Jurnal Riset Komputer (JURIKOM), Vol. 6 No. 3, Juni 2019 ISSN 2407-389X (Media Cetak) Hal: 285-288
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 285
Penerapan Data Mining Untuk Pengelompokan Bibit Sawit Yang Baik Menggunakan Metode Clustering Dengan Technic Single Linkage
Asmitra Hot D Sinamo
Program Studi Teknik Informatika, STMIK Budi Darma, Medan, Indonesia Jalan Sisingamangaraja No. 338 Medan, Indonesia
Abstrak
Bibit merupakan produk yang dihasilkan dari pengadaan bahan tanaman yang dapat berpengaruh terhadap pencapaian produksi. Melalui tahap pembibitan ini diharapkan menghasilkan bibit yang baik dan berkualitas. Dalam rangka mencapai potensi produksi tanaman, pengelolaan bibit sawit dianjurkan melaksanakan sistem pengelompokan penanaman dilapangan.
Pengelompokan ini dimaksudkan untuk menjamin keseragaman pertumbuhan tanaman. Sulitnya melakukan pemilihan strategi pengelompokan bibit sawit dalam membantu orang-orang terkait agar dapat mengambil langkah yang akurat untuk periode selanjutnya. memudahkan pelaksanaan kulturteknis. Data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data dalam jumlah basar, yang diharapkan dapat mengatasi kondisi tersebut.
Teknik Clustering data mining yang digunakan dalam penelitian ini adalah metode teknik single linkage. Dimana data-data yang di cluster terbentuk berdasarkan aturan dari metode ini. Berdasarkan uji coba dari sistem yang telah dibuat dapat disimpulkan bahwa penggunaan model clustering untuk data bibit sawit dapat menghasilkan cluster-cluster nilai pengelompokan dalam 2, 3 dan 4 kuantifikasi himpunan kriteria. Dari hasil penelitian dapat disimpulkan bahwa penerapan teknik single linkage dapat digunakan untuk meningkatkan hasil panen. Karena data-data bibit sawit tersebut telah dipisah- pisahkan berdasarkan jenis masing-masing bibit.
Kata kunci: Bibit Sawit, Data Mining,Clustering, Single Linkage.
Abstract
Seeds are products that are produced from the procurement of plant materials that can affect the achievement of production.
Through this nursery stage it is expected to produce good and quality seeds. In order to achieve crop production potential, palm oil seedling management is recommended to implement a planting grouping system in the field. This grouping is intended to guarantee uniformity of plant growth. It is difficult to select the palm seed grouping strategy in helping related people to take accurate steps for the next period. facilitate the implementation of culture. Data mining is mining or discovering new information by looking for certain patterns or rules from a number of raw data, which are expected to overcome these conditions. The data mining Clustering technique used in this study is a single linkage technique. Where data in clusters is formed based on the rules of this method. Based on the trials of the system that has been made it can be concluded that the use of clustering models for palm oil seedlings can produce clustering cluster values in 2.3 and 4 quantification of the set of criteria.
From the results of the study it can be concluded that the application of single linkage techniques can be used to increase crop yields. Because the data on palm oil seedlings have been separated according to the type of each seed.
Keywords: Palm Seedlings, Data Mining, Clustering, Single Linkage.
1. PENDAHULUAN
PT. Perkebunan Nusantara IV disingkat PTPN IV Kebun Adolina. Merupakan salah satu dari 33 Unit Usaha PTPN IV yang bergerak dalam bidang usaha perkebunan, pengolahan kelapa sawit. Bibit merupakan produk yang dihasilkan dari pengadaan bahan tanaman yang dapat berpengaruh terhadap pencapaian produksi. Melalui tahap pembibitan ini diharapkan menghasilkan bibit yang baik dan berkualitas. Dalam rangka mencapai potensi produksi tanaman, pengelolaan bibit sawit dianjurkan melaksanakan sistem pengelompokan penanaman dilapangan. Pengelompokan ini dimaksudkan untuk menjamin keseragaman pertumbuhan tanaman. Dengan perlakuan pembibitan umum seperti aplikasi pupuk, penyiraman dan pengendalian gulma yang seragam dalam satu kelompok maka dapat meminimumkan variasi pertumbuhan apabila benih tersebut benih unggul.
Pertumbuhan tanaman yang sragam akan meningkatkan produktivitas TBS (tandan buah segar) dan memudahkan pelaksanaan kulturteknis. Data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data dalam jumlah basar, yang diharapkan dapat mengatasi kondisi tersebut[1].
Pengelolaan data pengelompokan bibit sawit akan dapat lebih dimanfaatkan secara obtimal dengan metode Data Mining Clustering, mengingat jumlah bibit sawit yang cukup banyak menimbulkan variasi individu yang cukup banyak pula. Selanjutnya hasil dari penerapan metode ini diharapkan akan dapat membantu ataupun menjadi acuan dalam pengambilan keputusan penentuan kelompok bibit sawit dihari-hari berikutnya..
2. LANDASAN TEORI
2.1 Metode Clustering
Pekerjaan yang berkenaan dengan Data Mining dapat dibagi menjadi empat kelompok, yaitu model prediksi (prediction modelling), analisis kelompok ( Cluster analysis), analisis asosiasi (association analysis) dan deteksi anomali (anomaly detection). Analisa cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk
Jurnal Riset Komputer (JURIKOM), Vol. 6 No. 3, Juni 2019 ISSN 2407-389X (Media Cetak) Hal: 285-288
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 286 mengelompokan objek objek berdasarkan karakteristik yang dimilikinya Analisis cluster mengklasifikasikan objek sehingga setiap objek yang paling dekat kesamaannya dengan objek lain berada dalam cluster yang sama [2].
2.2 Pautan Tunggal ( Single Linkage )
Metode ini didasarkan pada jarak minimum. Dimulai dengan dua objek yang dipisahkan dengan jarak paling pendek, maka keduanya akan ditempatkan pada cluster pertama, dan seterusnya. Metode ini dikenal pula dengan nama pendekatan tetangga terdekat. Metode Pautan Tunggal (single lingkage) akan mengelompokan dua objek yang mempunyai jarak terdekat dahulu. Jadi pada setiap tahapan, banyaknya cluster berkurang satu. Secara formal dua buah cluster Brdan Bs, jarak antara Br dan Bs misalkan h(Br,Bs) didefinisikan sebagai:
H(Br,Bs) = Min{d(Xi,Xj,);Xi Anggota Br,Xj Anggota Bs}
Hasil Single Linkage Clustering dapat disajikan dalam bentuk Dendogram atau diagram pohon. Cabang-cabang tersebut bertemu bersama-sama (menggabung) pada simpul posisinya sepanjang suatu sumbu jarak (kemiringan) menunjukan tingkat dimana penggabungan terjadi [3].
2.3 Kelapa Sawit
Kelapa sawit (Elaeis) adalah tumbuhan industri penting penghasil minyak masak, minyak industri, maupun bahan bakar (biodiesel) [4]. Perkebunannya menghasilkan keuntungan besar sehingga banyak hutan dan perkebunan lama dikonversi menjadi perkebunan kelapa sawit. Indonesia adalah penghasil minyak kelapa sawit terbesar di dunia. Di Indonesia penyebarannya di daerah Aceh, pantai timur Sumatra, Jawa, Kalimantan, dan Sulawesi. kelapa sawit berbentuk pohon. Tingginya dapat mencapai 24 meter. Akar serabut tanaman kelapa sawit mengarah ke bawah dan samping. Selain itu juga terdapat beberapa akar napas yang tumbuh mengarah ke samping atas untuk mendapatkan tambahan aerasi. Seperti jenis palma lainnya, daunnya tersusun majemuk menyirip. Daun berwarna hijau tua dan pelepah berwarna sedikit lebih muda. Penampilannya agak mirip dengan tanaman salak, hanya saja dengan duri yang tidak terlalu keras dan tajam. Batang tanaman diselimuti bekas pelepah hingga umur 12 tahun.
Setelah umur 12 tahun pelapah yang mengering akan terlepas sehingga penampilan menjadi mirip dengan kelapa.
Bunga jantan dan betina terpisah namun berada pada satu pohon (monoecious diclin) dan memiliki waktu pematangan berbeda sehingga sangat jarang terjadi penyerbukan sendiri. Bunga jantan memiliki bentuk lancip dan panjang sementara bunga betina terlihat lebih besar dan mekar. Tanaman sawit dengan tipe cangkang pisifera bersifat female steril sehingga sangat jarang menghasilkan tandan buah dan dalam produksi benih unggul digunakan sebagai tetua jantan. Buah sawit mempunyai warna bervariasi dari hitam, ungu, hingga merah tergantung bibit yang digunakan. Buah bergerombol dalam tandan yang muncul dari tiap pelapah. Minyak dihasilkan oleh buah. Kandungan minyak bertambah sesuai kematangan buah. Setelah melewati fase matang, kandungan asam lemak bebas (FFA, free fatty acid) akan meningkat dan buah akan rontok dengan sendirinya..
3. ANALISA DAN PEMBAHASAN
Dalam Pengelompokan bibit sawit terdapat tiga yang dijadikan sebagai penentu pengelompokan bibit sawit yaitu:
1. Varietas kelapa sawit dura.
2. Sawit tenera 3. Sawit Nigrescens 4. Sawit virecens 5. Sawit albenscens
Dengan studi kasus pada PT. Perkebunan Nusantara IV disingkat PTPN IV Kebun Adolina dapat dilakukan analisa pengelompokan bibit sawit sebelumnya. Khususnya data tentang bibit sawi yang berkualitas. Berikut ini adalah data yang akan dijadikan sampel untuk analisa dan juga untuk pengujian pada penerapan data mining dengan Metode Clustering dengan Technic Single Linkage, data yang diambil merupakan data bibit sawit yang baik, Seperti yang terdapat pada table berikut:
Tabel 1. Matrik pengelompokan bibit sawit yang baik
JENIS Hasil Panen Ton/Ha
2012 2013 2014 2015 2016 Sawit dura. 9.562 13.881 19.296 26.642 19.915 Sawit tenera 18.701 22.397 23.090 24.897 24.600 Sawit Nigrescens 17.962 21.116 26.811 23.101 18.553 Sawit virecens 18.383 17.932 19.626 18.473 16.028 Sawit albenscens 20.524 19.038 46.558 21.141 9.522
Jurnal Riset Komputer (JURIKOM), Vol. 6 No. 3, Juni 2019 ISSN 2407-389X (Media Cetak) Hal: 285-288
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 287 Analisis cluster merupakan salah satu teknik data mining yang bertujuan untuk mengidentifikasi sekelompok obyek yang mempunyai kemiripan karakteristik tertentu yang dapat dipisahkan dengan kelompok obyek lainnya, sehingga obyek yang berada dalam kelompok yang sama relatif lebih homogen dari pada obyek yang berada pada kelompok yang berbeda.Metode ini menggunakan prinsip jarak minimum yang diawali dengan mencari dua obyek terdekat dan keduanya membentuk cluster yang pertama. Pada langkah selanjutnya terdapat dua kemungkinan, yaitu :
1. Obyek ketiga akan bergabung dengan cluster yang telah terbentuk.
2. Dua obyek lainnya akan membentuk cluster baru.
3. Selanjunya Proses ini akan berlanjut sampai akhirnya terbentuk cluster tunggal.
Pada metode ini jarak antar cluster didefinisikan sebagai jarak terdekat antar anggotanya.
Langkah penyelesaiannya :
Tabel 2. Matrik pengelompokan bibit sawit yang baik
A B C D E
A 9.562 13.881 19.296 26.642 19.915 B 18.701 22.397 23.090 24.897 24.600 C 17.701 21.116 26.811 23.101 18.553 D 18.383 17.932 19.626 18.473 16.028 E 20.524 19.038 46.558 21.141 9.522
1. Mencari obyek dengan jarak minimum.
A dan B mempunyai jumlah yang mendekati yaitu 13.881, maka objek A dan A bergabung mejadi satu cluster.
2. Menghitung jarak antara cluster AB dengan Objek Lainnya D (AB)C= Min { d AC,d BC } = dBC = 21.116
D (AB)C= Min { d AD,d BD } = dAD = 9.562 D (AB)C= Min { d AE,d BE } = d BE = 19.038 Dengan demikian terbentuk matrik seperti tabel 3.
Tabel 3. Matrik setelah pengelompokan bibit sawit yang baik
A/B C D E
A/B 13.881 22.397 26.642 24.600 C 17.562 13.881 23.101 18.553 D 17.932 17.932 13.881 16.028 E 20.524 19.038 18.473 13.881
3. Mencari objek dengan jumlah hasil yang terdekat D dan E mempunyai jarak yang terdekat yaitu 16.028 bergabung menjadi satu cluster.
4. Menghitung jumlah antara cluster dengan hasil lainya.
D (AB)C= 22.397
D (AB)DE= Min { d AD,d AE, d BD } = dAD = 26.642 D (DE)C= Min { d CD,d CE } = d CD = 23.101
5. Mencari jumlah antara cluster dengan objek diperoleh objek c bergabung dengan cluster AB.
6. Pada langkah yang terakhir, cluster ABC bergabung dengan DE sehingga terbentuk cluster tunggal.
4. IMLEMENTASI
Pengujian data tabular tersebut dapat disimpan pada lembar kerja Ms. Excel yang menjadi database penyimpanan data tabulara, dengan save as type menjadi Excel 97-2003 Workbook. Ms. Excel akan dikoneksikan ke Tanagra
Gambar 1. Format Data Tabular
Jurnal Riset Komputer (JURIKOM), Vol. 6 No. 3, Juni 2019 ISSN 2407-389X (Media Cetak) Hal: 285-288
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 288 Untuk mengetahui hasil rules maka masukan nilai max dan min pada aplikasi tanagra sehingga dapat diketahui mana-mana saja bibit sawit yang baik yang memenuhi support dan confidence sehingga dapat membentuk pola kombinasi itemsets seperti dibawah ini.
Gambar 2. Tampilan Hasil Clustering.
5. KESIMPULAN
Berdasarkan riset dan pembahasan yang telah dilakukan, dapat diberikan beberapa kesimpulan sebagai berikut:
1. Dengan adanya aplikasi ini, dapat membantu pengguna dalam pengelompokan bibit sawit yang baik.
2. Dengan menggunakan metode clustering dengan technic single linkage dapat diketahui bibit sawit yang paling sering digunakan.
3. Untuk mengetahui hasil rules maka masukan nilai max dan min pada aplikasi tanagra sehingga dapat diketahui mana-mana saja bibit sawit yang baik yang memenuhi support dan confidence sehingga dapat membentuk pola kombinasi itemsets..
REFERENCES
[1] Kennedi Tampubolon, "MPLEMENTASI DATA MINING ALGORITMA APRIORI PADA ," Majalah Ilmiah Informasi dan Teknologi Ilmiah (INTI) , vol. I, no. 2339-210X, 2013.
[2] Kusrini and Emha Taufiq Luthfi, Algoritma Data Mining, I ed, Theresia Ari Prabawati, Ed. Yogyakarta, Indonesia: Andi, 2009.
[3] Eko Prasetyo, DATA MINING Konsep dab Aplikasi Menggunakan Matlab. Yogyakarta, Indonesia: Andi, 2012.
[4] Nofriyandyah Dicky, Algoritma Data Mining Dan Pengujian. Yogyakarta, Indonesia: Deepublish, 2015.
[5] Astuti Hermawati Fajar, Data Mining. Yogyakarta, Indonesia: Andi, 2009.
[6] Pudjo Prabowo Widodo, Trias Handayanto, and Herlawati , Penerapan Data Mining Dengan Matlab. Bandung, Indonesia: Rekayasa Sains, 2013.
[7] Susanto Sani and Dedi Suryadi, Pengantar Data Mining Menggali Penetahuan Dan Bongkahan Data. Yogyakarta, Indonesia: Andi, 2010.
[8] Paul Anthony Samuelson. (2010, januari) www.ekonomi.com. [Online]. www.ekonomi.com/2010/10-pengertian-keluarga- ekonomi.html
[9] Jogohera. (2015, mei) www.Gurupendidikan.com. [Online]. http://jogohera /2015/05/daftar-pengertian-ilmu-ekonomi-menurut.html [10] Jogiyanto, Analisis dan Desain, III ed. Yogyakarta, Indonesia: Andi, 2010.
[11] Abidin Taufik Fuadi. (2016) www.informatika.unsyiah.ac.id/tfa. [Online]. http://www.cs.waikato.ac.nz/ml/weka/
[12] Aprisal Budiana, "Implementasi data pada penjualan produk di pt. Focus gaya graha menggunakan metode association rule," Jurnal Ilmiah Komputer dan Informatika (KOMPUTA), no. 2089-9033, 2016.
[13] Mujib ridwan, "Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier," Jurnal EECCIS , vol. 7 no 1, p. 61, juni 2013.
[14] Sutrisno, "Penerapan data mining pada penjualan menggunakan metode clustering studi kasus Pt.indomarco palembang," Jurnal Ilmiah Teknik , vol. 10 n0 4, November 2013.
