value. Pemilihan data dilakukan untuk memilih variabel-variabel yang
akan digunakan dalam tahap clustering. Clustering
Clustering adalah proses mengelompokkan data (objek) yang didasarkan
hanya pada informasi yang ditemukan dalam data yang menggambarkan objek tersebut dan hubungan di antaranya, sehingga data yang memiliki karakteristik sama dimasukkan ke dalam satu kelompok yang sama dan data yang memiliki karakteristik berbeda dikelompokkan ke dalam kelompok yang lain. Pada penelitian ini, teknik clustering dilakukan untuk mengelompokkan data produksi kedelai berdasarkan nilai luas panen, produksi, dan produktivitas. Teknik
clustering yang diterapkan adalah algoritme k-means. Berikut adalah algoritme
dari k-means (Han et al. 2012): Input:
k: jumlah cluster
D: Dataset yang berisi n objek
Output:
Himpunan yang terdiri dari k cluster Metode:
(1) pilih k objek secara acak dari D sebagai pusat cluster awal (2) ulangi
(3) tempatkan setiap objek ke cluster yang paling dekat berdasarkan nilai rata-rata dari objek dalam cluster
(4) perbaharui nilai rata–rata cluster dengan menghitung nilai rata-rata dari objek untuk setiap cluster
(5) hingga tidak terjadi perubahan pada cluster Pembuatan Sistem Informasi Geografis
Pembuatan sistem informasi geografis dalam penelitian ini dilakukan melalui tahapan dalam metode web-based development life cycle (WDLC) yang disajikan pada Gambar 1. Metode ini terdiri dari 5 tahapan, yaitu: perancangan pengembangan sistem berbasis web, rekayasa kebutuhan sistem, perancangan aplikasi, implementasi, dan penggunaan sistem (Abdul-Aziz et al. 2012).
4
Gambar 1 Tahapan penelitian (Abdul-Aziz et al. 2012)
Pada tahap perancangan pengembangan sistem berbasis web dilakukan perencanaan pembuatan SIG untuk produksi kedelai yang mampu memenuhi tujuan dari penelitian ini. Pada tahapan rekayasa kebutuhan sistem dilakukan 2 proses analisis, yaitu analisis kebutuhan fungsional sistem dan perangkat penelitian yang dibutuhkan. Setelah mendapatkan hasil analisis kebutuhan sistem, selanjutnya dilakukan tahapan perancangan aplikasi. Pada tahapan ini dilakukan perancangan aplikasi yang terdiri dari 3 bagian, yaitu perancangan kebutuhan data, perancangan kebutuhan fungsional, dan perancangan arsitektur sistem. Tahapan implementasi dilakukan untuk merealisasikan hasil rancangan SIG berbasis web untuk produksi kedelai yang telah dibuat pada tahapan perancangan aplikasi. Pada tahapan penggunaan sistem, SIG untuk produksi kedelai yang telah dibuat dan diuji akan dipublikasikan, serta dilakukan pemeliharaan sistem.
HASIL DAN PEMBAHASAN
PraprosesData awal yang diperoleh adalah file dengan format .xls yang berisi nilai jumlah produksi, luas panen, dan produktivitas kedelai pada setiap kabupaten di Indonesia dari tahun 2000-2011. Pada file tersebut masih terdapat beberapa
missing value pada nilai produktivitas dan terdapat beberapa kesalahan
perhitungan nillai produktivitas pada data. Oleh karena itu diperlukan tahapan pembersihan data untuk mengatasi hal tersebut. Untuk memperbaiki dan mengisi nilai produktivitas yang kosong, dilakukan perhitungan berdasarkan jumlah produksi dan luas panen sesuai Persamaan 1 berikut:
Produktivitas= Jumlah Produksi (Kuintal)
Luas Panen (Ha) (1) Selanjutnya, dilakukan tahapan pemilihan data untuk memilih variable-variabel yang diperlukan. Pada tahapan ini, variable-variable-variabel yang dipilih yaitu variabel tahun, nama kabupaten, jumlah produksi, luas panen, dan produktivitas.
Clustering
Clustering dilakukan untuk mengelompokkan data nilai produksi, luas
panen, dan produktivitas pada setiap kabupaten. Clustering k-means dilakukan dengan menggunakan perangkat lunak Weka 3.6.9 untuk beberapa nilai k, yaitu 2, 3, 4, dan 5. Hasil clustering pada data luas panen, produksi dan produktivitas berturut-turut dapat dilihat pada Tabel 1, 2, dan 3.
5 Tabel 1 Hasil clustering luas panen
Jumlah k SSE (Sum Square Error) Cluster Jumlah anggota Luas panen
Maks Min Rata–rata
2 6.407 C1 2 909 11 158 1 865 C2 138 49 056 11 432 21 667 3 3.66 C1 266 14 479 3 263 6 076.95 C2 116 49 056 14 912 23 347.94 C3 2 665 3 233 1 443.24 4 2.07 C1 291 11 783 2 853 5 222.70 C2 98 24 539 11 994 18 615.69 C3 2 623 2 804 1 401.86 C4 35 49 056 25 165 31 652.97 5 1.29 C1 63 15 233 7 518 10 887.49 C2 91 26 939 15 873 20 790.26 C3 331 7 307 2 142 3 943.55 C4 22 49 056 28 068 35 052.27 C5 2 540 2 132 1 335.34
Tabel 2 Hasil clustering produksi Jumlah k SSE (Sum Square Error) Cluster Jumlah anggota Produksi
Maks Min Rata-rata
2 5.57 C1 130 2 983 1 858.85 C2 2 921 14 588 1 1 171.33 3 3.37 C1 95 76 434 21 182 32 354.85 C2 226 20 916 5 285 9 898.42 C3 2 730 5 251 1 667.49 4 1.53 C1 18 76 434 40 985 53 005.38 C2 274 16 113 3 988 7 416.21 C3 2 652 3 957 1 553.25 C4 107 38 514 16 451 25 043.31 5 1.02 C1 18 76 434 40 985 53 005.38 C2 350 9 571 2 714 5 004.78 C3 2 517 2 699 1 407.42 C4 88 20 655 9 793 14 332.06 C5 78 38 514 20 916 27 442.69
6
Tabel 3 Hasil clustering produktivitas
Jumlah k SSE (Sum
Square Error) Cluster
Jumlah anggota
Produktivitas
Maks Min Rata-rata
2 0.0780 C1 1 11 170 11 170 11 170 C2 2 983 1 434.9 0.09 17.91 3 0.0150 C1 1 11 170 11 170 11 170 C2 6 1 434.9 970.83 1 163.02 C3 2 977 471.65 0.09 15.60 4 0.0037 C1 1 11 170 11 170 11 170 C2 6 1 434.9 970.83 1 163.02 C3 77 471.65 80.93 147.94 C4 2 900 79.02 0.09 12.09 5 0.0036 C1 1 11 170 11 170 11 170 C2 77 471.65 80.93 147.94 C3 2 797 79.02 7.78 12.42 C4 103 7.69 0.09 3.07 C5 6 1 434.9 970.83 1 163.02
Pada Tabel 1, 2, dan 3 dapat dilihat jumlah k, nilai SSE, jumlah anggota, nilai maksimum, minimum, dan rata-rata dari setiap hasil clustering. Berdasarkan hasil clustering tersebut dipilih hasil cluster dengan k=4 karena dengan jumlah
cluster yang tidak terlalu banyak telah menghasilkan nilai SSE yang cukup kecil.
Dengan menggunakan nilai maksimum, minimum, dan rata-rata dengan k=4 pada setiap hasil clustering ditentukan rentang nilai untuk masing-masing cluster pada nilai luas panen, produksi, dan produktivitas, seperti dapat dilihat pada Tabel 4.
Tabel 4 Rentang nilai hasil clustering
Cluster Rentang nilai
Luas panen (Ha) Produksi (Ton) Produktivitas (ku /Ha)
Rendah <2 850 <3 980 <80 Sedang [2 850, 12 000) [3 980, 16 400) [80, 970) Tinggi [12 000, 25 000) [16 400, 40 900) [970, 11 160) Sangat Tinggi ≥25 000 ≥40 900 ≥11 160
Tabel 4 merupakan rentang nilai yang diperoleh untuk masing – masing
cluster pada nilai luas panen, produksi, dan produktivitas. Dengan menggunakan
rentang nilai ini, maka dilakukan proses transformasi data untuk mengubah nilai numerik pada setiap nilai pada luas panen, produksi, dan produktivitas menjadi nilai kategori rendah, sedang, tinggi, dan sangat tinggi. Sementara untuk nilai yang bernilai 0 dan na masing – masing diberi nilai Null dan Na. Tabel 5 adalah contoh data kategori produksi kedelai tahun 2000 berdasarkan hasil clustering.
7 Tabel 5 Data kategori produksi kedelai berdasarkan hasil clustering
Nama kabupaten Luas panen (Ha) Kategori luas panen Produksi (Ton) Kategori produksi Produktivitas (ku/Ha) Kategori produktivitas
Simeulue Null Null Null Null Null Null
Aceh Singkil Null Null Null Null Null Null
Aceh Selatan
363 Rendah Null Null Null Null
Aceh Tenggara
119 Rendah 155 Rendah 13.03 Rendah
Aceh Timur 6 148 Sedang 7 277 Sedang 11.84 Rendah Aceh
Tengah
254 Rendah 283 Rendah 11.14 Rendah
Aceh Barat 3 385 Sedang 4 017 Sedang 11.87 Rendah
Aceh Besar 288 Rendah 384 Rendah 13.33 Rendah
Pidie Na Na Na Na Na Na
Bireuen Null Null Null Null Null Null
Aceh Utara 48 212 Sangat Tinggi 58 814 Sangat Tinggi 12.2 Rendah Aceh Barat Daya
Null Null Null Null Null Null
Pembuatan Sistem Informasi Geografis Perancangan Pengembangan Sistem Berbasis Web
Pada tahap ini dilakukan perencanaan pembuatan SIG untuk produksi kedelai yang mampu memenuhi tujuan dari penelitian ini, yaitu SIG yang mampu mengelola data spasial dan data atribut, serta mampu menampilkan informasi peta, grafik, dan tabel dari hasil produksi kedelai di 33 provinsi di Indonesia.
Rekayasa Kebutuhan Sistem
Rekayasa kebutuhan sistem dilakukan untuk mengumpulkan serta menganalisis semua kebutuhan SIG untuk data produksi kedelai. Pada tahapan ini dilakukan 2 proses analisis, yaitu kebutuhan fungsional sistem dan perangkat penelitian yang dibutuhkan. Ada 5 kebutuhan fungsional yang dibutuhkan oleh sistem ini, yaitu:
1 Fungsi menampilkan peta kabupaten di Indonesia.
2 Fungsi menampilkan tabel informasi produksi kedelai di Indonesia. 3 Fungsi menampilkan grafik informasi produksi kedelai di Indonesia. 4 Fungsi menampilkan grafik informasi seluruh tahun.
5 Fungsi integrasi peta produksi kedelai dengan google map.
Sedangkan fungsi-fungsi operasi peta yang harus dimiliki sistem ini adalah: 1 Menampilkan legenda peta.
8 Request informasi, navigasi peta Informasi produksi kedelai dalam bentuk peta, tabel, dan grafik
Request informasi, ubah peta, ubah data
Informasi
produksi kedelai dalam bentuk peta, tabel, dan grafik
Perangkat lunak yang digunakan dalam penelitian ini adalah OpenGeo Suite 3.0 sebagai perangkat lunak pengembangan SIG produksi kedelai. OpenGeo Suite 3.0 terdiri dari aplikasi PostgreSQL 9.2 sebagai perangkat lunak untuk analisis data spasial dengan yang diberi library tambahan (PostGIS) sehingga mampu menangani data spasial, GeoServer 2.4.0 sebagai web map server yang mengakomodasi data dalam bentuk peta. GeoWebCache dan GeoExplorer untuk publikasi aplikasi pemetaan, Apache Tomcat sebagai web server, dan styler untuk melakukan pengaturan style pada peta. Perangkat keras yang digunakan dalam penelitian ini adalah komputer personal dengan spesifikasi sebagai berikut:
1 Processor: Intel(R) Core(TM) i3 M 380 @ 2.53GHz. 2 Memori: 4096MB RAM.
3 Hard disk: 320GB. Perancangan Aplikasi
Setelah semua kebutuhan fungsional dikumpulkan, dilakukan tahap perancangan aplikasi. Perancangan aplikasi terdiri dari 3 bagian, yaitu perancangan kebutuhan data produksi kedelai, perancangan kebutuhan fungsional, dan perancangan arsitektur sistem. Perancangan kebutuhan data produksi kedelai sebelumnya telah dilakukan dalam tahapan praproses. Tahapan ini menghasilkan data produksi kedelai yang telah dikelompokkkan menggunakan algoritme
k-means, sedangkan perancangan kebutuhan fungsional menghasilkan gambaran
umum mengenai fungsi menampilkan peta, tabel, dan grafik.
Berdasarkan kebutuhan fungsional dan kebutuhan data yang diperoleh, maka dibuat diagram konteks yang dapat menggambarkan aliran informasi dan aliran data yang terjadi di dalam sistem. Di dalam sistem ini terdapat 2 pengguna, yaitu pengguna umum dan administrator. Diagram konteks dapat dilihat pada Gambar 2.
Gambar 2 Diagram konteks SIG untuk produksi kedelai
Perancangan arsitektur sistem pada SIG ini dibuat mengikuti arsitektur dari perangkat lunak OpenGeo Suite 3.0 yang dapat dilihat pada Gambar 3. Di dalam OpenGeo Suite terdapat 3 lapisan utama database, application server, dan
user interface. Pada lapisan pertama, yaitu database terdapat PostGIS yang
merupakan sistem database relasional yang mampu menangani data spatial. Lapisan kedua, yaitu application server terdapat GeoServer sebagai web map
server yang menjadi server peta dan data spasial dan terdapat GeoWebCache yang
digunakan untuk menyimpan gambar peta dalam bentuk cache sehingga lebih cepat untuk menyajikannya melalui web. Pada lapisan ketiga, yaitu user interface
SIG produksi
kedelai Pengguna
9 terdapat OpenLayers dan GeoExplorer untuk melihat, melakukan navigasi, dan mengelola peta.
Gambar 3 Arsitektur OpenGeo Suite 3.0
Implementasi
Tahap ini dilakukan untuk merealisasikan rancangan SIG berbasis web untuk produksi kedelai yang dibuat dengan menggunakan OpenGeo Suite 3.0. Pembuatan basis data spasial produksi kedelai dilakukan dengan menggunakan PostGIS. Basis data pada sistem ini berisi data spasial yang berisi data vektor peta administrasi kabupaten dari 33 provinsi di Indonesia serta data atribut dari data spasial yang digunakan, yaitu data produksi kedelai di 33 provinsi di Indonesia tahun 2000-2011. Lalu data tersebut di-import ke GeoServer. Daftar atribut dari data yang digunakan dalam sistem dapat dilihat pada Lampiran 1.
Di dalam penelitian ini, GeoServer digunakan untuk merepresentasikan (pembuatan layer) data yang ada di PostGIS. Tahapan pembuatan suatu layer pada GeoServer ini meliputi (Kemenristek 2013):
1 Pembuatan workspace
Workspace merupakan tempat yang digunakan untuk mengelompokkan layer yang serupa. Dengan menggunakan workspace, dimungkinkan untuk
menggunakan layer dengan nama yang sama tanpa adanya konflik data. Pada sistem ini, dibuat workspace dengan nama “pertanian” seperti yang terlihat pada Gambar 4.
2 Pembuatan store
Store merupakan tempat untuk penyimpanan data geografik. Sebuah store mengacu pada sumber data spesifik, apakah berupa shapefile, basis data,
atau data lainnya yang didukung oleh GeoServer. GeoServer menyimpan parameter koneksi dalam setiap store (seperti alamat shapefile, atau informasi otentikasi penting untuk terhubung ke basis data). Setiap store hanya terhubung dengan satu workspace. Pada sistem ini sumber data yang digunakan adalah PostGIS Database. Parameter-parameter basis data yang harus diisi saat pembuatan store dapat dilihat pada Gambar 5.
10
Gambar 4 Pembuatan workspace
11 3 Pembuatan layer
Layer merupakan himpunan fitur geospasial yang berupa data vektor
atau raster yang akan ditransmisikan melalui protokol web service. Sebuah
layer merupakan representasi satu tabel dari satu basis data atau berkas
lainnya. GeoServer menyimpan informasi yang terkait dengan layer, seperti informasi proyeksi, bounding box, style, dan lainnya. Pada saat layer dipublikasikan, maka GeoServer akan menampilkan halaman konfigurasi yang tersedia yang dapat dilihat pada Gambar 6.
Gambar 6 Konfigurasi layer 4 Pengaturan style
Pengaturan style dilakukan untuk memberikan pewarnaan pada setiap kabupaten berdasarkan kategori produksi, luas panen, dan produktivitas yang diperoleh dari hasil clustering menggunakan algoritme k-means (Gambar 7).
Warna yang digunakan dalam pengaturan style adalah hitam, abu-abu, merah, jingga, kuning, dan hijau dimana masing-masing warna mewakili kategori na, null, rendah, sedang, tinggi, dan sangat tinggi. Hasil pewarnaan salah satu peta, yaitu peta produksi kedelai tahun 2000 pada kategori luas panen dapat dilihat pada Gambar 8.
Selanjutnya, untuk membangun dan mengimplementasikan kode program dilakuan dengan menggunakan framework CodeIgniter. Gambar 9 menunjukkan hasil tampilan peta saat pengguna melakukan pencarian data produksi kedelai untuk kategori luas panen pada tahun 2007 di provinsi Jambi. Tampilan peta warna merah, jingga, kuning, dan hijau menunjukkan hasil clustering luas panen yang bernilai rendah, sedang, tinggi, dan sangat tinggi, sedangkan warna hitam dan abu-abu menunjukkan nilai luas panen yang bernilai na dan null. Keterangan lengkap mengenai warna-warna pada peta dapat dilihat pada legenda peta, sedangkan keterangan mengenai rentang nilai untuk masing-masing warna dapat dilihat di “Tentang Sistem” (Lampiran 2).
12
Gambar 7 Pengaturan style
Gambar 8 Hasil pewarnaan peta
Gambar 10 dan Gambar 11 menunjukkan tampilan tabel dan grafik yang menjelaskan nilai luas panen dan kategori luas panen dari provinsi jambi pada tahun 2007 yang dihasilkan berdasarkan hasil clustering menggunakan algoritme k-means. Selain itu, sistem ini juga menyajikan hasil pencarian produksi kedelai dari seluruh tahun untuk melihat fluktuasi produksi kedelai dari tahun ke tahun. Gambar 12 dan Gambar 13 menunjukkan tampilan tabel dan grafik dari hasil pencarian luas panen kedelai di kabupaten Sukabumi.
13
Gambar 9 Tampilan peta hasil pencarian
14
Gambar 11 Tampilan grafik hasil pencarian
15
Gambar 13 Grafik hasil visualisasi tahun
Penggunaan Sistem
Pada tahap ini, SIG untuk produksi kedelai yang telah dibuat diuji dan akan dipublikasikan, serta dilakukan pemeliharaan untuk memastikan isi dari SIG tetap sesuai dengan kebutuhan dan spesifikasi sistem. Proses pemeliharaan merupakan proses yang berkelanjutan dimana sistem secara terus menerus diperbarui dan disesuaikan dengan perubahan. Pengujian terhadap sistem dilakukan dengan menggunakan metode black box. Pengujian ini bertujuan untuk memeriksa apakah fungsi–fungsi yang ada dalam sistem telah berjalan dengan benar dan untuk memeriksa apakah terdapat error pada sistem ini. Hasil pengujian dengan metode
black box dapat dilihat pada Tabel 6.
Tabel 6 Hasil pengujian No Kelas uji Deskripsi uji Kondisi
awal
Skenario uji Hasil yang diharapkan
Hasil uji 1 Menu utama Menampilkan
halaman utama Halaman utama Pilih menu home Tampilan halaman utama OK 2 Menu Tentang Sistem Menampilkan menu tentang sistem Halaman utama Pilih menu tentang sistem Tampilan halaman tentang sistem OK 3 Peta Menampilkan peta Halaman utama Pilih kategori ‘luas panen’, tahun ‘2007’, dan provinsi ‘Jambi’ Tampilan peta luas panen kedelai tahun 2007 dengan Google Map OK 4 Menu tampilan peta Memperbesar peta Halaman tampilan peta Pilih navigasi zoom in Tampilan peta yang diperbesar OK
16 peta tampilan peta navigasi zoom out peta yang diperkecil Menggeser peta Halaman
tampilan peta Pilih navigasi pan Tampilan peta yang digeser ke kiri, atas, atas, dan bawah OK
Legenda peta Halaman utama Pilih kategori ‘luas panen’, tahun ‘2007’, dan provinsi ‘Jambi’ Tampilan peta dengan legenda OK Me-reset tampilan peta Halaman tampilan peta Pilih Reset Map Hanya tampilan google map OK 5 Tabel Menampilkan tabel Halaman utama Pilih kategori ‘luas panen’, tahun ‘2007’, dan provinsi ‘Jambi’ dan klik Cari Tampilan tabel luas panen kedelai tahun 2007 OK 6 Grafik Menampilkan grafik Tampilan tabel luas panen kedelai tahun 2007 Pilih Open Graphic Tampilan grafik luas panen kedelai tahun 2007 OK 7 Visualisasi tahun Menampilkan tabel Halaman visualisasi tahun Pilih kategori ‘luas panen’ dan kabupaten ‘Kab. Sukabumi’ Tampilan tabel luas panen kedelai kabupaten Sukabumi dari seluruh tahun OK Menampilkan grafik Tampilan tabel luas panen kedelai kabupaten Sukabumi dari seluruh tahun Pilih Open Graphic Tampilan grafik luas panen kedelai kabupaten Sukabumi dari seluruh tahun OK
Berdasarkan hasi pengujian pada Tabel 6, dapat disimpulkan bahwa seluruh fungsi pada sistem informasi geografis untuk produksi kedelai telah berhasil
17 berjalan dengan baik. Namun, sistem ini belum mampu menampilkan peta administrasi per-provinsi ketika pengguna melakukan pencarian berdasarkan provinsi yang diinginkan.
SIMPULAN DAN SARAN
SimpulanSistem informasi geografis berbasis web untuk produksi kedelai di Indonesia berdasarkan hasil clustering menggunakan algoritme k-means telah berhasil dibangun menggunakan perangkat lunak OpenGeo Suite 3.0 dan
framework CodeIgniter. Sistem ini memiliki 5 fitur utama, yaitu fitur
menampilkan peta, menampilkan tabel, menampilkan grafik, menampilkan grafik informasi seluruh tahun, dan fitur integrasi peta dengan google map. Berdasarkan hasil pengujian menggunakan metode black box, seluruh fitur yang ada di dalam sistem telah berhasil berjalan dengan baik. Pada penelitian ini hasil clustering terbaik diperoleh dengan jumlah cluster 4 dan menghasilkan sum square error (SSE) sebesar 2.07, 1.53, dan 0.0037 berturut-turut untuk data luas panen, produksi, dan produktivitas. Berdasarkan hasil clustering, data produksi kedelai dibagi ke dalam 4 kategori yang selanjutnya ditampilkan dalam peta.
Saran
Pada penelitian ini peta yang ditampilkan adalah data spasial yang berisi data vektor peta administrasi kabupaten dari 33 provinsi di Indonesia. Untuk pengembangan selanjutnya diharapkan ketika pengguna melakukan pencarian berdasarkan provinsi tertentu, maka peta yang ditampilkan hanya peta administrasi dari provinsi tersebut. Selain itu, modul clustering juga dapat ditambahkan sehingga proses clustering dapat dilakukan untuk data baru dan dilakukan oleh user.
DAFTAR PUSTAKA
Abdul-Aziz A, Koronios A, Gao J, Sulong MS. 2012. A methodology for the development of web-based information system: web development team perspective. Di dalam: Proceedings of the Eighteenth Americas Conference on
Information System [Internet]. 2012 Agus 9-12, Seattle, Washington (US): AIS
Electronic Library (AISeL). hlm 1-9. [diunduh 2013 Nov 18]. Tersedia pada: http://aisel.aisnet.org/amcis2012/proceedings/SystemAnalys is/11.
[BBSDLP] Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan Pertanian. 2008. Potensi dan ketersediaan lahan untuk pengembangan kedelai di Indonesia. Warta Penelitian dan Pengembangan Pertanian. 30(1): hlm 1.
DeMers. 1997. Fundamentals of Geographic Information Systems. New York (US): J Wiley.
Han J, Kamber M, Pei J. 2012. Data Mining: Concept and Techniques. 3rd ed. Massachussetts (US): Morgan Kaufmann.
18
Kemenristek. 2013. OpenGeo Suite dan Ina-Geoportal Modul 2.
19 Lampiran 1 Daftar atribut data tabel geom dan produksi kedelai
Tabel Geom
Field Tipe Keterangan
gid Integer ID geometri
nama_kab Varchar (30) Nama kabupaten
nama_prop Varchar (30) Nama provinsi
geom Geometri (MultiPolygon) Geometri peta Tabel Produksi kedelai 2000-2011
Field Tipe Keterangan
gid Serial ID geometri
nama_kab Varchar (30) Nama kabupaten
nama_prop Varchar (30) Nama provinsi
geom Geometri (MultiPolygon) Geometri peta
luas_panen Varchar (30) Jumlah luas panen
kat_luas_panen Varchar (30) Kategori luas panen
produksi Varchar (30) Jumlah produksi
kat_produksi Varchar (30) Kategori produksi produktivitas Varchar (30) Jumlah produktivitas kat_produktivitas Varchar (30) Kategori produktivitas Tabel allyearsindo
Field Tipe Keterangan
gid Serial ID geometri
nama_kab Varchar (30) Nama kabupaten
nama_prop Varchar (30) Nama provinsi
tahun Varchar (10) Tahun
luas_panen Varchar (30) Jumlah luas panen
kat_luas_panen Varchar (30) Kategori luas panen
produksi Varchar (30) Jumlah produksi
kat_produksi Varchar (30) Kategori produksi produktivitas Varchar (30) Jumlah produktivitas kat_produktivitas Varchar (30) Kategori produktivitas
20
21
RIWAYAT HIDUP
Penulis dilahirkan di Dumai pada tanggal 05 Juli 1992 yang merupakan anak ke-5 dari 5 bersaudara dengan ayah bernama Alm. H. Nazirni Nukman dan Ibu bernama Hj. Raflis Zakaria. Pada tahun 2007, penulis menempuh pendidikan menengah atas di SMA Negeri 2 Dumai dan masuk program IPA.
Pada tahun 2010, penulis lulus dari SMA Negeri 2 Dumai dan diterima di Program Studi Ilmu Komputer Institut Pertanian Bogor melalui jalur USMI atau Undangan Seleksi Masuk IPB pada tahun yang sama. Pada tahun 2013, penulis melaksanakan kegiatan praktik kerja lapangan (PKL) di perusahaan media massa Republika Online, Jakarta Selatan, selama 35 hari kerja.
