Implementasi Metode K-Means Untuk Pengelompokan Potensi Produksi Komoditas Perkebunan
DOI:
https://doi.org/10.30872/atasi.v1i1.49Keywords:
Clustering, Data Mining, Euclidean DistanceAbstract
Penelitian ini bertujuan untuk mengelompokkan komoditas perkebunan di Kalimantan Timur karena dilihat banyaknya komoditas dan jumlah data yang banyak maka diperlukan suatu sistem pengelompokan agar dapat memberikan informasi tentang potensi disuatu wilayah yang diperlukan oleh masyarakat maupun petani dan lembaga-lembaga yang terkait dengan informasi tersebut. Clustering data komoditas perkebunan menggunakan algoritma K-Means yang merupakan metode yang tepat untuk digunakan sebagai acuan dalam menentukan komoditas perkebunan disuatu wilayah yang memiliki tingkat potensi produksi banyak, sedang, dan sedikit. Data yang digunakan pada penelitian ini merupakan data yang diperoleh dari Dinas Perkebunan Kalimantan Timur sebanyak 400 data dengan menggunakan 5 atribut. Dalam penelitian ini didapatkan hasil pada cluster 1 sebanyak 16 data komoditas perkebunan, cluster 2 sebanyak 14 data komoditas perkebunan, dan cluster 3 sebanyak 370 data komoditas perkebunan. Berdasarkan perhitungan tingkat akurasi bahwa metode pengukuran jarak Euclidean Distance menunjukan tingkat akurasi sebesar 93,75% dan perhitungan Sum of Squared Error (SSE) menunjukan tingkat error sebesar 6.25%. hal ini menunjukan bahwa metode pengukuran jarak Euclidean Distance cukup akurat dalam pengelompokan komoditas perkebunan, karena nilai Sum of Squared Error (SSE) tidak melebihi 50%. Sistem pengelompokan komoditi perkebunan daerah Kalimanta Timur berbasis web dengan menerapkan metode K-Means telah berhasil dibangun.
References
Abdurrahman, D., F. Agus, and G. M. Putra. (2021). Implementasi Algoritma Partitioning Around Medoids (PAM) untuk Mengelompokkan Hasil Produksi Komoditi Perkebunan ( Studi Kasus : Dinas Perkebunan Provinsi Kalimantan Timur),” vol. 16, no. 2.
Adhe, D., C. Rachman, R. Goejantoro, and D. Tisna. (2020). Implementation Of Text Mining For Grouping Thesis Documents Using K-Means Clustering. J. EKSPONENSIAL, vol. 11, no. 2, pp. 167–174.
Anggara, M., Sujiani, H., Helfi, N. (2016). Pemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness. J. Sist. dan Teknol. Inf., vol. 1, no. 1, pp. 1–6.
Dengen, N., Maulana, S.A., Hairah, U. (2018). Sistem Informasi Penyewaan Dan Penjualan Pada Darmo Music Studio. J. Rekayasa Teknol. Inf., vol. 2, no. 1, p. 72, doi: 10.30872/jurti.v2i1.1417.
Dengen, N., R. Subagyo, and indah fitri Astuti. (2018). Perancangan Sistem Informasi Geografis Wilayah Hutan Lindung di Provinsi Kalimantan Timur,” vol. 3, no. 2, pp. 76–79.
Gustientiedina, G., M. H. Adiya, and Y. Desnelita. (2019). Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan,” J. Nas. Teknol. dan Sist. Inf., vol. 5, no. 1, pp. 17–24, doi: 10.25077/teknosi.v5i1.2019.17-24.
Haviluddin, “Memahami Penggunaan UML ( Unified Modelling Language ). (2011). Memahami Pengguna. UML (Unified Model. Lang., vol. 6, no. 1, pp. 1–15, 2011, [Online]. Available: https://informatikamulawarman.files.wordpress.com/2011/10/01-jurnal-informatika-mulawarman-feb-2011.pdf.
Haviluddin, A. Fanany, and O. Gafar. (2018). Comparison Between K-Means and Fuzzy C-Means Clustering in Network Traffic Activities,” Comp. Between K-Means Fuzzy C-Means Clust. Netw. Traffic Act., vol. 2, doi: 10.1007/978-3-319-59280-0.
Hermawan, T., M. Ugiarto, and N. Puspitasari. (2017). Sistem Evaluasi Kinerja Asisten Laboratorium Menggunakan Metode K-Means. Pros. Semin. Nas. Ilmu Komput. dan Teknol. Inf., vol. 3, no. 2, pp. 3–6.
Maulana and A. A. Fajrin. (2018). Penerapan Data Mining Untuk Analisis Pola Pembelian Konsumen Dengan Algoritma Fp-Growth Pada Data Transaksi Penjualan Spare Part Motor. Klik - Kumpul. J. Ilmu Komput., vol. 5, no. 1, p. 27, doi: 10.20527/klik.v5i1.100.
Priatna, Y (2014). Kemelekan Informasi Masyarakat Terhadap Potensi Daerah. Kemelekan Inf. Masy. Terhadap Potensi Drh., pp. 1–16.
Praja, P. D. Kusuma, and C. Setianingsih. (2019). Penerapan Metode K-Means Clustering Dalam Pengelompokan Data Penumpang Dan Kapal Angkutan Laut Di Indonesia,” e-Proceeding Eng., vol. 06, no. 1, p. 1442.
Puspitasari, N and Haviluddin. (2016). Penerapan Metode K-Means Dalam Pengelompokkan Curah Hujan. Semin. Nas. Ris. Ilmu Komput. (SNRIK ), vol. 1, no. March 2017, pp. 2–7.
Ramadiani, P. P. Widagdo, and E. Junirianto. (2017). Tracer Study Menggunakan Framework Bootstrap,” vol. 1, no. 1, 2017, doi: 10.31227/osf.io/pxgb7.
Rosa and M. Shalahuddin. (2015). Rekayasa Perangkat Lunak Menggunakan UML dan JAVA. Bandung Inform. Bandung.
Wati, M., Indrawan, W., Widians, J.A., Puspitasari, N. (2017). Data mining for predicting students’ learning result,” in 2017 4th International Conference on Computer Applications and Information Processing Technology (CAIPT), pp. 1–4.
Widians, J.A., W. H. Rachman, and Masnawati. (2017). Sistem Pendukung Keputusan Pemilihan Bibit Cabai Rawit Menggunakan Metode Simple Additive Weighting (SAW) Berbasis Web. Pros. Semin. Ilmu Komput. dan Teknol. Inf., vol. 2, no. 1, pp. 175–181.
Widians, J.A., Masnawati, and Awalludin, M. (2017). Apl. Daft. Hadir Perkuliahan Mhs. FKTI Univ. Mulawarman Berbas. Web, vol. 2, no. 1.
Widians, J.A., Rahman, A.A., Hairah, U. (2017). Negeri Samarinda Berbasis Web,” vol. 2, no. 2, pp. 180–185.
