peta potensi produksi palawija di kalimantan … · 2018. 9. 3. · masyarakat adalah palawija....
TRANSCRIPT
PETA POTENSI PRODUKSI PALAWIJA DI KALIMANTAN
MENGGUNAKAN METODE K-MEANS CLUSTERING
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Disusun oleh :
GUIDO TANPA PAMRIH
145314003
PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2018
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
THE POTENCY MAP OF SECONDARY CROPS PRODUCTION USING
K-MEANS CLUSTERING METHOD
A THESIS
Present as Partial Fullfillment of Requirements
to Obtains Sarjana Komputer Degree (S.Kom)
in Informatic Engineering
By :
Guido Tanpa Pamrih
145314003
INFORMATICS ENGINEERING STUDY PROGRAM
DEPARTMENT OF INFORMATICS ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2018
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
HALAMAN PERSETUJUAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
HALAMAN PENGESAHAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
HALAMAN MOTTO
“As long as I’m doing the right thing god will take care of me.”
13 HOURS
“No bee, no honey; no work, no money.”
“Pengalaman adalah guru yang kejam, sebab dia menguji terlebih dahulu, baru kemudian memberi pelajaran.”
VERNON SANDERS LAW
“Those who do not know how to weep with their whole heart, do not know how to laugh either”
GOLDA MEYER
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
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, 31 Mei 2018
Penulis,
Guido Tanpa Pamrih
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
ABSTRAK
Pertanian merupakan salah satu sektor pendukung utama kehidupan
masyarakat. Salah satu produk pertanian yang menjadi kebutuhan
masyarakat adalah palawija. Berdasarkan data dari Kementerian
Pertanian ditemukan bahwa produksi dan luas lahan tanaman palawija di
Kalimantan beragam. Data tersebut lebih lanjut dapat dikelompokkan
untuk memantau tingkat produktivitas setiap daerah. Dalam tugas akhir
ini penulis menggunakan algoritma k-means clustering sebagai metode
pengelompokan data produktivitas palawija. Dengan metode elbow
diidentifikasi jumlah kelompok yang direkomendasikan untuk metode k-
means yang diterapkan. Hasil pengelompokan sesuai jumlah kelompok
yang direkomendasikan, selanjutnya disajikan dalam bentuk peta
produktivitas palawija yang diharapkan dapat mempermudah pengguna
memantau produktivitas palawija tiap daerah di Kalimantan. Hasil
pengelompokan juga dianalisis untuk mendalami karakteristik setiap
kelompok yang terbentuk.
Kata Kunci : k-means Clustering, Elbow, Penambangan Data, Palawija.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
ABSTRACT
Agriculture is one of the main supporting sectors of human’s life. One
of the agricultural products which becomes a community need is
secondary crops. According to the data obtained from Ministry of
Agriculture, it can be identified that the production and the farmland in
Borneo island varies. Further, the data can be clustered to monitor the
productivity level in each region. In this research, the researcher applies
k-means algorithm to cluster secondary crop productivity data. Elbow
method is used to find out the recommended number of clusters.
Clustering result which matches the number of recommended clusters is
presented in the form of secondary crop productivity map. It is expected
that the map can ease the user to monitor the secondary crop productivity
in each region in Borneo. The result of clustering is also analyzed to
describe the characteristics of each cluster.
Key Word : k-means, Elbow, Data Mining, Agriculture.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPERLUAN KEPENTINGAN AKADEMIS
Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata
Dharma :
Nama : Guido Tanpa Pamrih
NIM : 145314003
Demi pengembangan ilmu pengetahuan, saya memberikan kepada
Perpustakaan Universitas Sanata Dharma karya ilmiah saya yang
berjudul :
PETA POTENSI PRODUKSI PALAWIJA DI KALIMANTAN
MENGGUNAKAN METODE K-MEANS CLUSTERING
Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya
memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk
menyimpan, mengalihkan dalam bentuk media lain, mengelola diinternet
atau media lain untuk kepentingan akademis tanpa perlu meminta ijin
dari saya maupun memberikan royalti kepada saya selama tetap
mencantumkan nama saya sebagai penulis.
Demikian pernyataan ini saya buat dengan sebenarnya .
Dibuat di Yogyakarta
Pada tanggal, 31 Mei 2018
Yang menyatakan,
Guido Tanpa Pamrih
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
KATA PENGANTAR
Puji syukur kepada Tuhan Yang Maha Esa atas berkat, rahmat dan
karunianya yang telah diberikan sehingga penulis bisa menyelesaikan
tugas akhir ini dengan baik. Tugas akhir ini disusun sebagai salah satu
syarat untuk memperoleh gelar Sarjana Komputer Jurusan Teknik
Informatika, Fakultas Sains dan Teknologi, Universitas Sanata Dharma.
Setelah menjalani berbagai proses yang berharga dalam
mengerjakan tugas akhir ini hingga bisa diselesaikan dengan baik. Tentu
penulis menyadari bahwa dalam penulisan tugas akhir ini banyak sekali
pihak yang ikut serta membantu baik dari segi moral maupun material.
Atas segala bantuan yang diberikan maka pada kesempatan kali ini,
penulis mengucapkan terimakasih yang sebesar-besarnya kepada :
1. Bapak Sudi Mungkasi, S.Si, M.Math.Sc.,Ph.D. Selaku Dekan
Fakultas Sains dan Teknologi.
2. Ibu Dr. Anastasia Rita Widiarti, M.Kom. Selaku Ketua Jurusan
Teknik Informatika Universitas Sanata Dharma Yogyakarta.
3. Bapak Albert Agung Hadhiatama M.T. Sebagai dosen
pembimbing akademik yang telah memberikan bimbingan dan
saran selama penulis menempuh studi.
4. Ibu P. H. Prima Rosa, S.Si.,M.Sc. Selaku dosen pembimbing
tugas akhir yang telah sabar dalam memberikan waktu, saran dan
dukungan kepada penulis selama menyusun tugas akhir.
5. Seluruh Dosen dan Staff yang telah mendidik dan membina
penulis selama belajar di Universitas Sanata Dharma.
6. Keluarga yang selalu memberi dukungan, doa dan motivasi.
7. Sahabat seperjuangan Ganang, Nano, Nemby, William, Tyo,
Agus indri yang selalu memberi dukungan, warna dan kisah hidup
yang berharga.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
8. Sahabat rantau Chossy Pratama, Nathannael yang selalu memberi
dukungan ide, motivasi dan doa.
9. Kerabat terkasih Marshella selalu mendukung doa dan motivasi.
10. Teman-teman Teknik Informatika Sanata Dharma atas
kebersamaan selama menjalani masa perkuliahan ini.
11. Serta bagi seluruh pihak lainnya yang secara langsung maupun
tidak langsung telah membantu penulis dalam menyelesaikan
tugas akhir ini yang tidak dapat penulis sebutkan satu persatu.
Penulis sadar bahwa dalam penyusunan tugas akhir ini masih
terdapat banyak sekali kesalahan dan kekurangan, maka saran dan
kritik yang bersifat membangun dari berbagai pihak sangat
diharapkan untuk perbaikan di masa yang akan datang. Penulis
berharap tugas akhir ini dapat bermanfaat dan berguna, penulis
mengucapkan terima kasih.
Yogyakarta, 31 Mei 2018
Penulis,
Guido Tanpa Pamrih
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
DAFTAR ISI
HALAMAN JUDUL ................................................................................................ i
HALAMAN PERSETUJUAN ............................................................................... iii
HALAMAN PENGESAHAN ................................................................................ iv
HALAMAN PERSEMBAHAN .............................................................................. v
HALAMAN MOTTO ............................................................................................ vi
PERNYATAAN KEASLIAN KARYA ............................................................... vii
ABSTRAK ........................................................................................................... viii
ABSTRACT ............................................................................................................. ix
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPERLUAN KEPENTINGAN AKADEMIS ....................................... x
KATA PENGANTAR ........................................................................................... xi
DAFTAR ISI ........................................................................................................ xiii
DAFTAR TABEL ............................................................................................... xvii
DAFTAR GAMBAR ......................................................................................... xviii
BAB I PENDAHULUAN ........................................................................................ 1
1.1 Latar Belakang ................................................................................................ 1
1.2 Rumusan Masalah .......................................................................................... 2
1.3 Batasan Masalah ............................................................................................ 2
1.4 Tujuan Penelitian ............................................................................................ 3
1.5 Luaran yang diharapkan ................................................................................. 3
1.6 Manfaat Penelitian .......................................................................................... 3
1.7 Sistematika Penulisan ..................................................................................... 3
BAB II LANDASAN TEORI .................................................................................. 5
2.1 Penambangan Data ......................................................................................... 5
2.1.1 Pengertian Penambangan Data ................................................................ 5
2.1.2 Fungsi Penambangan Data ...................................................................... 5
2.1.3 Knowledge Discovery in Database .......................................................... 7
2.2 Teorema K-means ........................................................................................... 7
2.2.1 Clustering ................................................................................................ 8
2.2.2 K-means ................................................................................................... 9
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
2.2.3 Contoh Penerapan K-means ................................................................... 11
2.2.4 Elbow ..................................................................................................... 17
BAB III METODOLOGI PENELITIAN............................................................... 19
3.1 Sumber Data ................................................................................................. 19
3.2 Tahapan Penelitian ....................................................................................... 19
3.3 Spesifikasi Alat ............................................................................................. 20
BAB IV PEMROSESAN AWAL DAN PERANCANG PERANGKAT LUNAK
PENAMBANGAN DATA..................................................................................... 22
4.1 Pemrosesan Data Awal ................................................................................. 22
4.1.1 Pembersihan Data .................................................................................. 22
4.1.2 Integrasi Data ......................................................................................... 22
4.1.3 Seleksi Data ........................................................................................... 22
4.1.4 Transformasi Data ................................................................................. 22
4.2 Perancangan Perangkat Lunak ..................................................................... 23
4.2.1 Perancangan Umum ............................................................................... 23
4.2.1.1 Input Sistem ................................................................................... 23
4.2.1.2 Proses Sistem ................................................................................. 23
4.2.1.3 Output Sistem ................................................................................. 24
4.2.2 Use Case ................................................................................................ 25
4.2.3 Gambaran Umum Use Case .................................................................. 25
4.2.4 Narasi Use Case ..................................................................................... 27
4.2.5 Activity Diagram .................................................................................... 27
4.2.6 Sequence Diagram ................................................................................. 27
4.2.7 Diagram Konteks ................................................................................... 28
4.2.8 Disain Basis Data Konseptual ............................................................... 28
4.2.9 Disain Basis Data Logical ..................................................................... 29
4.2.10 Disain Basis Data Fisikal ..................................................................... 29
4.2.11 Perancangan Antarmuka ...................................................................... 31
BAB V IMPLEMENTASI DAN ANALISIS HASIL ........................................... 39
5.1 Implementasi Sistem .................................................................................... 39
5.1.1 Pengguna Umum ................................................................................... 39
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
5.2.1.1 Beranda .......................................................................................... 39
5.2.1.2 Grafik Peta ..................................................................................... 40
5.2.1.3 Grafik Kabupaten / Kota ................................................................ 40
5.2.1.4 Grafik Elbow .................................................................................. 41
5.1.2 Administrator ......................................................................................... 41
5.2.1.1 Masuk ............................................................................................. 41
5.2.1.2 Beranda .......................................................................................... 42
5.2.1.3 Input Data ....................................................................................... 42
5.2.1.4 Data Kelola..................................................................................... 43
5.2.1.5 Data Hasil Kluster .......................................................................... 43
5.2.1.6 Data Hasil Elbow............................................................................ 44
5.2.1.7 Data Proses ..................................................................................... 44
5.2.1.8 Grafik Peta ..................................................................................... 45
5.2.1.9 Grafik Kabupaten / Kota ................................................................ 45
5.2.1.10 Grafik Elbow ................................................................................ 46
5.2 Analisis Hasil Validasi Uji (Blackbox) ......................................................... 46
5.2.1 Rencana Pengujian Validasi (Blackbox) ............................................... 47
5.2.2 Hasil Pengujian Validasi ....................................................................... 48
5.3 Analisis Hasil Pengujian Perbandingan Hasil Perhitungan Weka dan Hasil
Perhitungan Sistem ............................................................................................. 48
5.4 Analisis Hasil Pengujian Dataset Dengan Menggunakan Metode Elbow .... 48
5.5 Analisis Hasil Kluster ................................................................................... 79
5.6 Analisis Sistem ............................................................................................. 82
5.6.1 Kelebihan Sistem .................................................................................. 82
5.6.2 Kekurangan Sistem ................................................................................ 82
BAB VI PENUTUP ............................................................................................... 85
6.1 Kesimpulan ................................................................................................... 84
6.2 Saran ............................................................................................................. 85
DAFTAR PUSTAKA ............................................................................................ 86
LAMPIRAN ........................................................................................................... 87
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvii
DAFTAR TABEL Tabel 2.1 Contoh Nilai Centroid Awal .................................................................. 11
Tabel 2.2 Contoh Data ........................................................................................... 11
Tabel 2.3 Contoh Hasil Perhitungan Iterasi Pertama ............................................. 13
Tabel 2.4 Matriks Hasil Iterasi Pertama ................................................................. 14
Tabel 2.5 Contoh Hasil Perhitungan Iterasi Kedua ................................................ 16
Tabel 2.6 Matriks Hasil Iterasi Kedua ................................................................... 17
Tabel 4.1 Gambaran Umum Use Case ................................................................... 25
Tabel 4.2 Struktrur Tabel User............................................................................... 29
Tabel 4.3 Struktrur Tabel Data_tanaman ............................................................... 30
Tabel 4.4 Struktrur Tabel Hasil_kluster ................................................................. 30
Tabel 4.5 Struktrur Tabel Hasil_elbow ................................................................. 31
Tabel 5.1 Rencana Pengujian Validasi(Blackbox) ................................................ 46
Tabel 5.2 Nilai SSE Jenis Palawija Jagung 2015-2009 ......................................... 49
Tabel 5.3 Nilai SSE Jenis Palawija Jagung 2008-2003 ......................................... 50
Tabel 5.4 Nilai K Terbaik ...................................................................................... 54
Tabel 5.5 Nilai SSE Jenis Palawija Ubi Jalar 2015-2009 ...................................... 55
Tabel 5.6 Nilai SSE Jenis Palawija Ubi Jalar 2008-2003 ...................................... 56
Tabel 5.7 Nilai K Terbaik ...................................................................................... 60
Tabel 5.8 Nilai SSE Jenis Palawija Ketela Pohon 2015-2009 ............................... 61
Tabel 5.9 Nilai SSE Jenis Palawija Ketela Pohon 2008-2003 ............................... 62
Tabel 5.10 Nilai K Terbaik .................................................................................... 66
Tabel 5.11 Nilai SSE Jenis Palawija Kacang Tanah 2015-2009 ........................... 67
Tabel 5.12 Nilai SSE Jenis Palawija Kacang Tanah 2008-2003 ........................... 68
Tabel 5.13 Nilai K Terbaik .................................................................................... 72
Tabel 5.14 Nilai SSE Jenis Palawija Kedelai 2015-2009 ...................................... 73
Tabel 5.15 Nilai SSE Jenis Palawija Kedelai 2008-2003 ...................................... 74
Tabel 5.16 Nilai K Terbaik .................................................................................... 78
Tabel 5.17 Karakteristik kelompok tanaman Palawija Jagung ............................. 80
Tabel 5.18 Karakteristik kelompok tanaman Palawija Ubi Jalar ........................... 81
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xviii
Tabel 5.19 Karakteristik kelompok tanaman Kluster Palawija Ketela Pohon ...... 82
Tabel 5.20 Karakteristik kelompok tanaman Kluster Palawija Kacang Tanah ..... 82
Tabel 5.21 Karakteristik kelompok tanaman Kluster Palawija Kedelai ................ 83
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xix
DAFTAR GAMBAR
Gambar 2.1 Knowledge Discovery in Database .......................................... 7
Gambar 2.2 Elbow Chart ........................................................................... 18
Gambar 4.1 Contoh Data Produksi Dan Luas Lahan ................................. 23
Gambar 4.2 Flowchart Diagram ................................................................ 24
Gambar 4.3 Use Case Diagram ................................................................. 25
Gambar 4.4 Diagram Konteks.................................................................... 28
Gambar 4.5 Disain Basis Data Konseptual ................................................ 28
Gambar 4.6 Disain Basis Data Logikal ..................................................... 29
Gambar 4.7 Halaman Masuk...................................................................... 31
Gambar 4.8 Halaman Beranda Pengguna Umum ...................................... 32
Gambar 4.9 Halaman Beranda Administrator ............................................ 32
Gambar 4.10 Halaman Input ...................................................................... 33
Gambar 4.11 Halaman Data Kelola ........................................................... 33
Gambar 4.12 Halaman Data Kluster .......................................................... 34
Gambar 4.13 Halaman Data Elbow ........................................................... 34
Gambar 4.14 Halaman Proses Kmeans ...................................................... 35
Gambar 4.15 Halaman Visualisasi Peta Pengguna Umum ........................ 35
Gambar 4.16 Halaman Visualisasi Kota Pengguna Umum ....................... 36
Gambar 4.17 Halaman Visualisasi Elbow Pengguna Umum..................... 36
Gambar 4.18 Halaman Visualisasi Peta Administrator .............................. 37
Gambar 4.19 Halaman Visualisasi Kota Administrator ............................. 37
Gambar 4.20 Halaman Visualisasi Elbow Administrator .......................... 38
Gambar 5.1 Halaman Beranda Pengguna Umum ...................................... 39
Gambar 5.2 Halaman Grafik Peta Pengguna Umum ................................. 40
Gambar 5.3 Halaman Grafik Kota Pengguna Umum ................................ 40
Gambar 5.4 Halaman Grafik Elbow Pengguna Umum .............................. 41
Gambar 5.5 Halaman Masuk...................................................................... 41
Gambar 5.6 Halaman Beranda Administrator ............................................ 42
Gambar 5.7 Halaman Input ........................................................................ 42
Gambar 5.8 Halaman Data Kelola ............................................................. 43
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xx
Gambar 5.9 Halaman Data Kluster ............................................................ 43
Gambar 5.10 Halaman Data Elbow ........................................................... 44
Gambar 5.11 Halaman Data Proses Kmeans.............................................. 44
Gambar 5.12 Halaman Grafik Peta Administrator ..................................... 45
Gambar 5.13 Halaman Grafik Kota Administrator .................................... 45
Gambar 5.14 Halaman Grafik Elbow Administrator ................................. 46
Gambar 5.15 Grafik Elbow Jenis Palawija Jagung 2015 ........................... 52
Gambar 5.16 Grafik Elbow Jenis Palawija Jagung 2014 ........................... 52
Gambar 5.17 Grafik Elbow Jenis Palawija Jagung 2013 ........................... 52
Gambar 5.18 Grafik Elbow Jenis Palawija Jagung 2012 ........................... 52
Gambar 5.19 Grafik Elbow Jenis Palawija Jagung 2011 ........................... 52
Gambar 5.20 Grafik Elbow Jenis Palawija Jagung 2010 ........................... 52
Gambar 5.21 Grafik Elbow Jenis Palawija Jagung 2009 ........................... 53
Gambar 5.22 Grafik Elbow Jenis Palawija Jagung 2008 ........................... 53
Gambar 5.23 Grafik Elbow Jenis Palawija Jagung 2007 ........................... 53
Gambar 5.24 Grafik Elbow Jenis Palawija Jagung 2006 ........................... 53
Gambar 5.25 Grafik Elbow Jenis Palawija Jagung 2005 ........................... 53
Gambar 5.26 Grafik Elbow Jenis Palawija Jagung 2004 ........................... 53
Gambar 5.27 Grafik Elbow Jenis Palawija Jagung 2003 ........................... 54
Gambar 5.28 Grafik Elbow Jenis Palawija Ubi Jalar 2015 ........................ 57
Gambar 5.29 Grafik Elbow Jenis Palawija Ubi Jalar 2014 ........................ 57
Gambar 5.30 Grafik Elbow Jenis Palawija Ubi Jalar 2013 ........................ 57
Gambar 5.31 Grafik Elbow Jenis Palawija Ubi Jalar 2012 ........................ 57
Gambar 5.32 Grafik Elbow Jenis Palawija Ubi Jalar 2011 ........................ 57
Gambar 5.33 Grafik Elbow Jenis Palawija Ubi Jalar 2010 ........................ 57
Gambar 5.34 Grafik Elbow Jenis Palawija Ubi Jalar 2009 ........................ 58
Gambar 5.35 Grafik Elbow Jenis Palawija Ubi Jalar 2008 ........................ 58
Gambar 5.36 Grafik Elbow Jenis Palawija Ubi Jalar 2007 ........................ 58
Gambar 5.37 Grafik Elbow Jenis Palawija Ubi Jalar 2006 ........................ 58
Gambar 5.38 Grafik Elbow Jenis Palawija Ubi Jalar 2005 ........................ 58
Gambar 5.39 Grafik Elbow Jenis Palawija Ubi Jalar 2004 ........................ 58
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxi
Gambar 5.40 Grafik Elbow Jenis Palawija Ubi Jalar 2003 ........................ 59
Gambar 5.41 Grafik Elbow Jenis Palawija Ketela Pohon 2015 ................ 63
Gambar 5.42 Grafik Elbow Jenis Palawija Ketela Pohon 2014 ................ 63
Gambar 5.43 Grafik Elbow Jenis Palawija Ketela Pohon 2013 ................ 63
Gambar 5.44 Grafik Elbow Jenis Palawija Ketela Pohon 2012 ................ 63
Gambar 5.45 Grafik Elbow Jenis Palawija Ketela Pohon 2011 ................ 63
Gambar 5.46 Grafik Elbow Jenis Palawija Ketela Pohon 2010 ................ 63
Gambar 5.47 Grafik Elbow Jenis Palawija Ketela Pohon 2009 ................ 64
Gambar 5.48 Grafik Elbow Jenis Palawija Ketela Pohon 2008 ................ 64
Gambar 5.49 Grafik Elbow Jenis Palawija Ketela Pohon 2007 ................ 64
Gambar 5.50 Grafik Elbow Jenis Palawija Ketela Pohon 2006 ................ 64
Gambar 5.51 Grafik Elbow Jenis Palawija Ketela Pohon 2005 ................ 64
Gambar 5.52 Grafik Elbow Jenis Palawija Ketela Pohon 2004 ................ 64
Gambar 5.53 Grafik Elbow Jenis Palawija Ketela Pohon 2003 ................ 65
Gambar 5.54 Grafik Elbow Jenis Palawija Kacang Tanah 2015 ............... 69
Gambar 5.55 Grafik Elbow Jenis Palawija Kacang Tanah 2014 ............... 69
Gambar 5.56 Grafik Elbow Jenis Palawija Kacang Tanah 2015 ............... 69
Gambar 5.57 Grafik Elbow Jenis Palawija Kacang Tanah 2013 ............... 69
Gambar 5.58 Grafik Elbow Jenis Palawija Kacang Tanah 2012 ............... 69
Gambar 5.59 Grafik Elbow Jenis Palawija Kacang Tanah 2011 ............... 69
Gambar 5.60 Grafik Elbow Jenis Palawija Kacang Tanah 2010 ............... 69
Gambar 5.61 Grafik Elbow Jenis Palawija Kacang Tanah 2009 ............... 70
Gambar 5.62 Grafik Elbow Jenis Palawija Kacang Tanah 2008 ............... 70
Gambar 5.63 Grafik Elbow Jenis Palawija Kacang Tanah 2007 ............... 70
Gambar 5.64 Grafik Elbow Jenis Palawija Kacang Tanah 2006 ............... 70
Gambar 5.65 Grafik Elbow Jenis Palawija Kacang Tanah 2005 ............... 70
Gambar 5.66 Grafik Elbow Jenis Palawija Kacang Tanah 2004 ............... 70
Gambar 5.67 Grafik Elbow Jenis Palawija Kacang Tanah 2003 ............... 71
Gambar 5.68 Grafik Elbow Jenis Palawija Kedelai 2015 .......................... 75
Gambar 5.69 Grafik Elbow Jenis Palawija Kedelai 2014 .......................... 75
Gambar 5.70 Grafik Elbow Jenis Palawija Kedelai 2013 .......................... 75
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxii
Gambar 5.71 Grafik Elbow Jenis Palawija Kedelai 2012 .......................... 75
Gambar 5.72 Grafik Elbow Jenis Palawija Kedelai 2011 .......................... 75
Gambar 5.73 Grafik Elbow Jenis Palawija Kedelai 2010 .......................... 75
Gambar 5.74 Grafik Elbow Jenis Palawija Kedelai 2009 .......................... 76
Gambar 5.75 Grafik Elbow Jenis Palawija Kedelai 2008 .......................... 76
Gambar 5.76 Grafik Elbow Jenis Palawija Kedelai 2007 .......................... 76
Gambar 5.77 Grafik Elbow Jenis Palawija Kedelai 2006 .......................... 76
Gambar 5.78 Grafik Elbow Jenis Palawija Kedelai 2005 .......................... 76
Gambar 5.79 Grafik Elbow Jenis Palawija Kedelai 2004 .......................... 76
Gambar 5.80 Grafik Elbow Jenis Palawija Kedelai 2003 .......................... 77
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Sektor tani merupakan sektor yang paling menjadi sorotan oleh
pemerintah hal itu dikarenakan peran pentingnya dalam pendukung
pertumbuhan ekonomi masyarakat. Tanaman pangan adalah merupakan
kebutuhan masyarakat yang mendasar. Di Indonesia sendiri tanaman
pangan merupakan hak bagi setiap individu sebagaimana terdapat pada
Undang-Undang RI nomor 7 tahun 1996. Di Indonesia tanaman pangan
menjadi produk yang paling dirasakan manfaatnya karena dapat
memenuhi kebutuhan pasar domestik. Tanaman palawija merupakan
jenis kelompok tanaman pangan yang banyak terdapat di Indonesia.
Tanaman palawija diminati oleh masyarakat karena potensi produksinya
yang lebih cepat dari padi dan dapat menggantikan padi sebagai bahan
pokok utama. Tanaman palawija produksinya dari tahun ke tahun
mengalami pasang surut selain faktor menipisnya stok di beberapa
daerah juga karena mulai kurangnya lahan untuk bercocok tanam
palawija.
Data mining atau Penambangan data adalah sebuah proses
menemukan informasi dengan mengidentifikasi pola pada data set.
Penambangan data bisa diterapkan pada semua bidang salah satunya
adalah bidang pertanian. Di dalam bidang pertanian, data-data yang
berkaitan dengan bidang pertanian seperti jumlah produksi, luas lahan,
produktivitas bisa digunakan untuk diproses sehingga ditemukannya
informasi.
Proses menemukan informasi dapat dilakukan dengan
mengelompokkan data dari data set hal ini dengan menggunakan metode
clustering. Metode clustering adalah suatu proses pengelompokan
sekumpulan data menjadi beberapa kelompok sehingga objek di dalam
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
satu kelompok memiliki tingkat kesamaan atau kemiripan yang besar
dan memiliki tingkat kesamaan atau kemiripan yang kecil dibanding
dengan objek di kelompok lain. Metode clustering sangat bermanfaat
dalam menemukan kelompok yang asing dalam data. Dalam
penambangan data terdapat banyak algoritma pengelompokan atau
clustering. Di dalam kasus ini peneliti melakukan penelitian
pengelompokan berdasarkan data tanaman pangan palawija di provinsi-
provinsi di Kalimantan menjadi beberapa kelompok daerah dengan
algoritma k-means. Diharapkan hasil penelitian dapat menjadi bantuan
tambahan dalam pengembangan potensi produksi tanaman pangan
palawija di Kalimantan.
1.2 Rumusan Masalah
Rumusan masalah dalam tugas akhir ini adalah :
1. Bagaimana menerapkan algoritma k-means untuk pengelompokan
daerah potensi penghasil tanaman palawija di Kalimantan?
2. Bagaimana menentukan jumlah kluster terbaik menggunakan
metode Elbow?
3. Bagaimana karakteristik kelompok-kelompok yang terbentuk dari
penerapan algoritma k-means?
1.3 Batasan Masalah
Masalah dibatasi sebagai berikut :
1. Data yang digunakan adalah data palawija tahun 2003-2014.
2. Data jenis palawija yang diteliti meliputi jagung, kacang tanah,
kedelai, ubi jalar, ketela pohon.
3. Data provinsi di Kalimantan mencakup 4 provinsi seperti
Kalimantan Tengah, Kalimantan Selatan, Kalimantan Timur dan
Kalimantan Barat. Kalimantan Utara tidak disertakan karena
provinsi ini merupakan pemekaran baru dari Kalimantan timur
ditahun 2012.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mengelompokkan
produktivitas kabupaten-kabupaten di kalimantan dalam memproduksi
tanaman palawija dengan menerapkan algoritma k-means.
1.5 Luaran yang diharapkan
Luaran yang diharapkan dari program ini adalah sebuah sistem
pengelompokan daerah berdasarkan produktivitas tanaman palawija
disertai dengan visualisasinya.
1.6 Manfaat Penelitian
Manfaat yang diperoleh dari penelitian ini adalah :
1. Memberi gambaran apakah algoritma k-means dapat dipergunakan
untuk pengelompokan kabupaten berdasarkan data tanaman
palawija.
2. Memberikan referensi, rekomendasi maupun contoh bagi penelitian
yang berkaitan dengan clustering dalam bidang pertanian.
3. Menjadi salah satu masukan bagi Dinas Pertanian dalam upaya
peningkatan produktivitas tanaman palawija.
1.7 Sistematika Penulisian
1. BAB I : PENDAHULUAN
Bab ini berisi latar belakang, rumusan masalah, batasan masalah,
tujuan penelitian, manfaat penelitian dan sistematika penulisan.
2. BAB II : LANDASAN TEORI
Bab ini akan menjelaskan mengenai teori yang berkaitan dengan
judul atau masalah pada tugas akhir.
3. BAB III : METODOLOGI PENELITIAN
Bab ini berisi mengenai data, spesifikasi alat dan tahapan penelitian.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
4. BAB IV : PEMROSESAN AWAL DAN PERANCANGAN
PERANGKAT LUNAK PENAMBANGAN DATA
Bab ini berisi langkah-langkah mengenai perancangan awal dan
perancangan perangkat lunak penambangan data yang akan dibuat.
5. BAB V : IMPLEMENTASI DAN ANALISIS HASIL
Bab ini akan menjelaskan mengenai implementasi proses pengujian
sistem pengelompokkan menggunakan algoritma k-means dan
analisis dari hasil pengujian tersebut.
6. BAB VI : KESIMPULAN DAN SARAN
Bab ini berisi tentang kesimpulan dari pembuatan sistem dan saran
untuk pengembang kedepan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
BAB II
LANDASAN TEORI
2.1 Penambangan Data
2.1.1 Pengertian Penambangan Data
Data Mining atau penambangan data yaitu suatu proses pencarian
informasi yang bermanfaat untuk digunakan. Menurut Turban dkk (2005)
data mining adalah proses penemuan pengetahuan di dalam database yang
menggunakan teknis statistika, matematika, kecerdasan buatan dan machine
learning untuk mengekstraksi dan mengidentifikasi informasi yang
bermanfaat. Penambangan data juga dapat diartikan sebagai proses
pencarian pola-pola tertentu didalam sebuah set data.
2.1.2 Fungsi Penambangan Data
Fungsi dari penambangan data adalah menentukan pola yang ada pada
tugas penambangan data (Han dkk, 2006). Menurut Prasetyo (2014)
terdapat empat kelompok pekerjaan yang berkaitan dengan penambangan
data :
1. Model Prediksi ( prediction modeling )
Model prediksi merupakan model yang dapat memetakan setiap
himpunan variabel ke setiap targetnya, kemudian model tersebut
digunakan untuk memberikan nilai target pada himpunan baru yang
diperoleh. Model prediksi memiliki dua jenis model yaitu klasifikasi
yang digunakan untuk variabel target diskret dan regresi yang
digunakan untuk variabel target yang berkelanjutan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
2. Analisis cluster ( cluster analysis )
Analisis cluster digunakan untuk pengelompokan data ke dalam
sejumlah kelompok berdasarkan persamaan karakteristik masing-
masing data pada kelompok-kelompok yang ada. Data-data yang
memiliki tingkat kesamaan yang semakin tinggi akan tergabung dan
terpisah jika tingkat kesamaan menjadi sebaliknya.
3. Analisis asosiasi ( association analysis )
Analisis asosiasi digunakan untuk menemukan pola yang
menggambarkan kekuatan hubungan fitur dalam data. Pola yang
ditemukan biasanya merepresentasikan bentuk aturan implikasi atau
subset fitur. Tujuannya adalah untuk menemukan pola yang menarik
dengan cara yang efisien.
4. Deteksi anomali ( anomaly detection )
Deteksi anomali yaitu pekerjaan yang berkaitan dengan pengamatan
sebuah data dari sejumlah data yang secara signifikan mempunya
karakterisitik yang berbeda dari sisa data yang lain. Data-data yang
memiliki karakterisitik yang berbeda dari data lain biasa disebut sebagai
outlier.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
2.1.3 Knowledge Discovery in Database
Gambar 2.1 Knowledge Discovery in Database
Sumber : (Han dkk (2006) ,
Menurut Han dkk (2006) tahapan dalam pemrosesan knowledge
dijelaskan sebagai berikut :
a. Pembersihan data (Data cleaning)
Proses untuk membuang data berupa noise dan yang tidak konsisten.
b. Integrasi data (Data integration)
Beberapa sumber data data digabung.
c. Seleksi data (Data selection)
Data yang relevan dengan tugas analisis diambil kembali dari
database.
d. Tranformasi data (Data transformation)
Data akan diubah ke dalam bentuk data yang dapat diolah dengan
secara ringkas atau secara agregasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
e. Penambangan data (Data mining)
Proses penting dimana metode cerdas diterapkan untuk menemukan
pola data.
f. Evaluasi Pola (Pattern Evaluation)
Proses mengidentifikasi pola-pola yang menarik yang menjelaskan
mengenai ukuran dasar pengetahuan yang ada.
g. Presentasi Pengetahuan (Knowledge Presentation)
Visualisasi dan teknik representasi knowledge yang digunakan untuk
menyajikan knowledge yang telah diolah kepada pengguna.
2.2 Teorema K-means
2.2.1 Clustering
Teknik clustering merupakan teknik yang cukup sering digunakan dan
dikenal dalam proses penambangan data. Clustering merupakan teknik
pengelompokan obyek data ke dalam kelompok yang memiliki karakteristik
yang sama dengan obyek satu dengan obyek yang lain dan terpisah dari
obyek lain yang memiliki karakteristik berbeda. Clustering sendiri berbeda
dengan klasifikasi karena tidak ada variabel target pada clustering.
Tujuan utama dari metode clustering adalah pengelompokan sejumlah
obyek kedalam kelompok sehingga dalam setiap cluster akan berisi data
yang semirip mungkin. Clustering data dapat dibagi menjadi dua tujuan
(Tan et al, 2006) yaitu clustering untuk pemahaman dan clustering untuk
penggunaan. Bentuk clustering yang bertujuan untuk pemahaman harus
menangkap struktur alami data itu karenakan proses clustering yang
bertujuan untuk pemahaman ini hanya merupakan langkah awal sebelum
dilanjutkan proses summarization, pelabelan kelas pada setiap kelompok
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
untuk kemudian data digunakan untuk latih klasifikasi dan lain-lain.
Sementara jika untuk tujuan penggunaan biasanya clustering ini hanya
bertujuan untuk mencari prototipe cluster yang paling representatif terhadap
data dan memberikan abstraksi dari setiap data objek data dalam cluster di
mana sebuah data terletak di dalamnya(Prasetyo, 2007)
Clustering menurut pendekatannya dibagi menjadi dua, yaitu partisi dan
hirarki. Clustering berbasis pada hirarki semua kelompok data dapat
dianggap sebagai clustering satu, dua, tiga atau lebih, dari cluster kecil
sampai menjadi gabungan cluster besar. Berbeda dengan partisi membagi
set data ke dalam sejumlah cluster yang tidak bertumpang tindih antara satu
cluster dengan cluster yang lain, artinya satu obyek hanya akan menjadi satu
anggota cluster saja(Prasetyo, 2007)
2.2.2 K-means
Terdapat banyak cara atau teknik untuk pengelompokan dalam
penambangan data. Salah satu yang paling sederhana adalah metode k-
means. Menurut hasil pengujian yang dilakukan Soumi dkk (2013) terhadap
algoritma k-means dibandingkan dengan Fuzzy C-Means diperoleh bahwa
algoritma k-means memiliki waktu komputasi lebih cepat dibanding FCM.
Dalam penggunaan k-means biasanya kita akan menentukan jumlah k
terlebih dahulu. Setelah nilai k sudah ditentukan maka kita dapat
menentukan objek tertentu masuk kelompok k yang mana.
Dalam usaha algoritma k-means mempartisi data ke dalam bentuk
kelompok prosesnya biasa dimulai dari mengidentifikasi data yang akan di
cluster, 𝑋𝑖𝑗(𝑖 = 1, … , 𝑛; 𝑗 = 1, … , 𝑚) dengan n adalah banyak data yang
akan dikelompokan dan m adalah banyak variabelnya. Titik setiap cluster
dapat ditentukan secara random(acak) atau bebas 𝐶𝑘𝑗(𝑘 = 1, … , 𝑘; 𝑗 =
1, … , 𝑚). Setelahnya barulah menghitung jarak antara obyek data dengan
titik pusat setiap cluster. Dalam perhitungan jarak punya banyak cara salah
satunya dengan menggunakan rumus Euclidean, seperti rumus 2.1 berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
𝑑𝑖𝑘 = √∑ (𝑥𝑖𝑗 − 𝑐𝑖𝑗)2𝑚𝑗=1 ...............................................(2.1)
di mana :
dik = Jarak obyek xij ke centroid cij
xij = Obyek xi ke j
cij = Centroid ci ke j
Dengan data ke-i (𝑥𝑖) pada cluster ke-k (𝐶𝑘) diinisialkan (𝑑𝑖𝑘). Obyek
data pada kluster K yang memiliki nilai jarak terkecil dibandingan dengan
jarak ke titik kluster K lain maka dinyatakan sebagai kelompok kluster
tersebut. Maka diperoleh persamaan 2.2 berikut :
𝑀𝑖𝑛 Σ𝑘=1𝑘 𝑑𝑖𝑘 = √∑ (𝑥𝑖𝑗 − 𝑐𝑖𝑗)2𝑚
𝑗=1 ................(2.2)
di mana :
dik = Jarak obyek xij ke centroid cij
𝑀𝑖𝑛 Σ𝑘=1𝑘
= Jumlah nilai minimal dik ke k.
Kemudian setelah ditetapkan sebagai anggota kluster maka akan dicari
nilai titik cluster baru dengan menjumlahkan nilai obyek anggota cluster
dan dibagi dengan jumlah obyek dalam kelompok tersebut (p). Dirumuskan
dalam persamaan 2.3 berikut :
𝑐𝑖𝑗 =∑
𝑝
𝑖=1𝑥𝑖𝑗
𝑝 ........................................................................(2.3)
di mana :
cij = Nilai centroid ci ke j
∑𝑝
𝑖 = 1𝑥𝑖𝑗 = Nilai anggota kelompok p xi ke j dijumlah
p = jumlah anggota kelompok p
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
2.2.3 Contoh Penerapan K-means
Berikut contoh penerapan k-means clustering pada kasus tanaman
palawija, dengan data Luas lahan dan Produksi tahun 2015 sebagai
sampelnya. Langkah awal adalah menentukan jumlah cluster, dalam
penelitian ini data akan dibagi kedalam 3 cluster / kelompok.
Menentukan pusat awal cluster secara random pada tabel 2.1 dan contoh
data terdapat pada tabel 2.2.
Tabel 2.1 Contoh Nilai Awal Centroid
Tabel 2.2 Contoh Data
Titik awal Produktivitas
Cluster1 548
Cluster2 79
Cluster3 249
Produktivitas
548
79
249
71
446
47
27
829
120
8
83
12932
3429
494
45
840
1104
1225
145
239
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
Setelah nilai k dan titik awal tiap cluster ditentukan dan diketahui maka
dilanjutkan dengan menghitung jarak antar data dengan pusat cluster
dengan menggunakan salah satu rumus menghitung jarak yaitu euclidian
distance (rumus 2.1), setelahnya diperoleh matrik jarak cluster1, cluster2
dan cluster3 sebagai berikut :
Perhitungan jarak antara data pertama dengan titik pusat cluster pertama :
𝐷11= √(548−548)2 =0
Perhitungan jarak antara data pertama dengan titik pusat cluster kedua :
𝐷12= √(548−47)2 =501
Perhitungan jarak antara data pertama dengan titik pusat cluster kedua :
𝐷13= √(548−494)2 =54
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
Pada tabel 2.3 merupakan contoh hasil perhitungan iterasi pertama
Tabel 2.3 Contoh Hasil Perhitungan Iterasi Pertama
Produktivitas C1 C2 C3
Jarak
terpendek
548 0 501 54 0
47 501 0 447 0
494 54 447 0 0
71 477 24 423 24
446 469 399 48 48
79 469 32 415 32
27 521 20 467 20
829 281 782 335 281
120 428 73 374 73
8 540 39 486 39
83 465 36 411 36
12932 745 1246 799 745
3429 881 1382 935 881
249 299 202 245 202
45 503 2 449 2
840 292 793 346 292
1104 556 1057 610 556
1225 677 1178 731 677
145 403 98 349 98
239 309 192 255 192
Jarak hasil perhitungan dibandingkan dan dipilih jarak terdekat dengan
titik cluster, jarak ini menunjukkan bahwa data tersebut berada satu
kelompok dengan titik cluster terdekat. Dengan membandingkan hasil
antara cluster dan diambil yang paling kecil.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Berikut ini akan ditampilkan data matriks dengan inisialisasi 1 berarti
data tersebut dalam cluster tersebut. Pada tabel 2.4 berikut merupakan tabel
hasil pengelompokan dari iterasi pertama.
Tabel 2.4 Matrik hasil iterasi pertama
Produktivitas C1 C2 C3
548 1
47 1
494 1
71 1
446 1
79 1
27 1
829 1
120 1
8 1
83 1
12932 1
3429 1
249 1
45 1
840 1
1104 1
1225 1
145 1
239 1
Setelah diketahui anggota setiap cluster kemudian dihitung titik cluster
baru berdasarkan data anggota setiap cluster sesuai dengan rumus pusat
anggota cluster. Dengan menggunakan perhitungan seperti berikut :
Centroid baru untuk C1
Luas Lahan : ( 548 + 829 + 1293 + 1429 + 840 + 1104 + 1225 ) / 7 =
1038,286
Centroid baru untuk C2
Luas Lahan : ( 47 + 71 + 79 + 27 + 120 + 8 + 83 + 249 + 145 + 239 ) / 11 =
101,1818
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
Centroid baru untuk C3
Luas Lahan : ( 494 + 446 ) / 2 = 470
Titik cluster baru untuk Cluster1 dengan Produktivitas 1038,286, titik
cluster baru untuk Cluster2 dengan Produktivitas 101,1818, titik cluster
baru untuk Cluster3 dengan Produktivitas 470.
Menghitung ulang jarak antara data pertama dengan titik pusat cluster
pertama :
𝐷11= √(548−1038,286)2 =490,29
Menghitung ulang jarak antara data pertama dengan titik pusat cluster
kedua:
𝐷12= √(548−101,1818)2 =446,82
Menghitung ulang jarak antara data pertama dengan titik pusat cluster
ketiga:
𝐷13= √(548−470)2 =78
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
Pada tabel 2.5 berikut ini ditampilkan jarak data dengan centroid tersebut
dalam cluster tersebut.
Tabel 2.5 Contoh Hasil Perhitungan Iterasi Kedua
Produktivitas C1 C2 C3
Jarak
terpendek
548 490.29 446.82 78 78
79 991.29 54.18 423 54.18
249 544.29 392.82 24 24
71 967.29 30.18 399 30.18
446 592.29 344.82 24 24
47 959.29 22.18 391 22.18
27 1011.29 74.18 443 74.18
829 209.29 727.82 359 209.29
120 918.29 18.82 350 18.82
8 1030.29 93.18 462 93.18
83 955.29 18.18 387 18.18
12932 254.71 1191.82 823 254.71
3429 390.71 1327.82 959 390.71
494 789.29 147.82 221 147.82
45 993.29 56.18 425 56.18
840 198.29 738.82 370 198.29
1104 65.71 1002.82 634 65.71
1225 186.71 1123.82 755 186.71
145 893.29 43.82 325 43.82
239 799.29 137.82 231 137.82
Jarak hasil perhitungan dibandingkan dan dipilih jarak terdekat
dengan titik cluster, jarak ini menunjukkan bahwa data tersebut berada satu
kelompok dengan titik cluster terdekat. Dengan membandingkan hasil
antara cluster dan diambil yang paling kecil.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
Pada tabel 2.6 berikut merupakan tabel hasil pengelompokan dari
iterasi kedua.
Tabel 2.6 Matriks hasil iterasi kedua
Produktivitas C1 C2 C3
548 1
79 1
249 1
71 1
446 1
47 1
27 1
829 1 120 1
8 1
83 1
12932 1
3429 1
494 1 45 1
840 1 1104 1 1225 1 145 1
239 1
Penghitungan ini berhenti pada iterasi ke-3 dikarenakan kelompok data
pada iterasi ke-3 tidak mengalami perubahan dari kelompok data pada
iterasi ke-2.
2.2.4 Elbow
Setelah dilakukan pengelompokan kemudian dilanjutkan dengan
mengevaluasi hasil. Evaluasi hasil bertujuan untuk mencari nilai k yang
ideal. Metode elbow merupakan salah satu metode pencari k ideal
dengan membandingkan nilai SSE(Sum Square of Error) dari setiap k.
Metode ini bekerja dengan membandingkan nilai SSE dari tiap k
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
kemudian jika nilai SSE k tersebut membentuk sudut dalam grafik atau
terjadi penurunan secara drastis maka nilai k tersebut merupakan nilai
terbaik. (Bholowalia dkk, 2014)
Berikut rumus SSE pada k-means (Kodinariya dkk, 2013) :
𝑆𝑆𝐸 = ∑ ∑ ||𝑥𝑖 − 𝑐𝑘||2𝑥𝑖∈𝑠𝑘
𝑘𝑘=1 ........................(2.4)
di mana :
k = Kluster
xi = data ke-i dalam kluster x
ck = nilai rata-rata k kluster
Langkah algoritma Elbow (Kodinariya dkk, 2013) :
1. Mulai
2. Tentukan nilai awal k
3. Naikan nilai k
4. Hitung SSE untuk setiap nilai k
5. Bandingkan nilai SSE tiap k
6. Tetapkan nilai k jika membentuk sudut elbow atau mengalami
penurunan terbesar.
7. Selesai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
Gambar 2.2 berikut ini merupakan contoh dari grafik elbow.
Gambar 2.2 Elbow Chart (Kodinariya dkk, 2013)
Semakin besar nilai k maka akan semakin kecil nilai SSE untuk k.
Dari gambar 2.2 dapat disimpulkan k = 3 merupakan nilai k yang ideal,
karena membentuk sudut atau nilai SSE k = 2 ke k = 3 yang paling
banyak mengalami penurunan paling besar.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
BAB III
METODOLOGI PENELITIAN
Pada bab ini akan menjelaskan mengenai bagaimana penulis memperoleh
data, tahapan-tahapan penelitian dan menjelaskan mengenai cara kerja algoritma.
3.1 Sumber Data
Data yang digunakan untuk pelaksanaan program ini diperoleh dari situs
milik Kementerian Pertanian yang dapat diakses melalui alamat
https://aplikasi2.pertanian.go.id/bdsp2/ . Data sumber adalah berupa data
Luas lahan(ha), Produksi(ton) tanaman palawija per kabupaten di
Kalimantan dari tahun 2003-2015.
3.2 Tahapan Penelitian
1. Studi Kasus
Indonesia merupakan negara kepulauan yang kaya akan alamnya. Oleh
karena itu sektor pertanian di Indonesia merupakan bidang yang tidak bisa
diabaikan. Dengan pemanfaatan sumber daya alam pada bidang pertanian
maka Indonesia dapat menstabilkan impor produk tani dari negara tetangga.
Di Kalimantan sendiri khususnya bidang pertanian masih merupakan daerah
aktif produksi tani, terutama tani tanaman pangan. Tanaman pangan sendiri
merupakan hak warga negara Indonesia hal itu tercantum dalam UU RI
nomor 7 tahun 1996. Tanaman pangan terbagi dalam beberapa jenis, salah
satunya adalah jenis tanaman palawija. Jenis tanaman palawija itu terbagi
lagi menjadi jagung, kacang tanah, kacang hijau, kedelai, ubi jalar dan ubi
pohon. Di Kalimantan tanaman palawija banyak ditanam tanaman selain
padi, alasannya adalah tanaman palawija yang dapat menggantikan padi
sebagai bahan pokok untuk dikonsumsi. Tanaman palawija produksinya
dari tahun ke tahun mengalami pasang surut. Selain karena faktor
menipisnya stok di beberapa daerah juga karena mulai kurangnya lahan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
untuk bercocok tanam palawija. Penelitian diharapkan dapat memberi
referensi mengenai perkembangan potensi produk tanaman palawija.
2. Studi Pustaka
Pada tahap ini, penulis melakukan penelitian untuk mendapatkan
informasi mengenai teknik penambangan data. Pada penelitian ini penulis
mempelajari literatur tentang teknik penambangan data khususnya
penambangan data menggunakan metode k-means clustering dan literatur
lain yang berkaitan.
3. Knowledge Discovery in Database (KDD)
Pada tahap ini terdapat beberapa tahap yaitu data cleaning, data
integration, data selection, data transformation, data mining, pattern
evaluation dan knowledge presentation. Pada tahapan awal dilakukan data
cleaning dan data integration pada data tanaman palawija, itu dilakukan
untuk memastikan tidak ada noise pada data yang akan ditambang nantinya.
Pada tahapan ini proses dilakukan secara manual dengan menggunakan
aplikasi Mircosoft Excel. Tahap berikutnya data selection, data
transformation dan data mining yang akan diproses dalam perangkat lunak
yang dibuat. Tahap akhir yaitu pattern evaluation dan knowledge
presentation, yang dilakukan jika perangkat lunak telah selesai dibuat
dikarenakan pada proses ini memerlukan hasil keluaran dari pengujian
perangkat lunak.
4. Analisis dan kesimpulan
Dari hasil implementasi sistem yang telah dibangun maka akan dianalisa,
dan analisa tersebut dilakukan dengan melihat hasil implementasi sistem
dan perbandingannya dengan aplikasi WEKA. Tahap pengujian sistem
berikutnya adalah pengujian pencarian nilai k ideal untuk klustering data
tanaman palawija dengan menggunakan metode elbow. Hasil dari semua
tersebut selanjutnya disusun dalam naskah tugas akhir.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
3.3 Spesifikasi Alat
Sistem dibangun menggunakan software dan hardware sebagai berikut:
a. Spesifikasi Software
1. Operation System : Microsoft Windows 10
2. Compiler : Netbeans 8.0
b. Spesifikasi Hardware
1. Proccesor : AMD A8-7410 2.2 Ghz
2. Memory : 4GB DDR3
3. Harddisk : 500GB
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
BAB IV
PEMROSESAN AWAL DAN PERANCANGAN
PERANGKAT LUNAK PENAMBANGAN DATA
4.1 Pemrosesan Data Awal
4.1.1 Pembersihan Data
Proses pembersihan data dari data yang mengganggu atau data yang tidak
konsisten. Pada data tanaman palawija yang digunakan terdapat data dari
Kabupaten Nunukan yang merupakan salah satu kabupaten dari provinsi
Kalimantan Utara. Karena data dari provinsi Kalimantan Utara ini tidak
dipakai maka data Kabupaten Nunukan dihapuskan. Selain itu data yang
nilai lahan dan produksinya 0 akan dibersihkan dan dihapuskan.
4.1.2 Integrasi Data
Proses penggabungan data sebelum dilakukan penambangan. Integrasi
data dilakukan jika data yang diperoleh dari sumber yang berbeda. Dalam
penelitian ini peneliti memperoleh data langsung dari satu sumber jadi tidak
diperlukan proses integrasi.
4.1.3 Seleksi Data
Pada tahap ini attribut data yang tidak diperlukan akan dibuang atau
ditinggalkan. Data selection sendiri merupakan proses yang harus dilakukan
sebelum proses penambangan data.
4.1.4 Transformasi Data
Tujuan pada tahap ini agar data dapat diolah menggunakan metode
clustering k-means data luas lahan (Ha) dan produksi (Ton) akan
ditransformasikan menjadi produktivitas (Ton/Ha) dan disimpan kedalam
bentuk array.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
Gambar 4.1 berikut adalah contoh data produksi dan luas lahan.
Gambar 4.1 Contoh Data Produksi dan Luas Lahan
4.2 Perancangan Perangkat Lunak
4.2.1 Perancangan Umum
4.2.1.1 Input Sistem
Data input dari sistem yang dibangun berasal dari file yang langsung
diambil atau dipilih oleh pengguna dari direktori bertipe xls.
4.2.1.2 Proses Sistem
Proses yang dilakukan oleh sistem yang akan dibangun terdiri dari
beberapa tahapan untuk mendapatkan kelompok daerah potensial.
Tahapan tersebut yaitu :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
1. Membersihkan data yang tidak diperlukan.
2. Memasukkan nilai k.
3. Proses kelompok untuk mendapatkan kelompok daerah
berdasarkan titik awal tiap cluster yang dipilih secara random
dari data sebanyak nilai k.
4. Representasikan hasil kedalam bentuk grafik dan peta.
Gambar 4.2 berikut adalah flowchart diagram.
Gambar 4.2 Flowchart Diagram
4.2.1.3 Output Sistem
Sistem yang dibuat akan memberikan output berupa hasil
pengelompokkan menggunakan k-means dan akan ditampilkan pada
peta.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
4.2.2 Use Case Diagram
Gambar 4.3 berikut merupakan gambar use case sistem.
Gambar 4.3 Use Case Diagram
4.2.3 Gambaran Umum Use Case
Dalam tabel 4.1 akan dijelaskan mengenai gambaran umum dari use case.
Tabel 4.1 Gambaran Umum Use Case
Nama
Use Case
Deskripsi Aktor
Masuk Use case ini merupakan proses
masuk ke sistem sebagai
administrator.
Administrator
Keluar Use case ini merupakan proses
keluar dari sistem sebagai
administrator.
Administrator
Masukan
file
Use case ini merupakan proses
memasukkan file bertipe xls
Administrator
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
data dari direktori
administrator.
Lihat data
tanaman
Use case ini adalah langkah
administrator dalam melihat
data tanaman yang telah
diimport dari direktori.
Administrator
Cari data
tanaman
Use case ini adalah proses
administrator dalam mencari
data tanaman yang telah
diimport dari direktori.
Administrator
Hapus
data
tanaman
Use case ini adalah langkah
administrator dalam
menghapus data tanaman yang
ada di database.
Administrator
Proses
Cluster
Use case ini merupakan proses
clustering data dari data yang
sudah dimasukkan oleh
administrator kemudian dipilih
dan diikuti dengan pemasukan
nilai k.
Administrator
Lihat data
hasil
kluster
Use case ini adalah langkah
administrator dalam melihat
data hasil kluster yang telah
disimpan.
Administrator
Cari data
hasil
kluster
Use case ini adalah proses
administrator dalam mencari
data hasil kluster yang telah
disimpan.
Administrator
Hapus
data
kluster
Use case ini adalah langkah
administrator dalam
menghapus data hasil kluster
yang ada di database.
Administrator
Lihat data
hasil
elbow
Use case ini adalah langkah
administrator dalam melihat
data hasil elbow yang telah
disimpan.
Administrator
Cari data
hasil
elbow
Use case ini adalah proses
administrator dalam mencari
data hasil elbow yang telah
disimpan.
Administrator
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
Hapus
data
elbow
Use case ini adalah langkah
administrator dalam
menghapus data hasil elbow
yang ada di database.
Administrator
Lihat
grafik
peta
Use case ini merupakan bagian
setelah proses cluster selesai
dan hasil disimpan kemudian
data akan direprentasikan
kedalam bentuk peta agar
dapat dibaca pengguna.
Administrator /
Pengguna
umum
Lihat
grafik
kota
Use case ini merupakan bagian
setelah proses cluster selesai
dan hasil disimpan kemudian
data akan direprentasikan
kedalam bentuk grafik garis
agar dapat dibaca pengguna.
Administrator /
Pengguna
umum
Lihat
grafik
elbow
Use case ini merupakan bagian
setelah proses cluster selesai
dan hasil elbow disimpan
kemudian data akan
direprentasikan kedalam
bentuk grafik garis agar dapat
dibaca pengguna.
Administrator /
Pengguna
umum
4.2.4 Narasi Use Case
Diagram use case menggambarkan mengenai hubungan antara
aktor(pengguna / sistem) dengan sistem. Narasi yang memperjelas setiap
use case terdapat pada lampiran 1.
4.2.5 Activity Diagram
Diagram ini menjelaskan mengenai aktivitas yang dilakukan oleh
pengguna dan sistem di setiap use case pada gambar 4.2. Diagram ini
terdapat pada lampiran 2.
4.2.6 Sequence Diagram
Pada diagram sekuen akan dijelaskan mengenai relasi antar objek dalam
sistem. Diagram sekuen dibuat sebanyak use case pada gambar 4.2 diagram
ini terdapat pada lampiran 3.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
4.2.7 Diagram Konteks
Gambar 4.4 berikut adalah gambar dari diagram konteks.
Gambar 4.4 Diagram Konteks
4.2.8 Disain Basis Data Konseptual
Gambar 4.5 berikut adalah gambar dari diagram basis data konseptual :
Gambar 4.5 Disain Basis Data Konseptual
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
4.2.9 Disain Basis Data Logikal
Gambar 4.6 berikut adalah gambar dari diagram basis data logikal:
Gambar 4.6 Disain Basis Data Logical
4.2.10 Disain Basis Data Fisikal
Berikut adalah gambar dari diagram fisikal basisdata dari tabel 4.2 sampai
dengan tabel 4.5
1. Tabel User
Tabel 4.2 Struktur Tabel User
Attribute Tipe Contraint
ID Int(10) Primary key, Not null
Username Varchar(20) Not null
Password Varchar(20) Not null
Email Varchar(20) Not null
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
2. Tabel Data_tanaman
Tabel 4.3 Struktur Tabel Data_tanaman
Attribute Tipe Contraint
ID Int(10) Primary key, Not null
Kota Varchar(50) Not null
Luas_lahan Text Not null
Produksi Text Not null
Tahun Varchar(10) Not null
Jenis Varchar(20) Not null
3. Tabel hasil_kluster
Tabel 4.4 Struktur Tabel Hasil_kluster
Attribute Tipe Contraint
ID Int(10) null
Kluster Varchar(20) null
Jumlah_kluster Varchar(20) null
Jenis Varchar(20) null
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
4. Tabel hasil_elbow
Tabel 4.5 Struktur Tabel Hasil_elbow
4.2.11 Perancangan Antarmuka
Gambar 4.7 berikut merupakan rancangan halaman masuk untuk sistem.
Gambar 4.7 Halaman Masuk
Attribute Tipe Contraint
No Int(10) Primary key, Not null
Nilai_elbow Int(20) Not null
Jumlah_kluster Varchar(20) Not null
jenis Varchar(20) Not null
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
Gambar 4.8 berikut ini adalah rancangan halaman beranda untuk pengguna
umum.
Gambar 4.8 Halaman Beranda Pengguna Umum
Gambar 4.9 berikut ini adalah rancangan halaman beranda untuk pengguna
administrator.
Gambar 4.9 Halaman Beranda Administrator
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
Gambar 4.10 berikut merupakan rancangan halaman pengguna memasukkan
data sebelum melakukan clustering.
Gambar 4.10 Halaman Input
Gambar 4.11 berikut merupakan rancangan halaman pengguna mengelola
data yang telah diinput.
Gambar 4.11 Halaman Data Kelola
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
Gambar 4.12 berikut merupakan rancangan halaman pengguna mengelola
data yang telah dikluster.
Gambar 4.12 Halaman Data Kluster
Gambar 4.13 berikut merupakan rancangan halaman pengguna mengelola
data elbow yang telah dikluster.
Gambar 4.13 Halaman Data Elbow
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
Gambar 4.14 berikut merupakan rancangan halaman pengguna mengelola
data yang untuk melakukan kluster.
Gambar 4.14 Proses K-keans
Halaman ini Digunakan untuk proses clustering. Dimana pengguna
memasukkan titik awal pusat kelompok cluster.
Gambar 4.15 berikut merupakan rancangan halaman pengguna untuk
melakukan melihat grafik bentuk peta.
Gambar 4.15 Halaman Visualisasi Peta Pengguna Umum
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
Pada gambar 4.16 berikut ini adalah rancangan halaman pengguna untuk
melakukan melihat grafik.
Gambar 4.16 Halaman Visualisasi Kota Pengguna Umum
Pada gambar 4.17 berikut ini adalah rancangan halaman pengguna untuk
melakukan melihat grafik elbow.
Gambar 4.17 Halaman Visualisasi Elbow Pengguna Umum
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
Gambar 4.18 merupakan rancangan halaman pengguna administrator untuk
melakukan melihat grafik bentuk peta.
Gambar 4.18 Halaman Visualisasi Peta Administrator
Gambar 4.19 berikut ini merupakan rancangan halaman pengguna untuk
melakukan melihat grafik.
Gambar 4.19 Halaman Visualisasi Kota Administrator
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
Pada gambar 4.20 berikut ini adalah rancangan halaman pengguna
administrator untuk melakukan melihat grafik elbow.
Gambar 4.20 Halaman Visualisasi Elbow Administrator
Halaman ini tentang visualisasi hasil cluster pada peta dan chart serta tabel
agar memudahkan pengguna melihat hasil cluster.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
BAB V
IMPLEMENTASI DAN ANALISIS HASIL
Bab ini berisi mengenai hasil implementasi perancangan sistem dan analisis hasil.
5.1 Implementasi Sistem
Bagian ini akan menjelaskan hasil dari perancangan sistem user interface
dan pengolahan data.
5.1.1 Pengguna Umum
5.1.1.1 Beranda
Tampilan awal sistem dengan sidebar yang hanya menampilkan
pilihan beranda, grafik dan masuk. Pada gambar 5.1 merupakan halaman
beranda untuk pengguna umum.
Gambar 5.1 Halaman Beranda Pengguna Umum
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
5.1.1.2 Grafik Peta
Halaman Grafik peta akan ditampilkan lebih dahulu jika ditekan
Grafik pada menu sidebar. Halaman ini akan menampilkan grafik peta
Kalimantan per kabupaten jika pengguna memilih menu dropdown jenis,
tahun, dan nilai kluster dan nilai data yang diproses tersedia. Pada
gambar 5.2 terdapat halaman grafik yang telah berhasil dibangun.
Gambar 5.2 Halaman Grafik Peta Pengguna Umum
5.1.1.3 Grafik Kabupaten / Kota
Halaman Grafik Kabupaten / Kota akan menampilkan grafik
produktivitas Kabupaten / Kota dari salah satu kabupaten di kalimantan
jika pengguna memilih menu dropdown jenis, kota, dan nilai kluster dan
nilai data yang diproses tersedia. Gambar 5.3 adalah gambar dari
Halaman Grafik Kabupaten/Kota Pengguna Umum.
Gambar 5.3 Halaman Grafik Kabupaten/Kota Pengguna Umum
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
5.1.1.4 Grafik Elbow
Halaman Grafik Elbow akan ditampilkan jika ditekan Grafik Elbow
pada menu bar. Halaman ini akan menampilkan grafik hasil elbow dari
dataset tanaman palawija jika pengguna memilih menu dropdown jenis
dan nilai data yang diproses tersedia. Gambar 5.4 merupakan gambar
tampilan dari halaman grafik elbow pengguna umum.
Gambar 5.4 Halaman Grafik Elbow Pengguna Umum
5.1.2 Administrator
5.1.2.1 Masuk
Halaman Login akan terbuka jika pilih masuk pada sidebar. Halaman
ini akan mengarahkan kehalaman untuk administrator dengan mengiput
username dan password yang sesuai. Pada gambar 5.5 berikut adalah
gambar tampilan dari halaman masuk atau login.
Gambar 5.5 Halaman Masuk (Login)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
5.1.2.2 Beranda Administrator
Tampilan beranda administrator sama dengan awal sistem yang
berbeda hanya pada sidebar di sistem pengguna umum hanya
menampilkan pilihan beranda, grafik dan masuk, pada sistem
administrator sidebar menampilkan kelola data, proses data, grafik, dan
keluar. Tampilan ini muncul jika berhasil pada tampilan masuk. Gambar
5.6 berikut merupakan gambar dari halaman beranda administrator.
Gambar 5.6 Halaman Beranda Administrator
5.1.2.3 Data Input
Jika pilih kelola data pada sidebar akan diarahkan ke halaman data
input yang menjadi halaman awalnya. Halaman ini berfungsi jika
administrator akan mengimport data dari komputer ke sistem. Gambar
5.7 berikut merupakan gambar dari halaman data input administrator.
Gambar 5.7 Halaman Data Input Administrator
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
5.1.2.4 Data Kelola
Jika administrator ingin melihat hasil data tanaman palawija yang
telah upload dapat dibuka pada halaman ini. Pada halaman ini juga
administrator dapat menghapus data sesuai dengan jenisnya. Gambar 5.8
berikut adalah gambar dari halaman data kelola administrator.
Gambar 5.8 Halaman Data Kelola Administrator
5.1.2.5 Data Hasil Kluster
Jika administrator ingin melihat data hasil kluster dapat dibuka pada
halaman ini. Pada halaman ini juga administrator dapat menghapus data
hasil kluster sesuai dengan jenisnya. Gambar 5.9 berikut merupakan
gambar dari halaman data hasil kluster administrator.
Gambar 5.9 Halaman Data Kluster Administrator
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
5.1.2.6 Data Hasil Elbow
Jika administrator ingin melihat data hasil elbow dapat dibuka pada
halaman ini. Pada halaman ini juga administrator dapat menghapus data
hasil elbow sesuai dengan jenisnya atau pilih salah satu dengan menekan
icon hapus. Gambar 5.10 berikut merupakan gambar dari halaman data
elbow administrator.
Gambar 5.10 Halaman Data Elbow Administrator
5.1.2.7 Data Proses
Tampilan ini adalah yang berfungsi memulai proses kmeans.
Dengan memasukan nilai awal kluster dan memilih jenis palawija. Jika
jenis palawija datanya tersedia maka proses kmeans akan terlaksana.
Gambar 5.11 berikut merupakan gambar dari halaman beranda
administrator.
Gambar 5.11 Halaman Data Proses Administrator
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
5.1.2.8 Grafik Peta
Halaman Grafik peta administrator ini sama dengan pengguna umum
beda hanya terdapat pada sisi sidebar. Halaman ini akan menampilkan
grafik peta kalimantan perkabupaten jika pengguna memilih menu
dropdown jenis, tahun, dan nilai kluster dan nilai data yang diproses
tersedia. Gambar 5.12 berikut merupakan gambar dari halaman grafik
peta administrator
Gambar 5.12 Halaman Grafik Peta Administrator
5.1.2.9 Grafik Kabupaten / Kota
Halaman Grafik peta administrator ini sama dengan pengguna umum
beda hanya terdapat pada sisi sidebar. Halaman ini akan menampilkan
grafik produktivitas Kabupaten / Kota dari salah satu kabupaten di
kalimantan jika pengguna memilih menu dropdown jenis, kota, dan nilai
kluster dan nilai data yang diproses tersedia. Gambar 5.13 berikut adalah
gambar dari halaman grafik kabupaten kota untuk administrator
Gambar 5.13 Halaman Grafik Kabupaten/Kota Administrator
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
5.1.2.10 Grafik Elbow
Halaman Grafik peta administrator ini sama dengan pengguna umum
beda hanya terdapat pada sisi sidebar. Halaman ini akan menampilkan
grafik hasil elbow dari dataset tanaman palawija jika pengguna memilih
menu dropdown jenis dan nilai data yang diproses tersedia. Gambar 5.14
berikut merupakan gambar dari halaman grafik elbow administrator
Gambar 5.14 Halaman Grafik Elbow Administrator
5.2 Analisa Hasil Validasi Uji (Blackbox)
5.2.1 Rencana Pengujian Validasi (Blackbox)
Pada tabel 5.1 akan dijelaskan mengenai rencana pengujian.
Tabel 5.1 Rencana Pengujian Validasi (Blackbox)
No Use case Keterangan Kasus Uji
1 Masuk
Memasukan username dan password
dengan sembarang UC01-A
Memasukan username dan password
dengan dengan benar UC01-B
2 Keluar Pilih tab keluar UC02-A
3 Input file
Memasukan data dengan tipe bukan
xls UC03-A
Memasukan data dengan tipe xls UC03-B
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
Memasukan data yang sudah berhasil
dimasukan sebelumnya UC03-C
4 Lihat data
tanaman Memilih tab data kelola UC04-A
5
Cari data
tanaman
Menekan tombol cari dengan data
yang belum ada UC05-A
Menekan tombol cari dengan data
yang sudah ada UC05-B
6 Hapus data
tanaman
Menekan tombol hapus dengan data
yang belum ada UC06-A
Menekan tombol hapus dengan data
yang sudah ada UC06-B
7 Proses Kluster Melakukan proses klustering UC07-A
8 Lihat data hasil
kluster Memilih tab data kelola UC08-A
9 Cari data hasil
kluster
Menekan tombol cari dengan data
yang belum dikluster UC09-A
Menekan tombol cari dengan data
yang sudah dikluster UC09-B
10 Hapus data hasil
kluster
Menekan tombol hapus dengan data
yang belum dikluster UC10-A
Menekan tombol hapus dengan data
yang sudah dikluster UC10-B
11 Lihat data hasil
elbow Memilih tab data kelola UC11-A
12 Cari data hasil
elbow
Menekan tombol cari dengan data
yang belum dikluster UC12-A
Menekan tombol cari dengan data
yang sudah dikluster UC12-B
13 Hapus data hasil
elbow
Menekan tombol hapus dengan data
yang belum dikluster UC13-A
Menekan tombol hapus dengan data
yang sudah dikluster UC13-B
14 Lihat grafik peta
Menekan tombol proses dengan data
yang belum dikluster UC14-A
Menekan tombol proses dengan data
sudah dikluster UC14-B
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
15
Lihat grafik
Kabupaten /
kota
Menekan tombol proses dengan data
yang belum dikluster UC15-A
Menekan tombol proses dengan data
yang sudah dikluster UC15-B
16 Lihat grafik
Elbow
Menekan tombol proses data yang
belum dikluster UC16-A
Menekan tombol proses data yang
sudah dikluster UC16-B
5.2.2 Hasil Pengujian Validasi
Hasil dari pengujian blackbox terdapat pada lampiran 4. Dari hasil
pengujian dapat disimpulkan bahwa sistem telah dibangun sesuai dengan
rancangan dan sistem berjalan dengan baik. Dapat dilihat berjalannya semua
fungsi sesuai dengan apa yang diharapkan dan pesan dari aksi fungsi yang
diperoleh baik oleh pengguna umum dan administrator.
5.3 Analisa Hasil Pengujian Perbandingan Hasil Perhitungan Weka Dan Hasil
Perhitungan Sistem
Data hasil perhitungan menggunakan weka dan sistem akan dibandingkan
untuk menguji perhitungan sistem. Dalam pengujian perhitungan ini data yang
digunakan adalah data tanaman palawija jenis jagung dan jumlah K yang diuji
yaitu K = 3, 4 dan 5. Hasil pengujian terlampir pada lampiran 5. Dari hasil
pengujian diperoleh kesimpulan bahwa sistem yang dibangun sudah sesuai
dengan yang diharapkan.
5.4 Analisa Hasil Pengujian Dataset Dengan Menggunakan Metode Elbow
Pengujian dilakukan dengan menggunakan dataset tanaman palawija
jagung, ubi jalar, ketela pohon, kacang tanah dan kedelai. Dataset tiap jenis
pertahunnya berjumlah sebanyak 51 data. Dalam pengujian nilai K yang
digunakan mulai dari K = 2 sampai dengan K = 10. Tabel dan gambar berikut
akan menunjukan hasil dari metode elbow dalam pencarian kluster terbaik.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
Tabel 5.2 berikut adalah tabel SSE dari hasil elbow data set tanaman palawija
jagung untuk tahun 2015 – 2009.
Nil
ai K
2
015
20
14
20
13
20
12
20
11
20
10
20
09
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
2
30
.13
-
20
.883
-
14
.866
-
16
.48
-
16
.370
-
16
.042
-
54
.091
-
3
11
.74
1
8.3
9
7.3
20
1
3.5
62
8
.24
3
6.6
23
1
4.1
9
2.2
9
13
.878
2
.49
3
3.9
03
1
2.1
39
1
7.3
47
3
6.7
44
4
6.7
9
4.9
5
4.3
56
2
.96
5
6.0
69
2
.17
4
4.5
9
9.5
9
4.3
73
9
.50
4
2.6
50
1
.25
3
6.7
05
1
0.6
42
5
5.6
7
1.1
2
3.3
01
1
.05
5
2.3
58
3
.71
1
3.9
6
0.6
3
2.0
73
2
.30
0
2.7
70
-0
.12
0
3.7
21
2
.98
4
6
5.2
9
0.3
9
2.6
58
0
.64
2
1.6
52
0
.70
6
1.8
1
2.1
5
1.4
83
0
.59
0
1.9
34
0
.83
6
2.3
85
1
.33
6
7
2.6
5
2.6
4
2.4
62
0
.19
7
1.0
88
0
.56
4
1.6
8
0.1
3
1.2
78
0
.20
5
1.9
13
0
.02
1
1.2
72
1
.11
3
8
2.2
9
0.3
6
1.0
05
1
.45
7
0.9
60
0
.12
8
1.2
2
0.4
6
0.8
97
0
.38
1
0.6
51
1
.26
2
1.0
35
0
.23
7
9
2.1
9
0.0
9
1.8
68
-0
.86
3
0.5
78
0
.38
2
0.6
3
0.5
9
0.8
61
0
.03
5
0.7
04
-0
.05
2
1.0
14
0
.02
1
10
2.0
7
0.1
3
2.0
92
-0
.22
4
0.5
45
0
.03
3
0.6
6
-0.0
2
1.2
31
-0
.37
0
0.6
11
0
.09
3
0.9
39
0
.07
5
T
abel
5.2
Nil
ai S
SE
Jen
is P
alaw
ija
Jagun
g t
ahun 2
015 -
20092015-
2009
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
Tabel 5.3 berikut adalah tabel SSE dari hasil elbow data set tanaman palawija
jagung tahun 2008-2003.
Nil
ai K
2
008
20
07
20
06
20
05
20
04
20
03
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
2
13
.639
-
10
.23
-
5.3
35
-
5.2
30
-
3.6
34
-
1.6
87
-
3
7.0
96
6
.54
3
6.1
9
4.0
4
3.0
61
2
.27
4
2.5
81
2
.64
9
2.0
33
1
.60
1
0.5
79
1
.10
8
4
3.9
54
3
.14
2
2.8
4
3.3
6
1.6
04
1
.45
7
2.1
49
0
.43
2
1.5
93
0
.44
0
0.3
74
0
.20
5
5
2.8
89
1
.06
5
2.1
9
0.6
5
1.3
53
0
.25
1
1.6
92
0
.45
6
0.3
85
1
.20
9
0.2
98
0
.07
6
6
1.4
38
1
.45
1
1.9
9
0.2
0
1.2
33
0
.12
0
1.3
77
0
.31
6
0.3
06
0
.07
8
0.2
07
0
.09
1
7
1.2
20
0
.21
8
1.8
9
0.1
0
0.7
00
0
.53
3
0.4
84
0
.89
3
0.1
97
0
.10
9
0.1
75
0
.03
2
8
1.1
46
0
.07
5
1.8
8
0.0
1
0.5
69
0
.13
1
0.2
59
0
.22
5
0.1
72
0
.02
5
0.1
94
-0
.01
8
9
1.1
21
0
.02
5
1.8
3
0.0
4
0.6
04
-0
.03
5
0.2
36
0
.02
3
0.1
51
0
.02
1
0.1
62
0
.03
2
10
1.1
01
0
.02
0
1.8
1
0.0
2
0.3
83
0
.22
1
0.1
51
0
.08
5
0.2
63
-0
.11
2
0.3
62
-0
.20
0
T
abel
5.3
Nil
ai S
SE
Jen
is P
alaw
ija
Jagun
g t
ahun
2008 -
20032015-
2009
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
Pada gambar 5.15 sampai dengan 5.20 menampilkan gambar grafik elbow pada
tanaman palawija jagung untuk tahun 2015-2010.
Gambar 5.15 Grafik Elbow Jenis
Palawija Jagung 2015
Gambar 5.16 Grafik Elbow Jenis
Palawija Jagung 2014
Gambar 5.17 Grafik Elbow Jenis
Palawija Jagung 2013
Gambar 5.18 Grafik Elbow Jenis
Palawija Jagung 2012
Gambar 5.19 Grafik Elbow Jenis
Palawija Jagung 2011
Gambar 5.20 Grafik Elbow Jenis
Palawija Jagung 2010
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
Berikut ini gambar 5.21 sampai dengan 5.26 menampilkan gambar grafik elbow
pada tanaman palawija jagung untuk tahun 2009-2004.
Gambar 5.21 Grafik Elbow Jenis
Palawija Jagung 2009
Gambar 5.22 Grafik Elbow Jenis
Palawija Jagung 2008
Gambar 5.23 Grafik Elbow Jenis
Palawija Jagung 2007
Gambar 5.24 Grafik Elbow Jenis
Palawija Jagung 2006
Gambar 5.25 Grafik Elbow Jenis
Palawija Jagung 2005
Gambar 5.26 Grafik Elbow Jenis
Palawija Jagung 2004
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
Gambar 5.27 berikut gambar untuk grafik elbow tanaman palawija jagung tahun
2003.
Gambar 5.27 Grafik Elbow Jenis Palawija Jagung 2003
Dari tabel 5.2 dan 5.3 serta gambar 5.15 sampai 5.27 menunjukkan hasil
pengujian data tanaman palawija jagung dari tahun 2003-2015 dan ditemukan
untuk tahun 2015, 2014, 2013, 2010, 2009, 2008, 2005, 2004 dan 2003 terjadi
penurunan nilai SSE paling besar pada k = 3, sedangkan untuk 2012, 2011,
2007 dan 2006 mengalami penurunan paling besar terjadi pada k = 4. Untuk
tahun 2013 dan 2004 terlihat bentuk elbow pada k = 5. Diperoleh hasil k yang
berbeda-beda dari pengujian maka k ideal untuk menentukan karakteristik
palawija jagung dapat menggunakan k = 3 dan 4.
Proses klustering k-means tanaman palawija jagung untuk tahun 2015,
2014, 2013, 2010, 2009, 2008, 2005, 2004 dan 2003 nilai k yang baik adalah k
= 3, karena pada k = 2 ke k = 3 mengalami penurunan nilai SSE secara drastis
dan terlihatnya elbow pada k = 3 kemudian diikuti oleh penurunan nilai SSE k
= 4 sampai k = 10 secara landai. Untuk tahun 2012, 2011, 2007 dan 2006 k yang
baik terdapat pada k = 4, karena pada k = 3 ke k = 4 mengalami penurunan nilai
SSE paling besar dan tampaknya elbow setelahnya diikuti oleh penurunan nilai
SSE k = 5 sampai k = 10 secara stabil. Pada tanaman palawija tahun 2013 dan
2004 terjadi penurunan nilai SSE paling besar pada k = 3 dan juga k = 5
terbentuknya elbow, k terbaik untuk tahun 2013 dan 2004 adalah k = 5 karena
setelah k = 5 penurunan nilai SSE pada k = 6 sampai k = 10 turun secara stabil
dan pada k = 5 terlihat juga elbow.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
Pada tabel 5.4 berikut rangkuman k terbaik untuk tanaman palawija jagung.
Tabel 5.4 Nilai K Terbaik Tanaman Palawija Jagung
Tahun Banyak
Data yang
digunakan
Jumlah Nilai K Yang Diuji Nilai K
2015 51 K = 2 sampai K = 10 3
2014 51 K = 2 sampai K = 10 3
2013 51 K = 2 sampai K = 10 5
2012 51 K = 2 sampai K = 10 4
2011 51 K = 2 sampai K = 10 4
2010 51 K = 2 sampai K = 10 3
2009 51 K = 2 sampai K = 10 3
2008 51 K = 2 sampai K = 10 3
2007 51 K = 2 sampai K = 10 4
2006 51 K = 2 sampai K = 10 4
2005 51 K = 2 sampai K = 10 3
2004 51 K = 2 sampai K = 10 3
2003 51 K = 2 sampai K = 10 3
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
Tabel 5.5 adalah tabel SSE dari hasil elbow data set tanaman palawija ubi jalar
tahun 2015-2009.
Nil
ai K
2
015
20
14
20
13
20
12
20
11
20
10
20
09
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
2
22
1.3
2
- 2
37.0
0
- 2
17.5
6
- 6
8.1
29
- 5
5.7
20
-
57
.648
-
65
.071
-
3
15
0.9
0
70
.42
81
.98
15
5.0
2
18
1.7
7
35
.79
20
.682
47
.447
44
.688
1
1.0
32
4
3.3
36
1
4.3
12
1
4.1
12
50
.959
4
10
0.7
9
50
.11
35
.40
46
.58
73
.85
10
7.9
3
11
.127
9.5
55
6.0
08
3
8.6
79
8
.26
0
35
.076
1
0.5
71
3.5
41
5
87
.20
13
.59
9.7
8
25
.62
25
.66
48
.18
8.4
65
2.6
62
5.4
04
0
.60
4
7.7
51
0
.50
9
7.6
23
2.9
48
6
17
.44
69
.76
7.5
0
2.2
8
23
.62
2.0
5
7.4
69
0.9
96
4.0
02
1
.40
2
3.9
74
3
.77
7
3.7
31
3.8
91
7
15
.71
1.7
3
7.3
8
0.1
1
22
.51
1.1
1
2.3
24
5.1
45
1.7
58
2
.24
4
4.2
83
-0
.30
9
4.2
54
-0.5
23
8
14
.33
1.3
8
3.5
3
3.8
6
22
.92
-0.4
1
2.3
07
0.0
17
2.4
03
-0
.64
4
3.3
34
0
.94
9
1.2
85
2.9
69
9
13
.48
0.8
5
6.8
1
-3.2
8
21
.71
1.2
1
3.1
94
-0.8
87
0.9
57
1
.44
5
2.2
95
1
.03
9
2.3
28
-1.0
43
10
13
.23
0.2
5
4.3
3
2.4
8
20
.39
1.3
2
0.9
93
2.2
01
1.0
00
-0
.04
3
2.3
36
-0
.04
1
0.9
52
1.3
76
T
abel
5.5
Nil
ai S
SE
Jen
is P
alaw
ija
Ubi
Jala
r ta
hun 2015 -
20092015-
2009
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
Tabel 5.6 berikut adalah tabel SSE dari hasil elbow data set tanaman palawija ubi
jalar tahun 2008-2003.
Nil
ai K
2
008
20
07
20
06
20
05
20
04
20
03
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
2
16
6.8
39
-
11
1.9
60
-
15
3.2
81
-
14
.700
-
13
.225
-
12
.659
-
3
14
6.7
67
2
0.0
72
2
8.4
37
8
3.5
22
1
41
.92
1
11
.360
5
.20
2
9.4
98
3
.21
0
10
.015
1
.59
8
11
.061
4
82
.167
6
4.6
00
1
5.7
40
1
2.6
97
6
.13
7
13
5.7
84
4
.51
4
0.6
87
2
.93
1
0.2
79
1
.05
0
0.5
47
5
57
.763
2
4.4
04
1
2.1
29
3
.61
2
1.8
63
4
.27
3
4.3
18
0
.19
6
2.8
11
0
.12
0
0.6
92
0
.35
9
6
41
.074
1
6.6
89
1
1.7
59
0
.37
0
1.7
70
0
.09
3
4.2
92
0
.02
6
1.7
29
1
.08
2
0.5
60
0
.13
2
7
40
.295
0
.77
9
11
.705
0
.05
3
1.4
42
0
.32
8
3.0
80
1
.21
2
1.7
33
-0
.00
4
0.1
92
0
.36
8
8
41
.074
-0
.77
9
11
.692
0
.01
4
1.4
07
0
.03
5
2.1
37
0
.94
2
1.2
09
0
.52
4
0.1
90
0
.00
2
9
39
.824
1
.24
9
4.0
21
7
.67
1
0.9
05
0
.50
2
2.4
42
-0
.30
5
1.6
74
-0
.46
5
0.1
58
0
.03
2
10
43
.402
-3
.57
8
4.4
71
-0
.45
0
0.8
53
0
.05
1
2.4
15
0
.02
8
1.7
06
-0
.03
2
0.5
19
-0
.36
1
T
abel
5.6
Nil
ai S
SE
Jen
is P
alaw
ija
Ubi
Jala
r ta
hun 2008 -
20032015-
2009
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
Pada gambar 5.28 sampai dengan 5.33 menampilkan gambar grafik elbow pada
tanaman palawija ubi jalar untuk tahun 2015-2010.
Gambar 5.28 Grafik Elbow Jenis
Palawija Ubi Jalar 2015
Gambar 5.29 Grafik Elbow Jenis
Palawija Ubi Jalar 2014
Gambar 5.30 Grafik Elbow Jenis
Palawija Ubi Jalar 2013
Gambar 5.31 Grafik Elbow Jenis
Palawija Ubi Jalar 2012
Gambar 5.32 Grafik Elbow Jenis
Palawija Jagung 2011
Gambar 5.33 Grafik Elbow Jenis
Palawija Jagung 2010
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
Berikut ini gambar 5.34 sampai dengan 5.39 menampilkan gambar grafik elbow
pada tanaman palawija ubi jalar untuk tahun 2009-2004.
Gambar 5.34 Grafik Elbow Jenis
Palawija Ubi Jalar 2009
Gambar 5.35 Grafik Elbow Jenis
Palawija Ubi Jalar 2008
Gambar 5.36 Grafik Elbow Jenis
Palawija Ubi Jalar 2007
Gambar 5.37 Grafik Elbow Jenis
Palawija Ubi Jalar 2006
Gambar 5.38 Grafik Elbow Jenis
Palawija Ubi Jalar 2005
Gambar 5.39 Grafik Elbow Jenis
Palawija Ubi Jalar 2004
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
Gambar 5.40 berikut adalah gambar untuk grafik elbow tanaman palawija ubi jalar
tahun 2003.
Gambar 5.40 Grafik Elbow Jenis Palawija Ubi Jalar 2003
Berdasarkan dari tabel 5.5 dan tabel 5.6 disertai gambar 5.28 sampai 5.40 dilihat
hasil pengujian data tanaman palawija ubi jalar dari tahun 2003-2015 dan
ditemukan untuk tahun 2014, 2012, 2009, 2007, 2005, 2004 dan 2003 terjadi
penurunan nilai SSE paling besar pada k = 3, sedangkan untuk 2013, 2011,
2010, 2008 dan 2006 mengalami penurunan paling besar terjadi pada k = 4. k =
6 adalah k ideal yang ditemukan untuk tanaman palawija ubi jalar pada tahun
2015 dikarenakan terjadi penurunan drastis nilai SSE pada k = 6 untuk 2015.
Diperoleh hasil k yang berbeda-beda dari pengujian maka k ideal untuk
menentukan karakteristik palawija ubi jalar dapat menggunakan k = 3, 4 dan 6.
Proses klustering k-means tanaman palawija ubi jalar untuk tahun 2014,
2012, 2009, 2007, 2005, 2004 dan 2003 nilai k yang baik adalah k = 3, karena
pada k = 2 ke k = 3 terjadinya penurunan nilai SSE secara drastis dan terlihatnya
elbow pada k = 3 kemudian diikuti oleh penurunan nilai SSE k = 4 sampai k =
10 secara stabil. Untuk tahun 2013, 2011, 2010, 2008 dan 2006 k yang baik
terdapat pada k = 4, karena pada k = 3 ke k = 4 mengalami penurunan nilai SSE
paling besar dan tampaknya elbow setelahnya diikuti oleh penurunan nilai SSE
k = 5 sampai k = 10 secara stabil. Pada tanaman palawija ubi jalar tahun 2015,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
terjadi penurunan nilai SSE paling besar pada k = 6 karena setelah k = 6
penurunan nilai SSE pada k= 7 sampai k = 10 turun secara stabil.
Pada tabel 5.7 berikut rangkuman k terbaik untuk tanaman palawija ubi jalar.
Tabel 5.7 Nilai K Terbaik Tanaman Palawija Ubi Jalar
Tahun Banyak
Data yang
digunakan
Jumlah Nilai K Yang Diuji Nilai K
2015 51 K = 2 sampai K = 10 6
2014 51 K = 2 sampai K = 10 3
2013 51 K = 2 sampai K = 10 4
2012 51 K = 2 sampai K = 10 3
2011 51 K = 2 sampai K = 10 4
2010 51 K = 2 sampai K = 10 4
2009 51 K = 2 sampai K = 10 3
2008 51 K = 2 sampai K = 10 4
2007 51 K = 2 sampai K = 10 3
2006 51 K = 2 sampai K = 10 4
2005 51 K = 2 sampai K = 10 3
2004 51 K = 2 sampai K = 10 3
2003 51 K = 2 sampai K = 10 3
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
Tabel 5.8 berikut adalah tabel SSE dari hasil elbow data set tanaman palawija
Ketela Pohon tahun 2015-2009.
Nil
ai
K
20
15
20
14
20
13
20
12
20
11
20
10
20
09
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
2
72
8.8
32
-
28
9.1
43
-
36
5.3
00
-
17
5.1
56
-
25
9.9
21
-
17
2.9
53
-
15
8.0
90
-
3
21
9.6
83
5
09
.14
9
11
1.4
43
1
77
.70
0
23
0.7
96
1
34
.50
3
96
.596
7
8.5
60
1
36
.70
9
12
3.2
11
7
9.2
30
9
3.7
23
7
0.2
21
8
7.8
68
4
13
1.0
49
8
8.6
34
6
3.7
09
4
7.7
34
1
26
.70
2
10
4.0
94
7
6.9
72
1
9.6
24
8
5.7
52
5
0.9
58
4
6.6
95
3
2.5
35
4
6.3
60
2
3.8
61
5
10
8.3
54
2
2.6
95
2
4.7
25
3
8.9
84
1
20
.28
9
6.4
13
7
4.5
88
2
.38
4
30
.965
5
4.7
87
1
4.4
41
3
2.2
55
4
4.6
27
1
.73
3
6
89
.32
1
9.0
34
2
4.1
91
0
.53
4
12
4.7
00
-4
.41
1
74
.330
0
.25
8
28
.022
2
.94
3
11
.684
2
.75
7
32
.764
1
1.8
63
7
71
.295
1
8.0
25
1
8.5
29
5
.66
2
11
8.9
24
5
.77
6
73
.918
0
.41
2
22
.352
5
.67
0
13
.781
-2
.09
7
33
.098
-0
.33
4
8
61
.4
9.8
95
1
4.0
50
4
.47
9
11
7.6
72
1
.25
2
69
.494
4
.42
4
21
.734
0
.61
8
10
.712
3
.06
8
38
.722
-5
.62
4
9
60
.386
1
.01
4
18
.133
-4
.08
3
11
8.3
73
-0
.70
1
69
.431
0
.06
4
19
.643
2
.09
1
9.4
29
1
.28
3
31
.668
7
.05
5
10
59
.943
0
.44
3
17
.838
0
.29
5
11
7.6
91
0
.68
3
69
.736
-0
.30
6
19
.547
0
.09
5
10
.522
-1
.09
2
31
.054
0
.61
3
T
abel
5.8
Nil
ai S
SE
Jen
is P
alaw
ija
Ket
ela
Poh
on
tah
un
2015 -
20
0920
15
-
2009
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
Tabel 5.9 berikut merupakan tabel SSE dari hasil elbow data set tanaman palawija
Ketela Pohon tahun 2008-2003.
Nil
ai
K
20
08
20
07
20
06
20
05
20
04
20
03
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
2
24
4.3
40
-
20
8.4
14
-
14
5.8
11
-
17
5.3
55
-
20
.398
-
13
.441
-
3
34
.238
2
10
.10
2
45
.730
1
62
.68
5
67
.201
7
8.6
10
4
4.8
74
1
30
.48
1
7.1
80
1
3.2
17
4
.31
4
9.1
27
4
33
.729
0
.50
9
37
.045
8
.68
4
56
.070
1
1.1
31
1
7.2
78
2
7.5
96
6
.53
0
0.6
50
4
.14
2
0.1
72
5
16
.346
1
7.3
83
2
3.0
63
1
3.9
83
5
4.0
29
2
.04
1
13
.418
3
.86
0
6.0
53
0
.47
7
3.2
92
0
.85
0
6
16
.109
0
.23
7
22
.620
0
.44
3
53
.581
0
.44
9
11
.806
1
.61
2
2.1
32
3
.92
1
2.8
99
0
.39
3
7
11
.927
4
.18
2
22
.570
0
.05
0
30
.028
2
3.5
53
7
.51
6
4.2
91
2
.13
3
-0.0
01
0
.76
7
2.1
32
8
11
.866
0
.06
1
22
.006
0
.56
3
29
.448
0
.58
1
1.8
16
5
.69
9
1.9
98
0
.13
6
0.6
91
0
.07
6
9
3.8
91
7
.97
5
22
.229
-0
.22
3
29
.437
0
.01
0
1.2
49
0
.56
7
0.9
19
1
.07
9
0.4
58
0
.23
3
10
4.3
39
-0
.44
8
21
.884
0
.34
6
29
.961
-0
.52
4
0.5
08
0
.74
1
1.3
95
-0
.47
6
0.4
61
-
0.0
03
T
abel
5.8
Nil
ai S
SE
Jen
is P
alaw
ija
Ket
ela
Poh
on
tah
un 2008 -
200320
15
-
2009
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
Pada gambar 5.41 sampai dengan 5.46 akan menampilkan gambar grafik elbow
pada tanaman palawija ketela pohon untuk tahun 2015-2010.
Gambar 5.41 Grafik Elbow Jenis
Palawija Ketela Pohon 2015
Gambar 5.42 Grafik Elbow Jenis
Palawija Ketela Pohon 2014
Gambar 5.43 Grafik Elbow Jenis
Palawija Ketela Pohon 2013
Gambar 5.44 Grafik Elbow Jenis
Palawija Ketela Pohon 2012
Gambar 5.45 Grafik Elbow Jenis
Palawija Ketela Pohon 2011
Gambar 5.46 Grafik Elbow Jenis
Palawija Ketela Pohon 2010
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
Berikut ini gambar 5.47 sampai dengan 5.51 akan menampilkan gambar grafik
elbow pada tanaman palawija Ketela Pohon untuk tahun 2009-2004.
Gambar 5.47 Grafik Elbow Jenis
Palawija Ketela Pohon 2009
Gambar 5.48 Grafik Elbow Jenis
Palawija Ketela Pohon 2008
Gambar 5.49 Grafik Elbow Jenis
Palawija Ketela Pohon 2007
Gambar 5.48 Grafik Elbow Jenis
Palawija Ketela Pohon 2006
Gambar 5.50 Grafik Elbow Jenis
Palawija Ketela Pohon 2005
Gambar 5.51 Grafik Elbow Jenis
Palawija Ketela Pohon 2004
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
Gambar 5.52 berikut ini adalah gambar untuk grafik elbow tanaman palawija
Ketela Pohon.
Gambar 5.52 Grafik Elbow Jenis Palawija Ketela Pohon 2003
Dilihat dari hasil pengujian data tanaman palawija ketela pohon dari tahun
2003-2015 dan ditemukan untuk tahun 2013 penurunan nilai SSE paling besar
pada k = 4, sedangkan untuk 2015, 2014, 2012, 2009, 2008, 2007, 2006, 2005,
2004 dan 2003 mengalami penurunan paling besar rata-rata terjadi pada k = 3.
Pada tahun 2011 dan 2010 mengalami penurunan cukup banyak pada K =3,
namun pada k = 5 mengalami penurunan secara besar dan kemudian diikuti oleh
penurunan stabil pada k = 6. Diperoleh hasil K yang berbeda-beda dari
pengujian maka k ideal untuk menentukan karakteristik palawija ketela pohon
dapat menggunakan k = 3, 4 dan 5.
Proses klustering k-means tanaman palawija ketela pohon untuk tahun 2015,
2014, 2012, 2009, 2008, 2007, 2006, 2005, 2004 dan 2003 nilai k yang baik
adalah k = 3, karena pada k = 2 ke k = 3 mengalami penurunan nilai SSE secara
drastis dan terlihatnya elbow pada k = 3 yang diikuti oleh penurunan nilai SSE
k = 4 sampai k = 10 secara landai. Untuk tahun 2013 k yang baik terdapat pada
k = 4, karena pada k = 3 ke k = 4 mengalami penurunan nilai SSE paling besar
dan tampaknya elbow setelahnya diikuti oleh penurunan nilai SSE k = 5 sampai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
k = 10 turun secara stabil. Kemudian pada k terbaik untuk tahun 2011 dan 2010
adalah K = 5.
Tabel 5.10 berikut adalah tabel rangkuman nilai k terbaik untuk ketela pohon.
Tabel 5.10 Nilai K Terbaik Tanaman Palawija Ketela Pohon
Tahun Banyak
Data yang
digunakan
Jumlah Nilai K Yang Diuji Nilai K
2015 51 K = 2 sampai K = 10 3
2014 51 K = 2 sampai K = 10 3
2013 51 K = 2 sampai K = 10 4
2012 51 K = 2 sampai K = 10 3
2011 51 K = 2 sampai K = 10 5
2010 51 K = 2 sampai K = 10 5
2009 51 K = 2 sampai K = 10 3
2008 51 K = 2 sampai K = 10 3
2007 51 K = 2 sampai K = 10 3
2006 51 K = 2 sampai K = 10 3
2005 51 K = 2 sampai K = 10 3
2004 51 K = 2 sampai K = 10 3
2003 51 K = 2 sampai K = 10 3
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
Tabel 5.11 berikut ini adalah tabel SSE dari hasil elbow data set tanaman palawija
kacang tanah untuk tahun 2015-2009.
Nil
ai K
2
015
20
14
20
13
20
12
20
11
20
10
20
09
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
2
0.2
335
-
0.5
81
-
0.8
09
-
1.0
53
-
1.7
06
-
0.5
17
-
1.0
72
3
0.1
568
0
.07
67
0
.24
7
0.3
34
0
.41
1
0.3
98
0
.53
4
0.5
19
1
.16
5
0.5
42
0
.35
7
0.1
60
0
.66
1
0.4
11
4
0.0
827
0
.07
41
0
.09
9
0.1
48
0
.34
5
0.0
66
0
.43
3
0.1
01
0
.49
5
0.6
69
0
.05
2
0.3
06
0
.66
1
0.0
00
5
0.0
598
0
.02
29
0
.08
8
0.0
11
0
.18
1
0.1
64
0
.38
4
0.0
49
0
.39
7
0.0
98
0
.03
8
0.0
14
0
.13
2
0.5
30
6
0.0
391
0
.02
07
0
.07
7
0.0
10
0
.07
5
0.1
06
0
.12
4
0.2
60
0
.03
9
0.3
58
0
.02
8
0.0
10
0
.07
6
0.0
56
7
0.0
338
0
.00
53
0
.06
0
0.0
18
0
.05
8
0.0
17
0
.13
9
-0.0
15
0
.03
3
0.0
06
0
.03
7
-0.0
09
0
.07
6
0.0
00
8
0.0
273
0
.00
65
0
.02
5
0.0
34
0
.05
6
0.0
02
0
.04
1
0.0
98
0
.02
6
0.0
08
0
.03
5
0.0
01
0
.01
7
0.0
58
9
0.0
355
-0
.00
82
0
.04
6
-0.0
20
0
.05
7
0.0
00
0
.04
3
-0.0
02
0
.03
1
-0.0
05
0
.02
7
0.0
09
0
.01
7
0.0
00
10
0.0
276
0
.00
79
0
.05
4
-0.0
09
0
.05
6
0.0
01
0
.04
2
0.0
01
0
.04
0
-0.0
09
0
.01
2
0.0
14
0
.09
7
-0.0
80
T
abel
5.1
1 N
ilai
SS
E J
enis
Pal
awij
a K
acan
g T
anah
tah
un 2015 -
20092
015
-
2009
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
Tabel 5.12 berikut adalah tabel SSE dari hasil elbow data set tanaman palawija
kacang tanah.
Tabel 5.12 Nilai SSE Jenis Palawija Kacang Tanah tahun 2008-2003
Nil
ai K
2
008
20
07
20
06
20
05
20
04
20
03
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
2
0.7
30
-
0.2
327
-
1.9
54
-
1.1
04
-
0.0
634
-
0.2
39
-
3
0.0
44
0
.68
6
0.1
063
0
.12
65
0.5
28
1
.42
6
0.5
22
0
.58
2
0.0
400
0
.02
33
0
.11
2
0.1
26
4
0.0
19
0
.02
5
0.0
652
0
.04
11
0.2
38
0
.29
0
0.1
92
0
.33
0
0.0
384
0
.00
17
0
.06
2
0.0
51
5
0.0
18
0
.00
1
0.0
640
0
.00
12
0.1
57
0
.08
1
0.1
51
0
.04
1
0.0
155
0
.02
29
0
.03
2
0.0
30
6
0.0
09
0
.00
9
0.0
382
0
.02
57
0.3
06
-0
.15
0
0.0
96
0
.05
5
0.0
142
0
.00
13
0
.02
7
0.0
05
7
0.0
10
-0
.00
1
0.0
106
0
.02
76
0.1
45
0
.16
2
0.0
57
0
.03
9
0.0
132
0
.00
10
0
.02
7
0.0
00
8
0.0
03
0
.00
7
0.0
092
0
.00
14
0.1
72
-0
.02
7
0.0
81
-0
.02
4
0.0
133
-0
.00
01
0
.01
6
0.0
10
9
0.0
09
-0
.00
6
0.0
068
0
.00
24
0.1
02
0
.06
9
0.0
80
0
.00
1
0.0
115
0
.00
18
0
.01
9
-0.0
03
10
0.0
00
0
.00
8
0.0
050
0
.00
18
0.1
05
-0
.00
3
0.0
78
0
.00
1
0.0
112
0
.00
02
0
.02
2
-0.0
03
x
T
abel
5.1
2 N
ilai
SS
E J
enis
Pal
awij
a K
acan
g T
anah
tah
un 2008 -
20032
015
-
2009
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
Pada gambar 5.53 sampai dengan 5.57 akan menampilkan gambar grafik elbow
pada tanaman palawija kacang tanah untuk tahun 2015-2010.
Gambar 5.53 Grafik Elbow Jenis
Palawija Kacang Tanah 2015
Gambar 5.54 Grafik Elbow Jenis Palawija
Kacang Tanah 2014
Gambar 5.55 Grafik Elbow Jenis
Palawija Kacang Tanah 2013
Gambar 5.56 Grafik Elbow Jenis Palawija
Kacang Tanah 2012
Gambar 5.57 Grafik Elbow Jenis
Palawija Kacang Tanah 2011
Gambar 5.58 Grafik Elbow Jenis Palawija
Kacang Tanah 2010
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
Berikut ini gambar 5.58 sampai dengan 5.63 akan menampilkan gambar grafik
elbow pada tanaman palawija Kacang Tanah untuk tahun 2009-2004.
Gambar 5.58 Grafik Elbow Jenis
Palawija Kacang Tanah 2009
Gambar 5.59 Grafik Elbow Jenis
Palawija Kacang Tanah 2008
Gambar 5.60 Grafik Elbow Jenis
Palawija Kacang Tanah 2007
Gambar 5.61 Grafik Elbow Jenis
Palawija Kacang Tanah 2006
Gambar 5.62 Grafik Elbow Jenis
Palawija Kacang Tanah 2005
Gambar 5.63 Grafik Elbow Jenis
Palawija Kacang Tanah 2004
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
Gambar 5.64 merupakan gambar untuk grafik elbow tanaman palawija Kacang
Tanah.
Gambar 5.64 Grafik Elbow Jenis Palawija Kacang Tanah 2003
Dilihat dari hasil pengujian data tanaman palawija kacang tanah dari tahun
2003-2015 dan ditemukan untuk tahun 2015, 2014, 2010 dan 2007 terjadi
penurunan nilai SSE paling besar pada k = 4, sedangkan untuk 2012, 2008,
2006, 2005 dan 2003 mengalami penurunan paling besar terjadi pada k = 3.
Penurunan nilai SSE besar terjadi juga pada k = 6 untuk 2011 dan 2013. Pada k
= 5 penurunan terjadi terhadap 2009 dan 2004. Diperoleh hasil k yang berbeda-
beda dari pengujian maka k ideal untuk menentukan karakteristik palawija
kacang tanah dapat menggunakan k = 3, 4, 5 dan 6.
Proses klustering k-means tanaman palawija kacang tanah untuk tahun
2012, 2008, 2006, 2005 dan 2003 nilai k yang baik adalah k = 3, karena pada k
= 2 ke k = 3 mengalami penurunan nilai SSE secara drastis dan terlihatnya elbow
pada k = 3 kemudian diikuti oleh penurunan nilai SSE k = 4 sampai k = 10
secara landai. Untuk tahun 2015, 2014, 2010 dan 2007 k yang baik terdapat
pada k = 4, karena pada k = 3 ke k = 4 mengalami penurunan nilai SSE paling
besar dan tampaknya elbow setelahnya diikuti oleh penurunan nilai SSE k = 5
sampai k = 10 stabil. Kemudian pada k terbaik untuk tahun 2011 dan 2013 ada
pada k = 6 juga untuk tahun 2004 dan 2009 pada k = 5 penurunan nilai hasik
sum square of error memang tidak banyak namun karna terbentuknya elbow
maka layak untuk k terbaik.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
Tabel 5.13 adalah rangkuman nilai k terbaik untuk tanaman palawija kacang
tanah.
Tabel 5.13 Nilai K Terbaik Tanaman Palawija Kacang Tanah
Tahun Banyak
Data yang
digunakan
Jumlah Nilai K Yang Diuji Nilai K
2015 51 K = 2 sampai K = 10 4
2014 51 K = 2 sampai K = 10 4
2013 51 K = 2 sampai K = 10 6
2012 51 K = 2 sampai K = 10 3
2011 51 K = 2 sampai K = 10 6
2010 51 K = 2 sampai K = 10 4
2009 51 K = 2 sampai K = 10 5
2008 51 K = 2 sampai K = 10 3
2007 51 K = 2 sampai K = 10 4
2006 51 K = 2 sampai K = 10 3
2005 51 K = 2 sampai K = 10 3
2004 51 K = 2 sampai K = 10 5
2003 51 K = 2 sampai K = 10 3
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
Tabel 5.14 berikut adalah tabel SSE dari hasil elbow data set tanaman palawija
Kedelai untuk tahun 2015-2009.
Nil
ai K
2
015
20
14
20
13
20
12
20
11
20
10
20
09
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
2
1.0
85
-
0.4
370
- 0
.99
04
-
0.4
24
- 3
.54
6
- 0
.64
37
- 0
.61
7
-
3
0.3
76
0
.71
0
0.1
050
0.3
319
0.0
904
0
.90
00
0.0
78
0.3
45
1.4
84
2.0
61
0.2
827
0.3
61
0.2
82
0.3
35
4
0.2
77
0
.09
9
0.0
840
0.0
210
0.0
438
0
.04
66
0.0
36
0.0
42
0.8
98
0.5
86
0.0
962
0.1
865
0.2
37
0.0
45
5
0.2
76
0
.00
1
0.0
008
0.0
832
0.0
508
-0
.00
70
0.0
27
0.0
09
0.5
99
0.2
99
0.0
393
0.0
569
0.1
06
0.1
31
6
0.1
30
0
.14
6
0.0
008
0.0
000
0.0
308
0
.02
00
0.0
15
0.0
11
0.7
44
-0.1
44
0.0
332
0.0
061
0.0
76
0.0
30
7
0.0
81
0
.04
8
0.0
225
-0.0
21
7
0.0
409
-0
.01
01
0.0
08
0.0
07
0.5
00
0.2
44
0.0
254
0.0
078
0.0
84
-0.0
08
8
0.0
32
0
.04
9
0.0
167
0.0
058
0.0
226
0
.01
83
0.0
07
0.0
01
0.1
22
0.3
78
0.0
176
0.0
078
0.0
18
0.0
66
9
0.0
32
0
.00
0
0.0
016
0.0
151
0.0
319
-0
.00
93
0.0
03
0.0
04
0.0
82
0.0
40
0.0
173
0.0
003
0.0
17
0.0
01
10
0.0
19
0
.01
4
0.0
016
0.0
000
0.0
626
-0
.03
07
0.0
06
-0.0
02
0.0
79
0.0
03
0.0
173
0
0.0
11
0.0
06
T
abel
5.1
4 N
ilai
SS
E J
enis
Pal
awij
a K
edel
ai t
ahun 2015 -
20092015-2
00
9
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
Tabel 5.15 berikut adalah tabel SSE dari hasil elbow data set tanaman palawija
Kedelai untuk tahun 2008-2003.
Nil
ai
K
20
08
20
07
20
06
20
05
20
04
20
03
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
SS
E
Sel
isih
S
SE
S
elis
ih
2
0.2
88
-
0.1
804
- 0
.85
24
- 0
.15
77
- 0
.09
55
- 0
.10
8
-
3
0.1
38
0
.15
0
0.0
988
0.0
816
0.1
459
0.7
066
0.0
514
0.1
063
0.0
680
0.0
276
0
.09
3
0.0
15
4
0.0
90
0
.04
8
0.0
793
0.0
194
0.0
933
0.0
526
0.0
453
0.0
061
0.0
495
0.0
184
0
.02
3
0.0
70
5
0.0
47
0
.04
3
0.0
512
0.0
281
0.1
472
-
0.0
540
0.0
294
0.0
159
0.0
133
0.0
362
0
.01
8
0.0
05
6
0.0
44
0
.00
4
0.0
020
0.0
493
0.1
134
0.0
338
0.0
294
0.0
000
0.0
178
-
0.0
045
0
.00
9
0.0
09
7
0.0
38
0
.00
6
0.0
016
0.0
004
0.0
008
0.1
126
0.0
294
0.0
000
0.0
128
0.0
051
0
.00
6
0.0
03
8
0.0
34
0
.00
3
0.0
001
0.0
014
0.0
008
0.0
000
0.0
294
0.0
000
0.0
091
0.0
037
0
.00
2
0.0
04
9
0.0
34
0
.00
0
0.0
050
-
0.0
049
0.0
008
0.0
000
0.0
294
0.0
000
0.0
065
0.0
026
0
.00
2
0
10
0.0
29
0
.00
5
0.0
050
0.0
000
0.0
007
0.0
000
0.0
171
0.0
123
0.0
059
0.0
006
0
.00
5
-
0.0
02
T
abel
5.1
5 N
ilai
SS
E J
enis
Pal
awij
a K
edel
ai t
ahun
2008 -
20032015-2
009
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
Pada gambar 5.65 sampai dengan 5.57 akan menampilkan gambar grafik elbow
pada tanaman palawija Kedelai untuk tahun 2015-2010.
Gambar 5.53 Grafik Elbow Jenis
Palawija Kedelai 2015
Gambar 5.54 Grafik Elbow Jenis Palawija
Kedelai 2014
Gambar 5.55 Grafik Elbow Jenis
Palawija Kedelai 2013
Gambar 5.56 Grafik Elbow Jenis Palawija
Kedelai 2012
Gambar 5.57 Grafik Elbow Jenis
Palawija Kedelai 2011
Gambar 5.58 Grafik Elbow Jenis Palawija
Kedelai 2010
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
Berikut ini gambar 5.58 sampai dengan 5.63 akan menampilkan gambar grafik
elbow pada tanaman palawija Kacang Tanah untuk tahun 2009-2004.
Gambar 5.58 Grafik Elbow Jenis
Palawija Kedelai 2009
Gambar 5.59 Grafik Elbow Jenis
Palawija Kedelai 2008
Gambar 5.60 Grafik Elbow Jenis
Palawija Kedelai 2007
Gambar 5.61 Grafik Elbow Jenis
Palawija Kedelai 2006
Gambar 5.62 Grafik Elbow Jenis
Palawija Kedelai 2005
Gambar 5.63 Grafik Elbow Jenis
Palawija Kedelai 2004
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
Gambar 5.78 berikut ini adalah gambar untuk grafik elbow tanaman palawija
Kedelai.
Gambar 5.78 Grafik Elbow Jenis Palawija Kedelai 2003
Dilihat dari hasil pengujian data tanaman palawija kedelai dari tahun 2003-
2015 dan ditemukan untuk tahun 2015, 2014, 2013, 2012, 2011, 2009, 2006 dan
2005 terjadi penurunan nilai SSE paling besar pada k = 3, sedangkan untuk
2010, 2004 dan 2003 mengalami penurunan paling besar terjadi pada k = 4.
Untuk tahun 2007 pada k = 6. Dan 2008 pada k =5. Diperoleh hasil k yang
berbeda-beda dari pengujian maka k ideal untuk menentukan karakteristik
palawija kedelai dapat menggunakan k = 3, 4, 5 dan 6.
Proses klustering k-means tanaman palawija kedelai untuk tahun 2015,
2014, 2013, 2012, 2011, 2009, 2006 dan 2005 nilai k yang baik adalah k = 3,
karena pada k = 2 ke k = 3 mengalami penurunan nilai SSE secara drastis dan
terlihatnya elbow pada k = 3 kemudian diikuti oleh penurunan nilai SSE k = 4
sampai k = 10 secara landai. Untuk tahun 2010, 2004 dan 2003 k yang baik
terdapat pada k = 4, karena pada k = 3 ke k = 4 mengalami penurunan nilai SSE
paling besar dan tampaknya elbow setelahnya diikuti oleh penurunan nilai SSE
k = 5 sampai k = 10 secara stabil. Pada tahun 2007 k terbaik pada k = 6 dan
2008 k = 5 karena terbentuknya elbow dan k = 7 sampai k = 10 mengalami
penurunan perlahan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
Tabel 5.16 merupakan rangkuman nilai k untuk tanaman palawija kedelai.
Tabel 5.16 Nilai K Terbaik Tanaman Palawija Kedelai
Tahun Banyak Data
yang
digunakan
Jumlah Nilai K Yang Diuji Nilai K
2015 51 K = 2 sampai K = 10 K = 3
2014 51 K = 2 sampai K = 10 K = 3
2013 51 K = 2 sampai K = 10 K = 3
2012 51 K = 2 sampai K = 10 K = 3
2011 51 K = 2 sampai K = 10 K = 3
2010 51 K = 2 sampai K = 10 K = 4
2009 51 K = 2 sampai K = 10 K = 3
2008 51 K = 2 sampai K = 10 K = 5
2007 51 K = 2 sampai K = 10 K = 6
2006 51 K = 2 sampai K = 10 K = 3
2005 51 K = 2 sampai K = 10 K = 3
2004 51 K = 2 sampai K = 10 K = 4
2003 51 K = 2 sampai K = 10 K = 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
5.5 Analisa Hasil Kluster
Berdasarkan hasil pengujian metode elbow pada tiap dataset yang
dirangkum pada tabel 5.2 sampai dengan 5.16 ditemukan nilai k terbaik untuk
tiap variable jenis palawija, maka dilakukan analisis terhadap setiap variable
jenis tanaman palawija untuk menemukan perbedaan antar kluster dengan
menggunakan dataset tahun 2015.
1. Tanaman Palawija Jagung
Tabel 5.17 berikut analisis karakteristik hasil kluster menggunakan
dataset tahun 2015.
Tabel 5.17 Karakteristik kelompok tanaman Jagung tahun 2015
Kluster Rata-rata
Produktivitas
Nilai
Min
Nilai
Max
Standar
Deviasi
Jumlah
Anggota
0 2.0746 1.1993 2.7083 0.399
18
1 3.4420 2.8537 4.2491 0.401
22
2 5.7041 4.6132 7.4459 1.0622
6
Dari tabel 5.17 dapat disimpulkan bahwa daerah dengan produktivitas
terendah pada kluster ke 0 , dari tabel 5.17 juga diperoleh kesimpulan bahwa
kluster 0 merupakan kumpulan obyek dengan nilai rata-rata produktivitas
terendah, kluster 1 sedang, dan kluster 2 dengan nilai rata-rata produktivitas
tertinggi. Pada tahun 2015 untuk data tanaman palawija jagung menunjukan
standar deviasi yang tinggi dalam kluster ke-2 menandakan bahwa dalam
kluster terdiri dari data yang beragam. Sebagian besar berada dalam kluster
ke-1 menunjukan daerah dengan produktivitas yang sedang.
2. Tanaman Palawija Ubi Jalar
Dari tabel 5.5 tanaman palawija ubi jalar tahun 2015 memiliki K = 6
sebagai nilai K terbaik. Dari nilai K = 6 tersebut tiap kluster memiliki
perbedaan yang dapat dilihat pada tabel 5.18 berikut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
Tabel 5.18 Perbandingan Nilai Rata-rata Kluster Palawija Ubi Jalar
Kluster Rata-rata
Produktivitas
Nilai
Min
Nilai
Max
Standar
Deviasi
Jumlah
Anggota
0 1.2790 1.2790 1.2790 -
1
1 7.9307 6.6207 8.4483 0.4572
18
2 9.2022 8.9603 9.8333 0.217634
15
3 10.6741 10.0153 11.4257 0.447989
10
4 14.9863 13.1826 16.7674 1.689337
5
5 25.7316 25.7316 25.7316 -
1
Dari hasil perbandingan pada tabel 5.18 disimpulkan bahwa kluster 0
merupakan kelompok tanaman palawija ubi jalar dengan nilai produktivitas
terendah, dan kluster 5 dengan nilai produktivitas tertinggi. Pada tabel 5.18
ditemukan outlier dimana produktivitas terendah dan tertinggi ditempati
oleh 1 anggota saja. Untuk 1 anggota kluster terendah dan tertinggi memiliki
data yang mencolok dimana rata-ratanya jauh diatas produktivitas
kelompok lain. Anggota terbanyak terdapat pada kluster ke-1 (produktivitas
rendah sedang).
3. Tanaman Palawija Ketela Pohon
Menurut rangkuman tabel 5.8 tanaman palawija ketela pohon memiliki
K terbaik K = 4. Nilai K = 4 untuk setiap kluster memiliki perbedaan yang
dapat dilihat pada tabel 5.19 berikut.
Tabel 5.19 Perbandingan Nilai Rata-rata Kluster Palawija Ketela Pohon
Kluster Rata-rata
Produktivitas
Nilai
Min
Nilai
Max
Standar
Deviasi
Jumlah
Anggota
0 14.21 11.40 15.80 1.12
30
1 21.53 17.94 28.15 2.84
18
2 39.17 34.36 43.98 6.80
2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
81
Pada tabel 5.19 diperoleh kesimpulan bahwa kluster 0 merupakan
kelompok tanaman palawija ketela pohon dengan nilai produktivitas
terendah, kluster 1 sedang rendah, dan kluster 2 sedang tinggi dan kluster
3 dengan nilai produktivitas tertinggi. Dalam kluster ini standar deviasi yang
dimiliki paling tinggi pada kluster ke-2, ini menandakan pada kluster ini
mempunyai data yang beragam.
4. Tanaman Palawija Kacang Tanah
Dari rangkuman tabel 5.11 tanaman palawija kacang tanah memiliki K =
4 sebagai K terbaik. Setiap kluster untuk nilai K = 4 memiliki perbedaan
yang dapat dilihat pada tabel 5.20 berikut.
Tabel 5.20 Perbandingan Nilai Rata-rata Kluster Palawija Kacang
Tanah
Kluster Rata-rata
Produktivitas
Nilai
Min
Nilai
Max
Standar
Deviasi
Jumlah
Anggota
0 0.9211 0.9211 0.9211 -
1
1 1.0390 1.0000 1.1053 0.0446
15
2 1.1918 1.1200 1.2609 0.0430
13
3 1.3839 1.3158 1.5000 0.0636
9
Diperoleh dari tabel 5.20 kesimpulan bahwa kluster 0 merupakan
kelompok tanaman palawija kacang tanah dengan nilai produktivitas
terendah, kluster 1 sedang rendah dan 2 sedang tinggi, dan kluster 3 dengan
nilai produktivitas tertinggi. Untuk kluster ke-0 ditemukan ada data yang
outlier dimana dikelompok tersebut hanya ada 1 data yang berbeda. Kluster
1 (produktivitas sedang rendah) memiliki anggota kluster terbanyak.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
82
5. Tanaman Palawija Kedelai
Tanaman palawija kedelai memiliki K = 3 sebagai K terbaik pada tabel
5.14. Perbedaan untuk setiap K = 3 dapat dilihat pada tabel berikut.
Tabel 5.21 Perbandingan Nilai Rata-rata Kluster Palawija Kedelai
Kluster Rata-rata
Produktivitas
Nilai
Min
Nilai
Max
Standar
Deviasi
Jumlah
Anggota
0 0.991 0.909 1.066 0.038
15
1 1.219 1.088 1.338 0.066
21
2 1.560 1.405 1.847 0.167
8
Dari hasil perbandingan pada tabel 5.21 diperoleh bahwa kluster 0
merupakan kelompok tanaman palawija kedelai dengan nilai produktivitas
terendah, kluster 1 sedang, dan kluster 2 dengan nilai produktivitas tertinggi.
Dari nilai produktivitas rata-rata nilai ketiga kluster tidak terlalu jauh satu
dengan yang lain. Dalam kelompok tanaman ini kluster ke-1 memiliki
anggota terbanyak.
5.6 Analisis Sistem
5.6.1 Kelebihan Sistem
Sistem ini mempunyai kelebihan sebagai berikut :
1. Sistem mengimport data dengan file bertipe xls.
2. Hasil proses kluster dapat disimpan dalam database sistem.
3. Sistem dapat menampilkan hasil proses kluster pada peta.
4. Sistem dapat membandingkan nilai elbow setiap k hasil dari proses
kluster dataset.
5. Sistem dapat menunjukkan tingkat produktivitas kabupaten/kota
dari hasil kluster.
5.6.2 Kekurangan Sistem
Sistem ini juga memiliki kekurangan sebagai berikut :
1. Hanya dapat import data bertipe xls.
2. Peta hanya dapat menampilkan sampai hasil k = 10.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
83
3. Sistem belum dapat memilih atribut untuk proses kluster.
4. Sistem hanya menerima data dengan tipe data yang sesuai dan
disusun terlebih dahulu.
5. Sistem tidak dapat memproses atribut produktivitas palawija
jagung, ubi jalar, ketela pohon, kacang tanah dan kedelai secara
bersamaan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
84
BAB VI
PENUTUP
Bab ini berisi tentang kesimpulan penelitan dan saran peneliti.
6.1 Kesimpulan
Dari pengujian yang telah dilakukan kesimpulan yang didapat adalah :
1. Sistem peta potensi produksi palawija dengan menggunakan metode k-
means clustering telah berhasil dibangun.
2. Algoritma k-means dapat digunakan dalam pengelompokan produktivitas
kabupaten-kabupaten di Kalimantan sehingga diperoleh daerah dengan
tingkat kemiripan produktivitas yang serupa. Penerapan algoritma Kmeans
juga membantu memperoleh perbandingan antar kabupaten yang produktif.
3. Perbandingan tingkat produktivitas kabupaten/kota pertahun dapat
dipahami dengan grafik kota.
4. Dengan adanya visualisasi grafik elbow mempermudah perbandingan antar
nilai SSE dan mencari jumlah kelompok tingkat produktivitas yang ideal.
5. Dengan menggunakan metode elbow diperoleh jumlah kluster yang
direkomendasikan untuk tiap dataset rata-rata pada k = 3 di mana kluster
ke-0 merupakan kelompok dengan rata-rata produktivitas terendah, kluster
ke-1 sedang dan kluster ke-2 tertinggi.
6. Untuk data produktivitas semua jenis tanaman, sebagian besar daerah
berada pada kluster dengan produktivitas sedang.
7. Untuk data tanaman jagung dan ketela pohon, kluster 2 (produktivitas
tinggi) memiliki standar deviasi tinggi yang berarti daerah-daerah yang
berada pada kluster 2 cukup beragam produktivitasnya. Sedangkan untuk
tanaman ubi jalar, standar deviasi yang tinggi ditemukan pada kluster 4.
Untuk semua jenis tanaman, kecuali ubi jalar dan kacang tanah, standar
deviasi terendah terdapat pada kluster ke-0.
8. Penerapan algoritma k-means berhasil menemukan data outlier pada ubi
jalar dan kacang tanah.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
85
6.2 Saran
Saran yang dibutuhkan dalam pengembangan sistem untuk kedepan adalah:
1. Sistem dapat import data tidak hanya berupa xls.
2. Sistem dapat dikembangkan lagi dengan menggunakan algoritma
clustering lainnya, misal Agglomerative Hierarchical Clustering.
3. Sistem dapat dikembangkan untuk clustering seluruh kabupaten di
Indonesia.
4. Sistem dapat dikembangkan untuk clustering hasil produksi pertanian
lainnya, baik secara terpisah ataupun sesuai jenis palawija maupun
beberapa jenis palawija secara bersamaan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
86
DAFTAR PUSTAKA
Bholowalia, P. & Kumar, A. 2014. A Clustering Techiniques Based on Elbow
Method and K-Means in WSN. International Jurnal of Computer Application
(0975-8887),IX(105), 17-24.
Ghosh, Soumi & Sanjay Koumar Dubey. 2013. Comparative Analysis of K-Means
and Fuzzy C-Means Algorithms. International Jurnal of Advance Computer
Science and Applications, vol 4, no 4.
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.
Kementan, 2017. Basis Data Pertanian. https://aplikasi2.pertanian.go.id/bdsp2/ di
akses tanggal 18 Oktober 2017.
Kodinariya, T. M. & Makwana, P. R. 2013. Review of Determining Number of
Cluster in K-Means Clustering. International Jurnal of Advance Research in
Computer Science and Management Studies, I(6), 90-95.
Kusrini, dan Luthfi, Emha. Taufiq. (2009). Algoritma Data mining. Yogyakarta :
Andi Publishing.
Prasetyo, Eko. 2014. Data mining Mengolah Data menjadi Informasi
Menggunakan Matlab. Yogyakarta : CV. ANDI OFFSET.
Santoso, Budi. 2007. Data Mining. Teknik Pemanfaatan Data untuk keperluan
Bisnis, First Edition ed. Yogyakarta: Graha Ilmu.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
87
LAMPIRAN
Lampiran 1 Narasi Use Case
a) Masuk
Use-Case Name : Memasukkan File Use-Case Type
Business requirement Use-Case ID : KC-01
Priority : High
Source : -
Primary Business
Actor :
Administrator
Other
Participating
Actors:
-
Other Interested
Stakeholders :
-
Description : Use case ini mendeskripsikan pengguna masuk kedalam
sistem sebagai administrator.
Precondition : Pengguna masuk ke sistem.
Typical Course Of
Events :
Actor Action System Response
1. Pengguna klik masuk.
2. Menampilkan halaman
masuk.
3. Pengguna memasukkan
username dan password.
4. Menampilkan beranda
sebagai administrator.
5. Pengguna berhasil masuk
ke sistem sebagai
administrator.
Postcondition : Pengguna berhasil masuk ke sistem sebagai
administrator.
Business Rules : Pengguna harus memasukan username dan password
administrator secara benar.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
88
b) Keluar
Use-Case Name : Keluar Use-Case Type
Business requirement Use-Case ID : KC-02
Priority : Low
Source : -
Primary Business
Actor :
Administrator
Other
Participating
Actors:
-
Other Interested
Stakeholders :
-
Description : Use case ini mendeskripsikan administrator keluar dari
sistem sebagai administrator.
Precondition : Pengguna masuk ke sistem sebagai Administrator.
Typical Course Of
Events :
Actor Action System Response
1. Pengguna klik
keluar.
2. Menampilkan kembali
halaman pengguna umum.
Postcondition : Pengguna berhasil keluar dari sistem sebagai
administrator.
Business Rules : Pengguna harus masuk ke sistem sebagai administrator.
c) Memasukkan File
Use-Case Name : Memasukkan File Use-Case Type
Business requirement Use-Case ID : KC-03
Priority : High
Source : -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
89
Primary Business
Actor :
Administrator
Other
Participating
Actors:
-
Other Interested
Stakeholders :
-
Description : Use case ini mendeskripsikan administrator
memasukkan data file yang akan di cluster ke dalam
sistem.
Precondition : Pengguna masuk ke sistem sebagai Administrator.
Typical Course Of
Events :
Actor Action System Response
1. Pengguna klik
browser
2. Menampilkan direktori
3. Pengguna memasukkan
file bertipe xls dari
direktori dan klik
proses
4. Menampilkan halaman
input data.
5. Pengguna berhasil
memasukkan data file.
Postcondition : Pengguna berhasil memasukkan data file
Business Rules : Pengguna harus memasukkan file bertipe xls.
d) Lihat Data Tanaman
Use-Case Name : Lihat Data Tanaman Use-Case Type
Business requirement Use-Case ID : KC-04
Priority : Low
Source : -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
90
Primary Business
Actor :
Administrator
Other
Participating
Actors:
-
Other Interested
Stakeholders :
-
Description : Use case ini mendeskripsikan pengguna melihat data
tanaman.
Precondition : Pengguna masuk ke halaman Kelola Data.
Typical Course Of
Events :
Actor Action System Response
1. Pilih tab Data
Kelola
2. Menampilkan
halaman data kelola.
Postcondition : Administrator berhasil melihat data tanaman.
Business Rules : Administrator harus masuk terlebih dahulu.
e) Cari Data Tanaman
Use-Case Name : Cari Data Tanaman Use-Case Type
Business requirement Use-Case ID : KC-05
Priority : Low
Source : -
Primary Business
Actor :
Administrator
Other
Participating
Actors:
-
Other Interested
Stakeholders :
-
Description : Use case ini mendeskripsikan pengguna mencari data
tanaman.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
91
Precondition : Pengguna masuk ke halaman Kelola Data.
Typical Course Of
Events :
Actor Action System Response
1. Pilih dropdown
jenis dan tekan
tombol cari
2. Menampilkan data
tanaman yang dicari.
Postcondition : Administrator berhasil cari data tanaman.
Business Rules : Administrator harus masuk terlebih dahulu.
f) Hapus Data Tanaman
Use-Case Name : Hapus Data Tanaman Use-Case Type
Business requirement Use-Case ID : KC-06
Priority : Low
Source : -
Primary Business
Actor :
Administrator
Other
Participating
Actors:
-
Other Interested
Stakeholders :
-
Description : Use case ini mendeskripsikan pengguna menghapus data
tanaman.
Precondition : Pengguna masuk ke halaman Kelola Data.
Typical Course Of
Events :
Actor Action System Response
1. Pilih menu
dropdown jenis dan
tekan tombol hapus
2. Menampilkan pesan
data berhasil hapus.
Postcondition : Administrator berhasil menghapus data tanaman.
Business Rules : Administrator harus masuk terlebih dahulu.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
92
g) Proses Cluster
Use-Case Name : Proses Cluster Use-Case Type
Business requirement Use-Case ID : KC-07
Priority : High
Source : -
Primary Business
Actor :
Administrator.
Other
Participating
Actors:
-
Other Interested
Stakeholders :
-
Description : Use case ini mendeskripsikan administrator menekan
button proses agar sistem memproses data.
Precondition : Pengguna masuk ke halaman input
Typical Course Of
Events :
Actor Action System Response
1. Administrator
masukan nilai K dan
pilih jenis kemudian
tekan tombol Proses
2. Memproses data
dengan nilai K yang
telah dimasukan dan
mengarahkan langsung
ke halaman hasil.
Postcondition : Administrator berhasil melakukan proses data.
Business Rules : Administrator harus memasukkan nilai K dan memilih
jenis palawija.
h) Lihat Data Kluster
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
93
Use-Case Name : Lihat Data Kluster Use-Case Type
Business requirement Use-Case ID : KC-08
Priority : Low
Source : -
Primary Business
Actor :
Administrator
Other
Participating
Actors:
-
Other Interested
Stakeholders :
-
Description : Use case ini mendeskripsikan pengguna melihat data
kluster.
Precondition : Pengguna masuk ke halaman Kelola Data.
Typical Course Of
Events :
Actor Action System Response
1. Pilih tab Data
Kluster
2. Menampilkan
halaman data kluster.
Postcondition : Administrator berhasil melihat data kluster.
Business Rules : Administrator harus masuk terlebih dahulu.
i) Cari Data Kluster
Use-Case Name : Cari Data Kluster Use-Case Type
Business requirement Use-Case ID : KC-09
Priority : Low
Source : -
Primary Business
Actor :
Administrator
Other
Participating
Actors:
-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
94
Other Interested
Stakeholders :
-
Description : Use case ini mendeskripsikan pengguna mencari data
Kluster.
Precondition : Pengguna masuk ke halaman Data Kluster.
Typical Course Of
Events :
Actor Action System Response
1. Pilih dropdown
jenis dan jumlah K,
kemudian tekan
tombol cari
2. Menampilkan data
hasil kluster yang
dicari.
Postcondition : Administrator berhasil cari data hasil kluster.
Business Rules : Administrator harus masuk terlebih dahulu.
j) Hapus Data Kluster
Use-Case Name : Hapus Data Kluster Use-Case Type
Business requirement Use-Case ID : KC-10
Priority : Low
Source : -
Primary Business
Actor :
Administrator
Other
Participating
Actors:
-
Other Interested
Stakeholders :
-
Description : Use case ini mendeskripsikan pengguna menghapus data
hasil kluster.
Precondition : Pengguna masuk ke halaman Data Kluster.
Actor Action System Response
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
95
Typical Course Of
Events :
1. Pilih menu
dropdown jenis dan
jumlah K kemudian
tekan tombol hapus
2. Menampilkan pesan
data berhasil hapus.
Postcondition : Administrator berhasil menghapus data kluster.
Business Rules : Administrator harus masuk terlebih dahulu.
k) Lihat Data Elbow
Use-Case Name : Lihat Data Elbow Use-Case Type
Business requirement Use-Case ID : KC-11
Priority : Low
Source : -
Primary Business
Actor :
Administrator
Other
Participating
Actors:
-
Other Interested
Stakeholders :
-
Description : Use case ini mendeskripsikan pengguna melihat data
elbow.
Precondition : Pengguna masuk ke halaman Kelola Data.
Typical Course Of
Events :
Actor Action System Response
1. Pilih tab Data
elbow
2. Menampilkan
halaman data elbow.
Postcondition : Administrator berhasil melihat data elbow.
Business Rules : Administrator harus masuk terlebih dahulu.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
96
l) Cari Data Elbow
Use-Case Name : Cari Data Elbow Use-Case Type
Business requirement Use-Case ID : KC-12
Priority : Low
Source : -
Primary Business
Actor :
Administrator
Other
Participating
Actors:
-
Other Interested
Stakeholders :
-
Description : Use case ini mendeskripsikan pengguna mencari data
elbow.
Precondition : Pengguna masuk ke halaman Data Elbow.
Typical Course Of
Events :
Actor Action System Response
1. Pilih dropdown
jenis, kemudian
tekan tombol cari
2. Menampilkan data
hasil elbow yang
dicari.
Postcondition : Administrator berhasil cari data hasil elbow.
Business Rules : Administrator harus masuk terlebih dahulu.
m) Hapus Data Elbow
Use-Case Name : Hapus Data Elbow Use-Case Type
Business requirement Use-Case ID : KC-13
Priority : Low
Source : -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
97
Primary Business
Actor :
Administrator
Other
Participating
Actors:
-
Other Interested
Stakeholders :
-
Description : Use case ini mendeskripsikan pengguna menghapus data
hasil elbow.
Precondition : Pengguna masuk ke halaman Data Elbow.
Typical Course Of
Events :
Actor Action System Response
1. Pilih menu
dropdown jenis dan
tekan tombol hapus
2. Menampilkan pesan
data berhasil hapus.
Postcondition : Administrator berhasil menghapus data elbow.
Business Rules : Administrator harus masuk terlebih dahulu.
n) Lihat Grafik Peta
Use-Case Name : Lihat Grafik Peta Use-Case Type
Business requirement Use-Case ID : KC-14
Priority : Low
Source : -
Primary Business
Actor :
Administrator dan pengguna umum
Other
Participating
Actors:
-
Other Interested
Stakeholders :
-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
98
Description : Use case ini mendeskripsikan pengguna data melihat
hasil proses perbandingan antar kota data dalam bentuk
peta.
Precondition : Pengguna masuk ke halaman grafik
Typical Course Of
Events :
Actor Action System Response
1. Pengguna memilih
jenis tanaman
palawija, tahun, dan
nilai kluster.
2. Menampilkan peta.
Postcondition : Pengguna berhasil melihat visualisasi peta.
Business Rules : Data telah diproses terlebih dahulu.
o) Lihat Grafik Kota
Use-Case Name : Lihat visualisasi Use-Case Type
Business requirement Use-Case ID : KC-15
Priority : Low
Source : -
Primary Business
Actor :
Administrator dan pengguna umum
Other
Participating
Actors:
-
Other Interested
Stakeholders :
-
Description : Use case ini mendeskripsikan pengguna data melihat
produktivitas kabupaten / kota data dalam bentuk grafik.
Precondition : Pengguna masuk ke halaman grafik
Typical Course Of
Events :
Actor Action System Response
1. Pengguna memilih
jenis tanaman
palawija, kota, dan
nilai kluster.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
99
2. Menampilkan grafik
garis.
Postcondition : Pengguna berhasil melihat grafik kota.
Business Rules : Data telah diproses terlebih dahulu.
p) Lihat Grafik Elbow
Use-Case Name : Lihat Grafik Elbow Use-Case Type
Business requirement Use-Case ID : KC-16
Priority : Low
Source : -
Primary Business
Actor :
Administrator dan pengguna umum
Other
Participating
Actors:
-
Other Interested
Stakeholders :
-
Description : Use case ini mendeskripsikan pengguna data melihat
hasil elbow dari proses data grafik.
Precondition : Pengguna masuk ke halaman grafik
Typical Course Of
Events :
Actor Action System Response
1. Pengguna memilih
jenis tanaman
palawija
2. Menampilkan grafik.
Postcondition : Pengguna berhasil melihat visualisasi grafik elbow.
Business Rules : Data telah diproses terlebih dahulu.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
100
Lampiran 2 Activity Diagram
1. Masuk
2. Keluar
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
101
3. Masukan File
4. Lihat Data Tanaman
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
102
5. Cari Data Tanaman
6. Hapus Data Tanaman
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
103
7. Proses kluster
8. Lihat Data Kluster
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
104
9. Cari Data Kluster
10. Hapus Data Kluster
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
105
11. Lihat Data Elbow
12. Cari Data Elbow
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
106
13. Hapus Data Elbow
14. Lihat Grafik Peta
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
107
15. Lihat Grafik Kota
16. Lihat Grafik Elbow
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
108
Lampiran 3 Sequence Diagram
1. Masuk
2. Keluar
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
109
3. Masukan File
4. Lihat Data Tanaman
5. Cari Data Tanaman
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
110
6. Hapus Data Tanaman
7. Proses kluster
8. Lihat Data Kluster
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
111
9. Cari Data Kluster
10. Hapus Data Kluster
11. Lihat Data Elbow
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
112
12. Cari Data Elbow
13. Hapus Data Elbow
14. Lihat Grafik Peta
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
113
15. Lihat Grafik Kota
16. Lihat Grafik Elbow
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
113
Lampiran 4 Hasil Pengujian Validasi (Blackbox)
Identifikasi use
case Deskripsi Prosedur Pengujian Masukan Keluaran yang diharapkan
Hasil yang
didapatkan
Catatan proses
pengembangan
UC01-A
Pengujian
memasukan
username
dan
password
yang tidak
terdaftar
1. Menjalankan
sistem
2. Pilih tab masuk
3. Halaman login
akan memasukan
username dan
password
4. tekan tombol
masuk
username :
tes12345
password :
tes12345
akan tampil pesan untuk
periksa username dan
password
muncul pesan
periksa
username dan
password
anda
Tidak
diperbaiki
UC01-B
Pengujian
memasukan
username
dan
password
yang
terdaftar
username :
admin password
: admin
akan diarahkan kehalaman
beranda pengguna
administrator
tampil
halaman
beranda
administrator.
Tidak
diperbaiki
UC02-A
Pengujian
dengan
menekan
tab keluar
1. Beranda dalam
menu administrator
2. menekan tab
keluar
3. Muncul jendela
pertanyaan apakah
akan keluar pilih ya. Klik ya
akan diarahkan kehalaman
beranda pengguna umum
tampil
halaman
beranda
pengguna
umum.
Tidak
diperbaiki
UC03-A
Pengujian
dengan
memasukan
data bukan
bertipe xls
1. Sidebar pilih
kelola data
2. Pada halaman
input data klik
browser tugas.pdf
akan tampil pesan file bukan
bertipe xls
muncul pesan
file bukan
bertipe xls
Tidak
diperbaiki
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
114
UC03-B
Pengujian
dengan
memasukan
data bertipe
xls
3. Pilih file yang
akan dimasukan
4. Klik tombol
upload data palawija
jagung.xls
akan tampil pesan file berhasil
dimasukan
muncul pesan
file berhasil
dimasukan
Tidak
diperbaiki
UC03-C
Pengujian
dengan
memasukan
data bertipe
xls kedua
kali
data palawija
jagung.xls
akan tampil pesan periksa
kembali data yang dimasukan
muncul pesan
periksa
kembali data
yang
dimasukan
Tidak
diperbaiki
UC04-A
Pengujian
dilakukan
dengan
membuka
halaman
data kelola
1. Pada sidebar pilih
Kelola data
2. kemudian pilih tab
data kelola
Klik tab data
kelola
akan diarahkan kehalaman
data kelola
tampil
halaman data
kelola
Tidak
diperbaiki
UC05-A
Pengujian
dilakukan
dengan cari
data yang
belum
diimport
1. Berada dihalaman
data kelola
2. Pada dropdown
jenis pilih jenis
palawija
3. Klik tombol cari
Pilih jenis di
menu dropdown
akan tampil pesan data tidak
ada dengan border merah
muncul pesan
data tidak ada
dengan
border merah
Tidak
diperbaiki
UC05-B
Pengujian
dilakukan
dengan cari
data yang
sudah
diimport
Pilih jenis di
menu dropdown
akan tampil pesan data
ditemukan dan nama jenis
dengan border hijau
muncul pesan
nama jenis
dengan
border hijau
Tidak
diperbaiki
UC06-A
Pengujian
dilakukan
dengan
1. Berada dihalaman
data kelola Pilih jenis di
menu dropdown
akan tampil pesan data gagal
dihapus dengan border merah
muncul pesan
data gagal
dihapus
Tidak
diperbaiki
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
115
hapus data
yang belum
ada
2. Pada dropdown
jenis pilih jenis
palawija
3. Klik tombol hapus
dengan
border merah
UC06-B
Pengujian
dilakukan
dengan
hapus data
yang sudah
ada
Pilih jenis di
menu dropdown
akan tampil pesan data
berhasil dihapus dengan
border hijau
muncul pesan
data berhasil
dihapus
dengan
border hijau
Tidak
diperbaiki
UC07-A
Pengujian
dilakukan
dengan
melakukan
proses
klustering
1. Pada sidebar pilih
proses data
2. Masukan nilai K
dan pilih jenis
palawija
3. tekan tombol
proses
Mengisi nilai K
dan memilih
jenis palawija
akan mengarahkan ke halaman
proses kmeans
tampil
halaman
proses
kmeans
Tidak
diperbaiki
UC08-A
Pengujian
dilakukan
dengan
membuka
halaman
data kluster
1. Pada sidebar pilih
data kluster
2. kemudian pilih tab
data kluster
Klik tab data
kluster
akan diarahkan kehalaman
data kluster
tampil
halaman data
kluster
Tidak
diperbaiki
UC09-A
Pengujian
dilakukan
dengan cari
data yang
belum
dikluster
1. Berada dihalaman
data kluster
2. Pada dropdown
jenis pilih jenis
palawija
3. Klik tombol cari
Pilih jenis di
menu dropdown
akan tampil pesan data tidak
ada dengan border merah
muncul pesan
data tidak ada
dengan
border merah
Tidak
diperbaiki
UC09-B
Pengujian
dilakukan
dengan cari
data yang
Pilih jenis di
menu dropdown
akan tampil pesan data
ditemukan dan nama jenis
dengan border hijau
muncul pesan
nama jenis
dengan
border hijau
Tidak
diperbaiki
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
116
sudah
dikluster
UC10-A
Pengujian
dilakukan
dengan
hapus data
yang belum
ada
1. Berada dihalaman
data kluster
2. Pada dropdown
jenis pilih jenis
palawija
3. Klik tombol hapus
Pilih jenis di
menu dropdown
akan tampil pesan data gagal
dihapus dengan border merah
muncul pesan
data gagal
dihapus
dengan
border merah
Tidak
diperbaiki
UC10-B
Pengujian
dilakukan
dengan
hapus data
yang sudah
ada
Pilih jenis di
menu dropdown
akan tampil pesan data
berhasil dihapus dengan
border hijau
muncul pesan
data berhasil
dihapus
dengan
border hijau
Tidak
diperbaiki
UC11-A
Pengujian
dilakukan
dengan
membuka
halaman
data elbow
1. Pada sidebar pilih
data elbow
2. kemudian pilih tab
data elbow
Klik tab data
elbow
akan diarahkan kehalaman
data elbow
tampil
halaman data
elbow
Tidak
diperbaiki
UC12-A
Pengujian
dilakukan
dengan cari
data yang
belum
dikluster
1. Berada dihalaman
data elbow
2. Pada dropdown
jenis pilih jenis
palawija
3. Klik tombol cari
Pilih jenis di
menu dropdown
akan tampil pesan data tidak
ada dengan border merah
muncul pesan
data tidak ada
dengan
border merah
Tidak
diperbaiki
UC12-B
Pengujian
dilakukan
dengan cari
data yang
sudah
dikluster
Pilih jenis di
menu dropdown
akan tampil pesan data
ditemukan dan nama jenis
dengan border hijau
muncul pesan
nama jenis
dengan
border hijau
Tidak
diperbaiki
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
117
UC13-A
Pengujian
dilakukan
dengan
hapus data
yang belum
ada
1. Berada dihalaman
data elbow
2. Pada dropdown
jenis pilih jenis
palawija
3. Klik tombol hapus
Pilih jenis di
menu dropdown
akan tampil pesan data gagal
dihapus dengan border merah
muncul pesan
data gagal
dihapus
dengan
border merah
Tidak
diperbaiki
UC13-B
Pengujian
dilakukan
dengan
hapus data
yang sudah
ada
Pilih jenis di
menu dropdown
akan tampil pesan data
berhasil dihapus dengan
border hijau
muncul pesan
data berhasil
dihapus
dengan
border hijau
Tidak
diperbaiki
UC13-C
Pengujian
dilakukan
dengan
memilih
icon hapus
ditabel
1. Berada dihalaman
data elbow
2. Pada table pilih
data yang akan
dihapus
3. Pada kolom aksi
tekan icon hapus
Tekan icon
hapus
akan tampil pesan data
berhasil dihapus dengan
border hijau
muncul pesan
data berhasil
dihapus
dengan
border hijau
Tidak
diperbaiki
UC14-A
Pengujian
dilakukan
dengan
proses data
yang belum
dikluster
1. Berada dihalaman
grafik peta
2. Pada dropdown
jenis pilih jenis
palawija, tahun, dan
jumlah k
3. Klik tombol
proses
Pilih menu
dropdown jenis
palawija, tahun
dan jumlah k
akan tampil pesan data tidak
ada dengan border merah
muncul pesan
data tidak ada
dengan
border merah
Tidak
diperbaiki
UC14-B
Pengujian
dilakukan
dengan
proses data
yang sudah
dikluster
Pilih menu
dropdown jenis
palawija, tahun
dan jumlah k
akan tampil pesan data
ditemukan dan nama jenis,
tahun, dan jumlah kluster
dengan border hijau dan
menampilkan grafik peta
muncul pesan
nama jenis,
tahun, dan
jumlah
kluster
dengan
border hijau
Tidak
diperbaiki
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
118
dan
menampilkan
grafik peta
UC15-A
Pengujian
dilakukan
dengan
proses data
yang belum
dikluster 1. Berada dihalaman
grafik kota
2. Pada dropdown
jenis pilih jenis
palawija, kota, dan
jumlah k
3. Klik tombol
proses
Pilih menu
dropdown jenis
palawija, kota
dan jumlah k
akan tampil pesan data tidak
ada dengan border merah
muncul pesan
data tidak ada
dengan
border merah
Tidak
diperbaiki
UC15-B
Pengujian
dilakukan
dengan
proses data
yang sudah
dikluster
Pilih menu
dropdown jenis
palawija, kota
dan jumlah k
akan tampil pesan data
ditemukan dan nama jenis,
kota, dan jumlah kluster
dengan border hijau dan
menampilkan grafik
muncul pesan
nama jenis,
kota, dan
jumlah
kluster
dengan
border hijau
dan
menampilkan
grafik garis
Tidak
diperbaiki
UC16-A
Pengujian
dilakukan
dengan
proses data
yang belum
dikluster
1. Berada dihalaman
grafik elbow
2. Pada dropdown
jenis pilih jenis
palawija
3. Klik tombol
proses
Pilih jenis di
menu dropdown
akan tampil pesan data tidak
ada dengan border merah
muncul pesan
data tidak ada
dengan
border merah
Tidak
diperbaiki
UC16-B
Pengujian
dilakukan
dengan
proses data
yang sudah
dikluster
Pilih jenis di
menu dropdown
akan tampil pesan data
ditemukan dan nama jenis
dengan border hijau dan
menampilkan grafik
muncul pesan
nama jenis
dengan
border hijau
dan
menampilkan
grafik garis
Tidak
diperbaiki
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
119
Lampiran 5 Hasil Perbandingan Perhitungan Weka dengan Perhitungan Sistem
K = 3 dengan menggunakan data ubi jalar banyak data 51.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
120
K = 4 dengan menggunakan data ubi jalar banyak data 51.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
121
K = 5 dengan menggunakan data ubi jalar banyak data 51.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI