Penerapan Data Mining untuk Klasifikasi Hasil Panen Jamur Tiram Menggunakan Algoritma K-Nearest Neighbors
Eka Praja Wiyata Mandala, Dewi Eka Putri*, Randy Permana
Fakultas Ilmu Komputer, Program Studi Teknik Informatika, Universitas Putra Indonesia YPTK, Padang, Indonesia Email: 1[email protected], 2,*[email protected], 3[email protected]
Email Penulis Korespondensi: [email protected]
Abstrak−Jamur tiram merupakan salah satu jenis jamur yang dapat dikonsumsi oleh manusia. Banyak sekali produk makanan yang dibuat dari hasil olahan jamur tiram ini. Hal ini membuat para petani jamur gencar melakukan budidaya jamur tiram ini karena melihat prospek ekonomi yang bagus. Namun, tidak semua proses budidaya jamur bisa berhasil dengan baik sehingga akan berdampak kepada hasil panen dari jamur tiram tersebut. Sehingga perlu dilakukan klasifikasi agar para petani jamur lebih mudah dalam menentukan banyaknya hasil panen dari jamur tiram tersebut. Klasifikasi dilakukan karena adanya kesulitan dari petani jamur dalam menentukan banyaknya hasil panen dengan melihat lebar tudung jamur, jumlah tudung jamur hingga waktu panen jamur. Penelitian ini mengusulkan teknik data mining untuk melakukan klasifikasi hasil panen jamur tiram menggunakan algoritma K-Nearest Neighbors sehingga dapat membantu petani jamur dalam menentukan hasil panen jamur tiram yang sedang dibudidayakan. Penelitian ini menggunakan dataset sebanyak 42 jamur sebagai data training dan 1 data jamur untuk ditentukan klasifikasi hasil panennya. Dari hasil pengujian terhadap 1 jamur dengan lebar tudung 8 cm, jumlah tudung 14 buah dan waktu panen 49 hari, maka diperoleh hasil klasifikasi hasil panen dari jamur tersebut adalah Kurang dengan dengan Mean absolute error sebesar 0.1419, Root mean squared error sebesar 0.2111, Relative absolute error sebesar 36.2177% dan Root relative squared error sebesar 48.002%. Hasil penelitian yang dilakukan ini dapat membantu para petani jamur dalam melakukan klasifikasi hasil panen jamur tiram.
Kata Kunci: Data Mining; Hasil Panen; Jamur Tiram; Klasifikasi; K-Nearest Neighbors
Abstract−Oyster mushroom is a type of mushroom that can be consumed by humans. Lots of food products are made from processed oyster mushrooms. This makes mushroom farmers intensively cultivate oyster mushrooms because they see good economic prospects. However, not all mushroom cultivation processes can be successful so it will have an impact on the yield of the oyster mushrooms. So it is necessary to classify so that it is easier for mushroom farmers to determine the amount of yield from the oyster mushroom. The classification was carried out because of the difficulty of mushroom farmers in determining the amount of harvest by looking at the width of the mushroom caps, the number of mushroom caps to the mushroom harvest time. This study proposes a data mining technique to classify oyster mushroom yields using the K-Nearest Neighbors algorithm so that it can help mushroom farmers in determining the yield of oyster mushrooms being cultivated. This study used a dataset of 42 mushrooms as training data and 1 mushroom data to determine the classification of the crops. From the results of testing on 1 mushroom with a cap width of 8 cm, the number of caps is 14 pieces and the harvest time is 49 days, the results of classification results obtained from this mushroom are Less with a Mean absolute error of 0.1419, Root mean squared error of 0.2111, Relative absolute error of 36.2177% and Root relative squared error of 48.002%. The results of this research can help mushroom farmers in classifying oyster mushroom yields.
Keywords: Data Mining; Yields; Oyster mushroom; Classification; K-Nearest Neighbors
1. PENDAHULUAN
Saat ini banyak sekali terdapat berbagai jenis jamur baik yang bisa dikonsumsi maupun yang tidak, namun masyarakat sudah bisa membedakan jamur yang bisa dikonsumsi [1]. Salah satu jamur yang bisa dikonsumsi oleh manusia adalah jamur tiram. Jamur tiram tumbuh dan berkembang secara pada saat musim hujan pada pohon yang sudah lapuk atau mati. Jamur tiram memiliki tudung berwarna putih dengan diameter mencapai 15 cm yang berbentuk setengah lingkaran [2]. Jamur tiram memiliki daging yang lunak dan mengandung nilai gizi yang tinggi [3].
Di Indonesia, jamur tiram dibudidayakan oleh petani karena memiliki prospek bisnis yang bagus. Hal ini terlihat dari banyaknya permintaan jamur tiram yang tinggi dari pengusaha rumah makan yang berbahan dasar jamur [4]. Masyarakat sangat menyukai jenis makanan yang memiliki bahan dasar jamur tiram sehingga banyak petani jamur tiram melakukan proses diversifikasi terhadap hasil panen jamur tiram. Proses diversifikasi jamur tiram memiliki nilai pasar yang bagus karena menghasilkan makanan dan minuman yang diolah dari jamur tiram [5]. Hasil diversifikasi dari jamur tiram sangat banyak dan beragam diantaranya adalah keripik, abon, bakso, penyedap, tepung jamur dan jamur krispi [6].
Budidaya jamur tiram pada umumnya dilakukan dengan mengikuti beberapa langkah, mulai dari pembuatan baglog, pengayakan, pengisian baglog, sterilisasi dan pembibitan [7]. Dalam proses budidaya jamur tiram, hal yang harus diperhatikan adalah tingkat kelembaban kumbung jamur serta tingkat suhu yang tepat karena sangat mempengaruhi hasil panen dari jamur tiram [8].
Permasalahan yang dihadapi oleh para petani jamur adalah ketidakseimbangan hasil panen yang dihasilkan karena keadaan musim yang seringkali berubah. Jamur tiram akan tumbuh subur pada saat musim hujan, namun pada saat musim kemarau jamur tiram juga bisa dibudidayakan tetapi panen yang dihasilkan tidak seperti saat musim hujan. Jamur yang tumbuh akan berbeda-beda dilihat dari jumlah tudung, lebar tudung hingga lamanya waktu panen jamur. Sehingga perlu dilakukan penelitian untuk membantu para petani jamur dalam menentukan
Eka Praja Wiyata Mandala, Copyright © 2023, MIB, Page 224 banyaknya hasil panen dari jamur tiram. Penelitian ini akan sangat membantu petani jamur karena penelitian ini mengenalkan teknik klasifikasi untuk menentukan banyaknya hasil panen jamur tiram yang dilihat dari lebar tudung, jumlah tudung dan waktu panen. Petani jamur dapat menentukan banyaknya hasil panen dengan bantuan teknik klasifikasi yang diusulkan pada penelitian ini.
Penelitian ini dilakukan di sebuah daerah di kota Padang yang bernama Kampung Jamur. Kampung Jamur terletak di Jalan Limau Manis, Kecamatan Pauh, Kota Padang. Kampung Jamur ini merupakan program pemberdayaan ekonomi dari para mustahik zakat yang diluncurkan oleh Baznas Kota Padang. Pengambilan data dilakukan dengan cara melakukan wawancara dengan pimpinan kelompok budidaya jamur tiram di Kampung Jamur. Data yang diperoleh berkaitan dengan hasil panen jamur tiram dilihat dari bentuk jamur tiram saat dipanen.
Dari data yang dikumpulkan ini, maka pada penelitian ini akan dilakukan klasifikasi hasil panen berdasarkan lebar tudung, jumlah tudung dan waktu panen dari jamur tiram.
Untuk melakukan klasifikasi terhadap hasil panen jamur tiram, maka pada penelitian ini digunakan pendekatan data mining. Data mining adalah proses dalam menggali informasi yang belum diketahui dari kumpulan data yang besar [9], menggunakan berbagai teknik diantaranya adalah statistik, matematika, pembelajaran mesin hingga kecerdasan buatan [10]. Data mining mampu melakukan ekstraksi terhadap data yang besar sehingga menghasilkan pengetahuan yang memiliki nilai tambah [11], [12]. Salah satu teknik yang dapat digunakan dalam data mining adalah teknik klasifikasi. Klasifikasi merupakan proses yang digunakan untuk menemukan kumpulan pola untuk memisahkan kelas data [13]. Teknik klasifikasi digunakan untuk mengelompokkan data berdasarkan hubungan data dengan sampel data [14]. Klasifikasi memberikan kelompok kepada setiap keadaan yang berisi class attribute [15].
Pada penelitian sebelumnya tahun 2018, prediksi produksi tanaman pangan dilakukan dengan algoritma K- NN, dimana pada penelitian ini dilakukan di provinsi Gorontalo. Penelitian ini melakukan prediksi hasil produksi tanaman pangan berdasarkan luas lahan dan produksi panen seitap tahun. Penelitian ini menghasilkan aplikasi untuk prediksi hasil produksi tanaman pangan dengan tingkat akurasi mencapai 92,83% [16]. Penelitian lainnya pada tahun yang sama, juga menjelaskan tentang prediksi panen padi menggunakan algoritma K-NN. Dataset yang digunakan pada penelitian ini diambil dari data BPS provinsi D.I. Yogyakarta tahun 2000 hingga 2017. Hasil dari penelitian ini menjelaskan bahwa algoritma K-NN dapat digunakan untuk melakukan prediksi panen padi dengan nilai RMSE dan absolute error yang baik [17].
Penelitian lainnya pada tahun 2019, penentuan hasil panen pertanian dilakukan dengan menggunakan algoritma K-NN. Penelitian ini dilakukan untuk memprediksi hasil pertanian di Kabupaten Malang untuk tujuan membantu pemerinta kabupaten Malang dalam melihat tingkat ketahanan pangan di daerah tersebut. Hasil dari penelitian ini adalah menciptakan aplikasi yang dapat memprediksi tingkat ketahanan pangan dengan nilai akurasi mencapai 73,91% [18].
Dari penelitian-penelitian yang sudah dilakukan sebelumnya, belum terdapat penelitian yang secara khusus membahas tentang hasil panen sebuah komoditas khususnya jamur tiram. Penelitian yang sudah pernah dilakukan sebelumnya lebih tertuju kepada hasil pertanian secara umum dan belum ada penelitian yang membahas secara spesifik. Untuk kasus hasil panen jamur tiram, faktor penentu banyaknya hasil panen sangat berbeda dengan komoditas pertanian lainnya, sehingga perlu dilakukan penelitian yang dapat mengklasifikasikan hasil panen jamur tiram untuk membantu para petani jamur tiran tersebut dalam meningkatkan hasil panen.
Berdasarkan latar belakang diatas, maka pada penelitian ini akan dilakukan proses klasifikasi terhadap hasil panen jamur tiram menggunakan teknik klasifikasi dalam data mining dengan menerapkan algoritma K-Nearest Neighbors. Penelitian ini diharapkan dapat membantu petani jamur di Kampung Jamur dalam mengklasifikasikan hasil panen jamur tiram sehingga dapat meningkatkan pemasaran yang berdampak pada meningkatnya pendapatan para petani jamur.
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Penelitian ini dilakukan di sebuah tempat budidaya jamur tiram yang ada di Kota Padang yang biasa disebut dengan Kampung Jamur. Kampung Jamur terletak di Jalan Limau Manis, Kecamatan Pauh, Kota Padang. Penelitian ini melibatkan petani jamur dalam kelompok budidaya jamur tiram yang terdiri dari ibu-ibu rumah tangga dimana masing-masing rumah memiliki ruang budidaya jamur tiram sendiri. Para petani jamur tiram bersama-sama mengolah jamur tiram menjadi berbagai macam makanan seperti rendang jamur, keripik jamur, agar-agar jamur, dan es krim jamur yang siap dipasarkan.
Dalam melakukan penelitian, diperlukan beberapa tahapan yang harus dilakukan. Tahapan ini dilakukan agar penelitian yang dilakukan lebih terstruktur dan dapat terlaksana dengan baik. Tahapan yang dilakukan dimulia dari menemukan masalah yang terjadi terkait hasil panen jamur tiram sampai mendapatkan kesimpulan dari hasil penelitian yang dilakukan. Penelitian ini dilakukan dengan melewati beberapa tahapan yang dapat dilihat pada Gambar 1.
Gambar 1. Tahapan Penelitian
Gambar 1 merupakan semua tahapan yang dilakukan pada penelitian ini. Penelitian dilakukan dengan melewati 5 tahapan untuk melakukan klasifikasi hasil panen jamur tiram yang dimulai dari menemukan masalah yang terjadi sampai menyimpulkan hasil penelitian. Penelitian ini dimulai dengan mempelajari masalah yang terjadi pada petani jamur di Kampung Jamur terkait dengan masalah hasil panen jamur tiram. Masalah diperoleh dari hasil wawancara dengan ketua kelompok budidaya jamur tiram dan beberapa petani jamur. Dari hasil wawancara juga diperoleh data tentang hasil panen yang dilihat dari lebar tudung, jumlah tudung dan waktu panen dari jamur tiram. Pada tahap selanjutnya, setelah data diperoleh dilakukan proses penganalisaan data untuk menentukan klasifikasi hasil panen jamur tiram dengan menggunakan algoritma K-Nearest Neighbors. Kemudian dilakukan proses pengujian hasil dari analisa data dengan menggunakan aplikasi analisis data yang pada penelitian ini menggunakan aplikasi Weka versi 3.8.4. Tahapan terakhir dari penelitian ini adalah menarik kesimpulan dari keseluruhan proses penelitian yang telah dilakukan.
2.2 Klasifikasi dengan K-Nearest Neighbors
Untuk mengolah dan menganalisis sampel data yang digunakan diatas, maka digunakan salah satu algoritma dalam data mining untuk melakukan klasifikasi data yaitu algoritma K-Nearest Neighbors. Penelitian ini mengimplementasikan teknik klasifikasi dalam data mining dengan menggunakan algoritma K-Nearest Neighbors (K-NN). K-NN merupakan algoritma yang masuk ke dalam kategori increase-based learning yang merupakan salah satu teknik dari lazy learning [19]. K-NN masuk ke dalam kelompok supervised learning yang mengklasifikasi berdasarkan mayoritas kedekatan jarak [20]. Algoritma K-NN sudah banyak digunakan untuk menyelesaikan masalah klasifikasi, prediksi dan regresi [21]. Algoritma K-NN dimulai dengan menyiapkan dataset yang akan digunakan, kemudian dilanjutkan dengan menentukan nilai k sebagai jumlah tetangga terdekat, kemudian mencari jarak masing-masing dataset dengan tetangga terdekat dan mengurutkan jarak berdasarkan jarak terdekat [22]. Hasil dari algoritma tergantung dari nilai k yang ditentukan sebagai jumlah tetangga terdekat [23].
Tahapan dari algoritma K-Nearest Neighbors dapat dilihat pada Gambar 2.
Gambar 2. Alur Algoritma K-Nearest Neighbors
Proses dalam melakukan klasifikasi menggunakan algoritma K-Nearest Neighbors melibatkan beberapa tahapan. Tahapan pertama dimulai dengan menentukan parameter K sebagai jumlah tetangga terdekat, kemudian
Menemukan Masalah yang Terjadi
Mempelajari masalah pada Kampung Jamur terkait dengan hasil panen jamur tiram
Mengumpulkan Data yang Diperlukan
Mengumpulkan data dengan melakukan wawancara dengan ketua kelompok budidaya dan petani jamur tiram
Menganalisa Data yang Diperoleh
Menganalisa data yang diperoleh untuk mengklasifikasikan hasil panen menggunakan Algoritma K-Nearest Neighbors
Menguji Hasil Analisa Data
Menguji hasil analisa data dengan menggunakan aplikasi analisis data yaitu aplikasi Weka
Menyimpulkan Hasil Penelitian
Menarik kesimpulan dari keseluruhan penelitian yang dilakukan
Tentukan parameter K
Hitung jarak antara data baru dan semua data
Urutkan jarak tersebut dan tentukan tetangga yang terdekat
Tentukan kategori dari tetangga terdekat
Gunakan kategori mayoritas dari tetangga terdekat
Eka Praja Wiyata Mandala, Copyright © 2023, MIB, Page 226 dilakukan proses perhitungan untuk menentukan jarak antara data baru dengan semua data yang ada pada data training. Proses penentuan jarak antara sampel data dan data baru menggunakan rumus korelasi antar objek yaitu Euclidean Distance seperti pada Persaman 1 [24].
D11= √(M1x− C1x)2 + (M1y− C1y)2 (1)
Hasil perhitungan jarak diurutkan berdasarkan jarak terdekat ke K dan dilanjutkan dengan menentukan kategori dari tetangga terdekat. Tahapan terakhir adalah menggunakan kategori mayoritas dari tetanggan terdekat untuk menentukan nilai prediksi dari data baru.
3. HASIL DAN PEMBAHASAN
3.1 Sampel Data yang Digunakan
Penelitian ini menggunakan sampel data yang diperoleh langsung dari kelompok budidaya jamur tiram di Kampung Jamur. Data yang diperoleh merupakan data hasil panen dari 42 jamur tiram berdasarkan lebar tudung, jumlah tudung dan waktu panennya. Sampel data yang digunakan pada penelitian ini dapat dilihat pada Tabel 1
Tabel 1. Sampel Data Jamur Tiram Jamur Tiram Lebar Tudung (cm) Jumlah Tudung
(buah)
Waktu Panen (hari)
Hasil Panen
1 5 15 67 Kurang
2 5 19 63 Kurang
3 5 9 81 Kurang
4 7 13 94 Kurang
5 5 11 81 Kurang
6 5 5 70 Kurang
7 5 17 92 Kurang
8 8 8 69 Kurang
9 7 4 69 Kurang
10 6 10 69 Kurang
11 6 10 70 Kurang
12 5 12 94 Kurang
13 6 10 77 Kurang
14 4 18 92 Kurang
15 6 17 70 Kurang
16 7 5 49 Kurang
17 5 7 67 Kurang
18 8 8 69 Kurang
19 4 13 63 Kurang
20 5 10 75 Kurang
21 8 4 49 Kurang
22 14 4 70 Banyak
23 12 4 70 Banyak
24 8 5 69 Kurang
25 6 18 92 Kurang
26 6 13 92 Kurang
27 9 8 78 Banyak
28 9 8 76 Banyak
29 9 7 69 Banyak
30 5 20 75 Banyak
31 4 11 75 Kurang
32 6 7 58 Kurang
33 6 19 69 Banyak
34 6 16 54 Banyak
35 8 11 75 Banyak
36 6 9 81 Kurang
37 4 17 69 Banyak
38 5 11 81 Kurang
39 5 5 92 Kurang
40 7 14 92 Kurang
Jamur Tiram Lebar Tudung (cm) Jumlah Tudung (buah)
Waktu Panen (hari)
Hasil Panen
41 5 13 81 Kurang
42 5 23 73 Banyak
Tabel 1 menunjukkan sampel data yang digunakan pada penelitian ini yang terdiri dari lebar tudung (cm), jumlah tudung (buah) dan waktu panen (hari) sebagai atribut yang akan menentukan keputusan banyak hasil panen yang dihasilkan. Data 42 jamur tiram diperoleh dari beberapa petani jamur yang ada di Kampung Jamur sesuai dengan hasil panen sebelumnya sebagai sampel data. Jumlah data sampel ini dirasakan cukup karena sudah mewakili data dari beberapa petani jamur yang ada di Kampung Jamur.
3.2 Analisa Kriteria Kelayakan
Penelitian ini menggunakan beberapa atribut sebagai kriteria dalam penentuan klasifikasi hasil panen jamur tiram.
Data atribut yang digunakan dapat dilihat pada Tabel 2.
Tabel 2. Atribut yang Digunakan
Tabel 2 menunjukkan atribut yang digunakan pada penelitian ini. Atribut terdiri dari atribut kondisi yaitu lebar tudung, jumlah tudung dan waktu panen dan untuk atribut keputusan adalah hasil panen. Atribut lebar tudung berkisar antara 3.53 cm dampai 14 cm, jumlah tudung berkisar antara 4 buah sampai 23 buah dan waktu panen berkisar antara 49 hari sampai 94 hari.
3.3 Klasifikasi dengan Algoritma K-Nearest Neighbors
Proses klasifikasi diawali dengan pengolahan sampel data yang sudah diperoleh sebelumnya. Proses diawali dengan menentukan jumlah parameter K sebagai jumlah tetangga terdekat. Penelitian ini menggunakan nilai K = 7, karena hasil panen yang akan diklasifikasikan terdiri dari dua, yaitu hasil panen yang “Banyak” dan hasil panen yang “Kurang”. Setelah menentukan nilai K, langkah selanjutnya adalah menentukan jarak antara sampel data sebagai data training dengan data baru sebagai data testing. Pada penelitian ini, data testing yang digunakan dapat dilihat pada Tabel 3.
Tabel 3. Data Testing yang Digunakan
Pada Tabel 3 terlihat ada dua data baru yang digunakan sebagai data testing yaitu jamur tiram ke-43 yang memiliki lebar tudung yang berbeda, jumlah tudung yang berbeda dan waktu panen yang berbeda dengan data sampel sebelumnya. Namun data baru ini belum diketahui akan masuk ke dalam klasifikasi hasil panen “Banyak”
atau “Kurang”. Dengan menggunakan Persamaan 1 dalam mencari jarak antara sampel data dan data baru, maka dapat diperoleh jarak masing-masing yang terlihat pada Tabel 4.
Tabel 4. Jarak antara Sampel Data dengan Data Baru Jamur Tiram Lebar Tudung (cm) Jumlah Tudung
(buah)
Waktu Panen (hari)
Jarak ke Jamur 43
1 5 15 67 12.40967
2 5 19 63 17.02939
3 5 9 81 6.164414
4 7 13 94 15.06652
5 5 11 81 4.690416
6 5 5 70 13.0767
7 5 17 92 13.67479
8 8 8 69 11.6619
9 7 4 69 14.17745
10 6 10 69 10.95445
11 6 10 70 10.04988
12 5 12 94 15.42725
13 6 10 77 4.898979
Atribut Nilai Atribut
Lebar Tudung Berkisar antara 3.53 cm sampai 14 cm Jumlah Tudung Berkisar antara 4 buah sampai 23 buah Waktu Panen Berkisar antara 49 hari sampai 94 hari Hasil Panen Banyak, Kurang
Jamur Tiram Lebar Tudung (cm) Jumlah Tudung (buah)
Waktu Panen (hari)
43 8 14 79
Eka Praja Wiyata Mandala, Copyright © 2023, MIB, Page 228 Jamur Tiram Lebar Tudung (cm) Jumlah Tudung
(buah)
Waktu Panen (hari)
Jarak ke Jamur 43
14 4 18 92 14.17745
15 6 17 70 9.69536
16 7 5 49 31.33688
17 5 7 67 14.21267
18 8 8 69 11.6619
19 4 13 63 16.52271
20 5 10 75 6.403124
21 8 4 49 31.62278
22 14 4 70 14.73092
23 12 4 70 14.03567
24 8 5 69 13.45362
25 6 18 92 13.74773
26 6 13 92 13.19091
27 9 8 78 6.164414
28 9 8 76 6.78233
29 9 7 69 12.24745
30 5 20 75 7.81025
31 4 11 75 6.403124
32 6 7 58 22.22611
33 6 19 69 11.35782
34 6 16 54 25.15949
35 8 11 75 5
36 6 9 81 5.744563
37 4 17 69 11.18034
38 5 11 81 4.690416
39 5 5 92 16.09348
40 7 14 92 13.0384
41 5 13 81 3.741657
42 5 23 73 11.22497
Setelah jarak masing-masing sampel data dengan data baru diperoleh, langkah selanjutnya adalah mengurutkan jarak sesuai dengan jumlah K yang sudah ditentukan sebelumnya yaitu K = 7. Untuk jamur tiram ke-43, data jamur setelah diurutkan dapat dilihat pada Tabel 5.
Tabel 5. Urutan Jarak Terdekat ke Jamur 43 Jamur
Tiram
Lebar Tudung (cm)
Jumlah Tudung (buah)
Waktu Panen (hari)
Hasil Panen
Jarak ke Jamur 43
41 5 13 81 Kurang 3.741657
5 5 11 81 Kurang 4.690416
38 5 11 81 Kurang 4.690416
13 6 10 77 Kurang 4.898979
35 8 11 75 Banyak 5
36 6 9 81 Kurang 5.744563
3 5 9 81 Kurang 6.164414
Dari Tabel 5 terlihat ada 7 jamur yang mempunyai jarak terdekat dengan jamur ke-43. Dari 7 jamur tersebut, terlihat 1 jamur yang memiliki hasil panen “Banyak” dan 6 jamur yang memiliki hasil panen “Kurang”. Jadi jamur ke-43 dapat diklasifikasikan ke dalam hasil panen yang “Kurang” karena lebih banyak yang dekat dengan hasil panen yang “Kurang”.
3.4 Pengujian Hasil
Proses pengujian dari penelitian ini dilakukan dengan menggunakan aplikasi analisis data yaitu Weka versi 3.8.4.
Dataset yang digunakan yaitu data hasil panen jamur tiram dengan atribut lebar tudung, jumlah tudung dan waktu panen. Dataset dimasukkan melalui Microsoft Excel dengan format csv sebanyak 42 record data sampel sebagai data training dan 1 record data baru sebagai data testing. Setelah dilakukan pengujian dengan aplikasi Weka 3.8.4 menggunakan algoritma K-Nearest Neighbors maka dapat diperoleh Mean absolute error yaitu rata-rata selisih nilai sebenarnya dengan nilai klasifikasi sebesar 0.1419, Root mean squared error yaitu tingkat kesalahan dalam klasifikasi sebesar 0.2111, Relative absolute error yaitu pengukuran kinerja teknik klasifikasi sebesar 36.2177%
dan Root relative squared error yaitu nilai relatif jika atribut sudah digunakan sebesar 48.002%. Hasil klasifikasi
menunjukkan bahwa jamur ke-43 termasuk ke dalam klasifikasi hasil panen “Kurang” seperti yang terlihat pada Gambar 3.
Gambar 3. Hasil Klasifikasi Jamur ke-43 menggunakan Weka 3.8.4
Dari Gambar 3 dapat dilihat bahwa hasil klasifikasi terhadap hasil panen jamur tiram ke-43 dengan lebar tudung 8 cm, jumlah tudung 14 buah dan waktu panen 79 hari, dapat dilihat klasifikasinya termasuk ke dalam hasil panen yang “Kurang” dengan margin 0.1419. Dari hasil ini, dapat dilihat kinerja dari algoritma K-Nearest Neighbors dapat bekerja dengan baik dalam melakukan klasifikasi hasil panen jamur tiram dengan menggunakan atribut-atribut kondisi yang ada.
4. KESIMPULAN
Dalam penelitian ini, dapat diidentifikasi permasalahan yang terkait dengan hasil panen jamur tiram. Sehingga perlu digunakan teknik data mining untuk membantu dalam mengatasi permasalahan tersebut. Teknik data mining yang digunakan adalah teknik klasifikasi dengan melibatkan algoritma K-Nearest Neighbors. Dari hasil pembahasan yang dilakukan pada penelitian ini yaitu melakukan klasifikasi hasil panen jamur tiram, maka dapat disimpulkan bahwa algortima K-Nearest Neighbors yang digunakan dapat membantu para petani jamur tiram di Kampung Jamur dalam melakukan klasifikasi hasil panen jamur tiram dengan melihat lebar tudung jamur, jumlah tudung jamur dan waktu panen jamur. Hal ini dapat dilihat dari hasil klasifikasi data jamur baru yang digunakan yaitu lebar tudung 8 cm, jumlah tudung 14 buah dan waktu panen 79 hari, menunjukkan bahwa hasil panennya termasuk ke dalam klasifikasi Kurang dengan Mean absolute error sebesar 0.1419, Root mean squared error sebesar 0.2111, Relative absolute error sebesar 36.2177% dan Root relative squared error sebesar 48.002%. Hasil dari penentuan klasifikasi hasil panen jamur tiram ini akan berdampak terhadap meningkatnya pemasaran jamur, sehingga akan meningkatkan pendapatan dari para petani jamur tiram yang ada di Kampung Jamur. Dari hasil ini, dapat dilihat kinerja dari algoritma K-Nearest Neighbors dapat bekerja dengan baik dalam melakukan klasifikasi hasil panen jamur tiram dengan menggunakan atribut-atribut kondisi yang ada. Penelitian yang dilakukan saat ini hanya sebatas pada proses klasifikasi hasil panen jamur tiram, disarankan pada penelitian selanjutnya dapat dilakukan proses prediksi tidak hanya terhadap hasil panen tetapi juga prediksi terhadap pemasaran dan penjualan produk olahan dari jamur tiram ini.
REFERENCES
[1] D. Darsilowati, A. A. Riadi, and E. Evanita, “Klasifikasi Jenis Jamur Konsumsi Berbasis Android Menggunakan Metode K-Nearset Neighbors (KNN),” J. Appl. Sci. Technol., vol. 1, no. 02, p. 22, 2021, doi: 10.30659/jast.1.02.22-29.
[2] J. N. Hasanati et al., “Inventarisasi dan Identifikasi Jamur Konsumsi yang diperdagangkan di Beberapa Pasar Swalayan di Kota Tangerang dan Bekasi,” Pros. Semin. Nas. Biol., vol. 1, no. 2, pp. 1312–1323, 2021, [Online]. Available:
https://semnas.biologi.fmipa.unp.ac.id/index.php/prosiding/article/view/234.
[3] D. R. Khasanah, S. Sunarto, and E. S. Prabowo, “Pengaruh kegiatan Pemasaran terhadap Peningkatan Hasil Produksi Jamur Tiram,” J. Manaj. dan Akunt. Medan, vol. 3, no. 2, pp. 62–73, 2021, doi: 10.53950/jma.v3i2.82.
[4] M. Machfudi, A. Supriyatna, and H. Hendrawan, “Budidaya Jamur Tiram Sebagai Peluang Usaha (Studi Kasus Puslit Biologi LIPI),” Community Dev. J. J. Pengabdi. Masy., vol. 2, no. 1, pp. 127–135, 2021, doi: 10.31004/cdj.v2i1.1396.
[5] M. I. Wahyudi, B. Tripama, H. Prayuginingsih, and T. T. Warisaji, “Diversifikasi Produk Olahan Jamur Tiram untuk Menunjang Perekonomian Masyarakat di Kabupaten Jember,” Agrokreatif J. Ilm. Pengabdi. Kpd. Masy., vol. 7, no. 1, pp. 13–21, 2021, doi: 10.29244/agrokreatif.7.1.13-21.
[6] Y. K. Syadi, E. Handarsari, and Triyono, “Diversifikasi Jamur Tiram Sebagai Penyedap Rasa Alami,” Pros. Semin. Nas.
Unimus, vol. 2, pp. 34–39, 2019, [Online]. Available: https://prosiding.unimus.ac.id/index.php/semnas/article/view/362.
[7] Alridiwirsah and A. A. Suprianto, “Analisis Usaha Budidaya Jamur Tiram Putih (Pleurotus Ostreatus) Dibawah Kelapa Sawit,” Proceding Semin. Nas. Kewirausahaan, pp. 91–96, 2021, doi: 10.30596/snk.v2i1.8230.
Eka Praja Wiyata Mandala, Copyright © 2023, MIB, Page 230 [8] Y. Dewanata, M. Bettiza, and T. Suhendra, “Sistem Monitoring Suhu Dan Kelembapan Budidaya Jamur Tiram Dengan Metode Logika Fuzzy Mamdani Berbasis Internet Of Things (Studi Kasus: Kumbung Jamur Tiram Tanjungpinang),”
Student Online J. Umr. - Tek., vol. 2, no. 2, pp. 578–590, 2021, [Online]. Available:
https://soj.umrah.ac.id/index.php/SOJFT/article/view/1417.
[9] D. Damayanti, “Implementasi Algoritma C4.5 Prediksi Produksi Komoditas Tanaman Perkebunan Berdasarkan Luas Lahan,” TIN Terap. Inform. Nusant., vol. 2, no. 10, pp. 571–579, 2022, doi: 10.47065/tin.v2i10.1026.
[10] M. I. Hadiwibowo and F. F. Rahani, “Data Mining Dalam Penentuan Pemesanan Buku Perpustakaan UAD dengan Menggunakan Metode Naïve Bayes,” J. Media Inform. …, vol. 6, no. 4, pp. 2165–2170, 2022, doi:
10.30865/mib.v6i4.4381.
[11] A. Lili, S. Suhada, and S. Widodo, “Pengelompokan Hasil Panen Kelapa Sawit Dalam Produksi Per Blok Menggunakan Algoritma K-Means,” J. Mach. Learn. Data Anal., vol. 01, no. 01, pp. 45–54, 2022, [Online]. Available:
https://journal.fkpt.org/index.php/malda/article/view/163.
[12] E. P. W. Mandala and D. E. Putri, Data Mining Asosiasi dan Klasterisasi Produk pada Toko Retail. Solok: Penerbit Insan Cendekia Mandiri, 2022.
[13] F. Maulana, M. Orisa, and H. Zulfia Zahro’, “Klasifikasi Data Produk Mebel Aneka Jaya Menggunakan Metode K- Nearest Neighbor Berbasis Web,” JATI (Jurnal Mhs. Tek. Inform., vol. 5, no. 2, pp. 460–466, 2021, doi:
10.36040/jati.v5i2.3782.
[14] M. Wibowo and R. Ramadhani, “Perbandingan Metode Klasifikasi Data Mining Untuk Rekomendasi Tanaman Pangan,”
J. Media Inform. Budidarma, vol. 5, no. 3, p. 913, 2021, doi: 10.30865/mib.v5i3.3086.
[15] Mustika et al., Data Mining dan Aplikasinya. Bandung: Penerbit Widina, 2021.
[16] I. Taib and M. Nanja, “Prediksi Produksi Tanaman Pangan di Provinsi Gorontalo Menggunakan Metode K-Nearest Neighbor,” cosPhi, vol. 2, no. 1, pp. 17–20, 2018, [Online]. Available:
https://www.cosphijournal.unisan.ac.id/index.php/cosphihome/article/view/73.
[17] W. T. Panjaitan, E. Utami, and H. Al Fatta, “Prediksi Panen Padi Menggunakan Algoritma K-Nearest Neigbour,” Pros.
SNATIF, pp. 621–628, 2018, [Online]. Available: https://conference.umk.ac.id/index.php/snatif/article/view/99.
[18] A. Pungky, “Penerapan Metode K-Nn Untuk Memprediksi Hasil Pertanian Di Kabupaten Malang,” JATI (Jurnal Mhs.
Tek. Inform., vol. 3, no. 1, pp. 235–242, 2019.
[19] K. C. Pelangi, “Prediksi Produksi Tanaman Pangan Di Provinsi Gorontalo Menggunakan Metode K-Nn (K- Nearest Neighbor),” Simtek J. Sist. Inf. dan Tek. Komput., vol. 6, no. 2, pp. 173–177, 2021, doi: 10.51876/simtek.v6i2.113.
[20] A. Wanto et al., Data Mining Algoritma dan Implementasi. Medan: Yayasan Kita Menulis, 2020.
[21] A. Yudhana, S. Sunardi, and A. J. S. Hartanta, “Algoritma K-Nn Dengan Euclidean Distance Untuk Prediksi Hasil Penggergajian Kayu Sengon,” Transmisi, vol. 22, no. 4, pp. 123–129, 2020, doi: 10.14710/transmisi.22.4.123-129.
[22] M. Lutfi, “Implementasi Metode K-Nearest Neighbor dan Bagging Untuk Klasifikasi Mutu Produksi Jagung,” Agromix, vol. 10, no. 2, pp. 130–137, 2019, doi: 10.35891/agx.v10i2.1636.
[23] D. N. Aini, B. Oktavianti, M. J. Husain, D. A. Sabillah, S. T. Rizaldi, and M. Mustakim, “Seleksi Fitur untuk Prediksi Hasil Produksi Agrikultur pada Algoritma K-Nearest Neighbor (KNN),” J. Sist. Komput. dan Inform., vol. 4, no. 1, p.
140, 2022, doi: 10.30865/json.v4i1.4813.
[24] E. P. W. Mandala, E. Rianti, and S. Defit, “Classification of Customer Loans Using Hybrid Data Mining,” JUITA J.
Inform., vol. 10, no. 1, pp. 45–52, 2022, doi: 10.30595/juita.v10i1.12521.
