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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :……………………….
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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,
Mikael Aditya Wahyu Krisna Murti
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Mikael Aditya Wahyu Krisna Murti
xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 6
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:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 12
√∑
(
)
(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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 18
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 19
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 20
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:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 21
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 22
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 23
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 24
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 25
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 26
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 27
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”.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 28
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 30
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 31
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 32
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 33
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 34
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 35
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,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 36
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 37
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 38
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 39
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 40
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 42
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
Alpokat
Kabupaten Sleman
54731
3302
2007
Alpokat
Kabupaten Bantul
1550
66
2008
Alpokat
Kabupaten
495
19
2008
Gunungkidul
44
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
Mangga
Kabupaten Sleman
153471
11115
2006
Mangga
Kabupaten Bantul
72682
1885
2007
Mangga
Kabupaten
541038
14925
2007
Gunungkidul
45
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Gunungkidul Rambutan
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
Gunungkidul Rambutan
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
Gunungkidul Rambutan
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
Jeruk
Kabupaten Sleman
29061
899
2007
Jeruk
Kabupaten Bantul
2669
39
2008
Jeruk
Kabupaten
538
19
2008
Gunungkidul
49
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
Sukun
Kabupaten Sleman
12055
1935
2005
Sukun
Kabupaten Bantul
8866
474
2006
Sukun
Kabupaten
17621
1332
2006
Gunungkidul
51
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
Sukun
Kabupaten Sleman
11778
1694
2009
Belimbing
Kabupaten Bantul
4119
229
2005
Belimbing
Kabupaten
6271
376
2005
Gunungkidul
52
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kulonprogo Belimbing
Kabupaten Sleman
4971
186
2006
Belimbing
Kabupaten Bantul
7236
103
2007
Belimbing
Kabupaten
8599
119
2007
Gunungkidul Belimbing
Kota Yogyakarta
1725
26
2007
Belimbing
Kabupaten
7729
152
2007
Kulonprogo Belimbing
Kabupaten Sleman
12187
223
2007
Belimbing
Kabupaten Bantul
1980
87
2008
Belimbing
Kabupaten
4454
138
2008
Gunungkidul Belimbing
Kota Yogyakarta
623
36
2008
Belimbing
Kabupaten
5200
205
2008
Kulonprogo Belimbing
Kabupaten Sleman
4682
254
2008
Belimbing
Kabupaten Bantul
1619
85
2009
Belimbing
Kabupaten
4242
155
2009
Gunungkidul
53
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Belimbing
Kota Yogyakarta
502
32
2009
Belimbing
Kabupaten
5550
219
2009
Kulonprogo Belimbing
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
Durian
Kabupaten Sleman
35143
3014
2007
Durian
Kabupaten Bantul
1719
163
2008
Durian
Kabupaten
1641
27
2008
Gunungkidul
54
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
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
Gunungkidul Jambu Biji
Kota Yogyakarta
5067
216
2006
Jambu Biji
Kabupaten
22336
906
2006
Kulonprogo Jambu Biji
Kabupaten Sleman
37987
1197
2006
Jambu Biji
Kabupaten Bantul
46089
567
2007
Jambu Biji
Kabupaten
43919
462
2007
Gunungkidul
55
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Jambu Biji
Kota Yogyakarta
12943
116
2007
Jambu Biji
Kabupaten
101102
1427
2007
Kulonprogo Jambu Biji
Kabupaten Sleman
89355
1407
2007
Jambu Biji
Kabupaten Bantul
19937
456
2008
Jambu Biji
Kabupaten
21717
705
2008
Gunungkidul Jambu Biji
Kota Yogyakarta
4127
158
2008
Jambu Biji
Kabupaten
36520
1706
2008
Kulonprogo Jambu Biji
Kabupaten Sleman
35124
1502
2008
Jambu Biji
Kabupaten Bantul
11826
286
2009
Jambu Biji
Kabupaten
22214
721
2009
Gunungkidul Jambu Biji
Kota Yogyakarta
3615
95
2009
Jambu Biji
Kabupaten
41655
1711
2009
Kulonprogo Jambu Biji
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
Kabupaten Kulonprogo
Manggis
Kabupaten Sleman
4167
499
2005
Manggis
Kabupaten Bantul
88
4
2006
Manggis
Kabupaten
180
24
2006
Gunungkidul
56
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
Manggis
Kabupaten Sleman
5210
379
2009
Sawo
Kabupaten Bantul
12318
1410
2005
Sawo
Kabupaten
21538
1838
2005
Gunungkidul
57
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
Pisang
Kabupaten Sleman
208018
12329
2006
Pisang
Kabupaten Bantul
631156
8220
2007
Pisang
Kabupaten
1031988
13870
2007
Gunungkidul
60
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
Nanas
Kabupaten Sleman
66122
217
2005
Nanas
Kabupaten Bantul
1345
3
2006
Nanas
Kabupaten
10488
23
2006
Gunungkidul
61
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
Nanas
Kabupaten Sleman
39460
177
2009
Salak
Kabupaten Bantul
6655
91
2005
Salak
Kabupaten
1449
12
2005
Gunungkidul
62
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
Salak
Kabupaten Sleman
4521909
58353
2008
Salak
Kabupaten Bantul
3689
45
2009
Salak
Kabupaten
1594
10
2009
Gunungkidul
63
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
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
Kabupaten Kulonprogo
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kabupaten Kulonprogo
Semangka
Kabupaten Sleman
66
1460
2005
Semangka
Kabupaten Bantul
0
0
2006
Semangka
Kabupaten
7
135
2006
0
0
2006
569
9659
2006
Gunungkidul Semangka
Kota Yogyakarta
Semangka
Kabupaten Kulonprogo
Semangka
Kabupaten Sleman
60
1247
2006
Semangka
Kabupaten Bantul
0
0
2007
Semangka
Kabupaten
0
0
2007
Gunungkidul
65
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Gunungkidul Semangka
Kota Yogyakarta
Semangka
Kabupaten Kulonprogo
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
Gunungkidul Semangka
Kota Yogyakarta
Semangka
Kabupaten Kulonprogo
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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