PENGELOMPOKAN DATA EKSPOR IKAN TAMBAKAN SEGAR/DINGIN MENURUT NEGARA TUJUAN UTAMA MENGGUNAKAN K-MEANS CLUSTERING. Dilarang memperbanyak buku ini dalam bentuk apapun tanpa izin tertulis dari penulis dan penerbit. Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa yang telah melimpahkan rahmat dan karunia-Nya kepada kami sehingga kami berhasil menyelesaikan buku berjudul MONOGRAPH Pengelompokan Data Ekspor Ikan Segar/Dingin Berdasarkan Hasil Tangkapan Menggunakan Negara Tujuan Utama. Menggunakan K-Means Clustering sesuai tujuannya.
Buku MONOGRAPH Pengelompokan Data Ekspor Ikan Segar/Dingin Hasil Tangkapan Menggunakan K-Means Clustering berisi tentang aplikasi K-Means Clustering yang digunakan dalam mengelompokkan data ekspor ikan segar/dingin berdasarkan negara tujuan. Hasil tersebut memberikan gambaran bahwa pengelompokan data dapat dilakukan secara efektif dan memberikan hasil yang baik. Kami menyadari bahwa buku ini masih jauh dari kesempurnaan, oleh karena itu kami selalu mengharapkan kritik dan saran yang membangun dari semua pihak demi kesempurnaan buku ini.
Akhir kata, kami mengucapkan terima kasih kepada semua pihak yang telah berpartisipasi dalam penyusunan buku ini dari awal hingga akhir.
KONSEP DASAR METODE CLUSTERING
- Metode Partisi
- Metode Hierarki
- Metode Berbasis Kerapatan
- MEANS CLUSTERING, APA DAN BAGAIMANA?
- Pengantar K-Means CLustering
- Evaluasi
Konsep clustering menggunakan metode hierarki mirip dengan metode partisi, yaitu sekumpulan data dibagi menjadi beberapa wilayah. Metode ini membentuk cluster-cluster dari data-data yang berdekatan, sedangkan data-data yang berjauhan tidak akan menjadi anggota suatu kelompok dan berfungsi sebagai pemisah antar kelompok. Jika M menunjukkan banyaknya informasi dalam suatu kelompok, i menggambarkan karakteristik ke-i dalam suatu kelompok, dan p menggambarkan dimensi data, maka rumus menghitung pusat data karakteristik ke-i digunakan rumus (1).
Pengukuran jarak euclidean dapat dicari dengan menggunakan rumus (2). 2) Redistribusi data yang masuk tiap kelompok menggunakan prosedur K-Means mengikuti perbandingan jarak antara data dengan centroid masing-masing kelompok yang ada. Distribusi data ini menggunakan rumus (3). 3) Clustering K-Means menggunakan fungsi rasional berdasarkan jarak dan nilai keanggotaan grup dengan menggunakan rumus (4). Jika datanya merupakan anggota suatu grup maka nilai ai1 sama dengan 1, sebaliknya nilai ai1 sama dengan 0.
Jika terdapat data yang berubah golongan, atau terjadi perubahan nilai centroid yang ditentukan, atau terdapat fluktuasi bilangan fungsi rasional yang digunakan di atas nilai ambang batas yang ditentukan, maka ulangi langkah 3. DBI merupakan salah satu prosedur yang digunakan untuk mengukur validitas suatu pengelompokan dalam kelompok tertentu.
PENTINGNYA MEMAHAMI
PENEREAPAN K-MEANS CLUSTERING DALAM PENGELOMPOKAN DATA
Pengantar
Jenis penangkapan ikan di penangkaran antara lain penangkapan ikan segar/dingin, penangkapan udang, penangkapan ikan hidup, kepiting, moluska, krustasea, dll dan invertebrata air lainnya (BPS, 2021). Data ekspor ikan Indonesia dikumpulkan dan ditabulasikan tergantung pada kelompok negara tujuan ekspor. Tujuan penelitian selanjutnya adalah mendeskripsikan hasil yang akan dicapai melalui penelitian yaitu penerapan K-Means clustering untuk membagi data ekspor ikan berdasarkan tingkat ekspor.
Tugas prioritas penelitian adalah membagi kumpulan data ekspor ikan ke dalam kumpulan kelompok (cluster) tingkat ekspor (tinggi, sedang atau rendah), sehingga data dalam satu cluster memiliki banyak kesamaan tetapi berbeda satu sama lain. data di cluster lain.
Penelitian Pendukung
Hasil analisis menunjukkan bahwa ekspor kopi Indonesia ke negara-negara Uni Eropa dapat ditingkatkan karena memiliki tingkat konsumsi yang sangat tinggi, khususnya Jerman yang memiliki nilai impor yang cukup tinggi. Ekspor kopi Indonesia ke Amerika harus dijaga (Gaghana mengelompokkan ekspor dan impor di Indonesia berdasarkan bulan (Januari-Desember 2018), sehingga perbandingan tingkat ekspor dan impor tinggi atau rendah. Sementara itu, akibat dari klaster kopi yang tinggi impor terdiri dari 7 bulan, dan kategori rendah terdiri dari 5 bulan.
K-Means Clustering pada data ekspor (Studi Kasus : PT. Gaikindo) memberikan gambaran dan solusi bagi PT. Gaikindo menentukan pasar terbaik untuk ekspor produk otomotifnya dengan memaksimalkan penggunaan metode k-means clustering. Hasil akhirnya juga sangat bergantung pada pusat gravitasi yang ditunjukkan, karena jika ditentukan pusat gravitasi yang berbeda maka hasilnya juga akan berbeda (Afifi, dkk membahas ekspor perhiasan dan barang berharga menggunakan
Metode K-Means Clustering pada penelitian ini menghasilkan 4 iterasi sehingga diperoleh hasil akhir yaitu: cluster ekspor perhiasan kelas atas terdapat di Uni Emirat Arab, Afrika Selatan, Taiwan, Amerika Serikat, India, Australia, Italia dan negara lainnya, sedangkan kelompok ekspor perhiasan kelas bawah adalah Swiss, Singapura, dan Hong Kong. Penelitian ini mengkaji penggunaan metode K-means pada studi kasus ekspor produk Indonesia ke Korea Selatan yang dilakukan untuk mengontrol persediaan produk atau sebagai acuan bagi Indonesia Trade Promotion Center (ITPC) di Busan untuk melihat produk apa yang sebaiknya diekspor. menjadi. dipertahankan dan produk ekspor mana yang harus ditingkatkan untuk dipromosikan di Korea Selatan agar bisa. Penilaian tersebut didasarkan pada indikator ekspor buah-buahan yaitu dua negara kelompok tingkat ekspor besar yaitu India dan Pakistan, 3 negara kelompok ekspor tingkat menengah yaitu Singapura, Bangladesh dan negara lainnya, serta 6 negara kelompok tingkat ekspor kecil. , yaitu Cina, Hong Kong, Iran. Nepal, Malaysia, dan Vietnam.
Penelitian penulis saat ini menunjukkan kesamaan dengan penelitian sebelumnya yaitu penggunaan metode K-Means Clustering. Kebaruan dari penelitian ini adalah hasil cluster lebih baik karena memiliki nilai varians dalam cluster yang tinggi dan nilai varians antar cluster yang rendah.
Roadmap Kajian
PROSES PEMECAHAN MASALAH
Pengumpulan data dilakukan dengan menggunakan pengumpulan data ekspor ikan segar atau ikan tangkapan dingin yang diperoleh dari Badan Pusat Statistik tahun 2019-2020 dengan menggunakan empat indikator (karakteristik) yaitu negara, tahun, berat bersih (ton) dan nilai FOB (US). Dolar). ). Integrasi data harus berupaya menggabungkan data yang terpisah ke dalam database baru sehingga bebas dari duplikasi data. Kemudian sortir data tersebut dengan meminimalkan jumlah data yang akan digunakan untuk metode penambangan selanjutnya, dengan tetap menjaga data aslinya.
Semakin kecil nilai DBI yang diperoleh (bukan angka negatif), maka semakin baik cluster yang diperoleh dengan mengelompokkan menggunakan algoritma clustering.
HASIL PENGELOMPOKAN DATA EKSPOR IKAN SEGAR/DINGIN HASIL
TANGKAP MENURUT NEGARA TUJUAN UTAMA MENGGUNAKAN
MEANS CLUSTERING
Pengumpulan Data Awal
Pengolahan Awal (Preprocessing)
Hasil pengolahan awal data ekspor ikan segar/dingin menurut negara tujuan utama tahun 2019-2020 dijelaskan pada tabel 5.2 dan tabel 5.3. Semua data kemudian dihitung jaraknya dari masing-masing centroid, dan setiap data akan menjadi anggota cluster yang diwakili oleh centroid yang mempunyai jarak terdekat dengan data tersebut. Proses pemilihan keanggotaan grup dan penghitungan ulang centroid dilakukan secara terus menerus dan berhenti jika keanggotaan grup tidak berubah atau jumlah iterasi yang dilakukan telah melebihi nilai ambang batas tertentu.
Penerapan algoritma K-Means untuk
Mengevaluasi jarak antara data dan centroid yang disimbolkan dengan d (xi, ci), menggunakan metode Euclidean. Detail jarak secara lengkap disajikan pada Tabel 5.5 yaitu jarak setiap data terhadap centroid yang telah dipilih sebelumnya. Setelah jarak antara data dengan centroid awal dihitung, maka keanggotaan cluster ditentukan berdasarkan jarak ke centroid terdekat.
Setelah iterasi kedua selesai terlihat tidak terjadi perubahan keanggotaan kelompok antara iterasi pertama dan kedua. Jika grup yang dibentuk tidak dapat mencapai kondisi konvergen, atau keanggotaan grup selalu berubah, maka proses K-Means dapat dihentikan setelah melalui n iterasi.
Evaluasi
- Menghitung SSW
- Menghitung SSB
- Menghitung R
- Menghitung DBI
Data centroid baru untuk cluster 1, 2 dan 3 serta jarak setiap titik data ke centroid baru yang diperoleh dari iterasi clustering terakhir pada tahun 2019 dan 2020 digunakan untuk menghitung SSW. Data centroid baru untuk cluster digunakan untuk menghitung SSB 1, 2 dan 3 dari iterasi pengelompokan terakhir pada tahun 2019 dan 2020.
PENUTUP
Berdasarkan kesimpulan di atas, terdapat beberapa saran yang dapat digunakan untuk penelitian selanjutnya yaitu pengelompokan data ekspor ikan tangkapan segar/dingin menurut negara tujuan utama dengan k-means clustering dapat dilakukan untuk data yang besar. Penelitian selanjutnya dapat menggunakan algoritma clustering lain seperti k-medoids, fuzzy c-mess, hierarchical agglomerative clustering dan DBSCAN (Density Spatial Clustering of Applications with Noise) dan membandingkan hasilnya dengan k-means clustering.
DAFTAR PUSTAKA
Pemanfaatan Data Mining untuk Mengekspor Produk Indonesia ke Korea Selatan Menggunakan Clustering: Indonesia's Busan Trade Promotion Center”. Memperbaiki hasil evaluasi clustering indeks Davies-Bouldin dengan menentukan titik pusat cluster awal pada algoritma K-means.
BIOGRAFI PENULIS
Budi Priyono lahir pada tanggal 25 Maret 1959 di Pacitan, beliau lulus dari SMAN I Pacitan pada tahun 1978 dan melanjutkan ke Jurusan Ilmu Administrasi program Sarjana Administrasi Publik di Universitas Wijaya Putra Surabaya. Sejak tahun 2017 menjadi dosen tetap pada program studi Manajemen Pelabuhan dan Logistik Maritim Fakultas Kelautan Universitas Hang Tuah.