PENGELOMPOKAN PRODUKSI BUAH DAN JENIS TANAMAN DI KABUPATEN BANTUL DENGAN K-MEANS CLUSTERING

PENGELOMPOKAN PRODUKSI BUAH DAN JENIS TANAMAN DI KABUPATEN BANTUL DENGAN K-MEANS CLUSTERING

• By ARIEF SETIAWAN;
• S1 - Teknik Informatika
• 182
• 1-4

ABSTRAK

Indonesia merupakan Salah satu dari berbagai negara penghasil buah tropis dan tanaman produksi buah dalam negeri menyediakan lapangan kerja bagi sebagian besar penduduk, menyumbang pendapatan nasional yang tinggi, memberikan devisa negara pada masukan dan pengeluaran industry. Buah merupakan salah satu asupan penting bagi manusia, sehingga produksi harus lebih di tingkatkan lagi dikarenakan asupan nutrisinya yang bermanfaat bagi tubuh.. penelitian ini bertujuan untuk mengetahui hasil produksi buah di tiap kecamatan pada kabupaten Bantul pada tahun 2019 menggunakan metode k-means clustering. Setelah melakukan perhitungan secara manual dan menggunakan program rapid miner didapatkan hasil berupa, hitungan manual Cluster C1 memiliki 4 wilayah, Cluster C2 memiliki 2 wilayah dan Cluster C3 memiliki 11 wilayah dan hasil dari program rapid miner Cluster C1 memiliki 15 wilayah, Cluster C2 memiliki 1 wilayah dan Cluster C3 memiliki 1 wilayah saran dari penelitian ini yaitu . Diperlukan proses variasi variable dikarenakan metode k-means terdapat pemilihan acak variabel k sehingga mempengaruhi hasil, sehingga membuat variasi dapat memaksimalkan hasil. Meskipun k-means clustering adalah algoritma yang umum digunakan tetapi jika ada banyak titik data akan memakan waktu proses yang lama dan dapat waktunya dapat diminimalisir menggunakan kd-tree. Atau dapat mencoba dengan metode lain seperti fuzzy clastering, mean shift clustering. Menggunakan program data mining lain seperti r-studio, monkeylearn dan lain-lain

• Katakunci K-Means, Clustering, Data Mining, Buah
• URL http://
• Penerbit Universitas Nusa Mandiri, Jakarta DKI Jakarta

REFERENSI

DAFTAR PUSAKA

[1] R. D. P. Setiawan, “Penerapan Metode K-Means Clustering Untuk Analisis Potensi Produksi Komoditi Buah Pada Kabupaten Lumajang,” JATI (Jurnal Mhs. Tek. Inform., vol. 2, no. 2, 2018.

[2] P. Alkhairi and A. P. Windarto, “Penerapan K-Means Cluster Pada Daerah Potensi Pertanian Karet Produktif di Sumatera Utara,” p. 6, 2019.

[3] H. Mahulae, “Pengelompokan Potensi Produksi Buah-Buahan di Provinsi Sumatera Utara dengan Menerapkan K-Clustering (Studi Kasus : Dinas Tanaman Pangan dan Holtikultura),” p. 14, 2020.

[4] M. A. W. K. MURTI, “PENERAPAN METODE K-MEANS CLUSTERING
UNTUK MENGELOMPOKAN POTENSI PRODUKSI BUAH-BUAHAN DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA,” p. 98, 2017.

[5] J. E. A. & T.-P. L. Efrain Turban, Decision Support Systems and Intelligent Systems ( Sistem Pendukung Keputusan dan Sistem Cerdas. 2005.

[6] U. T. Suryadi and Y. Supriatna, “SISTEM CLUSTERING TINDAK
KEJAHATAN PENCURIAN DI WILAYAH JAWA BARAT MENGGUNAKAN ALGORITMA K-MEANS,” p. 13, 2019.

[7] N. M. Arhami Muhammad, Data Mining - Algoritma dan Implementasi. Yogyakarta: Penerbit Andi, 2020.

[8] S. D. Aquino, “PENGGUNAAN TEMPORAL DATA MINING PADA DATA ELECTROENCEPHALOGRAPHY (EEG) UNTUK KLASIFIKASI PENYAKIT EPILEPSI DENGAN BACKPROPAGATION,” p. 154, 2016.

[9] P. P. Widodo, R. T. Handayanto, and Herlawati, “Penerapan Data Mining dengan Matlab,” Rekayasa Sains, vol. 14, no. 1, 2013.

[10] S. Pramana, B. Yuniarto, S. Mariyah, I. Santoso, and R. Nooraeni, Data mining dengan R konsep setara implementasi. Bogor: IN MEDIA.

[11] J. Suntoro, “22-DATA MINING Algoritma dan Implementasi Menggunakan Bahasa Pemrograman PHP,” DATA Min. Algoritm. dan Implementasi Menggunakan Bhs. Pemrograman PHP, vol. 9, no. 9, 2019.

[12] S. Almayda, Austin Saepudin, “PENERAPAN DATA MINING K-MEANS CLUSTERING UNTUK MENGELOMPOKKAN BERBAGAI JENIS MERK SMARTPHONE,” p. 9, 2021.

[13] S. Viriyavisuthisakul, P. Sanguansat, P. Charnkeitkong, and C. Haruechaiyasak, “A comparison of similarity measures for online social media Thai text classification,” 2015. doi: 10.1109/ECTICon.2015.7207106.

[14] D. R. Ningrat, D. A. I. Maruddani, and T. Wuryandari, “ANALISIS CLUSTER DENGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKAN DATA OBLIGASI KORPORASI,” p. 10, 2016.

[15] D. Aprilla, C, B. Donny, Aji, A. Lia, and W. I, Wayan, Simri, “DATA MINING dengan RAPID MINER,” Produk-produk perangkat lunak gratis dan bersifat open source yang demikian banyak jumlahnya, telah memudahkan kita dalam melakukan proses Pengolah. dan Anal. data. Dalam melakukan Anal. terhadap
data mining, RapidMiner merupakan salah sat, 2013.