peta potensi produksi palawija di kalimantan … · 2018. 9. 3. · masyarakat adalah palawija....

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


iv

HALAMAN PERSETUJUAN


v

HALAMAN PENGESAHAN


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


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


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.


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.


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


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.


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


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


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


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


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 5.14 Nilai SSE Jenis Palawija Kedelai 2015-2009 ...................................... 73

Tabel 5.15 Nilai SSE Jenis Palawija Kedelai 2008-2003 ...................................... 74


Tabel 5.17 Karakteristik kelompok tanaman Palawija Jagung ............................. 80

Tabel 5.18 Karakteristik kelompok tanaman Palawija Ubi Jalar ........................... 81


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


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


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 5.28 Grafik Elbow Jenis Palawija Ubi Jalar 2015 ........................ 57













xxi


Gambar 5.41 Grafik Elbow Jenis Palawija Ketela Pohon 2015 ................ 63













Gambar 5.54 Grafik Elbow Jenis Palawija Kacang Tanah 2015 ............... 69














Gambar 5.68 Grafik Elbow Jenis Palawija Kedelai 2015 .......................... 75




xxii












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


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.


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.


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.


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.


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.


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.


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


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 :


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


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


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


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.


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


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


Luas Lahan : ( 47 + 71 + 79 + 27 + 120 + 8 + 83 + 249 + 145 + 239 ) / 11 =

101,1818


15


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


kedua:

𝐷12= √(548−101,1818)2 =446,82


ketiga:

𝐷13= √(548−470)2 =78


16

Pada tabel 2.5 berikut ini ditampilkan jarak data dengan centroid tersebut

dalam cluster tersebut.

Tabel 2.5 Contoh Hasil Perhitungan Iterasi Kedua


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.


17

Pada tabel 2.6 berikut merupakan tabel hasil pengelompokan dari

iterasi kedua.

Tabel 2.6 Matriks hasil iterasi kedua


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


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


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.


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


https://aplikasi2.pertanian.go.id/bdsp2/

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.


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


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.


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 :


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.


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


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


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



data hasil kluster yang telah

disimpan.

Administrator

Cari data

hasil

kluster



data hasil kluster yang telah

disimpan.

Administrator

Hapus

data

kluster


administrator dalam

menghapus data hasil kluster

yang ada di database.

Administrator

Lihat data

hasil

elbow



data hasil elbow yang telah

disimpan.

Administrator

Cari data

hasil

elbow



data hasil elbow yang telah

disimpan.

Administrator


27

Hapus

data

elbow


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



dan hasil disimpan kemudian

data akan direprentasikan

kedalam bentuk grafik garis

agar dapat dibaca pengguna.

Administrator /

Pengguna

umum

Lihat

grafik

elbow



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.


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


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


30

2. Tabel Data_tanaman

Tabel 4.3 Struktur Tabel Data_tanaman


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


ID Int(10) null

Kluster Varchar(20) null

Jumlah_kluster Varchar(20) null

Jenis Varchar(20) null


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


No Int(10) Primary key, Not null

Nilai_elbow Int(20) Not null

Jumlah_kluster Varchar(20) Not null

jenis Varchar(20) Not null


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


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


34


data yang telah dikluster.

Gambar 4.12 Halaman Data Kluster


data elbow yang telah dikluster.

Gambar 4.13 Halaman Data Elbow


35


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


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


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


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.


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


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


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)


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


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


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


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



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


46

5.1.2.10 Grafik Elbow



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


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


yang sudah ada UC05-B

6 Hapus data

tanaman

Menekan tombol hapus dengan data

yang belum ada UC06-A


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


yang belum dikluster UC09-A


yang sudah dikluster UC09-B

10 Hapus data hasil

kluster





11 Lihat data hasil

elbow Memilih tab data kelola UC11-A

12 Cari data hasil

elbow





13 Hapus data hasil

elbow





14 Lihat grafik peta

Menekan tombol proses dengan data



sudah dikluster UC14-B


48

15

Lihat grafik

Kabupaten /

kota





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.


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


50


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


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












52

Berikut ini gambar 5.21 sampai dengan 5.26 menampilkan gambar grafik elbow

pada tanaman palawija jagung untuk tahun 2009-2004.














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.


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


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


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


57

Pada gambar 5.28 sampai dengan 5.33 menampilkan gambar grafik elbow pada

tanaman palawija ubi jalar untuk tahun 2015-2010.


Palawija Ubi Jalar 2015












58

Berikut ini gambar 5.34 sampai dengan 5.39 menampilkan gambar grafik elbow

pada tanaman palawija ubi jalar untuk tahun 2009-2004.














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


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,


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


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


61


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


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


63

Pada gambar 5.41 sampai dengan 5.46 akan menampilkan gambar grafik elbow

pada tanaman palawija ketela pohon untuk tahun 2015-2010.


Palawija Ketela Pohon 2015












64

Berikut ini gambar 5.47 sampai dengan 5.51 akan menampilkan gambar grafik

elbow pada tanaman palawija Ketela Pohon untuk tahun 2009-2004.














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


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


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


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


68


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


69


pada tanaman palawija kacang tanah untuk tahun 2015-2010.


Palawija Kacang Tanah 2015

Gambar 5.54 Grafik Elbow Jenis Palawija

Kacang Tanah 2014




Kacang Tanah 2012




Kacang Tanah 2010


70


elbow pada tanaman palawija Kacang Tanah untuk tahun 2009-2004.














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


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.


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


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


73


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


74


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


75


pada tanaman palawija Kedelai untuk tahun 2015-2010.


Palawija Kedelai 2015


Kedelai 2014




Kedelai 2012




Kedelai 2010


76


elbow pada tanaman palawija Kacang Tanah untuk tahun 2009-2004.














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.


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


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


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.


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


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.


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.


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.


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.


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.


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.


https://aplikasi2.pertanian.go.id/bdsp2/

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.


88

b) Keluar

Use-Case Name : Keluar Use-Case Type


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 :


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


Priority : High

Source : -


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 :


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


Priority : Low

Source : -


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 :


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


Priority : Low

Source : -

Primary Business

Actor :

Administrator

Other

Participating

Actors:

-

Other Interested

Stakeholders :

-

Description : Use case ini mendeskripsikan pengguna mencari data

tanaman.


91


Typical Course Of

Events :


1. Pilih dropdown

jenis dan tekan

tombol cari

2. Menampilkan data

tanaman yang dicari.

Postcondition : Administrator berhasil cari data tanaman.


f) Hapus Data Tanaman

Use-Case Name : Hapus Data Tanaman Use-Case Type


Priority : Low

Source : -

Primary Business

Actor :

Administrator

Other

Participating

Actors:

-

Other Interested

Stakeholders :

-

Description : Use case ini mendeskripsikan pengguna menghapus data

tanaman.


Typical Course Of

Events :


1. Pilih menu

dropdown jenis dan

tekan tombol hapus

2. Menampilkan pesan

data berhasil hapus.

Postcondition : Administrator berhasil menghapus data tanaman.



92

g) Proses Cluster

Use-Case Name : Proses Cluster Use-Case Type


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 :


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


93

Use-Case Name : Lihat Data Kluster Use-Case Type


Priority : Low

Source : -

Primary Business

Actor :

Administrator

Other

Participating

Actors:

-

Other Interested

Stakeholders :

-


kluster.


Typical Course Of

Events :


1. Pilih tab Data

Kluster

2. Menampilkan

halaman data kluster.

Postcondition : Administrator berhasil melihat data kluster.


i) Cari Data Kluster

Use-Case Name : Cari Data Kluster Use-Case Type


Priority : Low

Source : -

Primary Business

Actor :

Administrator

Other

Participating

Actors:

-


94

Other Interested

Stakeholders :

-


Kluster.

Precondition : Pengguna masuk ke halaman Data Kluster.

Typical Course Of

Events :


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.


j) Hapus Data Kluster

Use-Case Name : Hapus Data Kluster Use-Case Type


Priority : Low

Source : -

Primary Business

Actor :

Administrator

Other

Participating

Actors:

-

Other Interested

Stakeholders :

-


hasil kluster.

Precondition : Pengguna masuk ke halaman Data Kluster.



95

Typical Course Of

Events :

1. Pilih menu

dropdown jenis dan

jumlah K kemudian

tekan tombol hapus



Postcondition : Administrator berhasil menghapus data kluster.


k) Lihat Data Elbow

Use-Case Name : Lihat Data Elbow Use-Case Type


Priority : Low

Source : -

Primary Business

Actor :

Administrator

Other

Participating

Actors:

-

Other Interested

Stakeholders :

-


elbow.


Typical Course Of

Events :


1. Pilih tab Data

elbow

2. Menampilkan

halaman data elbow.

Postcondition : Administrator berhasil melihat data elbow.



96

l) Cari Data Elbow

Use-Case Name : Cari Data Elbow Use-Case Type


Priority : Low

Source : -

Primary Business

Actor :

Administrator

Other

Participating

Actors:

-

Other Interested

Stakeholders :

-


elbow.

Precondition : Pengguna masuk ke halaman Data Elbow.

Typical Course Of

Events :


1. Pilih dropdown

jenis, kemudian

tekan tombol cari

2. Menampilkan data

hasil elbow yang

dicari.

Postcondition : Administrator berhasil cari data hasil elbow.


m) Hapus Data Elbow

Use-Case Name : Hapus Data Elbow Use-Case Type


Priority : Low

Source : -


97

Primary Business

Actor :

Administrator

Other

Participating

Actors:

-

Other Interested

Stakeholders :

-


hasil elbow.

Precondition : Pengguna masuk ke halaman Data Elbow.

Typical Course Of

Events :


1. Pilih menu

dropdown jenis dan

tekan tombol hapus



Postcondition : Administrator berhasil menghapus data elbow.


n) Lihat Grafik Peta

Use-Case Name : Lihat Grafik Peta Use-Case Type


Priority : Low

Source : -

Primary Business

Actor :

Administrator dan pengguna umum

Other

Participating

Actors:

-

Other Interested

Stakeholders :

-


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 :


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


Priority : Low

Source : -

Primary Business

Actor :


Other

Participating

Actors:

-

Other Interested

Stakeholders :

-


produktivitas kabupaten / kota data dalam bentuk grafik.


Typical Course Of

Events :


1. Pengguna memilih

jenis tanaman

palawija, kota, dan

nilai kluster.


99

2. Menampilkan grafik

garis.

Postcondition : Pengguna berhasil melihat grafik kota.


p) Lihat Grafik Elbow

Use-Case Name : Lihat Grafik Elbow Use-Case Type


Priority : Low

Source : -

Primary Business

Actor :


Other

Participating

Actors:

-

Other Interested

Stakeholders :

-


hasil elbow dari proses data grafik.


Typical Course Of

Events :


1. Pengguna memilih

jenis tanaman

palawija

2. Menampilkan grafik.

Postcondition : Pengguna berhasil melihat visualisasi grafik elbow.



100

Lampiran 2 Activity Diagram

1. Masuk

2. Keluar


101

3. Masukan File

4. Lihat Data Tanaman


102

5. Cari Data Tanaman

6. Hapus Data Tanaman


103

7. Proses kluster

8. Lihat Data Kluster


104

9. Cari Data Kluster

10. Hapus Data Kluster


105

11. Lihat Data Elbow

12. Cari Data Elbow


106

13. Hapus Data Elbow

14. Lihat Grafik Peta


107

15. Lihat Grafik Kota

16. Lihat Grafik Elbow


108

Lampiran 3 Sequence Diagram

1. Masuk

2. Keluar


109

3. Masukan File

4. Lihat Data Tanaman

5. Cari Data Tanaman


110

6. Hapus Data Tanaman

7. Proses kluster

8. Lihat Data Kluster


111

9. Cari Data Kluster

10. Hapus Data Kluster

11. Lihat Data Elbow


112

12. Cari Data Elbow

13. Hapus Data Elbow

14. Lihat Grafik Peta


113

15. Lihat Grafik Kota

16. Lihat Grafik Elbow


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


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


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


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


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


berhasil dihapus dengan

border hijau

muncul pesan

data berhasil

dihapus

dengan

border hijau

Tidak

diperbaiki

UC07-A

Pengujian

dilakukan

dengan

melakukan

proses

klustering


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


data kluster


data kluster

Klik tab data

kluster


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



muncul pesan

data tidak ada

dengan

border merah

Tidak

diperbaiki

UC09-B

Pengujian

dilakukan

dengan cari

data yang

Pilih jenis di

menu dropdown



dengan border hijau

muncul pesan

nama jenis

dengan

border hijau

Tidak

diperbaiki


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


Pilih jenis di

menu dropdown



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



border hijau

muncul pesan

data berhasil

dihapus

dengan

border hijau

Tidak

diperbaiki

UC11-A

Pengujian

dilakukan

dengan

membuka

halaman

data elbow


data elbow


data elbow

Klik tab data

elbow


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



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



dengan border hijau

muncul pesan

nama jenis

dengan

border hijau

Tidak

diperbaiki


117

UC13-A

Pengujian

dilakukan

dengan

hapus data

yang belum

ada

1. Berada dihalaman

data elbow

2. Pada dropdown

jenis pilih jenis

palawija


Pilih jenis di

menu dropdown



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



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



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



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


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


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



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


ditemukan dan nama jenis,

kota, dan jumlah kluster


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



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




menampilkan grafik

muncul pesan

nama jenis

dengan

border hijau

dan

menampilkan

grafik garis

Tidak

diperbaiki


119

Lampiran 5 Hasil Perbandingan Perhitungan Weka dengan Perhitungan Sistem

K = 3 dengan menggunakan data ubi jalar banyak data 51.


120



121



peta potensi produksi palawija di kalimantan … · 2018. 9. 3. · masyarakat adalah palawija....

Documents