UNTUK MENGELOMPOKAN POTENSI PRODUKSI BUAH … · Demikian pernyataan ini saya buat dengan...

i

PENERAPAN METODE K-MEANS CLUSTERING

UNTUK MENGELOMPOKAN POTENSI PRODUKSI BUAH – BUAHAN

DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh :

MIKAEL ADITYA WAHYU KRISNA MURTI

125314047

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2017

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

THE IMPLEMENTATION OF K-MEANS CLUSTERING METHODS

TO CLASSIFY THE FRUIT PRODUCTION POTENTIALITY

IN SPECIAL REGION OF YOGYAKARTA PROVINCE

A THESIS

Presented as Partial Fullfillment of Requirements

To Obtain the Sarjana Komputer Degree

In Informatics Engineering Study Program

By :


125314047

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2017


iii

HALAMAN PERSETUJUAN

SKRIPSI

PENERAPAN METODE K-MEANS CLUSTERING UNTUK

MENGELOMPOKAN POTENSI PRODUKSI BUAH –

BUAHAN DI PROVINSI DAERAH ISTIMEWA

YOGYAKARTA

Oleh :


125314047

Telah disetujui oleh :

Dosen Pembimbing Proposal TA

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

Tanggal :……………………….


iv

HALAMAN PENGESAHAN

SKRIPSI


MENGELOMPOKAN POTENSI PRODUKSI BUAH –

BUAHAN DI PROVINSI DAERAH ISTIMEWA

YOGYAKARTA

Dipersiapkan dan ditulis oleh :


125314047

Telah dipertahankan di depan Panitia Penguji

Pada tanggal 2 Februari 2017

Dan dinyatakan telah memenuhi syarat

Susunan Panitia Penguji

Nama Lengkap

Ketua : Paulina Heruningsih Prima Rosa M.Sc.

Sekretaris : JB. Budi Darmawan S.T., M.Sc.

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

Tanda Tangan

………………

………………

………………

Yogyakarta, 2 Februari 2017

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Dekan,

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


v

MOTTO

“Warisan cita-cita, takdir waktu, dan impian manusia adalah hal yang tidak akan

pernah berakhir. Selama manusia terus mencari arti kebebasannya, hal ini tidak

akan pernah bisa dicegah!” – Gold D Roger

“Orang lemah tidak bisa memilih cara mereka untuk mati!” – Trafalgar D.Watel

Law

“Hidup tak harus menyenangkan” – Sakata Gintoki


vi

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis

ini tidak memuat karya atau bagian karya orang lain, kecuali yang

telah disebutkan dalam kutipan dan daftar pustaka, sebagaimana

layaknya karya ilmiah.

Yogyakarta,

Penulis

Mikael Aditya Wahyu Krisna Murti


vii

LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma :

Nama : Mikael Aditya Wahyu Krisna Murti

NIM : 125314047

Demi mengembangkan ilmu pengetahunan, saya memberikan kepada

Perpusatakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul :


MENGELOMPOKAN POTENSI PRODUKSI BUAH – BUAHAN DI

PROVINSI DAERAH ISTIMEWA YOGYAKARTA

Beserta perangkat yang diperlukan (bila ada). Dengan demikian, saya memberikan

kepada Universitas Sanata Dharma hak untuk menyimpan, mengalihkan ke dalam

bentuk media lain, mengelolanya dalam bentuk pangkalan data,

mendistribusikannya secara terbatas dan mempublikasikannya di Internet atau

media lain untuk kepentingan akademis tanpa perlu izin dari saya maupun

memberi royalti kepada saya selama tetap mencantumkan nama saya sebagai

penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Yang menyatakan,



viii

ABSTRAK

Berdasarkan data hasil pertanian buah di Dinas Pertanian Provinsi Daerah

Istimewa Yogyakarta menampilkan beberapa daerah dengan hasil panen buah

yang bervariasi jumlahnya. Untuk itu diperlukan pengelompokan daerah potensial

penghasil buah untuk mengetahuni daerah mana saja yang menghasilkan buah

dengan jumlah banyak ataupun sedikit. Pembagian hasil produksi biasanya

dilakukan berdasarkan nama kabupaten penghasil buah. Oleh karena itu,

dibutuhkan metode untuk memudahkan dalam pengelompokan daerah penghasil

buah.

Dengan pendekatan pengklasteran K-Means, pembagian kelompok daerah

dapat dilakukan berdasarkan luas panen (Ha), produksi(ton) dan tahun panen.

Pada penelitian ini dilakukan pengklasteran daerah potensial penghasil buah

menggunakan algoritma K-Means.

Dengan menggunakan K-Means bertujuan dalam memudahkan

pengelompokan suatu daerah dengan hasil produksi buah banyak, sedang dan

rendah. Hasilnya adalah sebuah gambaran yang menunjukan pengelompokan

daerah berdasarkan hasil pertanian buah.

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


ix

ABSTRACT

The data of fruit agriculture in Agriculture Department of Yogyakarta

Province presents that some region has lots of fruit variation. Based on the data, it

is necessary to classify the fruits based on the quantity of the fruits. The

classification is usually done based on the regions which produce the fruits.

Hence, a method is needed to make a classification easier.

The writer proposed K-Means cluster method. Using K-Means cluster

method. The region classification can be done based on the area (Ha), the amount

of production (ton) and the harvest time (year).This research was done with K-

Means algorithm.

It is aimed to make the classification easier in a region with lot, medium

and less production. The result of research is a picture that show the region

classification based on the fruit agriculture.

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


x

KATA PENGANTAR

Puji dan syukur kepada Tuhan Yang Maha Esa atas segala berkat dan

karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir yang berjudul "

Penerapan Metode K-Means Clustering Untuk Memetakan Potensi Produksi Buah

- buahan di Provinsi Daerah Istimewa Yogyakarta ". Tugas akhir ini merupakan

salah satu mata kuliah wajib dan sebagai syarat akademik untuk memperoleh gelar

sarjana komputer Program Studi Teknik Informatika Universitas Sanata Dharma

Yogyakarta.

Penulis menyadari bahwa selama proses penelitian dan penyusunan

laporan tugas akhir ini, banyak pihak yang telah membantu penulis, sehingga pada

kesempatan ini penulis ingin mengucapkan terima kasih antara lain kepada :

1. Tuhan Yang Maha Esa, yang telah memberikan pertolongan dan

kekuatan dalam proses pembuatan tugas akhir.

2. Bapak Dr. Cyprianus Kuntoro Adi, S.J. M.A.,M.Sc. selaku dosen

pembimbing tugas akhir, atas kesabarannya dan nasehat dalam

membimbing penulis, meluangkan waktunya, memberi dukungan,

motivasi, serta saran yang sangat membantu penulis.

3. Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku Dekan Fakultas Sains

dan Teknologi, atas bimbingan, kritik dan saran yang telah diberikan

kepada penulis.

4. Dr. Anastasia Rita Widiarti, M.Kom. selaku Ketua Program Studi Teknik

Informatika atas bimbingan, kritik, dan saran yang telah diberikan kepada

penulis.

5. Iwan Binanto M.Cs. selaku dosen pembimbing akademik.

6. Keluarga tercinta, kedua orang tua Modestus Adi Sulistyana dan

Anastasia Endang Murtiasih, serta kakak saya Vitalista Epifani Tyas

Murtiasih dan adik saya Elisabeth Dhian Novitasari.

7. Agatha Secondy Christy Gratia yang selalu memberikan doa, semangat

dan motivasi.


xi

8. Warga ITIL Alvin, Bayu, Dion, Haris, Henry, Hugo, Kevin, Anjar, Dio,

Seto, Cahyo, Daniel, Alex, Tobi, Willy, Wisnu, Xave, dan Yosua yang

selalu memberikan semangat.

9. Anaknya Mo Kun Wiga, Desa Nada, Bondan, Echo, Nita, April, Okta,

Riyadlah, dan Agustin yang selalu memberikan dukungan.

10. Teman Anime Young, Ari, Eca, dan Theo.

11. Teman PES 2016 Rudi, Blasius, Parta, Ari Ori, Theo, Dika Gd, Ahok,

Dika Kc, dan Aldy.

12. Semua teman-teman Basis Data 2012 yang selalu kompak sampai akhir.

13. Teman – teman Teknik Informatika semua angkatan dan khususnya TI

angkatan 2012 yang selalu memberikan motivasi dan bantuan hingga

penulis menyelesaikan tugas akhir ini.

14. Reza Oktovian , The Jooomers , PokoPow, MiawAug, Erix Soekamti,

Tara Arts Game Indonesia, Bagoes Kresnawan, dan Picky Picks yang

selalu memberikan tontonan yang menarik.

Penulis menyadari bahwa masih banyak kekurangan dalam

penyusunan tugas akhir ini. Saran dan kritik sangat diharapkan untuk

perbaikan yang akan datang.

Penulis



xii

DAFTAR ISI

HALAMAN PERSETUJUAN............................................................................. iii

HALAMAN PENGESAHAN .............................................................................. iv

MOTTO ................................................................................................................. v

PERNYATAAN KEASLIAN KARYA .............................................................. vi

LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK

KEPENTINGAN AKADEMIS .......................................................................... vii

ABSTRAK .......................................................................................................... viii

ABSTRACT .......................................................................................................... ix

KATA PENGANTAR ........................................................................................... x

DAFTAR ISI ........................................................................................................ xii

DAFTAR TABEL............................................................................................... xiv

DAFTAR GAMBAR ........................................................................................... xv

BAB I ...................................................................................................................... 1

PENDAHULUAN .................................................................................................. 1

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

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

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

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

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

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

1.7 Sistematika Penulisan ............................................................................... 4

BAB II .................................................................................................................... 5

LANDASAN TEORI ............................................................................................. 5

2.1 Data mining .............................................................................................. 5

2.1.1 Pengertian Data mining Dalam Berbagai Disiplin Ilmu ................... 5

2.1.2 Posisi Data mining Dalam Berbagai Disiplin Ilmu .......................... 7

2.1.3 Data, Informasi, dan Pengetahunan (Knowledge) ............................. 7

2.1.5 Clustering ........................................................................................ 10

2.2 Teorema K-Means .................................................................................. 11


xiii

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

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

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

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

BAB III ................................................................................................................. 17

METODE PENELITIAN ................................................................................... 17

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

3.1.1 Gambaran Penelitian ....................................................................... 18

3.2 Data......................................................................................................... 18

3.3 Jenis Data................................................................................................ 19

3.4 Analisa Data ........................................................................................... 19

3.4.1 Transformasi Data ........................................................................... 19

3.4.2 Pengolahan Data.............................................................................. 20

3.5 Desain User Interface ............................................................................. 27

3.6 Spesifikasi Alat ....................................................................................... 28

BAB IV ................................................................................................................. 29

IMPLEMENTASI SISTEM DAN ANALISISA HASIL ................................. 29

4.1 Implemantasi .......................................................................................... 29

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

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

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

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

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

BAB V ................................................................................................................... 41

PENUTUP ............................................................................................................ 41

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

5.2 Saran ....................................................................................................... 41

DAFTAR PUSTAKA .......................................................................................... 43

LAMPIRAN ......................................................................................................... 44

Lampiran 1. Tabel Data Produksi Buah ............................................................ 44

Lampiran 2. Tabel Hasil K-Means Clustering .................................................. 66


xiv

DAFTAR TABEL

Tabel 3. 1 Inisialisasi nama buah .......................................................................... 19

Tabel 3. 2 Inisialisasi nama Kabupaten................................................................. 20

Tabel 3. 3 Contoh data Jumlah Pohon dan Produksi Buah – buahan ................... 21

Tabel 3. 4 Contoh data Jumlah Pohon dan Produksi Buah – buahan ................... 21

Tabel 3. 5 Tabel Hasil Perhitungan Jarak Pusat Cluster ....................................... 22

Tabel 3. 6 Tabel Pengelompokan Group............................................................... 23

Tabel 3. 7 Tabel Hasil Perhitungan Jarak Pusat Cluster ....................................... 25

Tabel 3. 8 Tabel Pengelompokan Group............................................................... 26

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


xv

DAFTAR GAMBAR

Gambar 2. 1 Tahap penemuan Knowledge pada Data mining (KDD) Han, Jiawei

(2011) ....................................................................................................................... 6

Gambar 3. 1 Block Diagram .................................................................................. 18

Gambar 3. 2 User Interface .................................................................................... 27

Gambar 4. 1 Implementasi – K-Means clustering dengan tiga cluster .................. 29

Gambar 4. 2 Tampilan keseluruhan sistem ............................................................ 30

Gambar 4. 3 Input dokumen................................................................................... 31

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


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Pangan adalah kebutuhan manusia yang paling mendasar. Menurut UU RI nomor 7 tahun

1996 tentang pangan menyebutkan bahwa pangan merupakan hak asasi bagi setiap individu

di Indonesia. Buah adalah bahan makanan yang kaya akan vitamin, mineral, lemak, protein

dan serat. Setiap jenis buah mempunyai keunikan dan daya tarik tersendiri, seperti rasa yang

lezat dan beraroma yang khas dalam buah itu sendiri. Buah – buahan saat ini semakin

mendapat perhatian dari masyarakat, baik sebagai menu makanan maupun sebagai komoditas

ekonomi yang bernilai tinggi (Widodo, 1996).

Sektor pertanian merupakan sektor yang mendapatkan perhatian cukup besar dari

pemerintah dikarenakan peranannya yang sangat penting dalam rangka pembangunan

ekonomi jangka panjang maupun dalam rangka pemulihan ekonomi bangsa. Peranan sektor

pertanian adalah sebagai sumber penghasil bahan kebutuhan pokok, sandang dan papan,

menyediakan lapangan kerja bagi sebagian besar penduduk, memberikan sumbangan

terhadap pendapatan nasional yang tinggi, memberikan devisa bagi negara dan mempunyai

efek pengganda ekonomi yang tinggi dengan rendahnya ketergantungan terhadap impor

(multiplier effect), yaitu keterkaitan input-output antar industri, konsumsi dan investasi.

Dampak pengganda tersebut relatif besar, sehingga sektor pertanian layak dijadikan sebagai

sektor andalan dalam pembangunan ekonomi nasional. Sektor pertanian juga dapat menjadi

basis dalam mengembangkan kegiatan ekonomi perdesaan melalui pengembangan usaha

berbasis pertanian yaitu agribisnis dan agroindustri. Dengan pertumbuhan yang terus positif

secara konsisten, sektor pertanian berperan besar dalam menjaga laju pertumbuhan ekonomi

nasional (Antara,2009).

Komoditas hortikultura merupakan produk yang prospektif, baik untuk memenuhi

kebutuhan pasar domestik maupun internasional. Permintaan pasar baik di dalam maupun di

luar negeri masih besar. Di samping itu, produk ini juga memiliki nilai ekonomi yang tinggi.

Kemajuan perekonomian menyebabkan permintaan produk hortikultura semakin meningkat.


2

Di sisi lain, keragaman karakteristik lahan, agroklimat serta sebaran wilayah yang luas

memungkinkan wilayah Indonesia digunakan untuk pengembangan hortikultura tropis dan

sub tropis.

Indonesia merupakan salah satu negara penghasil buah tropis yang memiliki

keanekaragaman dan keunggulan cita rasa yang cukup baik bila dibandingkan dengan buah-

buahan dari negara-negara penghasil buah tropis lainnya. Produksi buah dalam negeri

diharapkan dapat memenuhi semua kebutuhan masyarakat. Karena dengan berhasilnya

produksi buah berarti pemerintah tidak memerlukan tindakan untuk menimpor buah dari

negara lain. Akan tetapi dalam kenyataannya, Indonesia dalam pemenuhan kebutuhan akan

buah masih tergantung pada impor dari Negara lain. Produksi buah dari tahun ke tahun

mengalami penurunan.

Penurunan produksi buah tersebut antara lain disebabkan karena menipisnya stok di

beberapa daerah karena belum memasuki masa panen atau juga dikarenakan impor buah yag

dilakukan oleh pemerintah untuk memenuhi kebutuhan belum teralisasi.

Produksi buah di Indonesia dari tahun ke tahun mengalami penurunan. Untuk itu dalam

rangka memenuhi kebutuhan buah, peran dinas pertanian untuk mengelompokan daerah

yang menghasilkan produksi buah di daerah Indonesia khususnya Provinsi Daerah Istimewa

Yogyakarta agar dapat mengoptimalkan produksi buah, tidak semata mengutamakan

keuntungan pribadi tetapi mendukung peningkatan nilai tambah produk dan peningkatan

pendapatan petani.

Pengelompokan tersebut dapat menggunakan metode pengelompokan dengan

algoritma K-Means. Dengan data yang sudah dikelompokkan menggunakan algoritma K-

Means diharapkan dapat mempermudah dinas pertanian dalam menghitung hasil pertanian di

tiap daerahnya agar mengetahuni daerah mana yang menghasilkan buah terbanyak, sedang,

dan sedikit.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang ada dapat dirumuskan masalah yaitu : untuk mengetahui

daerah yang menghasilkan produksi buah yang banyak di Provinsi Daerah Istimewa

Yogyakarta dengan metode K-Means clustering.


3

1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah mengetahui daerah potensial penghasil buah dan dapat

mengetahui daerah tersebut cocok untuk tanaman padi. Pengelompokan tersebut dapat

menggunakan metode pengelompokan dengan algoritma K-Means.

1.4 Manfaat Penelitian

Berdasarkan tujuan penelitian diatas, manfaat yang dapat diberikan adalah diharapkan

dapat membantu pihak Dinas Pertanian dalam memudahkan mengelompokan daerah

potensial untuk produksi buah di Provinsi Daerah Istimewa Yogyakarta.

1.5 Batasan Masalah

Dalam batasan masalah ini, penulis membatasi permasalah yang perlu yaitu :

1. Data yang akan digunakan adalah data produksi buah - buahan dan jumlah pohon

selama lima tahun dari tahun 2005 sampai 2009.

2. Data yang digunakan dalam proses pengelompokan adalah data data produksi buah -

buahan dan jumlah pohon menurut Kabupaten di Provinsi Daerah Istimewa

Yogyakarta.

3. Data produksi buah meliputi alpokat, mangga, rambutan, duku, jeruk, sirsak, sukun,

belimbing, durian, jambu biji, manggis, sawo, pepaya, pisang, nenas, salak,

nangka, dan semangka.

1.6 Metode Penelitian

Metode penelitian pada penyusunan penulisan ini, adalah :

1. Studi literatur dengan tujuan :

a. Mempelajari dan memahami K-Means clustering dalam data mining.

b. Mengetahui data produksi buah beberapa kabupaten.

2. Pengumpulan data melalui Dinas Pertanian Provinsi Daerah Istimewa Yogyakarta.

3. Implementasi algoritma ke dalam sistem.

4. Mengelompokan daerah produksi.


4

1.7 Sistematika Penulisan

Bab I. Pendahuluan

Dalam bab ini tentang latar belakang masalah, rumusan masalah, tujuan penelitian,

batasan masalah, dan sistematika penulisan.

Bab II. Landasan Teori

Dalam bab ini berisi tentang teori yang dapat menunjang peneitian, yaitu berupa

pengertian data mining, proses data mining, dan algoritma K-Means.

Bab III. Analisa dan Perancangan Sistem

Dalam bab ini berisi tentang cara penerapan konsep dasar yang telah diuraikan pada Bab

II untuk menganalisis dan merancang tentang system sesuai tahap – tahap penyelesaian

masalah tersebut dengan menggunakan algoritma K-Means.

Bab IV. Implementasi dan Analisa Sistem

Dalam bab ini berisi tentang implementasi ke program computer beradasarkan hasil

perancangan yang dibuat, analisis perangkat lunak yang telah dibuat.

Bab V. Penutup

Dalam bab ini berisi tentang kesimpulan dan saran dari seluruh penulisan tugas akhir.


5

BAB II

LANDASAN TEORI

Pada Bab II ini akan dipaparkan mengenai landasan teori yang medukung penelitian yang

dilakukan oleh penulis. Dalam Bab ini akan dijelaskan pengertian dan metode yang akan

digunakan oleh penulis.

2.1 Data mining

2.1.1 Pengertian Data mining Dalam Berbagai Disiplin Ilmu

Data mining adalah sebuah proses percarian secara otomatis informasi yang

berguna dalam tempat penyimpanan data berukuran besar. Istilah lain yang sering

digunakan diantaranya knowledge discovery (mining) in databases (KDD), knowledge

extraction, data atau pattern analysis, data archeology, data dredging, information

harvesting, dan business intelligence. Teknik data mining digunakan untuk memeriksa

basis data berukuran besar sebagai cara untuk menemukan pola yang baru dan berguna.

Tidak semua pekerjaan pencarian informasi dinyatakan sebagai data mining. Sebagai

contoh, pencarian record individual menggunakan database management system atau

pencarian halaman we tertentu melalui kueri ke semua search engine adalah pekerjaan

pencarian informasi yang erat kaitannya dengan information retrieval. Teknik-teknik

data mining dapat digunakan untuk meningkatkan kemampuan sistem-sistem

information retrieval.

Data mining adalah adalah bagian integral dari knowledge discovery in databases

(KDD). sebuah langkah dalam proses mencari pola-pola yang terdapat dalam setiap

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


6

Database

Flat File

Data

Warehouse

Patterns

Knowledge

Cleaning and

Integration

Selection and

Transformation

Data mining

Evaluation and

Presentation

Gambar 2. 1 Tahap penemuan Knowledge pada Data mining (KDD) Han, Jiawei (2011)

Gambar 2.1 menggambarkan proses KDD dalam menghasilkan knowledge dan

terdiri dari beberapa tahap:

a. Data Cleaning

Untuk menghapus data yang tidak dipakai dan data yang tidak konsisten.

b. Data Integration

Berbagai sumber data dapat digabungkan.

c. Data Selection

Data yang bersangkutan pada tugas analisis diseleksi dan diambil kembali dari

database.

d. Data Transformation

Data diubah atau diperkuat menjadi bentuk yang seharusnya untuk diolah dengan

menganalisis ringkasan atau jumlah total agregasi.

e. Data mining

Sebuah proses penting di mana metode intelijen diterapkan dengan tujuan untuk

megolah pola-pola data.


7

f. Pattern Evaluation

Untuk mengidentifikasi pola-pola menarik yang menjelaskan mengenai ukuran

dasar pengetahunan yang ada.

g. Knowledge Presentation

Visualisasi dan teknik representasi knowledge digunakan untuk menyajikan

knowledge yang telah diolah untuk pengguna.

2.1.2 Posisi Data mining Dalam Berbagai Disiplin Ilmu

Para ahli berusaha menetukan posisi bidang data mining di antara bidang-bidang

yang lain. Hal dikarenakan ada kesamaan antara sebagian bahasan data mining dengan

bahasan di bidang lain. Memang tidak seratus persen sama, tetapi ada sejumlah

kesamaan karakteristik dalam beberapa hal. Kesamaan bidang data mining dalam

bidang statistik adalah penyampelan, estimasi, dan pengujian hipotesis.

2.1.3 Data, Informasi, dan Pengetahunan (Knowledge)

Data adalah segala fakta, angka, atau teks yang dapat diproses oleh komputer. Saat

ini, akumulasi pertumbuhan jumlah data berjalan dengan cepat dalam format dan basis

data yang berbeda. Data-data tersebut antara lain, adalah :

a. Data operasional atau transaksional. Contoh : penjualan, inventaris, penggajian,

akuntansi, dll.

b. Data non operasional. Contoh : Indusri penjualan, inventaris, permalan, dan data

ekonomi makro.

c. Meta data adalah mengenai data itu sendiri, seperti desain logikabasis data.\

2.1.4 Pengelompokan Data mining

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat

dilakukan, yaitu (Larose, 2005) :

a. Deskripsi (Description)

Terkadang penelitian analisis secara sederhana ingin mencoba mencari cara untuk

menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai

contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan


8

atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam

pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan

kemungkinan penjelasan untuk suatu pola atau kecenderungan.

b. Estimasi (Estimation)

Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke

arah numerik daripada ke arah kategori. Model dibangun menggunakan record

lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi.

Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat

berdasarkan nilai variabel prediksi. Sebagai contoh, akan dilakukan estimasi

tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis

kelamin, indeks berat badan, dan level sodium darah. Hubungan antara tekanan

darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan

menghasilan model estimasi. Model estimasi yang dihasilkan dapat digunakan

untuk kasus baru lainnya.

c. Prediksi (Prediction)

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam

prediksi nilai dari hasil akan ada di masa datang. Contoh prediksi dalam bisnis dan

penelitian adalah prediksi harga beras dalam tiga bulan yang akan datang, prediksi

persentase kenaikan kecelakaan lalu lintas tahun depan jika batas bawah kecepatan

dinaikkan. Beberapa metode dan teknik yang digunakan dalam klasifikasi dan

estimasi dapat pula digunakan untuk prediksi.

d. Klasifikasi (Classification)

Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh, penggolongan

pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi,

pendapatan sedang dan pendapatan rendah.

Contoh lain klasifikasi dalam bisnis dan penelitian adalah menentukan apakah suatu

transaksi kartu kredit merupakan transaksi yang curang atau bukan, memperkirakan

apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang baik


9

atau buruk, dan mendiagnosis penyakit seorang pasien untuk mendapatkan kategori

penyakit apa.

e. Pengklusteran (Clustering)

Pengklusteran merupakan pengelompokan record , pengamatan atau

memperhatikan dan membentuk kelas objek – objek yang memiliki kemiripan.

Cluster adalah kumpulan record yang memiliki kemiripan satu dengan yang

lainnya dan memiliki ketidakmiripan dengan record – record dalam cluster lain.

Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam

Pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi,

mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma

Pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data

menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana

kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan

kemiripan dengan record dalam kelompok lain akan bernilai minimal. Contoh

Pengklusteran dalam bisnis dan penelitian adalah melakukan Pengklusteran

terhadap ekspresi dari gen, untuk mendapatkan kemiripan perilaku dari gen dalam

jumlah besar. Mendapatkan kelompok – kelompok konsumen untuk target

pemasaran dari suatu produk bagi perusahaan yang tidak memiliki dana pemasaran

yang besar, dan untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap

perilaku finansial dalam keadaan baik atau mencurigakan.

f. Asosiasi (Assosiation)

Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam

satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja.

Contoh asosiasi dalam bisnis dan penelitian adalah menemukan barang dalam

supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli

secara bersamaan, dan meneliti jumlah pelanggan dari perusahaan telekomunikasi

seluler yang diharapkan untuk memberikan respons posistif terhadap penawaran

upgrade layanan yang diberikan.


10

2.1.5 Clustering

Clustering data dapat dibedakan menjadi dua tujuan (Tan et al,2006), yaitu

clustering untuk pemahaman dan clustering untuk penggunaan. Jika tujuan untuk

pemahaman maka cluster yang terbentuk harus menangkap struktur alami data.

Biasanya proses clustering dalam tujuan ini hanya sebagai proses awal untuk kemudian

dilanjutkan dengan pekerjaan ini seperti summarization (rata-rata, standar deviasi),

pelabelan kelas pada setiap kelompok untuk kemudian digunakan sebagai data latih

klasifikasi, dan sebagainya. Sementara jika tujuannya untuk penggunaan, biasanya

tujuan utama untuk mencari prototype cluster yang paling representative terhadap data

dan memberikan abstraksi dan setiap objek data dalam cluster di mana sebuah data

terletak didalamnya.

Banyak metode clustering yang sudah dikembangkan oleh para ahli. Masing –

masing metode mempunyai karakter, kelebihan, dan kekurangan. Clustering dapat

dibedakan menurut stuktur cluster, keanggotaan data dalam cluster dan kekompakan

data dalam cluster.

Metode clustering menurut strukturnya dibagi menjadi dua yaitu pengelompokan

hirarki dan partitioning. Pengelompokan hirarki memiliki aturan satu data tunggal bisa

dianggap sebagai sebuah kelompok, dua atau lebih kelompok kecil dapat bergabung

menjadi satu kelompok besar dan begitu seterusnya hingga semua data dapat bergabung

menjadi satu kelompok. Metode clustering hirarki merupakan satu-satunya metode yang

masuk ke dalam kategori pengelompokan hirarki. Metode clustering partitioning

membagi set data ke dalam sejumlah kelompok yang tidak tumpang tindih (overlap)

antara satu kelompok dengan kelompok yang lain artinya setiap data hanya menjadi

anggota satu kelompok. Metode seperti K-Means dan DBSCAN masuk dalam kategori

pengelompokan partitioning.

Metode clustering menurut keanggotaan dalam kelompok dibagi menjadi dua, yaitu

eksklusif dan tumpang-tindih. Metode tersebut termasuk kategori eksklusif jika sebuah

data hanya menjadi anggota satu kelompok dan tidak menjadi anggota kelompok yang

lain. Metode clustering yang masuk dalam kategori ini adalah K-Means dan DBSCAN

sedangkan yang masuk kategori tumpang – tindih adalah Metode clustering yang


11

membolehkan sebuah data menjadi anggota di lebih dari satu kelompok, misalnya Fuzzy

C-Means.

Metode clustering menurut kategori kekompakan terbagi menjadi dua yaitu

komplet dan parsial. Semua data bisa dikatakan kompak menjadi satu kelompok jika

semua data bisa bergabung menjadi satu (dalam konteks penyekatan) namun jika ada

sedikit data yang tidak ikut bergabung dalam kelompok mayoritas data tersebut

dikatakan mempunyai perilaku menyimpang. Data yang menyimpang ini dikenal

dengan sebutan noise. Metode yang tangguh untuk mendeteksi noise ini adalah

DBSCAN (Eko Prasetyo, 2014).

2.2 Teorema K-Means

2.2.1 Clustering K-Means

Algoritma K-Means merupakan algoritma pengelompokan iterative yang

melakukan partisi set data ke dalam sejumlah K cluster yang sudah ditetapkan di awal.

Algoritma K-Means sederhana untuk diimplemtasikan dan dijalankan, relative cepat,

mudah beradaptasi, umum penggunaannya dalam praktek. Secara historis, K-Means

menjadi salah satu algoritma yang paling penting dalam bidang data mining (Wu dan

Kumar, 2009).

K-Means merupakan salah satu metode data clustering non hirarki yang berusaha

mempartisi data yang ada ke dalam bentuk satu atau lebih cluster atau kelompok.

Metode ini mempartisi ke dalam cluster atau kelompok sehingga data yang memiliki

karakteristik yang sama (High intra class similarity) dikelompokkan ke dalam satu

cluster yang sama dan yang memiliki karakteristik yang berbeda (Law inter class

similarity) dikelompokkan pada kelompok yang lain. Proses clustering dimulai dengan

mengidentifikasi data yang akan dicluster , Xij (i=1,...,n; j=1,...,m) dengan n adalah

jumlah data yang akan dicluster dan m adalah jumlah variabel. Pada awal iterasi, pusat

setiap cluster ditetapkan secara bebas (sembarang), Ckj (k=1,...,k; j=1,...,m). Kemudian

dihitung jarak antara setiap data dengan setiap pusat cluster. Untuk melakukan

penghitungan jarak data ke-i (xi) pada pusat cluster ke-k (ck), diberi nama (dik), dapat

digunakan formula Euclidean, seperti pada persamaan (1), yaitu:


12

√∑ ( )

(1)

Suatu data akan menjadi anggota dari cluster ke-k apabila jarak data tersebut ke

pusat cluster ke-k bernilai paling kecil jika dibandingkan dengan jarak ke pusat cluster

lainnya. Hal ini dapat dihitung dengan menggunakan persamaan (2) Selanjutnya,

kelompokkan data-data yang menjadi anggota pada setiap cluster.

∑ √∑

(2)

Nilai pusat cluster yang baru dapat dihitung dengan cara mencari nilai rata-rata

dari data-data yang menjadi anggota pada cluster tersebut, dengan menggunakan rumus

pada persamaan (3):

∑

(3)

Dimana xij ∈ cluster ke – k

p = banyaknya anggota cluster ke k

2.2.2 Tujuan Clustering K-Means

Tujuan pekerjaan pengelompokan (clustering) data dapat dibedakan menajadi dua,

yaitu pengelompokan untuk pemahaman dan pengelompokan untuk penggunaan. Jika

tujuannya untuk pemahaman, kelompok yang terbentuk harus menangkap struktur alami

data, bisanya proses pengelompokan dalam tujuan ini hanya sebagai proses awal untuk

kemudian dilanjutkan dengan pekerjaan inti seperti peringkasan atau summarization

(rata – rata, standart deviasi), pelabelan kelas pada setiap kelompok untuk kemudian

digunakan sebagai data latih klasifikasi, dan sebagainya. Sementara jika penggunaan,

tujuan utama pengelompokan biasanya adalah mencari prototype kelompok yang paling

respresentatif terhadap data, memberikan abstraksi dari setiap objek data dalam

kelompok dimana sebuah data terletak di dalamnya. Contoh – contoh tujuan

pengelompokan untuk pemahaman adalah sebagai berikut :

a. Biologi

Seperti yang sudah banyak diketahui, bahwa hewan – hewan di alam ini

dikelompokan – kelompokkan menurut karakter – karakter tertentu secara hierarkis,

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


13

kerajaan, sedangkan level terendah adalah spesies. Satu jenis hewan mempunyai

nama spesies sendiri. Dua hewan dengan spesies berbeda dapat mempunyai genus

yang sama. Sejumlah hewan dengan genus berbeda dapat mempunyai suku yang

sama. Begitu juga dengan ordo, kelas, filum, dan kerajaan. Semua hewan berada

dalam kelompok yang sama (satu kelompok) di level kerajaan, yaitu hewan. Contoh

teknik pengelompkan dalam bidang biologi yang lain adalah pengelompokan gen –

gen yang fungsinya sama.

b. Information retrieval

Situs web di internet berjumlah miliaran. Ketika di-query, mesin pencari akan

memberikan hasil ribuan halaman. Teknik pengelompokan dapat digunakan untuk

mengelompokkan hasil halaman yang diberikan mesin pencari ke dalam kelompok

yang lebih kecil di mana setiap kelompok berisi halaman yang berkarakteristik

sama atau mirip. Misalnya, dengan kata kunci query “movie” dapat diberikan hasil

halaman yang dibedakan dalam kategori seperti “genre”, “star”,”theaters”, dan

sebagainya. Setiap kategori dapat dipecah kembali menjadi subkategori yang

membentuk hierarki sehingga membatu pengguna mengekspolarsi hasil query.

c. Klimatologi

Pemahaman cuaca di bumi memerlukan pencarian pola atmosfer dan lautan.analisis

kelompok dapat diterapkan untuk menemukan pola tekanan udara di wilayah kutub

dan lautan yang berpengaruh besar pada cuaca di daratan.

d. Bisnis

Perusahaan biasanya mempunyai data informasi dalam jumlah yang besar tentang

seluruh pelanggan saat itu dan pelanggan yang berpotensi. Pengelompokan dapat

diterapkan untuk memecah pelanggan ke dalam kelompok – kelompok kecil untuk

analisis dan strategi pemasaran.


14

Contoh – contoh tujuan pengelompokan untuk penggunaan adalah sebagai berikut :

a. Peringkasan (Summarization)

Ada banyak teknik analisis data, seperti regresi atau PCA, yang membutuhkan

waktu dan atau kompleksitas komputasi O(m2) atau lebih (m adalah jumlah data).

Dengan semakin banyak data, biaya untuk melakukan peringkasan menjadi mahal

(berat dan kompleks). Teknik pengelompokan data dapat diterapkan untuk

membuat sebuah prototype yang dapat mewakili kondisi seluruh data, misalnya

dengan mengambil nilai rata – rata untuk semua data dari setiap kelompok sehingga

sejumlah data yang bergabung dalam sebuah kelompok akan diwakili oleh sebuah

data. Dengan cara ini, waktu dan kompleksitas komputasi data dikurangi secara

signifikan.

b. Kompresi

Data – data yang bergabung dalam setiap kelompok dapat dianggap berkarakter

sama atau mirip sehingga data – data dalam kelompok yang sama dapat dikompresi

dengan diwakili oleh indeks prototype dari setiap kelompok. Setiap objek

diresprentasikan dengan indeks prototype yang dikaitkan dengan sebuah kelompok.

Teknik kompresi ini dikenal dengan kuatisasi vektor (vector quatization).

c. Pencarian Tetangga Terdekat Secara Efisien

Pada teknik K-NN, komputasi untuk mencari tetangga terdekat akan semakin berat

ketika jumlah data semakin besar. Hal tersebut tidak sebanding dengan jumlah data

yang akhirnya digunakan sebagai tetangga terekat. Dengan pengelompokan, kita

dapat membuat prototype di mana setiap prototype mewakili satu kelas. Dengan

cara ini, komputasi pencarian tetangga terdekat dapat digantikan dengan prototype

terdekat. Hal ini dapat mengurangi waktu komputasi secara signifikat.

Konsekuensinya adalah mungkin cara mendapatkan tetangga terdekat menjadi

kurang representative karena diukur berdasarkan kelompok data bukan individu

data sehingga ada kemungkinan distorsi hasil yang tidak diinginkan.


15

2.2.3 Langkah Clustering K-Means

Proses clustering dengan menggunakan algoritma K-Means memiliki langkah-

langkah sebagai berikut :

a. Inisialisasi : tentukan K sebagai jumlah cluster yang diinginkan dan metrik

ketidakmiripan (jarak) yang diinginkan. Jika perlu, tetapkan ambang batas

perubahan fungsi objektif dan ambang batas perubahan centroid.

b. Pilih K data baru set data X sebagai centroid.

c. Alokasikan semua data ke centroid terdekat dengan metrik jarak yang sudah

ditetapkan (memperbaharui ID setiap data).

d. Hitung kembali centroid C berdasarkan data yang mengikuti cluster masing-

masing.

e. Ulangi langkah tiga dan empat hingga kondisi konvergen tercapai, yaitu (a)

perubahan fungsi objektif sudah dibawah ambang batas yang diinginkan; atau (b)

tidak ada data yang berpindah cluster ; atau (c) perubahan posisi centroid sudah

dibawah ambang batas yang ditetapkan.

2.2.4 Jenis Data Dalam Set Data

Sebuah data set dapat dipandang sebagai sebuah koleksi dari objek- objek data.

Nama lain dari sebuah objek data adalah record, titik, vektor, pola, event , case, sample,

observasi atau entitas. Objek-objek data dijelaskan oleh sejumlah atribut yang

menangkap karakteristik dasar dari sebuah objek, seperti massa dari sebuah objek fisik

atau waktu pada saat sebuah kejadian terjadi. Nama-nama lain untuk atribut adalah

variabel, karekteristik, field , fitur atau dimensi.

Atribut adalah sifat atau property atau karakteristik objek data yang nilainya dapat

bermacam – macam dari dari suatu objek ke objek yang lain, dari satu waktu ke waktu

yang lain. Misalnya, warna kulit seseorang bisa berbeda dengan warna kulit orang lain,

berat badan seseorang juga bisa berubah dari waktu ke waktu. Warna kulit bisa

mempunyai nilai simbolik (hitam, putih, kuning, langsat, cokelat, sawo matang),

sedangkan berat badan bisa berupa nilai angka numerik.

Atribut yang menjadi element setiap data mempunyai jenis yang beragam. Berat

badan, pada contoh sebelumnya, mempunyai nilai numeric sehingga dapat


16

dibandingkan satu sama lain, sedangkan warna kulit tidak bisa dibandingkan karena

menggunakan nilai yang sifatnya kualitatif. Umumnya, tipe atribut ada dua, yaitu

kategoris (kualitatif) dan numeric (kuantitatif).


17

BAB III

METODE PENELITIAN

Berdasarkan pada landasan teori yang berada pada Bab II yang telah disampaikan oleh

penulis. Pada bab ini menjelaskan cara kerja algoritma yang digunakan dan proses yang akan

dibangun untuk melakukan pengelompokan.

3.1 Tahap Penelitian

Dalam sub bab ini akan membahas tentang metode perancangan yang akan digunakan

dan langkah-langkah dalam penelitian ini, adapun sebagai berikut :

1. Tahap pencarian, pada tahap ini akan dilakukan pencarian data langsung melalui

Dinas Pertanian Provinsi Daerah Istimewa Yogyakarta. Pencarian data di lakukan

dengan proses wawancara terhadap Kepala Dinas Pertanian Provinsi Daerah

Istimewa Yogyakarta.

2. Pencarian informasi mengenai segala sesuatu yang berhubungan dengan penelitian

ini.

3. Pengumpulan data.

4. Menganalisa data yang sudah didapatkan, dan membuat perancangan sistemnya.

5. Mengimplementasikan perancangan yang sudah dilakukan ke dalam perangkat lunak.

6. Melakukan pengujian terhadap sistem dengan memasukan data .

7. Melakukan analisa terhadap sistem yang telah diuji.


18

3.1 Model Analisis

Pada bagian model analisis berisi diagram block yang teridi dari

preprocessing data, K-Means clustering. Berikut ini penjelasannya :

3.1.1 Gambaran Penelitian

Di bawah ini merupakan proses system menggunakan diagram block :

]\

Gambar 3. 1 Block Diagram

Pada gambar 3.1 proses clustering di mulai dari input data mentah yang

berupa data produksi buah – buahan yang berektensi .xlsx akan mengalami

representasi dari data. Tahap kedua yaitu tahap data pembersihan (cleaning)

untuk membuang data yang tidak konsisten. Apabila sudah selesai maka

didapatkan data yang sudah diproses atau data matang siap untuk ke tahap

selanjutnya. Tahap ke tiga yaitu tranformasi data, data yang berjenis alfabet

seperti nama buah dan kabupaten harus dilakukan proses inisialisasi data terlebih

dahulu ke dalam bentuk angka/numerikal. Tahap ke empat yaitu K-Means

clutering disini tahap K-Means clustering adalah menggelompokan data yang

sudah ada ke dalam tiga kelompok yaitu banyak, sedang, dan rendah.

3.2 Data

Data yang akan digunakan untuk mengelompokan adalah data produksi yang

diperoleh dari data produksi buah – buahan selama lima tahun yang terkumpul

sebanyak 450 data. Data tersebut diambil langsung dari Dinas Pertanian Provinsi

Daerah Istimewa Yogyakarta.

Pembersihan

Data

Data

Mentah Data

K-means

Clustering Selesai

Mulai

Transformasi


19

3.3 Jenis Data

Jenis data yang diambil adalah dari dokumen jumlah pohon dan produksi

buah – buahan Provinsi Daerah Istimewa Yogyakarta tahun 2005 sampai dengan

tahun 2009 yang berupa format pdf kemudian yang kemudian diubah ke dalam

bentuk dokumen yang berekstensi .xlsx.

3.4 Analisa Data

Secara umum, system yang akan dibangun dalam penelitian ini adalah sebuah

system dengan fungsi utama untuk melakukan pengelompokan produksi buah.

Data yang digunakan untuk penelitian merupakan data yang diperoleh dari arsip

Dinas Pertanian Provinsi Daerah Istimewa Yogyakarta. Data yang digunakan

merupakan data jumlah pohon dan produksi. Sehingga nantinya dinas terkait

dapat mengambil tindakan untuk memetakan tempat produksi. Berikut ini adalah

contoh data yang akan digunakan untuk perhitungan dengan K-Means clustering

:

3.4.1 Transformasi Data

Agar data di atas dapat diolah dengan menggunakan metode K-Means

clustering, maka data yang berjenis data nominal seperti nama buah dan

kabupaten harus diinisialisasikan terlebih dahulu dalam bentuk angka.

Tabel 3. 1 Inisialisasi nama buah

Nama Buah Inisalisasi

Alpokat 1

Mangga 2

Rambutan 3

Duku 4

Jeruk 5

Sirsak 6


20

Sukun 7

Belimbing 8

Durian 9

Jambu Biji 10

Manggis 11

Sawo 12

Pepaya 13

Pisang 14

Nanas 15

Salak 16

Nangka 17

Semangka 18

Tabel 3. 2 Inisialisasi nama Kabupaten

Kabupaten Inisalisasi

Kabupaten Bantul 1

Kabupaten Gunungkidul 2

Kota Yogyakarta 3

Kabupaten Kulonprogo 4

Kabupaten Sleman 5

3.4.2 Pengolahan Data

Setelah semua data nama buah dan kabupaten pada tahun 2005 sampai

2009 ditransformasi ke dalam bentuk angka, maka data-data tersebut telah

dapat dikelompokan dengan menggunakan algoritma K-Means

Clustering.Untuk dapat melakukan pengelompokan data-data tersebut

menjadi beberapa cluster perlu dilakukan beberapa langkah, yaitu:


21

a. Tentukan jumlah cluster yang diinginkan. Dalam penelitian ini data –

data yang ada akan dikelompokan menjadi tiga cluster .

b. Tentukan titik pusat awal dari setiap cluster . Dalam penelitian ini titik

pusat awal ditentukan secara random dan didapat titik pusat dari setiap

cluster dapat dilihat pada tabel 3.3 dan contoh data sample yang

digunakan dapat dilihat pada tabel 3.4.

Tabel 3. 3 Contoh data Jumlah Pohon dan Produksi Buah – buahan

TITIK PUSAT AWAL JUMLAH POHON PRODUKSI

Cluster 1 14634913 57476

Cluster 2 123129 213

Cluster 3 2314 66

Tabel 3. 4 Contoh data Jumlah Pohon dan Produksi Buah – buahan

JUMLAH

POHON

PRODUKSI

14634913 57476

9772771 123229

4534595 67329

1680899 1766

1031988 13870

360286 18743

256227 7984

123129 213

81180 4079

80960 296

79262 11704

76956 3477

75434 4157


22

Setelah diketahui nilai k dan pusat cluster awal selanjutnya mengukur

jarak antara pusat cluster menggunakan euclidian distance, kemudian akan

didapatkan matriks jarak yaitu C1, C2 dan C3 sebagai berikut:

Rumus euclidian distance:

Perhitungan jarak data pertama dengan pusat cluster pertama adalah :

√

Perhitungan jarak data pertama dengan pusat cluster kedua adalah :

√

Perhitungan jarak data pertama dengan pusat cluster ketiga adalah :

√

Tabel 3. 5 Tabel Hasil Perhitungan Jarak Pusat Cluster

JUMLAH

POHON

PRODUKSI C1 C2 C3 Jarak

Terpendek

14634913 57476 0.00 14511896.98 14632711.62 0.00

9772771 123229 4862586.58 9650426.09 9771233.24 4862586.58

4534595 67329 10100322.81 4411976.52 4532780.09 4411976.52

1381584 21811 13253376.99 1258640.32 1379441.40 1258640.32

1031988 13870 13602994.89 908961.60 1029766.53 908961.60

360286 18743 14274679.55 237879.81 358458.90 237879.81

256227 7984 14378771.18 133324.66 254036.43 133324.66

123129 213 14511896.98 0.00 120815.09 0.00

73069 10337


https://4.bp.blogspot.com/-rb2XXOayk-Q/VhPREJBapVI/AAAAAAAAA9E/HXibvUie9nk/s1600/Rumus+Euclidian+Distance.png

23

81180 4079 14553830.96 42126.77 78968.03 42126.77

80960 296 14554065.32 42169.08 78646.34 42169.08

79262 11704 14555722.97 45347.07 77823.12 45347.07

76956 3477 14558057.15 46288.22 74719.90 46288.22

75434 4157 14559576.63 47857.79 73234.35 47857.79

73069 10337 14561920.30 51073.47 71496.60 51073.47

2314 66 14632711.62 120815.09 0.00 0.00

Jarak hasil perhitungan akan dilakukan perbandingan dan dipilih jarak

terdekat antara data dengan pusat cluster, jarak ini menunjukkan bahwa data

tersebut berada dalam satu kelompok dengan pusat cluster terdekat. Dengan

cara membandingkah hasil cluster dan diambil yang paling kecil.

Berikut ini akan ditampilkan data matriks pengelompokan group, nilai 1

berarti data tersebut berada dalam group (kelompok data).

Tabel 3. 6 Tabel Pengelompokan Group

C1 C2 C3

1

1

1

1

1

1

1

1

1

1

1

1


24

1

1

1

Setelah diketahui anggota tiap-tiap cluster kemudian pusat cluster baru

dihitung berdasarkan data anggota tiap-tiap cluster sesuai dengan rumus

pusat anggota cluster .

Dengan perhitungan sebagai berikut :

Cluster baru yang keempat

Jumlah Pohon :

Hasil Produksi :

Cluster baru yang kelima

Jumlah Pohon :

Hasil Produksi :

Cluster baru yang keenam

Jumlah Pohon :

Hasil Produksi :


25

Pusat cluster keempat dengan jumlah pohon sebesar 12203842.00 dan

hasil produksi sebesar 90352.50, pusat cluster kelima jumlah pohon sebesar

679555.83 dan hasil produksi sebesar 13666.67, pusat cluster keenam jumlah

pohon sebesar 2314 dan hasil produksi sebesar 66.

Ulang perhitungan jarak data pertama dengan pusat cluster keempat

adalah :

√

Perhitungan jarak data pertama dengan pusat cluster kelima adalah :

√

Perhitungan jarak data pertama dengan pusat cluster keenam adalah :

√

Tabel 3. 7 Tabel Hasil Perhitungan Jarak Pusat Cluster

JUMLAH

POHON

PRODUKSI C1 C2 C3 Jarak

terpendek

14634913 57476 2431293.29 13955425.93 14632711.62 2431293.29

9772771 123229 2431293.29 9093875.19 9771233.24 2431293.29

4534595 67329 7669281.56 3855412.64 4532780.09 3855412.64

1381584 21811 10822475.05 702075.41 1379441.40 702075.41

1031988 13870 11172115.80 352432.23 1029766.53 352432.23

360286 18743 11843772.48 319310.19 358458.90 319310.19

256227 7984 11947898.93 423366.97 254036.43 254036.43

123129 213 12081049.28 556589.46 120815.09 120815.09

81180 4079 12122968.99 598452.64 78968.03 78968.03

80960 296 12123216.49 598745.14 78646.34 78646.34


26

79262 11704 12124835.08 600297.04 77823.12 77823.12

76956 3477 12127197.18 602685.98 74719.90 74719.90

75434 4157 12128714.29 604196.68 73234.35 73234.35

73069 10337 12131036.89 606495.97 71496.60 71496.60

2314 66 12201862.04 677378.39 0.00 0.00

Langkah selanjutnya hasil perhitungan akan dilakukan perbandingan

dan dipilih jarak terdekat antara data dengan pusat cluster , jarak ini

menunjukkan bahwa data tersebut berada dalam satu kelompok dengan pusat

cluster terdekat.

Tabel 3. 8 Tabel Pengelompokan Group

C1 C2 C3

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1


27

Pada perhitungan ini iterasi berhenti pada iterasi ke-9 karena kelompok

data 3 sama dengan kelompok data 2 dari hasil clustering, dan telah

mencapai stabil dan konvergen.

3.5 Desain User Interface

Gambar 3. 2 User Interface

User interface penerapan metode K-Means Cluster ing untuk memetakan

potensi produksi buah – buahan di Provinsi Daerah Istimewa Yogyakarta. Dalam

user interface terdapat button “cari data” untuk memasukan data yang akan

diolah. Data awal sebelum di olah akan ditampilkan dalam tabel “ tabel hasil”

dan masuk ke dalam kolom jenis buah, daerah, jumlah pohon, produksi, dan

tahun. Selanjutnya, user menekan button “proses” maka data akan diolah dengan

algoritma K-Means clustering sehingga akan mendapatkan hasil pada kolom

Cluster pada tabel “tabel hasil”.


28

3.6 Spesifikasi Alat

Sistem ini mempunyai kebutuhan perangkat keras dan lunak untuk

mendapatkan hasil yang maksimal.

1. Kebutuhan perangkat lunak :

a. Microsoft Windows 10

b. Microsoft Excel 10

c. Matlab 2012

2. Kebutuhan perangkat keras :

a. Processor : AMD A8-6410 Quad Core 2.0Ghz up to 2.4Ghz

b. Memory : 4GB DDR3

c. Hardisk : 500GB (5400rpm)


29

BAB IV

IMPLEMENTASI SISTEM DAN ANALISISA HASIL

Bab ini berisikan tentang implementasi dan analisis keluaran dari system

dengan algoritma yang telah digunakan serta perancangan antarmuka.

4.1 Implemantasi

Landasan teori dan metodologi yang telah disampaikan berkurang manfaatnya

jika disertai dengan implementasi. Implementasi dibagi kedalam dua bagian,

yaitu berkaitan dengan pengolahaan data dan user interface system.

4.2 K-Means Clustering

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

Proses pengelompokan dengan menggunakan metode K-Means clustering

dengan tiga cluster. Sehingga didapatkan hasil yang tidak seimbang atau

memiliki selisih jumlah data yang sangat jauh pada setiap cluster.


30

Tabel 4. 1 Jumlah data masing – masing cluster

Cluster Jumlah

1 142

2 176

3 127

4.3 User Interface

Dalam membuta system implementasi K-Means clustering untuk

pengelompokan capaian belajar ini penulisan menggunakan Matlab R2012b.

User Interface system telah dipaparkan dalam bab sebelumnya

diimplementasikan dan digunkan untuk melakukan proses pengelompokan

dengan K-Means clustering. Sistem menampilkan hasil cluster . Gambar 4.2

Contoh User Interface dari keseluruhan system yang telah terbentuk.

Gambar 4. 2 Tampilan keseluruhan sistem

Dalam proses pengelompokan data terdapat dua langkah utama, yaitu input

data dan proses K-Means clustering.


31

4.4 Input Data

Data sistem dijalankan, langkah pertama yang harus dilakukan user adalah

memasukan. Tombol cari file digunakan untuk meng-input-kan data yang

berkestensi *.xlsx. Setelah di-inputkan, sistem akan menampilkan pada tabel

hasil. Selanjutnya yang harus dilakukan user adalah dengan menekan button

proses. Gambar 4.3 Contoh adalah proses input dokumen.

Gambar 4. 3 Input dokumen

4.5 Proses K-Means Clustering

User interface dari implementasi hasil proses K-Means clustering dapat

dilihat pada gambar 4.4

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


32

Ketika tombol “proses” seperti pada gambar 4.4 di klik maka akan muncul

hasil proses clustering metode K-Means.

4.6 Analisa Hasil

Implementasi yang telah dijelaskan di bab 4 membantu analisis terhadap

pengelompokan untuk memetakan potensi produksi buah – buahan di Provinsi

Daerah Istimewa Yogyakarta. Analisis dilakukan terhadap 450 data dalam lima

tahun.

Dalam pengelompokan ini, yang menjadi atribut adalah jumlah pohon dan

jumlah produksi. Data tersebut diolah dengan menggunakan K-Means clustering.

Hasil Penelitian menggunakan data produksi buah di Provinsi Yogyakarata.

1. Produksi Alpokat

Untuk produksi alpokat Kabupaten Bantul termasuk dalam kelompok

produksi yang banyak pada tahun 2005 terdapat pada cluster ke 3

sedangkan untuk tahun 2006 sampai dengan 2009 Kabupaten Bantul

termasuk dalam kelompok produksi sedang terdapat pada cluster ke 2.

Kabupaten Gunung Kidul, Kota Yogyakarta termasuk dalam kelompok

produksi yang sedang pada tahun 2005 sampai dengan tahun 2009

terdapat pada cluster ke 2. Kabupaten Kulonprogo termasuk dalam

kelompok produksi yang banyak pada tahun 2005, 2007 sampai dengan

2009 terdapat pada cluster ke 3, sedangkan untuk tahun 2006

Kabupaten Kulonprogo termasuk dalam kelompok produksi sedang

terdapat pada cluster ke 2. Kabupaten Sleman termasuk dalam kelompok

produksi yang sedikit pada tahun 2005, 2007 sampai dengan 2009

terdapat pada cluster ke 1, sedangkan untuk tahun 2006 Kabupaten

Sleman termasuk dalam kelompok produksi banyak terdapat pada cluster

ke 3.


33

2. Mangga

Untuk produksi mangga Kabupaten Bantul, termasuk dalam kelompok

produksi sedang pada tahun 2005, 2006, dan 2009. Itu diketahui karena

terdapat pada cluster ke 2. Untuk produksi mangga tahun 2007 dan 2008

Kabupaten Bantul termasuk dalam kelompok produksi sedikit. Untuk

produksi mangga Kabupaten Gunung Kidul, termasuk dalam kelompok

produksi sedang pada tahun 2005, 2006, 2008 ,dan 2009. Itu diketahui

karena terdapat pada cluster ke 2. Untuk produksi mangga tahun 2007

Kabupaten Gunung Kidul termasuk dalam kelompok produksi banyak

terdapat pada cluster ke 3. Kota Yogyakarta termasuk dalam kelompok

produksi sedikit pada tahun 2005 sampai 2009 banyak terdapat pada

cluster ke 1. Kulonprogo termasuk dalam kelompok produksi sedikit

pada tahun 2005 banyak terdapat pada cluster ke 1, pada tahun 2006

sampai 9 Kulonprogo termasuk dalam kelompok produksi sedang

terdapat pada cluster ke 2. Kabupaten Sleman termasuk dalam kelompok

produksi sedang terdapat pada cluster ke 2 pada tahun 2005 sampai

2009.

3. Rambutan

Untuk produksi rambutan Kabupaten Bantul, dalam kelompok

produksi sedikit terdapat pada cluster ke 3 pada tahun 2005 sampai 2009,

Kabupaten Gunung Kidul pada tahun 2005,2006, dan 2008 kelompok

produksi banyak terdapat pada cluster ke 1, pada tahun 2007 dan 2008

kelompok produksi banyak terdapat pada cluster ke 1. Kota Yogyakarta

termasuk dalam kelompok produksi sedikit pada tahun 2005 sampai 2009

sedikit terdapat pada cluster ke 3, Kulonprogo Yogyakarta termasuk

dalam kelompok produksi sedikit pada tahun 2005 sampai 2009 banyak

terdapat pada cluster ke 1, dan Kabupaten Sleman termasuk dalam


34

kelompok produksi yang sedang pada tahun 2005 sampai dengan tahun

2009. Itu diketahui karena terdapat pada cluster ke 2.

4. Duku

Untuk produksi duku Kabupaten Bantul, Kabupaten Gunung Kidul,

Kota Yogyakarta, termasuk dalam kelompok produksi sedang pada tahun

2005 sampai dengan tahun 2009. Itu diketahui karena terdapat pada

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

terdapat pada cluster ke 3, pada tahun 2006 termasuk dalam produksi

sedang karena masuk cluster ke 2, pada tahun 2007 termasuk dalam

produksi sedang karena masuk cluster ke 2, Sleman termasuk dalam

kelompok produksi yang banyak pada tahun 2005 masuk cluster ke 1

dan Kabupaten Sleman termasuk dalam kelompok produksi yang sedikit

pada tahun 2006 sampai dengan tahun 2009. Itu diketahui karena terdapat

pada cluster ke 3.

5. Jeruk

Untuk produksi jeruk Kabupaten Bantul, Kabupaten Gunung Kidul,

Kota Yogyakarta, termasuk dalam kelompok produksi sedang pada tahun

2005 sampai dengan tahun 2009. Itu diketahui karena terdapat pada

cluster ke 2. Kulonprogo, termasuk dalam kelompok produksi yang

sedikit pada tahun 2005, 2008 dan 2009 Itu diketahui karena terdapat

pada cluster ke 3. pada tahun 2006 dan 2007 kelompok produksi yang

banyak . Itu diketahui karena terdapat pada cluster ke 1. Kabupaten

Sleman termasuk dalam kelompok produksi yang sedikit pada tahun

2005, 2006, 2008 dan 2009 Itu diketahui karena terdapat pada cluster ke

3. pada tahun 2007 kelompok produksi yang banyak. Itu diketahui karena

terdapat pada cluster ke 1.


35

6. Sirsak

Untuk produksi sirsak Kabupaten Bantul termasuk dalam kelompok

produksi yang sedikit pada tahun 2005, 2006, 2007 dan 2008, itu

diketahui karena terdapat pada cluster ke 3. Sedangkan tahun 2009

termasuk dalam kelompok produksi yang banyak karena terdapat pada

cluster ke 1. Kabupaten Gunung Kidul tahun 2005 termasuk dalam

kelompok produksi yang sedikit karena terdapat pada cluster ke 3.

Sedangkan tahun 2006 sampai 2009 termasuk dalam kelompok produksi

yang sedang karena terdapat pada cluster ke 2, Kota Yogyakarta tahun

2005 sampai 2009 termasuk dalam kelompok produksi yang banyak

karena terdapat pada cluster ke 1, Kulonprogo tahun 2005, 2006, 2008,

dan 2009 termasuk dalam kelompok produksi yang banyak karena

terdapat pada cluster ke 1, pada tahun 2007 termasuk kelompok produksi

yang sedikit karena terdapat pada cluster ke 3 dan Kabupaten Sleman

termasuk dalam kelompok produksi yang sedikit pada tahun 2005 sampai

dengan tahun 2009. Itu diketahui karena terdapat pada cluster ke 3.

7. Sukun

Untuk produksi suku Kabupaten Bantul dan Kota Yogyakarta

termasuk kelompok produksi yang sedikit karena terdapat pada cluster

ke 3 pada tahun 2005 sampai dengan tahun 2009 , Kabupaten Gunung

Kidul termasuk kelompok produksi yang sedikit karena terdapat pada

cluster ke 3 pada tahun 2005 dan 2006, tahun 2007 sampai 2009

termasuk kelompok produksi yang sedang karena terdapat pada cluster

ke 2, Kulonprogo termasuk kelompok produksi yang sedikit karena

terdapat pada cluster ke 3 pada tahun 2005 dan 2006, tahun 2008, tahun

2007 termasuk kelompok produksi yang sedang karena terdapat pada

cluster ke 2, dan tahun 2009 termasuk kelompok produksi yang banyak

karena terdapat pada cluster ke 1 dan Kabupaten Selaman tahun 2005,


36

2006, 2008, dan 2009 termasuk dalam kelompok produksi yang banyak

karena terdapat pada cluster ke 1, pada tahun 2007 termasuk kelompok

produksi yang sedikit karena terdapat pada cluster ke 3.

8. Belimbing

Untuk produksi belimbing Kabupaten Bantul tahun 2005 dan 2006

termasuk kelompok produksi yang sedang karena terdapat pada cluster

ke 2, pada tahun 2007 termasuk kelompok produksi yang sedikit karena

terdapat pada cluster ke 3, pada tahun 2008 dan 2009 termasuk

kelompok produksi yang banyak karena terdapat pada cluster ke 1.

Kabupaten Gunung Kidul, Kulonprogo dan Kabupaten Sleman tahun

2005, 2006, 2008, dan 2009 termasuk dalam kelompok produksi yang

sedang karena terdapat pada cluster ke 2, pada tahun 2007 termasuk

kelompok produksi yang sedikit karena terdapat pada cluster ke 3, Kota

Yogyakarta termasuk kelompok produksi yang banyak karena terdapat

pada cluster ke 1 pada tahun 2005 sampai dengan tahun 2009.

9. Durian

Untuk produksi durian Kabupaten Bantul, Kabupaten Gunung Kidul,

Kota Yogyakarta , pada tahun 2007 termasuk kelompok produksi yang

sedikit karena terdapat pada cluster ke 3, Kulonprogo tahun 2005, 2007,

2008, dan 2009 termasuk kelompok produksi yang sedang karena

terdapat pada cluster ke 2, dan termasuk kelompok produksi yang banyak

karena terdapat pada cluster ke 1 pada tahun 2006. Kabupaten Sleman

termasuk dalam kelompok produksi yang sedang pada tahun 2005

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

2.


37

10. Jambu Biji

Untuk produksi jambu biji Kabupaten Bantul pada tahun 2005 dan

2007 termasuk kelompok produksi yang sedang karena terdapat pada

cluster ke 2, dan termasuk kelompok produksi yang banyak karena

terdapat pada cluster ke 1 pada tahun 2006, 2008 dan 2009. Kabupaten

Gunung Kidul pada tahun 2005, 2006 dan 2007 termasuk kelompok

produksi yang sedang karena terdapat pada cluster ke 2, dan termasuk

kelompok produksi yang banyak karena terdapat pada cluster ke 1 pada

tahun 2008 dan 2009. Kota Yogyakarta termasuk kelompok produksi

yang banyak karena terdapat pada cluster ke 1 pada tahun 2005 sampai

2009, Kulonprogo pada tahun 2005, 2008 dan 2009 termasuk kelompok

produksi yang sedang karena terdapat pada cluster ke 2, termasuk

kelompok produksi yang banyak karena terdapat pada cluster ke 1 pada

tahun 2006, dan termasuk kelompok produksi yang sedikit karena

terdapat pada cluster ke 3 pada tahun 2005 dan Kabupaten Sleman

tahun 2005, 2006, 2008, dan 2009 termasuk dalam kelompok produksi

yang sedang karena terdapat pada cluster ke 2, pada tahun 2007


ke 3.

11. Manggis

Untuk produksi manggis Kabupaten Bantul, Kabupaten Gunung Kidul,

Kota Yogyakarta tahun 2005 sampai 2009 termasuk dalam kelompok

produksi yang sedang karena terdapat pada cluster ke 2, Kulonprogo


ke 3 pada tahun 2005, 2006 dan 2009 dan Kabupaten Sleman termasuk

dalam kelompok produksi yang banyak pada tahun 2005 sampai dengan

tahun 2009. Itu diketahui karena terdapat pada cluster ke 1.


38

12. Sawo

Untuk produksi sawo Kabupaten Bantul, Kabupaten Gunung Kidul

Kulonprogo, dan Kabupaten Sleman tahun 2005, 2006, 2008, dan 2009


cluster ke 1, tahun 2007 termasuk dalam kelompok produksi yang

sedang karena terdapat pada cluster ke 2. Kota Yogyakarta termasuk

dalam kelompok produksi yang sedikit pada tahun 2005 sampai dengan


13. Pepaya

Untuk produksi pepaya Kabupaten Bantul tahun 2005, 2006, 2008, dan

2009 termasuk dalam kelompok produksi yang sedikit karena terdapat

pada cluster ke 3, tahun 2006 termasuk dalam kelompok produksi yang

banyak karena terdapat pada cluster ke 1, Kabupaten Gunung Kidul

tahun 2005, 2006, 2008, dan 2009 termasuk dalam kelompok produksi

yang sedikit karena terdapat pada cluster ke 3, tahun 2007 termasuk

dalam kelompok produksi yang sedang karena terdapat pada cluster ke

2. Kota Yogyakarta, dan Kulonprogo, termasuk dalam kelompok

produksi yang sedikit pada tahun 2005 sampai dengan tahun 2009. Itu

diketahui karena terdapat pada cluster ke 3. Kabupaten Sleman tahun


sedikit karena terdapat pada cluster ke 3, tahun 2007 termasuk dalam

kelompok produksi yang banyak karena terdapat pada cluster ke 1.

14. Pisang

Untuk produksi pisang Kabupaten Bantul termasuk dalam kelompok

produksi yang sedang pada tahun 2005 sampai dengan tahun 2009. Itu

diketahui karena terdapat pada cluster ke 2. Kabupaten Gunung Kidul,

Kulonprogo, dan Kabupaten Sleman tahun 2005, 2006, 2008, dan 2009


39

termasuk dalam kelompok produksi yang sedang karena terdapat pada

cluster ke 2, tahun 2007 termasuk dalam kelompok produksi yang

banyak karena terdapat pada cluster ke 1. Kota Yogyakarta, termasuk

dalam kelompok produksi yang sedikit pada tahun 2005 sampai dengan


15. Nanas

Untuk produksi nanas Kabupaten Bantul dan Kota Yogyakarta

termasuk dalam kelompok produksi yang sedang pada tahun 2005


2. Kabupaten Gunung Kidul tahun 2005, 2006, 2008, dan 2009 termasuk

dalam kelompok produksi yang sedang karena terdapat pada cluster ke

2, tahun 2007 termasuk dalam kelompok produksi yang banyak karena

terdapat pada cluster ke 1. Kulonprogo, dan Kabupaten Sleman tahun


banyak karena terdapat pada cluster ke 1, tahun 2007 termasuk dalam


16. Salak

Untuk produksi salak Kabupaten Bantul, Kabupaten Gunung Kidul,

dan Kota Yogyakarta termasuk dalam kelompok produksi yang sedang

pada tahun 2005 sampai dengan tahun 2009. Itu diketahui karena terdapat

pada cluster ke 2. Kabupaten Kulonprogo, termasuk dalam kelompok


diketahui karena terdapat pada cluster ke 3. Kabupaten Sleman ,

termasuk dalam kelompok produksi yang banyak pada tahun 2005 sampai



40

17. Nangka

Untuk produksi nangka Kabupaten Bantul tahun 2005 dan 2007


cluster ke 1, tahun 2006, 2008, dan termasuk dalam kelompok produksi

yang sedikit karena terdapat pada cluster ke 3. Kabupaten Gunung Kidul

dan Kabupaten Sleman tahun 2005, 2006, 2008, dan 2009 termasuk

dalam kelompok produksi yang banyak karena terdapat pada cluster ke

1, tahun 2007 termasuk dalam kelompok produksi yang sedang karena

terdapat pada cluster ke 2. Kota Yogyakarta termasuk dalam kelompok


diketahui karena terdapat pada cluster ke 3. Kabupaten Kulonprogo

termasuk dalam kelompok produksi yang banyak pada tahun 2005 sampai


18. Semangka

Untuk produksi semangka Kabupaten Bantul, Kabupaten Gunung

Kidul termasuk dalam kelompok produksi yang sedikit pada tahun 2005


3. Kota Yogyakarta tahun 2005, 2006, 2008, dan 2009 termasuk dalam

kelompok produksi yang sedikit karena terdapat pada cluster ke 3, tahun

2007 termasuk dalam kelompok produksi yang banyak karena terdapat

pada cluster ke 1. Kabupaten Kulonprogo termasuk dalam kelompok

produksi yang banyak pada tahun 2005 sampai dengan tahun 2009. Itu

diketahui karena terdapat pada cluster ke 1. Kabupaten Sleman tahun


sedang karena terdapat pada cluster ke 2, tahun 2008 termasuk dalam



41

BAB V

PENUTUP

Bab terakhir pada penulisan ini menjelaskan mengenai kesimpulan dari

penelitian terkait dengan terhadap pengelompokan untuk memetakan potensi

produksi buah – buahan di Provinsi Yogyakarta. Pada bab ini dijelaskan saran yang

diberikan pada system yang sudah dibuat.

5.1 Analisa Hasil

Dari permasalahan tentang data produksi buah – buahan di Provinsi Daerah

Istimewa Yogyakarta dapat diselesaikan dengan Algoritma K-Means dapat

melakukan pengelompokan dokumen dalam jumlah yang banyak akan tetapi

belum efisien dalam mengelompokan dokumen secara tepat. Untuk

mengelompokan daerah potensial buah – buahan di Provinsi Daerah Istimewa

Yogyakarta. Penentuan centroid (titik pusat) pada tahap awal algoritma K-Means

sangat berpengaruh pada hasil cluster seperti pada hasil pengujian yang

dilakukan dengan centroid yang berbeda menghasilkan hasil cluster yang

berbeda juga.

5.2 Saran

Saran yang diperlukan untuk pengembangan system lebih lanjut sebagai

berikut :

1. Penelitian selanjutnya dapat dikembangkan pada jenis data yang serupa

dengan metode yang lebih baik seperti menggunakan algoritma Fuzzy C-

Means.


42

2. Hasil clustering yang terbentuk dapat dikembangkan menjadi basis

pengetahuan untuk sistem pendukung keputusan maupun sistem

rekomendasi daerah yang cocok untuk ditanami buah oleh dinas

pertanian.


43

DAFTAR PUSTAKA

Gorunescu, Florin (2011). Data mining: Concepts, Models, and Techniques. Verlag

Berlin Heidelberg: Springer

Han, Jiawei & Micheline Kamber. 2006. Second Edition. Data mining : Concepts

and Techniques. New York : Morgan Kaufman

Han, Jiawei & Micheline Kamber. 2012. Third Edition. Data mining : Concepts and

Techniques. New York : Morgan Kaufman

Kusrini, dan Luthfi, Emha. Taufiq. (2009). Algoritma Data mining. Yogyakarta: Andi

Publishing.

Larose, Daniel. T. (2005).Discovering Knowledge in Data. New Jersey: John Willey

& Sons, Inc.

Lee, Finn. S. dan Santana, Juan (2010). Data mining : Meramalkan Bisnis

Perusahaan. Jakarta: Elex Media Komputindo

Liao. (2007). Recent Advances in Data mining of Enterprise Data: Algorithms and

Application. Singapore: World Scientific Publishing

Prasetyo Eko. 2014. Data mining Mengolah Data menjadi Informasi Menggunakan

Matlab. Yogyakarta : CV.ANDI OFFSET


44

LAMPIRAN

Lampiran 1. Tabel Data Produksi Buah

JENIS BUAH DAERAH JUMLAH POHON PRODUKSI TAHUN

Alpokat Kabupaten Bantul 7405 553 2005

Alpokat Kabupaten

Gunungkidul

2584 198 2005

Alpokat Kota Yogyakarta 722 53 2005

Alpokat Kabupaten

Kulonprogo

12588 1484 2005

Alpokat Kabupaten Sleman 79262 11704 2005


Alpokat Kabupaten

Gunungkidul

2518 634 2006


Alpokat Kabupaten

Kulonprogo

3683 740 2006



Alpokat Kabupaten

Gunungkidul

2226 36 2007


Alpokat Kabupaten

Kulonprogo

11206 214 2007



Alpokat Kabupaten

Gunungkidul

495 19 2008


45


Alpokat Kabupaten

Kulonprogo

7597 370 2008



Alpokat Kabupaten

Gunungkidul

1992 36 2009


Alpokat Kabupaten

Kulonprogo

8567 419 2009


Mangga Kabupaten Bantul 113591 6361 2005

Mangga Kabupaten

Gunungkidul

153374 5535 2005

Mangga Kota Yogyakarta 2301 152 2005

Mangga Kabupaten

Kulonprogo

52949 4403 2005

Mangga Kabupaten Sleman 131779 9881 2005


Mangga Kabupaten

Gunungkidul

258643 6437 2006


Mangga Kabupaten

Kulonprogo

124350 5397 2006



Mangga Kabupaten

Gunungkidul

541038 14925 2007


46


Mangga Kabupaten

Kulonprogo

167815 5779 2007



Mangga Kabupaten

Gunungkidul

170013 6992 2008


Mangga Kabupaten

Kulonprogo

135017 6468 2008



Mangga Kabupaten

Gunungkidul

306546 16160 2009


Mangga Kabupaten

Kulonprogo

110955 6580 2009


Rambutan Kabupaten Bantul 27383 946 2005

Rambutan Kabupaten

Gunungkidul

9656 148 2005

Rambutan Kota Yogyakarta 2211 41 2005

Rambutan Kabupaten

Kulonprogo

70911 5231 2005

Rambutan Kabupaten Sleman 132426 13685 2005


Rambutan Kabupaten

Gunungkidul

19618 463 2006


47


Rambutan Kabupaten

Kulonprogo

36914 2510 2006



Rambutan Kabupaten

Gunungkidul

25960 416 2007


Rambutan Kabupaten

Kulonprogo

51517 2691 2007



Rambutan Kabupaten

Gunungkidul

16801 396 2008


Rambutan Kabupaten

Kulonprogo

51448 3873 2008



Rambutan Kabupaten

Gunungkidul

31931 479 2009


Rambutan Kabupaten

Kulonprogo

26025 2236 2009


Duku Kabupaten Bantul 301 9 2005

Duku Kabupaten

Gunungkidul

0 0 2005


48

Duku Kota Yogyakarta 167 5 2005

Duku Kabupaten

Kulonprogo

7959 392 2005

Duku Kabupaten Sleman 14247 1021 2005


Duku Kabupaten

Gunungkidul

0 0 2006


Duku Kabupaten

Kulonprogo

2436 121 2006



Duku Kabupaten

Gunungkidul

0 0 2007


Duku Kabupaten

Kulonprogo

13645 364 2007



Duku Kabupaten

Gunungkidul

0 0 2008


Duku Kabupaten

Kulonprogo

9021 422 2008



Duku Kabupaten

Gunungkidul

0 0 2009


49


Duku Kabupaten

Kulonprogo

8751 427 2009


Jeruk Kabupaten Bantul 7018 480 2005

Jeruk Kabupaten

Gunungkidul

4285 288 2005

Jeruk Kota Yogyakarta 320 30 2005

Jeruk Kabupaten

Kulonprogo

16219 1239 2005

Jeruk Kabupaten Sleman 10009 944 2005


Jeruk Kabupaten

Gunungkidul

2256 151 2006


Jeruk Kabupaten

Kulonprogo

29777 1216 2006



Jeruk Kabupaten

Gunungkidul

5924 70 2007


Jeruk Kabupaten

Kulonprogo

58807 1114 2007



Jeruk Kabupaten

Gunungkidul

538 19 2008


50


Jeruk Kabupaten

Kulonprogo

17561 957 2008



Jeruk Kabupaten

Gunungkidul

1510 66 2009


Jeruk Kabupaten

Kulonprogo

23400 1078 2009


Sirsak Kabupaten Bantul 9144 628 2005

Sirsak Kabupaten

Gunungkidul

16547 869 2005

Sirsak Kota Yogyakarta 115 10 2005

Sirsak Kabupaten

Kulonprogo

3901 139 2005

Sirsak Kabupaten Sleman 7076 465 2005


Sirsak Kabupaten

Gunungkidul

24399 1242 2006


Sirsak Kabupaten

Kulonprogo

3490 122 2006



Sirsak Kabupaten

Gunungkidul

48498 475 2007


51


Sirsak Kabupaten

Kulonprogo

6963 100 2007



Sirsak Kabupaten

Gunungkidul

28019 522 2008


Sirsak Kabupaten

Kulonprogo

3065 121 2008



Sirsak Kabupaten

Gunungkidul

44429 918 2009


Sirsak Kabupaten

Kulonprogo

3083 112 2009


Sukun Kabupaten Bantul 7250 776 2005

Sukun Kabupaten

Gunungkidul

30059 2388 2005

Sukun Kota Yogyakarta 253 45 2005

Sukun Kabupaten

Kulonprogo

17804 1434 2005

Sukun Kabupaten Sleman 12055 1935 2005


Sukun Kabupaten

Gunungkidul

17621 1332 2006


52


Sukun Kabupaten

Kulonprogo

27514 2107 2006



Sukun Kabupaten

Gunungkidul

57329 1249 2007


Sukun Kabupaten

Kulonprogo

46126 2020 2007



Sukun Kabupaten

Gunungkidul

72885 2686 2008


Sukun Kabupaten

Kulonprogo

28269 2249 2008



Sukun Kabupaten

Gunungkidul

67754 1381 2009


Sukun Kabupaten

Kulonprogo

15235 2138 2009


Belimbing Kabupaten Bantul 4119 229 2005

Belimbing Kabupaten

Gunungkidul

6271 376 2005


53

Belimbing Kota Yogyakarta 311 24 2005

Belimbing Kabupaten

Kulonprogo

4451 144 2005

Belimbing Kabupaten Sleman 4807 370 2005


Belimbing Kabupaten

Gunungkidul

6788 309 2006


Belimbing Kabupaten

Kulonprogo

5578 166 2006



Belimbing Kabupaten

Gunungkidul

8599 119 2007


Belimbing Kabupaten

Kulonprogo

7729 152 2007



Belimbing Kabupaten

Gunungkidul

4454 138 2008


Belimbing Kabupaten

Kulonprogo

5200 205 2008



Belimbing Kabupaten

Gunungkidul

4242 155 2009


54


Belimbing Kabupaten

Kulonprogo

5550 219 2009


Durian Kabupaten Bantul 1463 75 2005

Durian Kabupaten

Gunungkidul

1450 31 2005

Durian Kota Yogyakarta 89 10 2005

Durian Kabupaten

Kulonprogo

47874 4138 2005

Durian Kabupaten Sleman 38973 3008 2005


Durian Kabupaten

Gunungkidul

1384 28 2006


Durian Kabupaten

Kulonprogo

15873 1125 2006



Durian Kabupaten

Gunungkidul

1514 22 2007


Durian Kabupaten

Kulonprogo

49096 2196 2007



Durian Kabupaten

Gunungkidul

1641 27 2008


55


Durian Kabupaten

Kulonprogo

33726 2708 2008



Durian Kabupaten

Gunungkidul

1762 30 2009


Durian Kabupaten

Kulonprogo

42182 3408 2009


Jambu Biji Kabupaten Bantul 26131 1516 2005

Jambu Biji Kabupaten

Gunungkidul

32358 1717 2005

Jambu Biji Kota Yogyakarta 1248 65 2005


Kulonprogo

34161 1068 2005

Jambu Biji Kabupaten Sleman 44635 3071 2005



Gunungkidul

29487 1398 2006



Kulonprogo

22336 906 2006




Gunungkidul

43919 462 2007


56



Kulonprogo

101102 1427 2007




Gunungkidul

21717 705 2008



Kulonprogo

36520 1706 2008




Gunungkidul

22214 721 2009



Kulonprogo

41655 1711 2009


Manggis Kabupaten Bantul 164 11 2005

Manggis Kabupaten

Gunungkidul

0 0 2005

Manggis Kota Yogyakarta 14 1 2005

Manggis Kabupaten

Kulonprogo

14788 573 2005

Manggis Kabupaten Sleman 4167 499 2005


Manggis Kabupaten

Gunungkidul

180 24 2006


57


Manggis Kabupaten

Kulonprogo

4733 183 2006



Manggis Kabupaten

Gunungkidul

0 0 2007


Manggis Kabupaten

Kulonprogo

29244 623 2007



Manggis Kabupaten

Gunungkidul

0 0 2008


Manggis Kabupaten

Kulonprogo

16227 651 2008



Manggis Kabupaten

Gunungkidul

0 0 2009


Manggis Kabupaten

Kulonprogo

5474 220 2009


Sawo Kabupaten Bantul 12318 1410 2005

Sawo Kabupaten

Gunungkidul

21538 1838 2005


58

Sawo Kota Yogyakarta 505 80 2005

Sawo Kabupaten

Kulonprogo

9889 680 2005

Sawo Kabupaten Sleman 15836 2032 2005


Sawo Kabupaten

Gunungkidul

25025 1879 2006


Sawo Kabupaten

Kulonprogo

13652 1039 2006



Sawo Kabupaten

Gunungkidul

57444 1966 2007


Sawo Kabupaten

Kulonprogo

31087 920 2007



Sawo Kabupaten

Gunungkidul

22989 3317 2008


Sawo Kabupaten

Kulonprogo

12567 975 2008



Sawo Kabupaten

Gunungkidul

20290 1599 2009


59


Sawo Kabupaten

Kulonprogo

11054 768 2009


Pepaya Kabupaten Bantul 51318 2135 2005

Pepaya Kabupaten

Gunungkidul

41027 1635 2005

Pepaya Kota Yogyakarta 5332 485 2005

Pepaya Kabupaten

Kulonprogo

35829 1875 2005

Pepaya Kabupaten Sleman 81180 4079 2005


Pepaya Kabupaten

Gunungkidul

45756 2224 2006


Pepaya Kabupaten

Kulonprogo

45731 2681 2006



Pepaya Kabupaten

Gunungkidul

1680899 1766 2007


Pepaya Kabupaten

Kulonprogo

119048 2865 2007



Pepaya Kabupaten

Gunungkidul

47313 2473 2008


60


Pepaya Kabupaten

Kulonprogo

33181 2359 2008



Pepaya Kabupaten

Gunungkidul

28812 1311 2009


Pepaya Kabupaten

Kulonprogo

33007 2415 2009


Pisang Kabupaten Bantul 169342 10140 2005

Pisang Kabupaten

Gunungkidul

243901 9736 2005

Pisang Kota Yogyakarta 2972 131 2005

Pisang Kabupaten

Kulonprogo

278078 11866 2005

Pisang Kabupaten Sleman 244505 13516 2005


Pisang Kabupaten

Gunungkidul

256227 7984 2006


Pisang Kabupaten

Kulonprogo

484638 20747 2006



Pisang Kabupaten

Gunungkidul

1031988 13870 2007


61


Pisang Kabupaten

Kulonprogo

1381584 21811 2007



Pisang Kabupaten

Gunungkidul

414180 12689 2008


Pisang Kabupaten

Kulonprogo

360286 18743 2008



Pisang Kabupaten

Gunungkidul

347706 9754 2009


Pisang Kabupaten

Kulonprogo

367266 18159 2009


Nanas Kabupaten Bantul 2067 9 2005

Nanas Kabupaten

Gunungkidul

6224 24 2005

Nanas Kota Yogyakarta 53 1 2005

Nanas Kabupaten

Kulonprogo

36380 206 2005

Nanas Kabupaten Sleman 66122 217 2005


Nanas Kabupaten

Gunungkidul

10488 23 2006


62


Nanas Kabupaten

Kulonprogo

53348 251 2006



Nanas Kabupaten

Gunungkidul

33211 45 2007


Nanas Kabupaten

Kulonprogo

80960 296 2007



Nanas Kabupaten

Gunungkidul

8175 35 2008


Nanas Kabupaten

Kulonprogo

51538 311 2008



Nanas Kabupaten

Gunungkidul

13362 72 2009


Nanas Kabupaten

Kulonprogo

52204 291 2009


Salak Kabupaten Bantul 6655 91 2005

Salak Kabupaten

Gunungkidul

1449 12 2005


63

Salak Kota Yogyakarta 129 1 2005

Salak Kabupaten

Kulonprogo

100057 1379 2005

Salak Kabupaten Sleman 9772771 123229 2005


Salak Kabupaten

Gunungkidul

1463 36 2006


Salak Kabupaten

Kulonprogo

116189 1551 2006



Salak Kabupaten

Gunungkidul

4036 8 2007


Salak Kabupaten

Kulonprogo

237151 1386 2007



Salak Kabupaten

Gunungkidul

1287 12 2008


Salak Kabupaten

Kulonprogo

118433 1527 2008



Salak Kabupaten

Gunungkidul

1594 10 2009


64


Salak Kabupaten

Kulonprogo

116414 2138 2009


Nangka Kabupaten Bantul 39123 4073 2005

Nangka Kabupaten

Gunungkidul

63963 6461 2005

Nangka Kota Yogyakarta 961 119 2005

Nangka Kabupaten

Kulonprogo

43543 4935 2005

Nangka Kabupaten Sleman 65652 14591 2005


Nangka Kabupaten

Gunungkidul

64387 4407 2006


Nangka Kabupaten

Kulonprogo

41434 4506 2006



Nangka Kabupaten

Gunungkidul

120656 5650 2007


Nangka Kabupaten

Kulonprogo

75434 4157 2007



Nangka Kabupaten

Gunungkidul

70582 3570 2008


65


Nangka Kabupaten

Kulonprogo

48890 5047 2008



Nangka Kabupaten

Gunungkidul

93616 3838 2009


Nangka Kabupaten

Kulonprogo

46540 4895 2009


Semangka Kabupaten Bantul 7 135 2005

Semangka Kabupaten

Gunungkidul

6 98 2005

Semangka Kota Yogyakarta 0 0 2005

Semangka Kabupaten

Kulonprogo

593 9242 2005

Semangka Kabupaten Sleman 66 1460 2005


Semangka Kabupaten

Gunungkidul

7 135 2006


Semangka Kabupaten

Kulonprogo

569 9659 2006



Semangka Kabupaten

Gunungkidul

0 0 2007


66


Semangka Kabupaten

Kulonprogo

599 10742 2007



Semangka Kabupaten

Gunungkidul

5 39 2008


Semangka Kabupaten

Kulonprogo

185 6493 2008



Semangka Kabupaten

Gunungkidul

10 69 2009


Semangka Kabupaten

Kulonprogo

367 6660 2009


Lampiran 2. Tabel Hasil K-Means Clustering

JENIS BUAH DAERAH JUMLAH

POHON

PRODUKSI TAHUN CLUSTER

1 1 7405 553 2005 3

1 1 1522 348 2006 2

1 1 1660 108 2007 2

1 1 1550 66 2008 2

1 1 597 83 2009 2

1 2 2584 198 2005 2


67

1 2 2518 634 2006 2

1 2 2226 36 2007 2

1 2 495 19 2008 2

1 2 1992 36 2009 2

1 3 722 53 2005 2

1 3 386 154 2006 2

1 3 951 34 2007 2

1 3 343 49 2008 2

1 3 351 24 2009 2

1 4 12588 1484 2005 3

1 4 3683 740 2006 2

1 4 11206 214 2007 3

1 4 7597 370 2008 3

1 4 8567 419 2009 3

1 5 79262 11704 2005 1

1 5 21740 3944 2006 3

1 5 54731 3302 2007 1

1 5 38166 3613 2008 1

1 5 37775 3900 2009 1

2 1 113591 6361 2005 2

2 1 96279 5559 2006 2

2 1 72682 1885 2007 1

2 1 69118 7638 2008 1

2 1 100667 4531 2009 2

2 2 153374 5535 2005 2

2 2 258643 6437 2006 2

2 2 541038 14925 2007 3


68

2 2 170013 6992 2008 2

2 2 306546 16160 2009 2

2 3 2301 152 2005 1

2 3 5611 378 2006 1

2 3 8994 292 2007 1

2 3 6874 285 2008 1

2 3 5328 207 2009 1

2 4 52949 4403 2005 1

2 4 124350 5397 2006 2

2 4 167815 5779 2007 2

2 4 135017 6468 2008 2

2 4 110955 6580 2009 2

2 5 131779 9881 2005 2

2 5 153471 11115 2006 2

2 5 148929 10125 2007 2

2 5 166999 13131 2008 2

2 5 169635 14298 2009 2

3 1 27383 946 2005 1

3 1 26561 1139 2006 1

3 1 25070 546 2007 1

3 1 24815 1234 2008 1

3 1 30532 1888 2009 1

3 1 301 9 2005 2

3 1 465 8 2006 2

3 1 630 11 2007 2

3 1 564 35 2008 2

3 1 232 9 2009 2


69

3 2 9656 148 2005 3

3 2 19618 463 2006 3

3 2 25960 416 2007 1

3 2 16801 396 2008 3

3 2 31931 479 2009 1

3 2 0 0 2005 2

3 2 0 0 2006 2

3 2 0 0 2007 2

3 2 0 0 2008 2

3 2 0 0 2009 2

3 3 2211 41 2005 3

3 3 2689 152 2006 3

3 3 3694 59 2007 3

3 3 3526 102 2008 3

3 3 5767 119 2009 3

4 3 167 5 2005 2

4 3 46 4 2006 2

4 3 134 3 2007 2

4 3 147 11 2008 2

4 3 35 2 2009 2

4 4 70911 5231 2005 1

4 4 36914 2510 2006 1

4 4 51517 2691 2007 1

4 4 51448 3873 2008 1

4 4 26025 2236 2009 1

4 4 7959 392 2005 1

4 4 2436 121 2006 2


70

4 4 13645 364 2007 3

4 4 9021 422 2008 1

4 4 8751 427 2009 1

4 5 132426 13685 2005 2

4 5 187168 16721 2006 2

4 5 186543 15167 2007 2

4 5 191286 21850 2008 2

4 5 197496 20201 2009 2

4 5 14247 1021 2005 3

4 5 6584 461 2006 1

4 5 9747 915 2007 1

4 5 8898 855 2008 1

4 5 9555 916 2009 1

5 1 7018 480 2005 2

5 1 6885 312 2006 2

5 1 10064 227 2007 1

5 1 2669 39 2008 2

5 1 917 21 2009 2

5 2 4285 288 2005 2

5 2 2256 151 2006 2

5 2 5924 70 2007 2

5 2 538 19 2008 2

5 2 1510 66 2009 2

5 3 320 30 2005 2

5 3 691 26 2006 2

5 3 455 9 2007 2

5 3 245 13 2008 2


71

5 3 74 26 2009 2

5 4 16219 1239 2005 1

5 4 29777 1216 2006 3

5 4 58807 1114 2007 3

5 4 17561 957 2008 1

5 4 23400 1078 2009 1

5 5 10009 944 2005 1

5 5 8281 710 2006 1

5 5 29061 899 2007 3

5 5 11258 849 2008 1

5 5 11740 893 2009 1

6 1 9144 628 2005 1

6 1 6933 416 2006 1

6 1 16983 246 2007 1

6 1 7304 133 2008 1

6 1 5253 127 2009 3

6 2 16547 869 2005 1

6 2 24399 1242 2006 2

6 2 48498 475 2007 2

6 2 28019 522 2008 2

6 2 44429 918 2009 2

6 3 115 10 2005 3

6 3 166 8 2006 3

6 3 489 5 2007 3

6 3 149 6 2008 3

6 3 136 5 2009 3

6 4 3901 139 2005 3


72

6 4 3490 122 2006 3

6 4 6963 100 2007 1

6 4 3065 121 2008 3

6 4 3083 112 2009 3

6 5 7076 465 2005 1

6 5 6196 297 2006 1

6 5 15588 284 2007 1

6 5 6873 325 2008 1

6 5 7070 298 2009 1

7 1 7250 776 2005 3

7 1 8866 474 2006 3

7 1 8416 226 2007 3

7 1 7368 488 2008 3

7 1 6129 362 2009 3

7 2 30059 2388 2005 1

7 2 17621 1332 2006 1

7 2 57329 1249 2007 2

7 2 72885 2686 2008 2

7 2 67754 1381 2009 2

7 3 253 45 2005 3

7 3 276 27 2006 3

7 3 693 19 2007 3

7 3 417 42 2008 3

7 3 308 24 2009 3

7 4 17804 1434 2005 1

7 4 27514 2107 2006 1

7 4 46126 2020 2007 2


73

7 4 28269 2249 2008 1

7 4 15235 2138 2009 3

7 5 12055 1935 2005 3

7 5 10561 1869 2006 3

7 5 30545 1830 2007 1

7 5 10723 1693 2008 3

7 5 11778 1694 2009 3

8 1 4119 229 2005 2

8 1 4150 184 2006 2

8 1 7236 103 2007 1

8 1 1980 87 2008 3

8 1 1619 85 2009 3

8 2 6271 376 2005 2

8 2 6788 309 2006 2

8 2 8599 119 2007 1

8 2 4454 138 2008 2

8 2 4242 155 2009 2

8 3 311 24 2005 3

8 3 752 31 2006 3

8 3 1725 26 2007 3

8 3 623 36 2008 3

8 3 502 32 2009 3

8 4 4451 144 2005 2

8 4 5578 166 2006 2

8 4 7729 152 2007 1

8 4 5200 205 2008 2

8 4 5550 219 2009 2


74

8 5 4807 370 2005 2

8 5 4971 186 2006 2

8 5 12187 223 2007 1

8 5 4682 254 2008 2

8 5 4545 252 2009 2

9 1 1463 75 2005 1

9 1 1655 67 2006 1

9 1 1191 44 2007 1

9 1 1719 163 2008 1

9 1 1508 83 2009 1

9 2 1450 31 2005 1

9 2 1384 28 2006 1

9 2 1514 22 2007 1

9 2 1641 27 2008 1

9 2 1762 30 2009 1

9 3 89 10 2005 1

9 3 140 8 2006 1

9 3 62 3 2007 1

9 3 28 3 2008 1

9 3 48 8 2009 1

9 4 47874 4138 2005 2

9 4 15873 1125 2006 3

9 4 49096 2196 2007 2

9 4 33726 2708 2008 2

9 4 42182 3408 2009 2

9 5 38973 3008 2005 2

9 5 34402 3683 2006 2


75

9 5 35143 3014 2007 2

9 5 35462 3388 2008 2

9 5 45114 5688 2009 2

10 1 26131 1516 2005 2

10 1 18091 1279 2006 3

10 1 46089 567 2007 2

10 1 19937 456 2008 3

10 1 11826 286 2009 3

10 2 32358 1717 2005 2

10 2 29487 1398 2006 2

10 2 43919 462 2007 2

10 2 21717 705 2008 3

10 2 22214 721 2009 3

10 3 1248 65 2005 3

10 3 5067 216 2006 3

10 3 12943 116 2007 3

10 3 4127 158 2008 3

10 3 3615 95 2009 3

10 4 34161 1068 2005 2

10 4 22336 906 2006 3

10 4 101102 1427 2007 1

10 4 36520 1706 2008 2

10 4 41655 1711 2009 2

10 5 44635 3071 2005 2

10 5 37987 1197 2006 2

10 5 89355 1407 2007 1

10 5 35124 1502 2008 2


76

10 5 33302 1300 2009 2

11 1 164 11 2005 2

11 1 88 4 2006 2

11 1 199 4 2007 2

11 1 21 1 2008 2

11 1 0 0 2009 2

11 2 0 0 2005 2

11 2 180 24 2006 2

11 2 0 0 2007 2

11 2 0 0 2008 2

11 2 0 0 2009 2

11 3 14 1 2005 2

11 3 3 1 2006 2

11 3 3 0 2007 2

11 3 5 0 2008 2

11 3 0 0 2009 2

11 4 14788 573 2005 1

11 4 4733 183 2006 3

11 4 29244 623 2007 1

11 4 16227 651 2008 1

11 4 5474 220 2009 3

11 5 4167 499 2005 3

11 5 3669 419 2006 3

11 5 6087 394 2007 3

11 5 4816 381 2008 3

11 5 5210 379 2009 3

12 1 12318 1410 2005 3


77

12 1 15301 1246 2006 3

12 1 41967 1030 2007 2

12 1 12927 1057 2008 3

12 1 10482 842 2009 3

12 2 21538 1838 2005 3

12 2 25025 1879 2006 3

12 2 57444 1966 2007 2

12 2 22989 3317 2008 3

12 2 20290 1599 2009 3

12 3 505 80 2005 1

12 3 961 83 2006 1

12 3 2964 70 2007 1

12 3 1461 164 2008 1

12 3 1139 96 2009 1

12 4 9889 680 2005 3

12 4 13652 1039 2006 3

12 4 31087 920 2007 2

12 4 12567 975 2008 3

12 4 11054 768 2009 3

12 5 15836 2032 2005 3

12 5 16473 1605 2006 3

12 5 39388 1716 2007 2

12 5 16215 1835 2008 3

12 5 15967 1898 2009 3

13 1 51318 2135 2005 1

13 1 61522 2827 2006 1

13 1 210020 3643 2007 3


78

13 1 54969 2307 2008 1

13 1 36912 1312 2009 1

13 2 41027 1635 2005 1

13 2 45756 2224 2006 1

13 2 1680899 1766 2007 2

13 2 47313 2473 2008 1

13 2 28812 1311 2009 1

13 3 5332 485 2005 1

13 3 6113 189 2006 1

13 3 14930 164 2007 1

13 3 7258 229 2008 1

13 3 5288 194 2009 1

13 4 35829 1875 2005 1

13 4 45731 2681 2006 1

13 4 119048 2865 2007 1

13 4 33181 2359 2008 1

13 4 33007 2415 2009 1

13 5 81180 4079 2005 1

13 5 76956 3477 2006 1

13 5 245677 4180 2007 3

13 5 68930 3866 2008 1

13 5 65726 3862 2009 1

14 1 169342 10140 2005 2

14 1 175473 6518 2006 2

14 1 631156 8220 2007 2

14 1 247350 16986 2008 2

14 1 249363 13033 2009 2


79

14 2 243901 9736 2005 2

14 2 256227 7984 2006 2

14 2 1031988 13870 2007 3

14 2 414180 12689 2008 2

14 2 347706 9754 2009 2

14 3 2972 131 2005 1

14 3 7302 256 2006 1

14 3 20046 182 2007 1

14 3 8389 444 2008 1

14 3 6438 150 2009 1

14 4 278078 11866 2005 2

14 4 484638 20747 2006 2

14 4 1381584 21811 2007 3

14 4 360286 18743 2008 2

14 4 367266 18159 2009 2

14 5 244505 13516 2005 2

14 5 208018 12329 2006 2

14 5 730860 12441 2007 3

14 5 210695 11699 2008 2

14 5 226845 11640 2009 2

15 1 2067 9 2005 2

15 1 1345 3 2006 2

15 1 1215 2 2007 2

15 1 69 1 2008 2

15 1 150 1 2009 2

15 2 6224 24 2005 2

15 2 10488 23 2006 2


80

15 2 33211 45 2007 3

15 2 8175 35 2008 2

15 2 13362 72 2009 2

15 3 53 1 2005 2

15 3 55 1 2006 2

15 3 25 0 2007 2

15 3 66 1 2008 2

15 3 40 1 2009 2

15 4 36380 206 2005 3

15 4 53348 251 2006 3

15 4 80960 296 2007 1

15 4 51538 311 2008 3

15 4 52204 291 2009 3

15 5 66122 217 2005 3

15 5 53112 179 2006 3

15 5 123129 213 2007 1

15 5 38176 205 2008 3

15 5 39460 177 2009 3

16 1 6655 91 2005 2

16 1 4617 39 2006 2

16 1 7008 20 2007 2

16 1 3202 36 2008 2

16 1 3689 45 2009 2

16 2 1449 12 2005 2

16 2 1463 36 2006 2

16 2 4036 8 2007 2

16 2 1287 12 2008 2


81

16 2 1594 10 2009 2

16 3 129 1 2005 2

16 3 60 1 2006 2

16 3 90 0 2007 2

16 3 10 0 2008 2

16 3 0 0 2009 2

16 4 100057 1379 2005 1

16 4 116189 1551 2006 1

16 4 237151 1386 2007 1

16 4 118433 1527 2008 1

16 4 116414 2138 2009 1

16 5 9772771 123229 2005 3

16 5 4534595 67329 2006 3

16 5 14634913 57476 2007 3

16 5 4521909 58353 2008 3

16 5 4755612 60379 2009 3

17 1 39123 4073 2005 3

17 1 16302 1405 2006 1

17 1 44705 2189 2007 3

17 1 11964 556 2008 1

17 1 20279 833 2009 1

17 2 63963 6461 2005 3

17 2 64387 4407 2006 3

17 2 120656 5650 2007 2

17 2 70582 3570 2008 3

17 2 93616 3838 2009 3

17 3 961 119 2005 1


82

17 3 808 106 2006 1

17 3 4493 161 2007 1

17 3 2981 366 2008 1

17 3 2314 66 2009 1

17 4 43543 4935 2005 3

17 4 41434 4506 2006 3

17 4 75434 4157 2007 3

17 4 48890 5047 2008 3

17 4 46540 4895 2009 3

17 5 65652 14591 2005 3

17 5 65797 12373 2006 3

17 5 178856 11258 2007 2

17 5 68342 10341 2008 3

17 5 73069 10337 2009 3

18 1 7 135 2005 1

18 1 0 0 2006 1

18 1 0 0 2007 1

18 1 1 20 2008 1

18 1 0 0 2009 1

18 2 6 98 2005 1

18 2 7 135 2006 1

18 2 0 0 2007 1

18 2 5 39 2008 1

18 2 10 69 2009 1

18 3 0 0 2005 1

18 3 0 0 2006 1

18 3 599 10742 2007 3


83

18 3 0 0 2008 1

18 3 0 0 2009 1

18 4 593 9242 2005 3

18 4 569 9659 2006 3

18 4 599 10742 2007 3

18 4 185 6493 2008 3

18 4 367 6660 2009 3

18 5 66 1460 2005 2

18 5 60 1247 2006 2

18 5 42 945 2007 2

18 5 11 493 2008 1

18 5 34 619 2009 2


UNTUK MENGELOMPOKAN POTENSI PRODUKSI BUAH … · Demikian pernyataan ini saya buat dengan...

Documents

Transcript of UNTUK MENGELOMPOKAN POTENSI PRODUKSI BUAH … · Demikian pernyataan ini saya buat dengan...