PENERAPAN METODE K-MEANS CLUSTERING UNTUK MENGELOMPOKAN POTENSI PRODUKSI BUAH BUAHAN DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PENERAPAN METODE K-MEANS CLUSTERING 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 2017

i


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 YOGYAKARTA 2017

ii


HALAMAN PERSETUJUAN SKRIPSI

PENERAPAN METODE K-MEANS CLUSTERING UNTUK MENGELOMPOKAN POTENSI PRODUKSI BUAH – BUAHAN DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA

Oleh :

MIKAEL ADITYA WAHYU KRISNA MURTI 125314047

Telah disetujui oleh :

Dosen Pembimbing Proposal TA

Dr. Cyprianus Kuntoro Adi, S.J. M.A.,M.Sc.

iii

Tanggal :……………………….


HALAMAN PENGESAHAN

SKRIPSI

PENERAPAN METODE K-MEANS CLUSTERING UNTUK 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

Tanda Tangan

: 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.

………………

Yogyakarta, 2 Februari 2017 Fakultas Sains dan Teknologi Universitas Sanata Dharma Dekan,

Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. iv


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 “Hidup tak harus menyenangkan” – Sakata Gintoki

v


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

Mikael Aditya Wahyu Krisna Murti

vi


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 Demi

: 125314047

mengembangkan

ilmu

pengetahunan,

saya

memberikan

kepada

Perpusatakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul :

PENERAPAN METODE K-MEANS CLUSTERING 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,


vii


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.

Kata kunci : Pengelompokan, Data mining, Cluster , Algoritma K-Means

viii


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 KMeans 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.

Keyword : Classification, Data Mining, Cluster, Algorithm K-Means.

ix


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-Means Clustering 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 dan motivasi.

x


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 penyusunan

menyadari

bahwa

masih

banyak

kekurangan

dalam

tugas akhir ini. Saran dan kritik sangat diharapkan untuk

perbaikan yang akan datang.

Penulis


xi


DAFTAR ISI HALAMAN PERSETUJUAN............................................................................. iii HALAMAN PENGESAHAN .............................................................................. iv MOTTO ................................................................................................................. v PERNYATAAN KEASLIAN KARYA .............................................................. vi LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS .......................................................................... vii ABSTRAK .......................................................................................................... viii ABSTRACT .......................................................................................................... ix KATA PENGANTAR ........................................................................................... x DAFTAR ISI ........................................................................................................ xii DAFTAR TABEL............................................................................................... xiv DAFTAR GAMBAR ........................................................................................... xv BAB I ...................................................................................................................... 1 PENDAHULUAN .................................................................................................. 1 1.1

Latar Belakang.......................................................................................... 1

1.2

Rumusan Masalah .................................................................................... 2

1.3

Tujuan Penelitian ...................................................................................... 3

1.4

Manfaat Penelitian .................................................................................... 3

1.5

Batasan Masalah ....................................................................................... 3

1.6

Metode Penelitian ..................................................................................... 3

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

2.2

Teorema K-Means .................................................................................. 11 xii


2.2.1

Clustering K-Means ........................................................................ 11

2.2.2

Tujuan Clustering K-Means ............................................................ 12

2.2.3

Langkah Clustering K-Means ......................................................... 15

2.2.4

Jenis Data Dalam Set Data .............................................................. 15

BAB III ................................................................................................................. 17 METODE PENELITIAN ................................................................................... 17 3.1

Tahap Penelitian ..................................................................................... 17

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

4.2

K-Means Clustering................................................................................ 29

4.3

User Interface ......................................................................................... 30

4.4

Input Data ............................................................................................... 31

4.5

Proses K-Means Clustering .................................................................... 31

4.6

Analisa Hasil .......................................................................................... 32

BAB V................................................................................................................... 41 PENUTUP ............................................................................................................ 41 5.1

Analisa Hasil .......................................................................................... 41

5.2

Saran ....................................................................................................... 41

DAFTAR PUSTAKA .......................................................................................... 43 LAMPIRAN ......................................................................................................... 44 Lampiran 1. Tabel Data Produksi Buah ............................................................ 44 Lampiran 2. Tabel Hasil K-Means Clustering .................................................. 66

xiii


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 Tabel 4. 1 Jumlah data masing – masing cluster .................................................. 30

xiv


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 Gambar 4. 4 Implementasi – Hasil proses K-Means clustering .............................31

xv


BAB I PENDAHULUAN 1.1 Latar 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. Kemajuan perekonomian menyebabkan permintaan produk hortikultura semakin meningkat.

1

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 2 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 buahbuahan 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 KMeans diharapkan dapat mempermudah dinas pertanian dalam menghitung hasil pertanian di tiap daerahnya agar mengetahuni daerah mana yang menghasilkan buah terbanyak, sedang, dan sedikit.

1.2 Rumusan Masalah Berdasarkan latar belakang yang ada dapat dirumuskan masalah yaitu : untuk mengetahui daerah yang menghasilkan produksi buah yang banyak di Provinsi Daerah Istimewa Yogyakarta dengan metode K-Means clustering.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 3

1.3 Tujuan 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.

1.4 Manfaat 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.

1.5 Batasan 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.

1.6 Metode 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. 4. Mengelompokan daerah produksi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 4 1.7 Sistematika 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 Dalam bab ini berisi tentang kesimpulan dan saran dari seluruh penulisan tugas akhir.


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.

2.1 Data 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 informasi. Langkah-langkah tersebut akan dijelaskan pada gambar 2.1 (Han, 2011, p6).

5


Knowledge

Evaluation and Presentation

Data mining

Patterns

Selection and Transformation Data Warehouse

Cleaning and Integration

Flat File 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 megolah pola-pola data.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 7 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 contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 8 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 apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang baik

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 9 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 upgrade layanan yang diberikan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 10 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 lain. Metode clustering yang masuk dalam kategori ini adalah K-Means dan DBSCAN sedangkan yang masuk kategori tumpang – tindih adalah Metode clustering yang

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 11 membolehkan sebuah data menjadi anggota di lebih dari satu kelompok, misalnya Fuzzy 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).

2.2 Teorema 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 Kumar, 2009). K-Means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster atau kelompok. Metode ini mempartisi ke dalam cluster atau kelompok sehingga data yang memiliki karakteristik yang sama (High intra class similarity) dikelompokkan ke dalam satu cluster yang sama dan yang memiliki karakteristik yang berbeda (Law inter class 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 digunakan formula Euclidean, seperti pada persamaan (1), yaitu:


√∑

(

)

(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, yaitu kerajaan, filum, kelas, ordo, suku, genus, dan spesies. Level tertinggi adalah

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 13 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. Information retrieval 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 analisis dan strategi pemasaran.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 14 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 kurang representative karena diukur berdasarkan kelompok data bukan individu data sehingga ada kemungkinan distorsi hasil yang tidak diinginkan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 15 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 masingmasing. 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. Atribut yang menjadi element setiap data mempunyai jenis yang beragam. Berat badan, pada contoh sebelumnya, mempunyai nilai numeric sehingga dapat

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 16 dibandingkan satu sama lain, sedangkan warna kulit tidak bisa dibandingkan karena menggunakan nilai yang sifatnya kualitatif. Umumnya, tipe atribut ada dua, yaitu kategoris (kualitatif) dan numeric (kuantitatif).


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.

3.1 Tahap 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 . 7. Melakukan analisa terhadap sistem yang telah diuji.

17


3.1 Model 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 :

Data Mentah

Mulai

Selesai

]\

Pembersihan Data

K-means Clustering

Data

Transformasi

Gambar 3. 1 Block Diagram

Pada gambar 3.1 proses clustering di mulai dari input data mentah yang berupa data produksi buah – buahan yang berektensi .xlsx akan mengalami representasi dari data. Tahap kedua yaitu tahap data pembersihan (cleaning) untuk membuang data yang tidak konsisten. Apabila sudah selesai maka didapatkan data yang sudah diproses atau data matang siap untuk ke tahap selanjutnya. Tahap ke tiga yaitu tranformasi data, data yang berjenis alfabet 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.

3.2 Data 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 Daerah Istimewa Yogyakarta.


3.3 Jenis 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.

3.4 Analisa 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

Nama Buah

Inisalisasi

Alpokat

1

Mangga

2

Rambutan

3

Duku

4

Jeruk

5

Sirsak

6


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

Clustering.Untuk dapat melakukan pengelompokan data-data tersebut menjadi beberapa cluster perlu dilakukan beberapa langkah, yaitu:


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

JUMLAH

PRODUKSI

POHON 14634913

57476

9772771

123229

4534595

67329

1680899

1766

1031988

13870

360286

18743

256227

7984

123129

213

81180

4079

80960

296

79262

11704

76956

3477

75434

4157


73069

10337

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

PRODUKSI C1

C2

C3

POHON

Jarak Terpendek

14634913

57476

9772771

123229

0.00 14511896.98 14632711.62

0.00

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 pengelompokan group, nilai 1 berarti data tersebut berada dalam group (kelompok data). Tabel 3. 6 Tabel Pengelompokan Group

C1

C2

C3

1 1 1 1 1 1 1 1 1 1 1 1


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 Jumlah Pohon :

Hasil Produksi :

Cluster baru yang kelima Jumlah Pohon :

Hasil Produksi :

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

PRODUKSI C1

C2

C3

Jarak

POHON

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

80960

296 12123216.49

598745.14

78646.34

78646.34


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

C1

C2

C3

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1


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.

3.5 Desain 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 Cluster pada tabel “tabel hasil”.


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

c. Hardisk

: 500GB (5400rpm)


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.

4.1 Implemantasi 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.

4.2 K-Means Clustering

Gambar 4. 1 Implementasi – K-Means clustering dengan tiga cluster

Proses pengelompokan dengan menggunakan metode K-Means clustering dengan tiga cluster. Sehingga didapatkan hasil yang tidak seimbang atau memiliki selisih jumlah data yang sangat jauh pada setiap cluster.

29


Tabel 4. 1 Jumlah data masing – masing cluster

Cluster

Jumlah

1

142

2

176

3

127

4.3 User 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

Dalam proses pengelompokan data terdapat dua langkah utama, yaitu input data dan proses K-Means clustering.


4.4 Input 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

4.5 Proses K-Means Clustering User interface dari implementasi hasil proses K-Means clustering dapat dilihat pada gambar 4.4

Gambar 4. 4 Implementasi – Hasil proses K-Means clustering


Ketika tombol “proses” seperti pada gambar 4.4 di klik maka akan muncul hasil proses clustering metode K-Means.

4.6 Analisa 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 ke 3.


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 terdapat pada cluster

ke 1, dan Kabupaten Sleman termasuk dalam


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 cluster

ke 2. Kulonprogo pada tahun 2005, 2008 dan 2009 karena

terdapat pada cluster ke 3, pada tahun 2006 termasuk dalam produksi sedang karena masuk cluster ke 2, pada tahun 2007 termasuk dalam produksi sedang karena masuk cluster ke 2, Sleman termasuk dalam kelompok produksi yang banyak pada tahun 2005 masuk cluster ke 1 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 terdapat pada cluster ke 1.


6. Sirsak Untuk produksi sirsak Kabupaten Bantul termasuk dalam kelompok produksi yang sedikit pada tahun 2005, 2006, 2007 diketahui karena terdapat pada cluster

dan

2008, itu

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 ke 3 pada tahun 2005 sampai dengan tahun 2009 , Kabupaten Gunung Kidul termasuk kelompok produksi yang sedikit karena terdapat pada cluster

ke 3 pada tahun 2005 dan 2006,

tahun 2007 sampai 2009

termasuk 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 dan 2006, tahun 2008, tahun 2007 termasuk kelompok produksi yang sedang karena terdapat pada cluster ke 2, dan tahun 2009 termasuk kelompok produksi yang banyak karena terdapat pada cluster ke 1 dan Kabupaten Selaman 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.

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

sampai dengan tahun 2009. Itu diketahui karena terdapat pada cluster ke 2.


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 dalam kelompok produksi yang banyak pada tahun 2005 sampai dengan tahun 2009. Itu diketahui karena terdapat pada cluster ke 1.


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 diketahui karena terdapat pada cluster ke 2. 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, 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 dengan tahun 2009. Itu diketahui karena terdapat pada cluster ke 1.


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 pada cluster ke 1. Kabupaten Kulonprogo termasuk dalam kelompok produksi yang banyak pada tahun 2005 sampai dengan tahun 2009. Itu diketahui karena terdapat pada cluster ke 1. Kabupaten Sleman tahun 2005, 2006, 2007, dan 2009 termasuk dalam kelompok produksi yang sedang karena terdapat pada cluster ke 2, tahun 2008 termasuk dalam kelompok produksi yang sedikit

karena terdapat pada cluster ke 3.


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.

5.1 Analisa 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.

5.2 Saran Saran yang diperlukan untuk pengembangan system lebih lanjut sebagai berikut : 1.

Penelitian selanjutnya dapat dikembangkan pada jenis data yang serupa dengan metode yang lebih baik seperti menggunakan algoritma Fuzzy CMeans.

41


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 pertanian.


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 Matlab. Yogyakarta : CV.ANDI OFFSET

43


LAMPIRAN Lampiran 1. Tabel Data Produksi Buah JENIS BUAH

DAERAH

JUMLAH POHON

PRODUKSI TAHUN

Alpokat

Kabupaten Bantul

7405

553

2005

Alpokat

Kabupaten

2584

198

2005

722

53

2005

12588

1484

2005

Gunungkidul Alpokat

Kota Yogyakarta

Alpokat


Alpokat

Kabupaten Sleman

79262

11704

2005

Alpokat

Kabupaten Bantul

1522

348

2006

Alpokat

Kabupaten

2518

634

2006

Gunungkidul Alpokat

Kota Yogyakarta

386

154

2006

Alpokat

Kabupaten

3683

740

2006

Kulonprogo Alpokat

Kabupaten Sleman

21740

3944

2006

Alpokat

Kabupaten Bantul

1660

108

2007

Alpokat

Kabupaten

2226

36

2007

951

34

2007

11206

214

2007

Gunungkidul Alpokat

Kota Yogyakarta

Alpokat


Alpokat

Kabupaten Sleman

54731

3302

2007

Alpokat

Kabupaten Bantul

1550

66

2008

Alpokat

Kabupaten

495

19

2008

Gunungkidul

44


Alpokat

Kota Yogyakarta

343

49

2008

Alpokat

Kabupaten

7597

370

2008

Kulonprogo Alpokat

Kabupaten Sleman

38166

3613

2008

Alpokat

Kabupaten Bantul

597

83

2009

Alpokat

Kabupaten

1992

36

2009

Gunungkidul Alpokat

Kota Yogyakarta

351

24

2009

Alpokat

Kabupaten

8567

419

2009

Kulonprogo Alpokat

Kabupaten Sleman

37775

3900

2009

Mangga

Kabupaten Bantul

113591

6361

2005

Mangga

Kabupaten

153374

5535

2005

Gunungkidul Mangga

Kota Yogyakarta

2301

152

2005

Mangga

Kabupaten

52949

4403

2005

Kulonprogo Mangga

Kabupaten Sleman

131779

9881

2005

Mangga

Kabupaten Bantul

96279

5559

2006

Mangga

Kabupaten

258643

6437

2006

5611

378

2006

124350

5397

2006

Gunungkidul Mangga

Kota Yogyakarta

Mangga


Mangga

Kabupaten Sleman

153471

11115

2006

Mangga

Kabupaten Bantul

72682

1885

2007

Mangga

Kabupaten

541038

14925

2007

Gunungkidul

45


Mangga

Kota Yogyakarta

Mangga

Kabupaten

8994

292

2007

167815

5779

2007

Kulonprogo Mangga

Kabupaten Sleman

148929

10125

2007

Mangga

Kabupaten Bantul

69118

7638

2008

Mangga

Kabupaten

170013

6992

2008

6874

285

2008

135017

6468

2008

Gunungkidul Mangga

Kota Yogyakarta

Mangga


Mangga

Kabupaten Sleman

166999

13131

2008

Mangga

Kabupaten Bantul

100667

4531

2009

Mangga

Kabupaten

306546

16160

2009

5328

207

2009

110955

6580

2009

Gunungkidul Mangga

Kota Yogyakarta

Mangga


Mangga

Kabupaten Sleman

169635

14298

2009

Rambutan

Kabupaten Bantul

27383

946

2005

Rambutan

Kabupaten

9656

148

2005

Gunungkidul Rambutan

Kota Yogyakarta

2211

41

2005

Rambutan

Kabupaten

70911

5231

2005

Kulonprogo Rambutan

Kabupaten Sleman

132426

13685

2005

Rambutan

Kabupaten Bantul

26561

1139

2006

Rambutan

Kabupaten

19618

463

2006

Gunungkidul

46


Rambutan

Kota Yogyakarta

2689

152

2006

Rambutan

Kabupaten

36914

2510

2006

Kulonprogo Rambutan

Kabupaten Sleman

187168

16721

2006

Rambutan

Kabupaten Bantul

25070

546

2007

Rambutan

Kabupaten

25960

416

2007


Kota Yogyakarta

3694

59

2007

Rambutan

Kabupaten

51517

2691

2007

Kulonprogo Rambutan

Kabupaten Sleman

186543

15167

2007

Rambutan

Kabupaten Bantul

24815

1234

2008

Rambutan

Kabupaten

16801

396

2008


Kota Yogyakarta

3526

102

2008

Rambutan

Kabupaten

51448

3873

2008

Kulonprogo Rambutan

Kabupaten Sleman

191286

21850

2008

Rambutan

Kabupaten Bantul

30532

1888

2009

Rambutan

Kabupaten

31931

479

2009


Kota Yogyakarta

5767

119

2009

Rambutan

Kabupaten

26025

2236

2009

Kulonprogo Rambutan

Kabupaten Sleman

197496

20201

2009

Duku

Kabupaten Bantul

301

9

2005

Duku

Kabupaten

0

0

2005

Gunungkidul

47


Duku

Kota Yogyakarta

167

5

2005

Duku

Kabupaten

7959

392

2005

Kulonprogo Duku

Kabupaten Sleman

14247

1021

2005

Duku

Kabupaten Bantul

465

8

2006

Duku

Kabupaten

0

0

2006

46

4

2006

2436

121

2006

Gunungkidul Duku

Kota Yogyakarta

Duku


Duku

Kabupaten Sleman

6584

461

2006

Duku

Kabupaten Bantul

630

11

2007

Duku

Kabupaten

0

0

2007

134

3

2007

13645

364

2007

Gunungkidul Duku

Kota Yogyakarta

Duku


Duku

Kabupaten Sleman

9747

915

2007

Duku

Kabupaten Bantul

564

35

2008

Duku

Kabupaten

0

0

2008

Gunungkidul Duku

Kota Yogyakarta

147

11

2008

Duku

Kabupaten

9021

422

2008

Kulonprogo Duku

Kabupaten Sleman

8898

855

2008

Duku

Kabupaten Bantul

232

9

2009

Duku

Kabupaten

0

0

2009

Gunungkidul

48


Duku

Kota Yogyakarta

Duku

Kabupaten

35

2

2009

8751

427

2009

Kulonprogo Duku

Kabupaten Sleman

9555

916

2009

Jeruk

Kabupaten Bantul

7018

480

2005

Jeruk

Kabupaten

4285

288

2005

320

30

2005

16219

1239

2005

Gunungkidul Jeruk

Kota Yogyakarta

Jeruk


Jeruk

Kabupaten Sleman

10009

944

2005

Jeruk

Kabupaten Bantul

6885

312

2006

Jeruk

Kabupaten

2256

151

2006

691

26

2006

29777

1216

2006

Gunungkidul Jeruk

Kota Yogyakarta

Jeruk


Jeruk

Kabupaten Sleman

8281

710

2006

Jeruk

Kabupaten Bantul

10064

227

2007

Jeruk

Kabupaten

5924

70

2007

455

9

2007

58807

1114

2007

Gunungkidul Jeruk

Kota Yogyakarta

Jeruk


Jeruk

Kabupaten Sleman

29061

899

2007

Jeruk

Kabupaten Bantul

2669

39

2008

Jeruk

Kabupaten

538

19

2008

Gunungkidul

49


Jeruk

Kota Yogyakarta

Jeruk

Kabupaten

245

13

2008

17561

957

2008

Kulonprogo Jeruk

Kabupaten Sleman

11258

849

2008

Jeruk

Kabupaten Bantul

917

21

2009

Jeruk

Kabupaten

1510

66

2009

74

26

2009

23400

1078

2009

Gunungkidul Jeruk

Kota Yogyakarta

Jeruk


Jeruk

Kabupaten Sleman

11740

893

2009

Sirsak

Kabupaten Bantul

9144

628

2005

Sirsak

Kabupaten

16547

869

2005

Gunungkidul Sirsak

Kota Yogyakarta

115

10

2005

Sirsak

Kabupaten

3901

139

2005

Kulonprogo Sirsak

Kabupaten Sleman

7076

465

2005

Sirsak

Kabupaten Bantul

6933

416

2006

Sirsak

Kabupaten

24399

1242

2006

Gunungkidul Sirsak

Kota Yogyakarta

166

8

2006

Sirsak

Kabupaten

3490

122

2006

Kulonprogo Sirsak

Kabupaten Sleman

6196

297

2006

Sirsak

Kabupaten Bantul

16983

246

2007

Sirsak

Kabupaten

48498

475

2007

Gunungkidul

50


Sirsak

Kota Yogyakarta

489

5

2007

Sirsak

Kabupaten

6963

100

2007

Kulonprogo Sirsak

Kabupaten Sleman

15588

284

2007

Sirsak

Kabupaten Bantul

7304

133

2008

Sirsak

Kabupaten

28019

522

2008

Gunungkidul Sirsak

Kota Yogyakarta

149

6

2008

Sirsak

Kabupaten

3065

121

2008

Kulonprogo Sirsak

Kabupaten Sleman

6873

325

2008

Sirsak

Kabupaten Bantul

5253

127

2009

Sirsak

Kabupaten

44429

918

2009

Gunungkidul Sirsak

Kota Yogyakarta

136

5

2009

Sirsak

Kabupaten

3083

112

2009

Kulonprogo Sirsak

Kabupaten Sleman

7070

298

2009

Sukun

Kabupaten Bantul

7250

776

2005

Sukun

Kabupaten

30059

2388

2005

253

45

2005

17804

1434

2005

Gunungkidul Sukun

Kota Yogyakarta

Sukun


Sukun

Kabupaten Sleman

12055

1935

2005

Sukun

Kabupaten Bantul

8866

474

2006

Sukun

Kabupaten

17621

1332

2006

Gunungkidul

51


Sukun

Kota Yogyakarta

Sukun

Kabupaten

276

27

2006

27514

2107

2006

Kulonprogo Sukun

Kabupaten Sleman

10561

1869

2006

Sukun

Kabupaten Bantul

8416

226

2007

Sukun

Kabupaten

57329

1249

2007

693

19

2007

46126

2020

2007

Gunungkidul Sukun

Kota Yogyakarta

Sukun


Sukun

Kabupaten Sleman

30545

1830

2007

Sukun

Kabupaten Bantul

7368

488

2008

Sukun

Kabupaten

72885

2686

2008

417

42

2008

28269

2249

2008

Gunungkidul Sukun

Kota Yogyakarta

Sukun


Sukun

Kabupaten Sleman

10723

1693

2008

Sukun

Kabupaten Bantul

6129

362

2009

Sukun

Kabupaten

67754

1381

2009

308

24

2009

15235

2138

2009

Gunungkidul Sukun

Kota Yogyakarta

Sukun


Sukun

Kabupaten Sleman

11778

1694

2009

Belimbing

Kabupaten Bantul

4119

229

2005

Belimbing

Kabupaten

6271

376

2005

Gunungkidul

52


Belimbing

Kota Yogyakarta

311

24

2005

Belimbing

Kabupaten

4451

144

2005

Kulonprogo Belimbing

Kabupaten Sleman

4807

370

2005

Belimbing

Kabupaten Bantul

4150

184

2006

Belimbing

Kabupaten

6788

309

2006

Gunungkidul Belimbing

Kota Yogyakarta

752

31

2006

Belimbing

Kabupaten

5578

166

2006


Kabupaten Sleman

4971

186

2006

Belimbing

Kabupaten Bantul

7236

103

2007

Belimbing

Kabupaten

8599

119

2007


Kota Yogyakarta

1725

26

2007

Belimbing

Kabupaten

7729

152

2007


Kabupaten Sleman

12187

223

2007

Belimbing

Kabupaten Bantul

1980

87

2008

Belimbing

Kabupaten

4454

138

2008


Kota Yogyakarta

623

36

2008

Belimbing

Kabupaten

5200

205

2008


Kabupaten Sleman

4682

254

2008

Belimbing

Kabupaten Bantul

1619

85

2009

Belimbing

Kabupaten

4242

155

2009

Gunungkidul

53


Belimbing

Kota Yogyakarta

502

32

2009

Belimbing

Kabupaten

5550

219

2009


Kabupaten Sleman

4545

252

2009

Durian

Kabupaten Bantul

1463

75

2005

Durian

Kabupaten

1450

31

2005

89

10

2005

47874

4138

2005

Gunungkidul Durian

Kota Yogyakarta

Durian


Durian

Kabupaten Sleman

38973

3008

2005

Durian

Kabupaten Bantul

1655

67

2006

Durian

Kabupaten

1384

28

2006

140

8

2006

15873

1125

2006

Gunungkidul Durian

Kota Yogyakarta

Durian


Durian

Kabupaten Sleman

34402

3683

2006

Durian

Kabupaten Bantul

1191

44

2007

Durian

Kabupaten

1514

22

2007

62

3

2007

49096

2196

2007

Gunungkidul Durian

Kota Yogyakarta

Durian


Durian

Kabupaten Sleman

35143

3014

2007

Durian

Kabupaten Bantul

1719

163

2008

Durian

Kabupaten

1641

27

2008

Gunungkidul

54


Durian

Kota Yogyakarta

Durian

Kabupaten

28

3

2008

33726

2708

2008

Kulonprogo Durian

Kabupaten Sleman

35462

3388

2008

Durian

Kabupaten Bantul

1508

83

2009

Durian

Kabupaten

1762

30

2009

48

8

2009

42182

3408

2009

Gunungkidul Durian

Kota Yogyakarta

Durian


Durian

Kabupaten Sleman

45114

5688

2009

Jambu Biji

Kabupaten Bantul

26131

1516

2005

Jambu Biji

Kabupaten

32358

1717

2005

Gunungkidul Jambu Biji

Kota Yogyakarta

1248

65

2005

Jambu Biji

Kabupaten

34161

1068

2005

Kulonprogo Jambu Biji

Kabupaten Sleman

44635

3071

2005

Jambu Biji

Kabupaten Bantul

18091

1279

2006

Jambu Biji

Kabupaten

29487

1398

2006


Kota Yogyakarta

5067

216

2006

Jambu Biji

Kabupaten

22336

906

2006


Kabupaten Sleman

37987

1197

2006

Jambu Biji

Kabupaten Bantul

46089

567

2007

Jambu Biji

Kabupaten

43919

462

2007

Gunungkidul

55


Jambu Biji

Kota Yogyakarta

12943

116

2007

Jambu Biji

Kabupaten

101102

1427

2007


Kabupaten Sleman

89355

1407

2007

Jambu Biji

Kabupaten Bantul

19937

456

2008

Jambu Biji

Kabupaten

21717

705

2008


Kota Yogyakarta

4127

158

2008

Jambu Biji

Kabupaten

36520

1706

2008


Kabupaten Sleman

35124

1502

2008

Jambu Biji

Kabupaten Bantul

11826

286

2009

Jambu Biji

Kabupaten

22214

721

2009


Kota Yogyakarta

3615

95

2009

Jambu Biji

Kabupaten

41655

1711

2009


Kabupaten Sleman

33302

1300

2009

Manggis

Kabupaten Bantul

164

11

2005

Manggis

Kabupaten

0

0

2005

14

1

2005

14788

573

2005

Gunungkidul Manggis

Kota Yogyakarta

Manggis


Manggis

Kabupaten Sleman

4167

499

2005

Manggis

Kabupaten Bantul

88

4

2006

Manggis

Kabupaten

180

24

2006

Gunungkidul

56


Manggis

Kota Yogyakarta

Manggis

Kabupaten

3

1

2006

4733

183

2006

Kulonprogo Manggis

Kabupaten Sleman

3669

419

2006

Manggis

Kabupaten Bantul

199

4

2007

Manggis

Kabupaten

0

0

2007

3

0

2007

29244

623

2007

Gunungkidul Manggis

Kota Yogyakarta

Manggis


Manggis

Kabupaten Sleman

6087

394

2007

Manggis

Kabupaten Bantul

21

1

2008

Manggis

Kabupaten

0

0

2008

5

0

2008

16227

651

2008

Gunungkidul Manggis

Kota Yogyakarta

Manggis


Manggis

Kabupaten Sleman

4816

381

2008

Manggis

Kabupaten Bantul

0

0

2009

Manggis

Kabupaten

0

0

2009

0

0

2009

5474

220

2009

Gunungkidul Manggis

Kota Yogyakarta

Manggis


Manggis

Kabupaten Sleman

5210

379

2009

Sawo

Kabupaten Bantul

12318

1410

2005

Sawo

Kabupaten

21538

1838

2005

Gunungkidul

57


Sawo

Kota Yogyakarta

505

80

2005

Sawo

Kabupaten

9889

680

2005

Kulonprogo Sawo

Kabupaten Sleman

15836

2032

2005

Sawo

Kabupaten Bantul

15301

1246

2006

Sawo

Kabupaten

25025

1879

2006

961

83

2006

13652

1039

2006

Gunungkidul Sawo

Kota Yogyakarta

Sawo


Sawo

Kabupaten Sleman

16473

1605

2006

Sawo

Kabupaten Bantul

41967

1030

2007

Sawo

Kabupaten

57444

1966

2007

Gunungkidul Sawo

Kota Yogyakarta

2964

70

2007

Sawo

Kabupaten

31087

920

2007

Kulonprogo Sawo

Kabupaten Sleman

39388

1716

2007

Sawo

Kabupaten Bantul

12927

1057

2008

Sawo

Kabupaten

22989

3317

2008

Gunungkidul Sawo

Kota Yogyakarta

1461

164

2008

Sawo

Kabupaten

12567

975

2008

Kulonprogo Sawo

Kabupaten Sleman

16215

1835

2008

Sawo

Kabupaten Bantul

10482

842

2009

Sawo

Kabupaten

20290

1599

2009

Gunungkidul

58


Sawo

Kota Yogyakarta

1139

96

2009

Sawo

Kabupaten

11054

768

2009

Kulonprogo Sawo

Kabupaten Sleman

15967

1898

2009

Pepaya

Kabupaten Bantul

51318

2135

2005

Pepaya

Kabupaten

41027

1635

2005

Gunungkidul Pepaya

Kota Yogyakarta

5332

485

2005

Pepaya

Kabupaten

35829

1875

2005

Kulonprogo Pepaya

Kabupaten Sleman

81180

4079

2005

Pepaya

Kabupaten Bantul

61522

2827

2006

Pepaya

Kabupaten

45756

2224

2006

Gunungkidul Pepaya

Kota Yogyakarta

6113

189

2006

Pepaya

Kabupaten

45731

2681

2006

Kulonprogo Pepaya

Kabupaten Sleman

76956

3477

2006

Pepaya

Kabupaten Bantul

210020

3643

2007

Pepaya

Kabupaten

1680899

1766

2007

Gunungkidul Pepaya

Kota Yogyakarta

14930

164

2007

Pepaya

Kabupaten

119048

2865

2007

Kulonprogo Pepaya

Kabupaten Sleman

245677

4180

2007

Pepaya

Kabupaten Bantul

54969

2307

2008

Pepaya

Kabupaten

47313

2473

2008

Gunungkidul

59


Pepaya

Kota Yogyakarta

7258

229

2008

Pepaya

Kabupaten

33181

2359

2008

Kulonprogo Pepaya

Kabupaten Sleman

68930

3866

2008

Pepaya

Kabupaten Bantul

36912

1312

2009

Pepaya

Kabupaten

28812

1311

2009

Gunungkidul Pepaya

Kota Yogyakarta

5288

194

2009

Pepaya

Kabupaten

33007

2415

2009

Kulonprogo Pepaya

Kabupaten Sleman

65726

3862

2009

Pisang

Kabupaten Bantul

169342

10140

2005

Pisang

Kabupaten

243901

9736

2005

2972

131

2005

278078

11866

2005

Gunungkidul Pisang

Kota Yogyakarta

Pisang


Pisang

Kabupaten Sleman

244505

13516

2005

Pisang

Kabupaten Bantul

175473

6518

2006

Pisang

Kabupaten

256227

7984

2006

7302

256

2006

484638

20747

2006

Gunungkidul Pisang

Kota Yogyakarta

Pisang


Pisang

Kabupaten Sleman

208018

12329

2006

Pisang

Kabupaten Bantul

631156

8220

2007

Pisang

Kabupaten

1031988

13870

2007

Gunungkidul

60


Pisang

Kota Yogyakarta

Pisang

Kabupaten

20046

182

2007

1381584

21811

2007

Kulonprogo Pisang

Kabupaten Sleman

730860

12441

2007

Pisang

Kabupaten Bantul

247350

16986

2008

Pisang

Kabupaten

414180

12689

2008

8389

444

2008

360286

18743

2008

Gunungkidul Pisang

Kota Yogyakarta

Pisang


Pisang

Kabupaten Sleman

210695

11699

2008

Pisang

Kabupaten Bantul

249363

13033

2009

Pisang

Kabupaten

347706

9754

2009

6438

150

2009

367266

18159

2009

Gunungkidul Pisang

Kota Yogyakarta

Pisang


Pisang

Kabupaten Sleman

226845

11640

2009

Nanas

Kabupaten Bantul

2067

9

2005

Nanas

Kabupaten

6224

24

2005

53

1

2005

36380

206

2005

Gunungkidul Nanas

Kota Yogyakarta

Nanas


Nanas

Kabupaten Sleman

66122

217

2005

Nanas

Kabupaten Bantul

1345

3

2006

Nanas

Kabupaten

10488

23

2006

Gunungkidul

61


Nanas

Kota Yogyakarta

Nanas

Kabupaten

55

1

2006

53348

251

2006

Kulonprogo Nanas

Kabupaten Sleman

53112

179

2006

Nanas

Kabupaten Bantul

1215

2

2007

Nanas

Kabupaten

33211

45

2007

25

0

2007

80960

296

2007

Gunungkidul Nanas

Kota Yogyakarta

Nanas


Nanas

Kabupaten Sleman

123129

213

2007

Nanas

Kabupaten Bantul

69

1

2008

Nanas

Kabupaten

8175

35

2008

66

1

2008

51538

311

2008

Gunungkidul Nanas

Kota Yogyakarta

Nanas


Nanas

Kabupaten Sleman

38176

205

2008

Nanas

Kabupaten Bantul

150

1

2009

Nanas

Kabupaten

13362

72

2009

40

1

2009

52204

291

2009

Gunungkidul Nanas

Kota Yogyakarta

Nanas


Nanas

Kabupaten Sleman

39460

177

2009

Salak

Kabupaten Bantul

6655

91

2005

Salak

Kabupaten

1449

12

2005

Gunungkidul

62


Salak

Kota Yogyakarta

Salak

Kabupaten

129

1

2005

100057

1379

2005

Kulonprogo Salak

Kabupaten Sleman

9772771

123229

2005

Salak

Kabupaten Bantul

4617

39

2006

Salak

Kabupaten

1463

36

2006

60

1

2006

116189

1551

2006

Gunungkidul Salak

Kota Yogyakarta

Salak


Salak

Kabupaten Sleman

4534595

67329

2006

Salak

Kabupaten Bantul

7008

20

2007

Salak

Kabupaten

4036

8

2007

90

0

2007

237151

1386

2007

Gunungkidul Salak

Kota Yogyakarta

Salak


Salak

Kabupaten Sleman

14634913

57476

2007

Salak

Kabupaten Bantul

3202

36

2008

Salak

Kabupaten

1287

12

2008

10

0

2008

118433

1527

2008

Gunungkidul Salak

Kota Yogyakarta

Salak


Salak

Kabupaten Sleman

4521909

58353

2008

Salak

Kabupaten Bantul

3689

45

2009

Salak

Kabupaten

1594

10

2009

Gunungkidul

63


Salak

Kota Yogyakarta

Salak

Kabupaten

0

0

2009

116414

2138

2009

Kulonprogo Salak

Kabupaten Sleman

4755612

60379

2009

Nangka

Kabupaten Bantul

39123

4073

2005

Nangka

Kabupaten

63963

6461

2005

961

119

2005

43543

4935

2005

Gunungkidul Nangka

Kota Yogyakarta

Nangka


Nangka

Kabupaten Sleman

65652

14591

2005

Nangka

Kabupaten Bantul

16302

1405

2006

Nangka

Kabupaten

64387

4407

2006

808

106

2006

41434

4506

2006

Gunungkidul Nangka

Kota Yogyakarta

Nangka


Nangka

Kabupaten Sleman

65797

12373

2006

Nangka

Kabupaten Bantul

44705

2189

2007

Nangka

Kabupaten

120656

5650

2007

Gunungkidul Nangka

Kota Yogyakarta

4493

161

2007

Nangka

Kabupaten

75434

4157

2007

Kulonprogo Nangka

Kabupaten Sleman

178856

11258

2007

Nangka

Kabupaten Bantul

11964

556

2008

Nangka

Kabupaten

70582

3570

2008

Gunungkidul

64


Nangka

Kota Yogyakarta

2981

366

2008

Nangka

Kabupaten

48890

5047

2008

Kulonprogo Nangka

Kabupaten Sleman

68342

10341

2008

Nangka

Kabupaten Bantul

20279

833

2009

Nangka

Kabupaten

93616

3838

2009

Gunungkidul Nangka

Kota Yogyakarta

2314

66

2009

Nangka

Kabupaten

46540

4895

2009

Kulonprogo Nangka

Kabupaten Sleman

73069

10337

2009

Semangka

Kabupaten Bantul

7

135

2005

Semangka

Kabupaten

6

98

2005

0

0

2005

593

9242

2005

Gunungkidul Semangka

Kota Yogyakarta

Semangka


Semangka

Kabupaten Sleman

66

1460

2005

Semangka

Kabupaten Bantul

0

0

2006

Semangka

Kabupaten

7

135

2006

0

0

2006

569

9659

2006


Kota Yogyakarta

Semangka


Semangka

Kabupaten Sleman

60

1247

2006

Semangka

Kabupaten Bantul

0

0

2007

Semangka

Kabupaten

0

0

2007

Gunungkidul

65


Semangka

Kota Yogyakarta

599

10742

2007

Semangka

Kabupaten

599

10742

2007

Kulonprogo Semangka

Kabupaten Sleman

42

945

2007

Semangka

Kabupaten Bantul

1

20

2008

Semangka

Kabupaten

5

39

2008

0

0

2008

185

6493

2008


Kota Yogyakarta

Semangka


Semangka

Kabupaten Sleman

11

493

2008

Semangka

Kabupaten Bantul

0

0

2009

Semangka

Kabupaten

10

69

2009

0

0

2009

367

6660

2009

34

619

2009


Kota Yogyakarta

Semangka


Semangka

Kabupaten Sleman

Lampiran 2. Tabel Hasil K-Means Clustering JENIS BUAH

DAERAH

JUMLAH

PRODUKSI TAHUN CLUSTER

POHON 1

1

7405

553

2005

3

1

1

1522

348

2006

2

1

1

1660

108

2007

2

1

1

1550

66

2008

2

1

1

597

83

2009

2

1

2

2584

198

2005

2

66


1

2

2518

634

2006

2

1

2

2226

36

2007

2

1

2

495

19

2008

2

1

2

1992

36

2009

2

1

3

722

53

2005

2

1

3

386

154

2006

2

1

3

951

34

2007

2

1

3

343

49

2008

2

1

3

351

24

2009

2

1

4

12588

1484

2005

3

1

4

3683

740

2006

2

1

4

11206

214

2007

3

1

4

7597

370

2008

3

1

4

8567

419

2009

3

1

5

79262

11704

2005

1

1

5

21740

3944

2006

3

1

5

54731

3302

2007

1

1

5

38166

3613

2008

1

1

5

37775

3900

2009

1

2

1

113591

6361

2005

2

2

1

96279

5559

2006

2

2

1

72682

1885

2007

1

2

1

69118

7638

2008

1

2

1

100667

4531

2009

2

2

2

153374

5535

2005

2

2

2

258643

6437

2006

2

2

2

541038

14925

2007

3

67


2

2

170013

6992

2008

2

2

2

306546

16160

2009

2

2

3

2301

152

2005

1

2

3

5611

378

2006

1

2

3

8994

292

2007

1

2

3

6874

285

2008

1

2

3

5328

207

2009

1

2

4

52949

4403

2005

1

2

4

124350

5397

2006

2

2

4

167815

5779

2007

2

2

4

135017

6468

2008

2

2

4

110955

6580

2009

2

2

5

131779

9881

2005

2

2

5

153471

11115

2006

2

2

5

148929

10125

2007

2

2

5

166999

13131

2008

2

2

5

169635

14298

2009

2

3

1

27383

946

2005

1

3

1

26561

1139

2006

1

3

1

25070

546

2007

1

3

1

24815

1234

2008

1

3

1

30532

1888

2009

1

3

1

301

9

2005

2

3

1

465

8

2006

2

3

1

630

11

2007

2

3

1

564

35

2008

2

3

1

232

9

2009

2

68


3

2

9656

148

2005

3

3

2

19618

463

2006

3

3

2

25960

416

2007

1

3

2

16801

396

2008

3

3

2

31931

479

2009

1

3

2

0

0

2005

2

3

2

0

0

2006

2

3

2

0

0

2007

2

3

2

0

0

2008

2

3

2

0

0

2009

2

3

3

2211

41

2005

3

3

3

2689

152

2006

3

3

3

3694

59

2007

3

3

3

3526

102

2008

3

3

3

5767

119

2009

3

4

3

167

5

2005

2

4

3

46

4

2006

2

4

3

134

3

2007

2

4

3

147

11

2008

2

4

3

35

2

2009

2

4

4

70911

5231

2005

1

4

4

36914

2510

2006

1

4

4

51517

2691

2007

1

4

4

51448

3873

2008

1

4

4

26025

2236

2009

1

4

4

7959

392

2005

1

4

4

2436

121

2006

2

69


4

4

13645

364

2007

3

4

4

9021

422

2008

1

4

4

8751

427

2009

1

4

5

132426

13685

2005

2

4

5

187168

16721

2006

2

4

5

186543

15167

2007

2

4

5

191286

21850

2008

2

4

5

197496

20201

2009

2

4

5

14247

1021

2005

3

4

5

6584

461

2006

1

4

5

9747

915

2007

1

4

5

8898

855

2008

1

4

5

9555

916

2009

1

5

1

7018

480

2005

2

5

1

6885

312

2006

2

5

1

10064

227

2007

1

5

1

2669

39

2008

2

5

1

917

21

2009

2

5

2

4285

288

2005

2

5

2

2256

151

2006

2

5

2

5924

70

2007

2

5

2

538

19

2008

2

5

2

1510

66

2009

2

5

3

320

30

2005

2

5

3

691

26

2006

2

5

3

455

9

2007

2

5

3

245

13

2008

2

70


5

3

74

26

2009

2

5

4

16219

1239

2005

1

5

4

29777

1216

2006

3

5

4

58807

1114

2007

3

5

4

17561

957

2008

1

5

4

23400

1078

2009

1

5

5

10009

944

2005

1

5

5

8281

710

2006

1

5

5

29061

899

2007

3

5

5

11258

849

2008

1

5

5

11740

893

2009

1

6

1

9144

628

2005

1

6

1

6933

416

2006

1

6

1

16983

246

2007

1

6

1

7304

133

2008

1

6

1

5253

127

2009

3

6

2

16547

869

2005

1

6

2

24399

1242

2006

2

6

2

48498

475

2007

2

6

2

28019

522

2008

2

6

2

44429

918

2009

2

6

3

115

10

2005

3

6

3

166

8

2006

3

6

3

489

5

2007

3

6

3

149

6

2008

3

6

3

136

5

2009

3

6

4

3901

139

2005

3

71


6

4

3490

122

2006

3

6

4

6963

100

2007

1

6

4

3065

121

2008

3

6

4

3083

112

2009

3

6

5

7076

465

2005

1

6

5

6196

297

2006

1

6

5

15588

284

2007

1

6

5

6873

325

2008

1

6

5

7070

298

2009

1

7

1

7250

776

2005

3

7

1

8866

474

2006

3

7

1

8416

226

2007

3

7

1

7368

488

2008

3

7

1

6129

362

2009

3

7

2

30059

2388

2005

1

7

2

17621

1332

2006

1

7

2

57329

1249

2007

2

7

2

72885

2686

2008

2

7

2

67754

1381

2009

2

7

3

253

45

2005

3

7

3

276

27

2006

3

7

3

693

19

2007

3

7

3

417

42

2008

3

7

3

308

24

2009

3

7

4

17804

1434

2005

1

7

4

27514

2107

2006

1

7

4

46126

2020

2007

2

72


7

4

28269

2249

2008

1

7

4

15235

2138

2009

3

7

5

12055

1935

2005

3

7

5

10561

1869

2006

3

7

5

30545

1830

2007

1

7

5

10723

1693

2008

3

7

5

11778

1694

2009

3

8

1

4119

229

2005

2

8

1

4150

184

2006

2

8

1

7236

103

2007

1

8

1

1980

87

2008

3

8

1

1619

85

2009

3

8

2

6271

376

2005

2

8

2

6788

309

2006

2

8

2

8599

119

2007

1

8

2

4454

138

2008

2

8

2

4242

155

2009

2

8

3

311

24

2005

3

8

3

752

31

2006

3

8

3

1725

26

2007

3

8

3

623

36

2008

3

8

3

502

32

2009

3

8

4

4451

144

2005

2

8

4

5578

166

2006

2

8

4

7729

152

2007

1

8

4

5200

205

2008

2

8

4

5550

219

2009

2

73


8

5

4807

370

2005

2

8

5

4971

186

2006

2

8

5

12187

223

2007

1

8

5

4682

254

2008

2

8

5

4545

252

2009

2

9

1

1463

75

2005

1

9

1

1655

67

2006

1

9

1

1191

44

2007

1

9

1

1719

163

2008

1

9

1

1508

83

2009

1

9

2

1450

31

2005

1

9

2

1384

28

2006

1

9

2

1514

22

2007

1

9

2

1641

27

2008

1

9

2

1762

30

2009

1

9

3

89

10

2005

1

9

3

140

8

2006

1

9

3

62

3

2007

1

9

3

28

3

2008

1

9

3

48

8

2009

1

9

4

47874

4138

2005

2

9

4

15873

1125

2006

3

9

4

49096

2196

2007

2

9

4

33726

2708

2008

2

9

4

42182

3408

2009

2

9

5

38973

3008

2005

2

9

5

34402

3683

2006

2

74


9

5

35143

3014

2007

2

9

5

35462

3388

2008

2

9

5

45114

5688

2009

2

10

1

26131

1516

2005

2

10

1

18091

1279

2006

3

10

1

46089

567

2007

2

10

1

19937

456

2008

3

10

1

11826

286

2009

3

10

2

32358

1717

2005

2

10

2

29487

1398

2006

2

10

2

43919

462

2007

2

10

2

21717

705

2008

3

10

2

22214

721

2009

3

10

3

1248

65

2005

3

10

3

5067

216

2006

3

10

3

12943

116

2007

3

10

3

4127

158

2008

3

10

3

3615

95

2009

3

10

4

34161

1068

2005

2

10

4

22336

906

2006

3

10

4

101102

1427

2007

1

10

4

36520

1706

2008

2

10

4

41655

1711

2009

2

10

5

44635

3071

2005

2

10

5

37987

1197

2006

2

10

5

89355

1407

2007

1

10

5

35124

1502

2008

2

75


10

5

33302

1300

2009

2

11

1

164

11

2005

2

11

1

88

4

2006

2

11

1

199

4

2007

2

11

1

21

1

2008

2

11

1

0

0

2009

2

11

2

0

0

2005

2

11

2

180

24

2006

2

11

2

0

0

2007

2

11

2

0

0

2008

2

11

2

0

0

2009

2

11

3

14

1

2005

2

11

3

3

1

2006

2

11

3

3

0

2007

2

11

3

5

0

2008

2

11

3

0

0

2009

2

11

4

14788

573

2005

1

11

4

4733

183

2006

3

11

4

29244

623

2007

1

11

4

16227

651

2008

1

11

4

5474

220

2009

3

11

5

4167

499

2005

3

11

5

3669

419

2006

3

11

5

6087

394

2007

3

11

5

4816

381

2008

3

11

5

5210

379

2009

3

12

1

12318

1410

2005

3

76


12

1

15301

1246

2006

3

12

1

41967

1030

2007

2

12

1

12927

1057

2008

3

12

1

10482

842

2009

3

12

2

21538

1838

2005

3

12

2

25025

1879

2006

3

12

2

57444

1966

2007

2

12

2

22989

3317

2008

3

12

2

20290

1599

2009

3

12

3

505

80

2005

1

12

3

961

83

2006

1

12

3

2964

70

2007

1

12

3

1461

164

2008

1

12

3

1139

96

2009

1

12

4

9889

680

2005

3

12

4

13652

1039

2006

3

12

4

31087

920

2007

2

12

4

12567

975

2008

3

12

4

11054

768

2009

3

12

5

15836

2032

2005

3

12

5

16473

1605

2006

3

12

5

39388

1716

2007

2

12

5

16215

1835

2008

3

12

5

15967

1898

2009

3

13

1

51318

2135

2005

1

13

1

61522

2827

2006

1

13

1

210020

3643

2007

3

77


13

1

54969

2307

2008

1

13

1

36912

1312

2009

1

13

2

41027

1635

2005

1

13

2

45756

2224

2006

1

13

2

1680899

1766

2007

2

13

2

47313

2473

2008

1

13

2

28812

1311

2009

1

13

3

5332

485

2005

1

13

3

6113

189

2006

1

13

3

14930

164

2007

1

13

3

7258

229

2008

1

13

3

5288

194

2009

1

13

4

35829

1875

2005

1

13

4

45731

2681

2006

1

13

4

119048

2865

2007

1

13

4

33181

2359

2008

1

13

4

33007

2415

2009

1

13

5

81180

4079

2005

1

13

5

76956

3477

2006

1

13

5

245677

4180

2007

3

13

5

68930

3866

2008

1

13

5

65726

3862

2009

1

14

1

169342

10140

2005

2

14

1

175473

6518

2006

2

14

1

631156

8220

2007

2

14

1

247350

16986

2008

2

14

1

249363

13033

2009

2

78


14

2

243901

9736

2005

2

14

2

256227

7984

2006

2

14

2

1031988

13870

2007

3

14

2

414180

12689

2008

2

14

2

347706

9754

2009

2

14

3

2972

131

2005

1

14

3

7302

256

2006

1

14

3

20046

182

2007

1

14

3

8389

444

2008

1

14

3

6438

150

2009

1

14

4

278078

11866

2005

2

14

4

484638

20747

2006

2

14

4

1381584

21811

2007

3

14

4

360286

18743

2008

2

14

4

367266

18159

2009

2

14

5

244505

13516

2005

2

14

5

208018

12329

2006

2

14

5

730860

12441

2007

3

14

5

210695

11699

2008

2

14

5

226845

11640

2009

2

15

1

2067

9

2005

2

15

1

1345

3

2006

2

15

1

1215

2

2007

2

15

1

69

1

2008

2

15

1

150

1

2009

2

15

2

6224

24

2005

2

15

2

10488

23

2006

2

79


15

2

33211

45

2007

3

15

2

8175

35

2008

2

15

2

13362

72

2009

2

15

3

53

1

2005

2

15

3

55

1

2006

2

15

3

25

0

2007

2

15

3

66

1

2008

2

15

3

40

1

2009

2

15

4

36380

206

2005

3

15

4

53348

251

2006

3

15

4

80960

296

2007

1

15

4

51538

311

2008

3

15

4

52204

291

2009

3

15

5

66122

217

2005

3

15

5

53112

179

2006

3

15

5

123129

213

2007

1

15

5

38176

205

2008

3

15

5

39460

177

2009

3

16

1

6655

91

2005

2

16

1

4617

39

2006

2

16

1

7008

20

2007

2

16

1

3202

36

2008

2

16

1

3689

45

2009

2

16

2

1449

12

2005

2

16

2

1463

36

2006

2

16

2

4036

8

2007

2

16

2

1287

12

2008

2

80


16

2

1594

10

2009

2

16

3

129

1

2005

2

16

3

60

1

2006

2

16

3

90

0

2007

2

16

3

10

0

2008

2

16

3

0

0

2009

2

16

4

100057

1379

2005

1

16

4

116189

1551

2006

1

16

4

237151

1386

2007

1

16

4

118433

1527

2008

1

16

4

116414

2138

2009

1

16

5

9772771

123229

2005

3

16

5

4534595

67329

2006

3

16

5

14634913

57476

2007

3

16

5

4521909

58353

2008

3

16

5

4755612

60379

2009

3

17

1

39123

4073

2005

3

17

1

16302

1405

2006

1

17

1

44705

2189

2007

3

17

1

11964

556

2008

1

17

1

20279

833

2009

1

17

2

63963

6461

2005

3

17

2

64387

4407

2006

3

17

2

120656

5650

2007

2

17

2

70582

3570

2008

3

17

2

93616

3838

2009

3

17

3

961

119

2005

1

81


17

3

808

106

2006

1

17

3

4493

161

2007

1

17

3

2981

366

2008

1

17

3

2314

66

2009

1

17

4

43543

4935

2005

3

17

4

41434

4506

2006

3

17

4

75434

4157

2007

3

17

4

48890

5047

2008

3

17

4

46540

4895

2009

3

17

5

65652

14591

2005

3

17

5

65797

12373

2006

3

17

5

178856

11258

2007

2

17

5

68342

10341

2008

3

17

5

73069

10337

2009

3

18

1

7

135

2005

1

18

1

0

0

2006

1

18

1

0

0

2007

1

18

1

1

20

2008

1

18

1

0

0

2009

1

18

2

6

98

2005

1

18

2

7

135

2006

1

18

2

0

0

2007

1

18

2

5

39

2008

1

18

2

10

69

2009

1

18

3

0

0

2005

1

18

3

0

0

2006

1

18

3

599

10742

2007

3

82


18

3

0

0

2008

1

18

3

0

0

2009

1

18

4

593

9242

2005

3

18

4

569

9659

2006

3

18

4

599

10742

2007

3

18

4

185

6493

2008

3

18

4

367

6660

2009

3

18

5

66

1460

2005

2

18

5

60

1247

2006

2

18

5

42

945

2007

2

18

5

11

493

2008

1

18

5

34

619

2009

2

83

PENERAPAN METODE K-MEANS CLUSTERING UNTUK MENGELOMPOKAN POTENSI PRODUKSI BUAH BUAHAN DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA

Recommend Documents