Full

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PENERAPAN METODE K-MEANS CLUSTERING

UNTUK MENGELOMPOKAN POTENSI PRODUKSI BUAH – BUAHAN
DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh :
MIKAEL ADITYA WAHYU KRISNA MURTI
125314047
PROGRAM STUDI TEKNIK

INFORMATIKA JURUSAN TEKNIK
INFORMATIKA FAKULTAS SAINS DAN
TEKNOLOGI UNIVERSITAS SANATA
DHARMA YOGYAKARTA
2017
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
THE IMPLEMENTATION OF K-MEANS CLUSTERING METHODS

TO CLASSIFY THE FRUIT PRODUCTION POTENTIALITY
IN SPECIAL REGION OF YOGYAKARTA PROVINCE
A THESIS
Presented as Partial Fullfillment of Requirements

To Obtain the Sarjana Komputer Degree
In Informatics Engineering Study Program
By :
MIKAEL ADITYA WAHYU KRISNA MURTI
125314047
INFORMATICS ENGINEERING STUDY

PROGRAM INFORMATICS ENGINEERING
DEPARTMENT FACULTY OF SCIENCE AND
TECHNOLOGY SANATA DHARMA UNIVERSITY
YOGYAKARTA
2017
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK
HALAMAN
PERSETUJUAN SKRIPSI

UNTUK MENGELOMPOKAN POTENSI PRODUKSI
BUAH – BUAHAN DI PROVINSI DAERAH ISTIMEWA
YOGYAKARTA
Oleh :
MIKAEL ADITYA WAHYU KRISNA

MURTI 125314047
Telah disetujui
oleh : Dosen Pembimbing Proposal TA
Dr. Cyprianus Kuntoro Adi, S.J. M.A.,M.Sc. Tanggal :

……………………….
HALAMAN PENGESAHAN
SKRIPSI

UNTUK MENGELOMPOKAN POTENSI PRODUKSI
BUAH – BUAHAN DI PROVINSI DAERAH ISTIMEWA
YOGYAKARTA
Dipersiapkan dan ditulis oleh :
MIKAEL ADITYA WAHYU KRISNA

MURTI 125314047
Telah dipertahankan di depan Panitia

Penguji Pada tanggal 2 Februari 2017
Dan dinyatakan telah memenuhi syarat
Susunan Panitia Penguji

Nama Lengkap Tanda
Tangan
Ketua : Paulina Heruningsih Prima Rosa M.Sc.
………………
Sekretaris : JB. Budi Darmawan S.T., M.Sc.
………………
Anggota : Dr. Cyprianus Kuntoro Adi, S.J. M.A.,M.Sc.
………………
Yogyakarta, 2 Februari
2017 Fakultas Sains dan
Teknologi Universitas
Sanata Dharma Dekan,
MOTTO
“Warisan cita-cita, takdir waktu, dan impian manusia adalah hal yang tidak akan
pernah berakhir. Selama manusia terus mencari arti kebebasannya, hal ini tidak
akan pernah bisa dicegah!” – Gold D Roger
“Orang lemah tidak bisa memilih cara mereka untuk mati!” – Trafalgar D.Watel
Law
“Hidup tak harus menyenangkan” – Sakata Gintoki
v
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.
Yogyakart
a, Penulis
Mikael Aditya Wahyu Krisna

Murti
LEMBAR PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPENTINGAN AKADEMIS
Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata

Dharma : Nama : Mikael Aditya Wahyu Krisna Murti
NIM : 125314047
Demi mengembangkan ilmu pengetahunan, saya memberikan
kepada Perpusatakaan Universitas Sanata Dharma karya ilmiah saya
yang berjudul :
PENERAPAN METODE K-MEANS CLUSTERING UNTUK

MENGELOMPOKAN POTENSI PRODUKSI BUAH – BUAHAN
DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
Beserta perangkat yang diperlukan (bila ada). Dengan demikian, saya

memberikan kepada Universitas Sanata Dharma hak untuk menyimpan,
mengalihkan ke dalam bentuk media lain, mengelolanya dalam bentuk
pangkalan data, mendistribusikannya secara terbatas dan mempublikasikannya
di Internet atau media lain untuk kepentingan akademis tanpa perlu izin dari
saya maupun memberi royalti kepada saya selama tetap mencantumkan nama
saya sebagai penulis.
Demikian pernyataan ini saya buat dengan sebenarnya.
Yang menyatakan,
Mikael Aditya Wahyu Krisna Murti

ABSTRAK
Berdasarkan data hasil pertanian buah di Dinas Pertanian Provinsi Daerah

Istimewa Yogyakarta menampilkan beberapa daerah dengan hasil panen buah
yang bervariasi jumlahnya. Untuk itu diperlukan pengelompokan daerah potensial
penghasil buah untuk mengetahuni daerah mana saja yang menghasilkan buah
dengan jumlah banyak ataupun sedikit. Pembagian hasil produksi biasanya
dilakukan berdasarkan nama kabupaten penghasil buah. Oleh karena itu,
dibutuhkan metode untuk memudahkan dalam pengelompokan daerah penghasil
buah.
Dengan pendekatan pengklasteran K-Means, pembagian kelompok daerah
dapat dilakukan berdasarkan luas panen (Ha), produksi(ton) dan tahun panen.
Pada penelitian ini dilakukan pengklasteran daerah potensial penghasil buah
menggunakan algoritma K-Means.
Dengan menggunakan K-Means bertujuan dalam memudahkan
pengelompokan suatu daerah dengan hasil produksi buah banyak, sedang dan
rendah. Hasilnya adalah sebuah gambaran yang menunjukan pengelompokan
daerah berdasarkan hasil pertanian buah.
Kata kunci : Pengelompokan, Data mining, Cluster , Algoritma K-Means
v
ABSTRACT
The data of fruit agriculture in Agriculture Department of Yogyakarta

Province presents that some region has lots of fruit variation. Based on the data, it
is necessary to classify the fruits based on the quantity of the fruits. The
classification is usually done based on the regions which produce the fruits.
Hence, a method is needed to make a classification easier.
The writer proposed K-Means cluster method. Using K-Means cluster
method. The region classification can be done based on the area (Ha), the amount
of production (ton) and the harvest time (year).This research was done with K-
Means algorithm.
It is aimed to make the classification easier in a region with lot, medium
and less production. The result of research is a picture that show the region
classification based on the fruit agriculture.
Keyword : Classification, Data Mining, Cluster, Algorithm K-Means.
i
KATA PENGANTAR
Puji dan syukur kepada Tuhan Yang Maha Esa atas segala berkat dan
karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir yang berjudul "
Penerapan Metode K-Means Clustering Untuk Memetakan Potensi Produksi Buah
- buahan di Provinsi Daerah Istimewa Yogyakarta ". Tugas akhir ini merupakan
salah satu mata kuliah wajib dan sebagai syarat akademik untuk memperoleh gelar
sarjana komputer Program Studi Teknik Informatika Universitas Sanata Dharma
Yogyakarta.
Penulis menyadari bahwa selama proses penelitian dan penyusunan
laporan tugas akhir ini, banyak pihak yang telah membantu penulis, sehingga pada
kesempatan ini penulis ingin mengucapkan terima kasih antara lain kepada :
1. Tuhan Yang Maha Esa, yang telah memberikan pertolongan dan
kekuatan dalam proses pembuatan tugas akhir.
2. Bapak Dr. Cyprianus Kuntoro Adi, S.J. M.A.,M.Sc. selaku dosen
pembimbing tugas akhir, atas kesabarannya dan nasehat dalam
membimbing penulis, meluangkan waktunya, memberi dukungan,
motivasi, serta saran yang sangat membantu penulis.
3. Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku Dekan Fakultas Sains
dan Teknologi, atas bimbingan, kritik dan saran yang telah diberikan
kepada penulis.
4. Dr. Anastasia Rita Widiarti, M.Kom. selaku Ketua Program Studi Teknik
Informatika atas bimbingan, kritik, dan saran yang telah diberikan
kepada penulis.
5. Iwan Binanto M.Cs. selaku dosen pembimbing akademik.
6. Keluarga tercinta, kedua orang tua Modestus Adi Sulistyana dan
Anastasia Endang Murtiasih, serta kakak saya Vitalista Epifani Tyas
Murtiasih dan adik saya Elisabeth Dhian Novitasari.
7. Agatha Secondy Christy Gratia yang selalu memberikan doa, semangat
dan motivasi.
x
8. Warga ITIL Alvin, Bayu, Dion, Haris, Henry, Hugo, Kevin, Anjar, Dio,
Seto, Cahyo, Daniel, Alex, Tobi, Willy, Wisnu, Xave, dan Yosua yang
selalu memberikan semangat.
9. Anaknya Mo Kun Wiga, Desa Nada, Bondan, Echo, Nita, April, Okta,
Riyadlah, dan Agustin yang selalu memberikan dukungan.
10. Teman Anime Young, Ari, Eca, dan Theo.
11. Teman PES 2016 Rudi, Blasius, Parta, Ari Ori, Theo, Dika Gd, Ahok,
Dika Kc, dan Aldy.
12. Semua teman-teman Basis Data 2012 yang selalu kompak sampai akhir.
13. Teman – teman Teknik Informatika semua angkatan dan khususnya TI
angkatan 2012 yang selalu memberikan motivasi dan bantuan hingga
penulis menyelesaikan tugas akhir ini.
14. Reza Oktovian , The Jooomers , PokoPow, MiawAug, Erix Soekamti,
Tara Arts Game Indonesia, Bagoes Kresnawan, dan Picky Picks yang
selalu memberikan tontonan yang menarik.
Penulis menyadari bahwa masih banyak kekurangan dalam

penyusunan tugas akhir ini. Saran dan kritik sangat diharapkan untuk
perbaikan yang akan datang.
Penulis
Mikael Aditya Wahyu Krisna
x
DAFTAR ISI
HALAMAN PERSETUJUAN.............................................................................iii
HALAMAN PENGESAHAN...............................................................................iv
MOTTO..................................................................................................................v
PERNYATAAN KEASLIAN KARYA...............................................................vi
LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK
KEPENTINGAN AKADEMIS...........................................................................vii
ABSTRAK...........................................................................................................viii
ABSTRACT...........................................................................................................ix
KATA PENGANTAR............................................................................................x
DAFTAR ISI........................................................................................................xii
DAFTAR TABEL...............................................................................................xiv
DAFTAR GAMBAR............................................................................................xv
BAB I.......................................................................................................................1
PENDAHULUAN...................................................................................................1
1.1 Latar Belakang..........................................................................................1
1.2 Rumusan Masalah.....................................................................................2
1.3 Tujuan Penelitian.......................................................................................3
1.4 Manfaat Penelitian.....................................................................................3
1.5 Batasan Masalah........................................................................................3
1.6 Metode Penelitian......................................................................................3
1.7 Sistematika Penulisan................................................................................4
BAB II.....................................................................................................................5
LANDASAN TEORI..............................................................................................5
2.1 Data mining...............................................................................................5
2.1.1 Pengertian Data mining Dalam Berbagai Disiplin Ilmu....................5
2.1.2 Posisi Data mining Dalam Berbagai Disiplin Ilmu...........................7
2.1.3 Data, Informasi, dan Pengetahunan (Knowledge)..............................7
2.1.5 Clustering.........................................................................................10
2.2 Teorema K-Means...................................................................................11
x
2.2.1 Clustering K-Means.........................................................................11

2.2.2 Tujuan Clustering K-Means.............................................................12
2.2.3 Langkah Clustering K-Means..........................................................15
2.2.4 Jenis Data Dalam Set Data...............................................................15
BAB III..................................................................................................................17
METODE PENELITIAN....................................................................................17
3.1 Tahap Penelitian......................................................................................17
3.1.1 Gambaran Penelitian........................................................................18
3.2 Data.........................................................................................................18
3.3 Jenis Data................................................................................................19
3.4 Analisa Data............................................................................................19
3.4.1 Transformasi Data............................................................................19
3.4.2 Pengolahan Data..............................................................................20
3.5 Desain User Interface..............................................................................27
3.6 Spesifikasi Alat........................................................................................28
BAB IV..................................................................................................................29
IMPLEMENTASI SISTEM DAN ANALISISA HASIL..................................29
4.1 Implemantasi...........................................................................................29
4.2 K-Means Clustering................................................................................29
4.3 User Interface..........................................................................................30
4.4 Input Data................................................................................................31
4.5 Proses K-Means Clustering.....................................................................31
4.6 Analisa Hasil...........................................................................................32
BAB V....................................................................................................................41
PENUTUP.............................................................................................................41
5.1 Analisa Hasil...........................................................................................41
5.2 Saran........................................................................................................41
DAFTAR PUSTAKA...........................................................................................43
LAMPIRAN..........................................................................................................44
Lampiran 1. Tabel Data Produksi Buah.............................................................44
Lampiran 2. Tabel Hasil K-Means Clustering...................................................66
x
DAFTAR TABEL
Tabel 3. 1 Inisialisasi nama buah...........................................................................19
Tabel 3. 2 Inisialisasi nama Kabupaten.................................................................20
Tabel 3. 3 Contoh data Jumlah Pohon dan Produksi Buah – buahan....................21
Tabel 3. 4 Contoh data Jumlah Pohon dan Produksi Buah – buahan....................21
Tabel 3. 5 Tabel Hasil Perhitungan Jarak Pusat Cluster........................................22
Tabel 3. 6 Tabel Pengelompokan Group...............................................................23
Tabel 3. 7 Tabel Hasil Perhitungan Jarak Pusat Cluster........................................25
Tabel 3. 8 Tabel Pengelompokan Group...............................................................26
Tabel 4. 1 Jumlah data masing – masing cluster...................................................30
x
DAFTAR GAMBAR
Gambar 2. 1 Tahap penemuan Knowledge pada Data mining (KDD) Han, Jiawei
(2011).......................................................................................................................6
Gambar 3. 1 Block Diagram..................................................................................18
Gambar 3. 2 User Interface....................................................................................27
Gambar 4. 1 Implementasi – K-Means clustering dengan tiga cluster..................29
Gambar 4. 2 Tampilan keseluruhan sistem............................................................30
Gambar 4. 3 Input dokumen...................................................................................31
Gambar 4. 4 Implementasi – Hasil proses K-Means clustering.............................31
x
BAB I
PENDAHULUAN
1.1 Latar Belakang

Pangan adalah kebutuhan manusia yang paling mendasar. Menurut UU RI nomor 7 tahun
1996 tentang pangan menyebutkan bahwa pangan merupakan hak asasi bagi setiap individu
di Indonesia. Buah adalah bahan makanan yang kaya akan vitamin, mineral, lemak, protein
dan serat. Setiap jenis buah mempunyai keunikan dan daya tarik tersendiri, seperti rasa yang
lezat dan beraroma yang khas dalam buah itu sendiri. Buah – buahan saat ini semakin
mendapat perhatian dari masyarakat, baik sebagai menu makanan maupun sebagai komoditas
ekonomi yang bernilai tinggi (Widodo, 1996).
Sektor pertanian merupakan sektor yang mendapatkan perhatian cukup besar dari
pemerintah dikarenakan peranannya yang sangat penting dalam rangka pembangunan
ekonomi jangka panjang maupun dalam rangka pemulihan ekonomi bangsa. Peranan sektor
pertanian adalah sebagai sumber penghasil bahan kebutuhan pokok, sandang dan papan,
menyediakan lapangan kerja bagi sebagian besar penduduk, memberikan sumbangan
terhadap pendapatan nasional yang tinggi, memberikan devisa bagi negara dan mempunyai
efek pengganda ekonomi yang tinggi dengan rendahnya ketergantungan terhadap impor
(multiplier effect), yaitu keterkaitan input-output antar industri, konsumsi dan investasi.
Dampak pengganda tersebut relatif besar, sehingga sektor pertanian layak dijadikan sebagai
sektor andalan dalam pembangunan ekonomi nasional. Sektor pertanian juga dapat menjadi
basis dalam mengembangkan kegiatan ekonomi perdesaan melalui pengembangan usaha
berbasis pertanian yaitu agribisnis dan agroindustri. Dengan pertumbuhan yang terus positif
secara konsisten, sektor pertanian berperan besar dalam menjaga laju pertumbuhan ekonomi
nasional (Antara,2009).
Komoditas hortikultura merupakan produk yang prospektif, baik untuk memenuhi
kebutuhan pasar domestik maupun internasional. Permintaan pasar baik di dalam maupun di
luar negeri masih besar. Di samping itu, produk ini juga memiliki nilai ekonomi yang tinggi.
Kemajuan perekonomian menyebabkan permintaan produk hortikultura semakin meningkat.
1
Di sisi lain, keragaman karakteristik lahan, agroklimat serta sebaran wilayah yang luas
memungkinkan wilayah Indonesia digunakan untuk pengembangan hortikultura tropis dan
sub tropis.
Indonesia merupakan salah satu negara penghasil buah tropis yang memiliki
keanekaragaman dan keunggulan cita rasa yang cukup baik bila dibandingkan dengan buah-
buahan dari negara-negara penghasil buah tropis lainnya. Produksi buah dalam negeri
diharapkan dapat memenuhi semua kebutuhan masyarakat. Karena dengan berhasilnya
produksi buah berarti pemerintah tidak memerlukan tindakan untuk menimpor buah dari
negara lain. Akan tetapi dalam kenyataannya, Indonesia dalam pemenuhan kebutuhan akan
buah masih tergantung pada impor dari Negara lain. Produksi buah dari tahun ke tahun
mengalami penurunan.
Penurunan produksi buah tersebut antara lain disebabkan karena menipisnya stok di
beberapa daerah karena belum memasuki masa panen atau juga dikarenakan impor buah yag
dilakukan oleh pemerintah untuk memenuhi kebutuhan belum teralisasi.
Produksi buah di Indonesia dari tahun ke tahun mengalami penurunan. Untuk itu dalam
rangka memenuhi kebutuhan buah, peran dinas pertanian untuk mengelompokan daerah
yang menghasilkan produksi buah di daerah Indonesia khususnya Provinsi Daerah Istimewa
Yogyakarta agar dapat mengoptimalkan produksi buah, tidak semata mengutamakan
keuntungan pribadi tetapi mendukung peningkatan nilai tambah produk dan peningkatan
pendapatan petani.
Pengelompokan tersebut dapat menggunakan metode pengelompokan dengan
algoritma K-Means. Dengan data yang sudah dikelompokkan menggunakan algoritma K-
Means diharapkan dapat mempermudah dinas pertanian dalam menghitung hasil pertanian di
tiap daerahnya agar mengetahuni daerah mana yang menghasilkan buah terbanyak, sedang,
dan sedikit.
1.2 Rumusan Masalah

Berdasarkan latar belakang yang ada dapat dirumuskan masalah yaitu : untuk mengetahui
daerah yang menghasilkan produksi buah yang banyak di Provinsi Daerah Istimewa
Yogyakarta dengan metode K-Means clustering.
1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah mengetahui daerah potensial penghasil buah dan dapat
mengetahui daerah tersebut cocok untuk tanaman padi. Pengelompokan tersebut dapat
menggunakan metode pengelompokan dengan algoritma K-Means.
1.4 Manfaat Penelitian

Berdasarkan tujuan penelitian diatas, manfaat yang dapat diberikan adalah diharapkan
dapat membantu pihak Dinas Pertanian dalam memudahkan mengelompokan daerah
potensial untuk produksi buah di Provinsi Daerah Istimewa Yogyakarta.
1.5 Batasan Masalah

Dalam batasan masalah ini, penulis membatasi permasalah yang perlu yaitu :
1. Data yang akan digunakan adalah data produksi buah - buahan dan jumlah pohon
selama lima tahun dari tahun 2005 sampai 2009.
2. Data yang digunakan dalam proses pengelompokan adalah data data produksi buah -
buahan dan jumlah pohon menurut Kabupaten di Provinsi Daerah Istimewa
Yogyakarta.
3. Data produksi buah meliputi alpokat, mangga, rambutan, duku, jeruk, sirsak, sukun,
belimbing, durian, jambu biji, manggis, sawo, pepaya, pisang, nenas, salak,
nangka, dan semangka.
1.6 Metode Penelitian

Metode penelitian pada penyusunan penulisan ini, adalah :
1. Studi literatur dengan tujuan :
a. Mempelajari dan memahami K-Means clustering dalam data mining.
b. Mengetahui data produksi buah beberapa kabupaten.
2. Pengumpulan data melalui Dinas Pertanian Provinsi Daerah Istimewa Yogyakarta.
3. Implementasi algoritma ke dalam sistem.
4. Mengelompokan daerah produksi.
1.7 Sistematika Penulisan

Bab I.
Pendahuluan
Dalam bab ini tentang latar belakang masalah, rumusan masalah, tujuan penelitian,
batasan masalah, dan sistematika penulisan.
Bab II. Landasan Teori

Dalam bab ini berisi tentang teori yang dapat menunjang peneitian, yaitu berupa
pengertian data mining, proses data mining, dan algoritma K-Means.
Bab III. Analisa dan Perancangan Sistem

Dalam bab ini berisi tentang cara penerapan konsep dasar yang telah diuraikan pada Bab
II untuk menganalisis dan merancang tentang system sesuai tahap – tahap penyelesaian
masalah tersebut dengan menggunakan algoritma K-Means.
Bab IV. Implementasi dan Analisa Sistem

Dalam bab ini berisi tentang implementasi ke program computer beradasarkan hasil
perancangan yang dibuat, analisis perangkat lunak yang telah dibuat.
Bab V. Penutup
Dalam bab ini berisi tentang kesimpulan dan saran dari seluruh penulisan tugas akhir.
BAB II
LANDASAN TEORI
Pada Bab II ini akan dipaparkan mengenai landasan teori yang medukung penelitian yang
dilakukan oleh penulis. Dalam Bab ini akan dijelaskan pengertian dan metode yang akan
digunakan oleh penulis.
2.1 Data mining

2.1.1 Pengertian Data mining Dalam Berbagai Disiplin Ilmu
Data mining adalah sebuah proses percarian secara otomatis informasi yang
berguna dalam tempat penyimpanan data berukuran besar. Istilah lain yang sering
digunakan diantaranya knowledge discovery (mining) in databases (KDD), knowledge
extraction, data atau pattern analysis, data archeology, data dredging, information
harvesting, dan business intelligence. Teknik data mining digunakan untuk memeriksa
basis data berukuran besar sebagai cara untuk menemukan pola yang baru dan berguna.
Tidak semua pekerjaan pencarian informasi dinyatakan sebagai data mining. Sebagai
contoh, pencarian record individual menggunakan database management system atau
pencarian halaman we tertentu melalui kueri ke semua search engine adalah pekerjaan
pencarian informasi yang erat kaitannya dengan information retrieval. Teknik-teknik
data mining dapat digunakan untuk meningkatkan kemampuan sistem-sistem
information retrieval.
Data mining adalah adalah bagian integral dari knowledge discovery in databases
(KDD). sebuah langkah dalam proses mencari pola-pola yang terdapat dalam setiap
informasi. Langkah-langkah tersebut akan dijelaskan pada gambar 2.1 (Han, 2011, p6).
5
Knowledge
Evaluation and
Presentation
Data mining Patterns
Selection and
Transformation
Data Warehouse
Cleaning
Flat File
Datab
Gambar 2. 1 Tahap penemuan Knowledge pada Data mining (KDD) Han, Jiawei (2011)
Gambar 2.1 menggambarkan proses KDD dalam menghasilkan knowledge dan

terdiri dari beberapa tahap:
a. Data Cleaning
Untuk menghapus data yang tidak dipakai dan data yang tidak konsisten.
b. Data Integration
Berbagai sumber data dapat digabungkan.
c. Data Selection
Data yang bersangkutan pada tugas analisis diseleksi dan diambil kembali dari
database.
d. Data Transformation
Data diubah atau diperkuat menjadi bentuk yang seharusnya untuk diolah dengan
menganalisis ringkasan atau jumlah total agregasi.
e. Data mining
Sebuah proses penting di mana metode intelijen diterapkan dengan tujuan untuk
megolah pola-pola data.
f. Pattern Evaluation
Untuk mengidentifikasi pola-pola menarik yang menjelaskan mengenai ukuran
dasar pengetahunan yang ada.
g. Knowledge Presentation
Visualisasi dan teknik representasi knowledge digunakan untuk menyajikan
knowledge yang telah diolah untuk pengguna.
2.1.2 Posisi Data mining Dalam Berbagai Disiplin Ilmu

Para ahli berusaha menetukan posisi bidang data mining di antara bidang-bidang
yang lain. Hal dikarenakan ada kesamaan antara sebagian bahasan data mining dengan
bahasan di bidang lain. Memang tidak seratus persen sama, tetapi ada sejumlah
kesamaan karakteristik dalam beberapa hal. Kesamaan bidang data mining dalam
bidang statistik adalah penyampelan, estimasi, dan pengujian hipotesis.
2.1.3 Data, Informasi, dan Pengetahunan (Knowledge)

Data adalah segala fakta, angka, atau teks yang dapat diproses oleh komputer.
Saat ini, akumulasi pertumbuhan jumlah data berjalan dengan cepat dalam format dan
basis data yang berbeda. Data-data tersebut antara lain, adalah :
a. Data operasional atau transaksional. Contoh : penjualan, inventaris,
penggajian, akuntansi, dll.
b. Data non operasional. Contoh : Indusri penjualan, inventaris, permalan, dan
data ekonomi makro.
c. Meta data adalah mengenai data itu sendiri, seperti desain logikabasis data.\
2.1.4 Pengelompokan Data mining

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat
dilakukan, yaitu (Larose, 2005) :
a. Deskripsi (Description)
Terkadang penelitian analisis secara sederhana ingin mencoba mencari cara untuk
menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai
contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan
atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam
pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan
kemungkinan penjelasan untuk suatu pola atau kecenderungan.
b. Estimasi (Estimation)
Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke
arah numerik daripada ke arah kategori. Model dibangun menggunakan record
lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi.
Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat
berdasarkan nilai variabel prediksi. Sebagai contoh, akan dilakukan estimasi
tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis
kelamin, indeks berat badan, dan level sodium darah. Hubungan antara tekanan
darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan
menghasilan model estimasi. Model estimasi yang dihasilkan dapat digunakan
untuk kasus baru lainnya.
c. Prediksi (Prediction)
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam
prediksi nilai dari hasil akan ada di masa datang. Contoh prediksi dalam bisnis dan
penelitian adalah prediksi harga beras dalam tiga bulan yang akan datang, prediksi
persentase kenaikan kecelakaan lalu lintas tahun depan jika batas bawah kecepatan
dinaikkan. Beberapa metode dan teknik yang digunakan dalam klasifikasi dan
estimasi dapat pula digunakan untuk prediksi.
d. Klasifikasi (Classification)
Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh, penggolongan
pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi,
pendapatan sedang dan pendapatan rendah.
Contoh lain klasifikasi dalam bisnis dan penelitian adalah menentukan apakah suatu
transaksi kartu kredit merupakan transaksi yang curang atau bukan, memperkirakan
apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang baik
atau buruk, dan mendiagnosis penyakit seorang pasien untuk mendapatkan kategori
penyakit apa.
e. Pengklusteran (Clustering)
Pengklusteran merupakan pengelompokan record , pengamatan atau
memperhatikan dan membentuk kelas objek – objek yang memiliki kemiripan.
Cluster adalah kumpulan record yang memiliki kemiripan satu dengan yang
lainnya dan memiliki ketidakmiripan dengan record – record dalam cluster lain.
Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam
Pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi,
mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma
Pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data
menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana
kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan
kemiripan dengan record dalam kelompok lain akan bernilai minimal. Contoh
Pengklusteran dalam bisnis dan penelitian adalah melakukan Pengklusteran
terhadap ekspresi dari gen, untuk mendapatkan kemiripan perilaku dari gen dalam
jumlah besar. Mendapatkan kelompok – kelompok konsumen untuk target
pemasaran dari suatu produk bagi perusahaan yang tidak memiliki dana pemasaran
yang besar, dan untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap
perilaku finansial dalam keadaan baik atau mencurigakan.
f. Asosiasi (Assosiation)
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam
satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja.
Contoh asosiasi dalam bisnis dan penelitian adalah menemukan barang dalam
supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli
secara bersamaan, dan meneliti jumlah pelanggan dari perusahaan telekomunikasi
seluler yang diharapkan untuk memberikan respons posistif terhadap penawaran
upgrade layanan yang diberikan.
2.1.5 Clustering
Clustering data dapat dibedakan menjadi dua tujuan (Tan et al,2006), yaitu
clustering untuk pemahaman dan clustering untuk penggunaan. Jika tujuan untuk
pemahaman maka cluster yang terbentuk harus menangkap struktur alami data.
Biasanya proses clustering dalam tujuan ini hanya sebagai proses awal untuk kemudian
dilanjutkan dengan pekerjaan ini seperti summarization (rata-rata, standar deviasi),
pelabelan kelas pada setiap kelompok untuk kemudian digunakan sebagai data latih
klasifikasi, dan sebagainya. Sementara jika tujuannya untuk penggunaan, biasanya
tujuan utama untuk mencari prototype cluster yang paling representative terhadap data
dan memberikan abstraksi dan setiap objek data dalam cluster di mana sebuah data
terletak didalamnya.
Banyak metode clustering yang sudah dikembangkan oleh para ahli. Masing –
masing metode mempunyai karakter, kelebihan, dan kekurangan. Clustering dapat
dibedakan menurut stuktur cluster, keanggotaan data dalam cluster dan kekompakan
data dalam cluster.
Metode clustering menurut strukturnya dibagi menjadi dua yaitu pengelompokan
hirarki dan partitioning. Pengelompokan hirarki memiliki aturan satu data tunggal bisa
dianggap sebagai sebuah kelompok, dua atau lebih kelompok kecil dapat bergabung
menjadi satu kelompok besar dan begitu seterusnya hingga semua data dapat bergabung
menjadi satu kelompok. Metode clustering hirarki merupakan satu-satunya metode yang
masuk ke dalam kategori pengelompokan hirarki. Metode clustering partitioning
membagi set data ke dalam sejumlah kelompok yang tidak tumpang tindih (overlap)
antara satu kelompok dengan kelompok yang lain artinya setiap data hanya menjadi
anggota satu kelompok. Metode seperti K-Means dan DBSCAN masuk dalam kategori
pengelompokan partitioning.
Metode clustering menurut keanggotaan dalam kelompok dibagi menjadi dua, yaitu
eksklusif dan tumpang-tindih. Metode tersebut termasuk kategori eksklusif jika sebuah
data hanya menjadi anggota satu kelompok dan tidak menjadi anggota kelompok yang
lain. Metode clustering yang masuk dalam kategori ini adalah K-Means dan DBSCAN
sedangkan yang masuk kategori tumpang – tindih adalah Metode clustering yang
membolehkan sebuah data menjadi anggota di lebih dari satu kelompok, misalnya Fuzzy
C-Means.
Metode clustering menurut kategori kekompakan terbagi menjadi dua yaitu
komplet dan parsial. Semua data bisa dikatakan kompak menjadi satu kelompok jika
semua data bisa bergabung menjadi satu (dalam konteks penyekatan) namun jika ada
sedikit data yang tidak ikut bergabung dalam kelompok mayoritas data tersebut
dikatakan mempunyai perilaku menyimpang. Data yang menyimpang ini dikenal
dengan sebutan noise. Metode yang tangguh untuk mendeteksi noise ini adalah
DBSCAN (Eko Prasetyo, 2014).
2.2 Teorema K-Means

2.2.1 Clustering K-Means
Algoritma K-Means merupakan algoritma pengelompokan iterative yang
melakukan partisi set data ke dalam sejumlah K cluster yang sudah ditetapkan di awal.
Algoritma K-Means sederhana untuk diimplemtasikan dan dijalankan, relative cepat,
mudah beradaptasi, umum penggunaannya dalam praktek. Secara historis, K-Means
menjadi salah satu algoritma yang paling penting dalam bidang data mining (Wu dan
Kumar, 2009).
K-Means merupakan salah satu metode data clustering non hirarki yang berusaha
mempartisi data yang ada ke dalam bentuk satu atau lebih cluster atau kelompok.
Metode ini mempartisi ke dalam cluster atau kelompok sehingga data yang memiliki
karakteristik yang sama (High intra class similarity) dikelompokkan ke dalam satu
cluster yang sama dan yang memiliki karakteristik yang berbeda (Law inter class
similarity) dikelompokkan pada kelompok yang lain. Proses clustering dimulai dengan
mengidentifikasi data yang akan dicluster , Xij (i=1,...,n; j=1,...,m) dengan n adalah
jumlah data yang akan dicluster dan m adalah jumlah variabel. Pada awal iterasi, pusat
setiap cluster ditetapkan secara bebas (sembarang), Ckj (k=1,...,k; j=1,...,m). Kemudian
dihitung jarak antara setiap data dengan setiap pusat cluster. Untuk melakukan
penghitungan jarak data ke-i (xi) pada pusat cluster ke-k (ck), diberi nama (dik), dapat
digunakan formula Euclidean, seperti pada persamaan (1), yaitu:
𝑑i𝑘 𝑚
j=1(𝑥ij − 𝑐ij) (1)
2
=
Suatu data akan menjadi anggota dari cluster ke-k apabila jarak data tersebut ke
pusat cluster ke-k bernilai paling kecil jika dibandingkan dengan jarak ke pusat cluster
lainnya. Hal ini dapat dihitung dengan menggunakan persamaan (2) Selanjutnya,
kelompokkan data-data yang menjadi anggota pada setiap cluster.
𝑘
𝑘=1 𝑑i𝑘 = (𝑥ij − 𝑐ij)2 (2)
Min
√∑𝑚 j
Nilai pusat cluster yang baru dapat dihitung dengan cara mencari nilai rata-rata
dari data-data yang menjadi anggota pada cluster tersebut, dengan menggunakan rumus
pada persamaan (3):
𝑝
∑
𝑐ij = i= 𝑥ij
1 (3)
𝑝
Dimana xij ∈ cluster ke – k

p = banyaknya anggota cluster ke k
2.2.2 Tujuan Clustering K-Means

Tujuan pekerjaan pengelompokan (clustering) data dapat dibedakan menajadi dua,
yaitu pengelompokan untuk pemahaman dan pengelompokan untuk penggunaan. Jika
tujuannya untuk pemahaman, kelompok yang terbentuk harus menangkap struktur alami
data, bisanya proses pengelompokan dalam tujuan ini hanya sebagai proses awal untuk
kemudian dilanjutkan dengan pekerjaan inti seperti peringkasan atau summarization
(rata – rata, standart deviasi), pelabelan kelas pada setiap kelompok untuk kemudian
digunakan sebagai data latih klasifikasi, dan sebagainya. Sementara jika penggunaan,
tujuan utama pengelompokan biasanya adalah mencari prototype kelompok yang paling
respresentatif terhadap data, memberikan abstraksi dari setiap objek data dalam
kelompok dimana sebuah data terletak di dalamnya. Contoh – contoh tujuan
pengelompokan untuk pemahaman adalah sebagai berikut :
a. Biologi
Seperti yang sudah banyak diketahui, bahwa hewan – hewan di alam ini
dikelompokan – kelompokkan menurut karakter – karakter tertentu secara hierarkis,
yaitu kerajaan, filum, kelas, ordo, suku, genus, dan spesies. Level tertinggi adalah
kerajaan, sedangkan level terendah adalah spesies. Satu jenis hewan mempunyai
nama spesies sendiri. Dua hewan dengan spesies berbeda dapat mempunyai genus
yang sama. Sejumlah hewan dengan genus berbeda dapat mempunyai suku yang
sama. Begitu juga dengan ordo, kelas, filum, dan kerajaan. Semua hewan berada
dalam kelompok yang sama (satu kelompok) di level kerajaan, yaitu hewan. Contoh
teknik pengelompkan dalam bidang biologi yang lain adalah pengelompokan gen –
gen yang fungsinya sama.
b. Information retrieval
Situs web di internet berjumlah miliaran. Ketika di-query, mesin pencari akan
memberikan hasil ribuan halaman. Teknik pengelompokan dapat digunakan untuk
mengelompokkan hasil halaman yang diberikan mesin pencari ke dalam kelompok
yang lebih kecil di mana setiap kelompok berisi halaman yang berkarakteristik
sama atau mirip. Misalnya, dengan kata kunci query “movie” dapat diberikan hasil
halaman yang dibedakan dalam kategori seperti “genre”, “star”,”theaters”, dan
sebagainya. Setiap kategori dapat dipecah kembali menjadi subkategori yang
membentuk hierarki sehingga membatu pengguna mengekspolarsi hasil query.
c. Klimatologi
Pemahaman cuaca di bumi memerlukan pencarian pola atmosfer dan lautan.analisis
kelompok dapat diterapkan untuk menemukan pola tekanan udara di wilayah kutub
dan lautan yang berpengaruh besar pada cuaca di daratan.
d. Bisnis
Perusahaan biasanya mempunyai data informasi dalam jumlah yang besar tentang
seluruh pelanggan saat itu dan pelanggan yang berpotensi. Pengelompokan dapat
diterapkan untuk memecah pelanggan ke dalam kelompok – kelompok kecil untuk
analisis dan strategi pemasaran.
Contoh – contoh tujuan pengelompokan untuk penggunaan adalah sebagai berikut :

a. Peringkasan (Summarization)
Ada banyak teknik analisis data, seperti regresi atau PCA, yang membutuhkan
waktu dan atau kompleksitas komputasi O(m2) atau lebih (m adalah jumlah data).
Dengan semakin banyak data, biaya untuk melakukan peringkasan menjadi mahal
(berat dan kompleks). Teknik pengelompokan data dapat diterapkan untuk
membuat sebuah prototype yang dapat mewakili kondisi seluruh data, misalnya
dengan mengambil nilai rata – rata untuk semua data dari setiap kelompok sehingga
sejumlah data yang bergabung dalam sebuah kelompok akan diwakili oleh sebuah
data. Dengan cara ini, waktu dan kompleksitas komputasi data dikurangi secara
signifikan.
b. Kompresi
Data – data yang bergabung dalam setiap kelompok dapat dianggap berkarakter
sama atau mirip sehingga data – data dalam kelompok yang sama dapat dikompresi
dengan diwakili oleh indeks prototype dari setiap kelompok. Setiap objek
diresprentasikan dengan indeks prototype yang dikaitkan dengan sebuah kelompok.
Teknik kompresi ini dikenal dengan kuatisasi vektor (vector quatization).
c. Pencarian Tetangga Terdekat Secara Efisien

Pada teknik K-NN, komputasi untuk mencari tetangga terdekat akan semakin berat
ketika jumlah data semakin besar. Hal tersebut tidak sebanding dengan jumlah data
yang akhirnya digunakan sebagai tetangga terekat. Dengan pengelompokan, kita
dapat membuat prototype di mana setiap prototype mewakili satu kelas. Dengan
cara ini, komputasi pencarian tetangga terdekat dapat digantikan dengan prototype
terdekat. Hal ini dapat mengurangi waktu komputasi secara signifikat.
Konsekuensinya adalah mungkin cara mendapatkan tetangga terdekat menjadi
kurang representative karena diukur berdasarkan kelompok data bukan individu
data sehingga ada kemungkinan distorsi hasil yang tidak diinginkan.
2.2.3 Langkah Clustering K-Means

Proses clustering dengan menggunakan algoritma K-Means memiliki langkah-
langkah sebagai berikut :
a. Inisialisasi : tentukan K sebagai jumlah cluster yang diinginkan dan metrik
ketidakmiripan (jarak) yang diinginkan. Jika perlu, tetapkan ambang batas
perubahan fungsi objektif dan ambang batas perubahan centroid.
b. Pilih K data baru set data X sebagai centroid.
c. Alokasikan semua data ke centroid terdekat dengan metrik jarak yang
sudah ditetapkan (memperbaharui ID setiap data).
d. Hitung kembali centroid C berdasarkan data yang mengikuti cluster masing-
masing.
e. Ulangi langkah tiga dan empat hingga kondisi konvergen tercapai, yaitu (a)
perubahan fungsi objektif sudah dibawah ambang batas yang diinginkan; atau (b)
tidak ada data yang berpindah cluster ; atau (c) perubahan posisi centroid sudah
dibawah ambang batas yang ditetapkan.
2.2.4 Jenis Data Dalam Set Data

Sebuah data set dapat dipandang sebagai sebuah koleksi dari objek- objek data.
Nama lain dari sebuah objek data adalah record, titik, vektor, pola, event , case, sample,
observasi atau entitas. Objek-objek data dijelaskan oleh sejumlah atribut yang
menangkap karakteristik dasar dari sebuah objek, seperti massa dari sebuah objek fisik
atau waktu pada saat sebuah kejadian terjadi. Nama-nama lain untuk atribut adalah
variabel, karekteristik, field , fitur atau dimensi.
Atribut adalah sifat atau property atau karakteristik objek data yang nilainya dapat
bermacam – macam dari dari suatu objek ke objek yang lain, dari satu waktu ke waktu
yang lain. Misalnya, warna kulit seseorang bisa berbeda dengan warna kulit orang lain,
berat badan seseorang juga bisa berubah dari waktu ke waktu. Warna kulit bisa
mempunyai nilai simbolik (hitam, putih, kuning, langsat, cokelat, sawo matang),
sedangkan berat badan bisa berupa nilai angka numerik.
Atribut yang menjadi element setiap data mempunyai jenis yang beragam. Berat
badan, pada contoh sebelumnya, mempunyai nilai numeric sehingga dapat
16
dibandingkan satu sama lain, sedangkan warna kulit tidak bisa dibandingkan karena
menggunakan nilai yang sifatnya kualitatif. Umumnya, tipe atribut ada dua, yaitu
kategoris (kualitatif) dan numeric (kuantitatif).
BAB III
METODE PENELITIAN
Berdasarkan pada landasan teori yang berada pada Bab II yang telah disampaikan oleh
penulis. Pada bab ini menjelaskan cara kerja algoritma yang digunakan dan proses yang akan
dibangun untuk melakukan pengelompokan.
3.1 Tahap Penelitian

Dalam sub bab ini akan membahas tentang metode perancangan yang akan
digunakan dan langkah-langkah dalam penelitian ini, adapun sebagai berikut :
1. Tahap pencarian, pada tahap ini akan dilakukan pencarian data langsung melalui
Dinas Pertanian Provinsi Daerah Istimewa Yogyakarta. Pencarian data di lakukan
dengan proses wawancara terhadap Kepala Dinas Pertanian Provinsi Daerah
Istimewa Yogyakarta.
2. Pencarian informasi mengenai segala sesuatu yang berhubungan dengan penelitian
ini.
3. Pengumpulan data.
4. Menganalisa data yang sudah didapatkan, dan membuat perancangan sistemnya.
5. Mengimplementasikan perancangan yang sudah dilakukan ke dalam perangkat lunak.
6. Melakukan pengujian terhadap sistem dengan memasukan data .
7. Melakukan analisa terhadap sistem yang telah diuji.
17
3.1 Model Analisis

Pada bagian model analisis berisi diagram block yang teridi dari
preprocessing data, K-Means clustering. Berikut ini penjelasannya :
3.1.1 Gambaran Penelitian
Di bawah ini merupakan proses system menggunakan diagram block :
Mulai Data Pembersihan Data

Mentah Data
K-means Transformasi
Selesai Clustering
]
Gambar 3. 1 Block Diagram
Pada gambar 3.1 proses clustering di mulai dari input data mentah yang
berupa data produksi buah – buahan yang berektensi .xlsx akan mengalami
representasi dari data. Tahap kedua yaitu tahap data pembersihan (cleaning)
untuk membuang data yang tidak konsisten. Apabila sudah selesai maka
didapatkan data yang sudah diproses atau data matang siap untuk ke tahap
selanjutnya. Tahap ke tiga yaitu tranformasi data, data yang berjenis alfabet
seperti nama buah dan kabupaten harus dilakukan proses inisialisasi data terlebih
dahulu ke dalam bentuk angka/numerikal. Tahap ke empat yaitu K-Means
clutering disini tahap K-Means clustering adalah menggelompokan data yang
sudah ada ke dalam tiga kelompok yaitu banyak, sedang, dan rendah.
3.2 Data
Data yang akan digunakan untuk mengelompokan adalah data produksi yang
diperoleh dari data produksi buah – buahan selama lima tahun yang terkumpul
sebanyak 450 data. Data tersebut diambil langsung dari Dinas Pertanian Provinsi
Daerah Istimewa Yogyakarta.
3.3 Jenis Data

Jenis data yang diambil adalah dari dokumen jumlah pohon dan produksi
buah – buahan Provinsi Daerah Istimewa Yogyakarta tahun 2005 sampai dengan
tahun 2009 yang berupa format pdf kemudian yang kemudian diubah ke dalam
bentuk dokumen yang berekstensi .xlsx.
3.4 Analisa Data

Secara umum, system yang akan dibangun dalam penelitian ini adalah sebuah
system dengan fungsi utama untuk melakukan pengelompokan produksi buah.
Data yang digunakan untuk penelitian merupakan data yang diperoleh dari arsip
Dinas Pertanian Provinsi Daerah Istimewa Yogyakarta. Data yang digunakan
merupakan data jumlah pohon dan produksi. Sehingga nantinya dinas terkait
dapat mengambil tindakan untuk memetakan tempat produksi. Berikut ini adalah
contoh data yang akan digunakan untuk perhitungan dengan K-Means clustering
:
3.4.1 Transformasi Data
Agar data di atas dapat diolah dengan menggunakan metode K-Means
clustering, maka data yang berjenis data nominal seperti nama buah dan
kabupaten harus diinisialisasikan terlebih dahulu dalam bentuk angka.
Tabel 3. 1 Inisialisasi nama buah
Nama Buah Inisalisasi

Alpokat 1
Mangga 2
Rambutan 3
Duku 4
Jeruk 5
Sirsak 6
Sukun 7
Belimbing 8
Durian 9
Jambu Biji 10
Manggis 11
Sawo 12
Pepaya 13
Pisang 14
Nanas 15
Salak 16
Nangka 17
Semangka 18
Tabel 3. 2 Inisialisasi nama Kabupaten
Kabupaten Inisalisasi
Kabupaten Bantul 1
Kabupaten Gunungkidul 2
Kota Yogyakarta 3
Kabupaten Kulonprogo 4
Kabupaten Sleman 5
3.4.2 Pengolahan Data

Setelah semua data nama buah dan kabupaten pada tahun 2005 sampai
2009 ditransformasi ke dalam bentuk angka, maka data-data tersebut telah
dapat dikelompokan dengan menggunakan algoritma K-Means
Clustering.Untuk dapat melakukan pengelompokan data-data tersebut
menjadi beberapa cluster perlu dilakukan beberapa langkah, yaitu:
a. Tentukan jumlah cluster yang diinginkan. Dalam penelitian ini data –

data yang ada akan dikelompokan menjadi tiga cluster .
b. Tentukan titik pusat awal dari setiap cluster . Dalam penelitian ini titik
pusat awal ditentukan secara random dan didapat titik pusat dari setiap
cluster dapat dilihat pada tabel 3.3 dan contoh data sample yang
digunakan dapat dilihat pada tabel 3.4.
Tabel 3. 3 Contoh data Jumlah Pohon dan Produksi Buah – buahan
TITIK PUSAT AWAL JUMLAH POHON PRODUKSI

Cluster 1 14634913 57476
Cluster 2 123129 213
Cluster 3 2314 66
Tabel 3. 4 Contoh data Jumlah Pohon dan Produksi Buah – buahan
JUMLAH PRODUKSI
POHON
14634913 57476
9772771 123229
4534595 67329
1680899 1766
1031988 13870
360286 18743
256227 7984
123129 213
81180 4079
80960 296
79262 11704
76956 3477
75434 4157
73069 10337
Setelah diketahui nilai k dan pusat cluster awal selanjutnya mengukur

jarak antara pusat cluster menggunakan euclidian distance, kemudian akan
didapatkan matriks jarak yaitu C1, C2 dan C3 sebagai berikut:
Rumus euclidian distance:
Perhitungan jarak data pertama dengan pusat cluster pertama adalah :
𝑑11 = √(14634913 − 14634913)2 + ( 55747653 − 57476)2 = 0.00

Perhitungan jarak data pertama dengan pusat cluster kedua adalah :
𝑑12 = √(14634913 − 8567)2 + ( 55747653 − 419)2 = 14511896.98
Perhitungan jarak data pertama dengan pusat cluster ketiga adalah :
𝑑13 = √(14634913 − 951)2 + ( 55747653 − 34)2 = 14632711.62

Tabel 3. 5 Tabel Hasil Perhitungan Jarak Pusat Cluster
JUMLAH PRODUKSI C1 C2 C3 Jarak

POHON Terpendek
14634913 57476 0.00 14511896.98 14632711.62 0.00
9772771 123229 4862586.58 9650426.09 9771233.24 4862586.58
4534595 67329 10100322.81 4411976.52 4532780.09 4411976.52
1381584 21811 13253376.99 1258640.32 1379441.40 1258640.32
1031988 13870 13602994.89 908961.60 1029766.53 908961.60
360286 18743 14274679.55 237879.81 358458.90 237879.81
256227 7984 14378771.18 133324.66 254036.43 133324.66
123129 213 14511896.98 0.00 120815.09 0.00
81180 4079 14553830.96 42126.77 78968.03 42126.77

80960 296 14554065.32 42169.08 78646.34 42169.08
79262 11704 14555722.97 45347.07 77823.12 45347.07
76956 3477 14558057.15 46288.22 74719.90 46288.22
75434 4157 14559576.63 47857.79 73234.35 47857.79
73069 10337 14561920.30 51073.47 71496.60 51073.47
2314 66 14632711.62 120815.09 0.00 0.00
Jarak hasil perhitungan akan dilakukan perbandingan dan dipilih jarak

terdekat antara data dengan pusat cluster, jarak ini menunjukkan bahwa data
tersebut berada dalam satu kelompok dengan pusat cluster terdekat. Dengan
cara membandingkah hasil cluster dan diambil yang paling kecil.
Berikut ini akan ditampilkan data matriks pengelompokan group, nilai 1
berarti data tersebut berada dalam group (kelompok data).
Tabel 3. 6 Tabel Pengelompokan Group
C1 C2 C3
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Setelah diketahui anggota tiap-tiap cluster kemudian pusat cluster baru

dihitung berdasarkan data anggota tiap-tiap cluster sesuai dengan rumus
pusat anggota cluster .
Dengan perhitungan sebagai berikut :
Cluster baru yang keempat
Jumlah Pohon :
14634913 + 9772771
2 = 12203842.00
Hasil Produksi :
11704 + 3302
2 = 90352.50
Cluster baru yang kelima
Jumlah Pohon :
(4534595 + 1381584 + 1031988 + 360286 + 256227 + 123129
+ 81180 + 80960 + 79262 + 76956 + 75434
+ 73069)/12 = 679555.83
Hasil Produksi :
67329 + 21811 + 13870 + 18743 + 7984 + 213 + 4079 +
296 + 11704 + 3477 + 4157 + 10337)/12 = 13666.67
Cluster baru yang keenam
Jumlah Pohon :
2314 / 1 = 2314
Hasil Produksi :
66 / 1 = 66
Pusat cluster keempat dengan jumlah pohon sebesar 12203842.00 dan

hasil produksi sebesar 90352.50, pusat cluster kelima jumlah pohon sebesar
679555.83 dan hasil produksi sebesar 13666.67, pusat cluster keenam jumlah
pohon sebesar 2314 dan hasil produksi sebesar 66.
Ulang perhitungan jarak data pertama dengan pusat cluster keempat
adalah :
𝑑14 = √(14634913 − 12203842.00 )2 + ( 55747653 − 90352.50)2

= 2431293.29
Perhitungan jarak data pertama dengan pusat cluster kelima adalah :
𝑑15 = √(14634913 − 679555.83 )2 + ( 55747653 − 13666.67)2

= 13955425.93
Perhitungan jarak data pertama dengan pusat cluster keenam adalah :
𝑑16 = √(14634913 − 2314 )2 + ( 55747653 − 66)2

= 14632711.62
Tabel 3. 7 Tabel Hasil Perhitungan Jarak Pusat Cluster
JUMLAH PRODUKSI C1 C2 C3 Jarak

POHON terpendek
14634913 57476 2431293.29 13955425.93 14632711.62 2431293.29
9772771 123229 2431293.29 9093875.19 9771233.24 2431293.29
4534595 67329 7669281.56 3855412.64 4532780.09 3855412.64
1381584 21811 10822475.05 702075.41 1379441.40 702075.41
1031988 13870 11172115.80 352432.23 1029766.53 352432.23
360286 18743 11843772.48 319310.19 358458.90 319310.19
256227 7984 11947898.93 423366.97 254036.43 254036.43
123129 213 12081049.28 556589.46 120815.09 120815.09
81180 4079 12122968.99 598452.64 78968.03 78968.03
80960 296 12123216.49 598745.14 78646.34 78646.34
79262 11704 12124835.08 600297.04 77823.12 77823.12

76956 3477 12127197.18 602685.98 74719.90 74719.90
75434 4157 12128714.29 604196.68 73234.35 73234.35
73069 10337 12131036.89 606495.97 71496.60 71496.60
2314 66 12201862.04 677378.39 0.00 0.00
Langkah selanjutnya hasil perhitungan akan dilakukan perbandingan

dan dipilih jarak terdekat antara data dengan pusat cluster , jarak ini
menunjukkan bahwa data tersebut berada dalam satu kelompok dengan pusat
cluster terdekat.
Tabel 3. 8 Tabel Pengelompokan Group
C1 C2 C3
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Pada perhitungan ini iterasi berhenti pada iterasi ke-9 karena kelompok
data 3 sama dengan kelompok data 2 dari hasil clustering, dan telah
mencapai stabil dan konvergen.
3.5 Desain User Interface
Gambar 3. 2 User Interface
User interface penerapan metode K-Means Cluster ing untuk memetakan

potensi produksi buah – buahan di Provinsi Daerah Istimewa Yogyakarta. Dalam
user interface terdapat button “cari data” untuk memasukan data yang akan
diolah. Data awal sebelum di olah akan ditampilkan dalam tabel “ tabel hasil”
dan masuk ke dalam kolom jenis buah, daerah, jumlah pohon, produksi, dan
tahun. Selanjutnya, user menekan button “proses” maka data akan diolah dengan
algoritma K-Means clustering sehingga akan mendapatkan hasil pada kolom
Cluster pada tabel “tabel hasil”.
28
3.6 Spesifikasi Alat

Sistem ini mempunyai kebutuhan perangkat keras dan lunak untuk
mendapatkan hasil yang maksimal.
1. Kebutuhan perangkat lunak :
a. Microsoft Windows 10
b. Microsoft Excel 10
c. Matlab 2012
2. Kebutuhan perangkat keras :
a. Processor : AMD A8-6410 Quad Core 2.0Ghz up to 2.4Ghz
b. Memory : 4GB DDR3
c. Hardisk : 500GB (5400rpm)
BAB IV
IMPLEMENTASI SISTEM DAN ANALISISA HASIL
Bab ini berisikan tentang implementasi dan analisis keluaran dari system
dengan algoritma yang telah digunakan serta perancangan antarmuka.
4.1 Implemantasi
Landasan teori dan metodologi yang telah disampaikan berkurang manfaatnya
jika disertai dengan implementasi. Implementasi dibagi kedalam dua bagian,
yaitu berkaitan dengan pengolahaan data dan user interface system.
4.2 K-Means Clustering
Gambar 4. 1 Implementasi – K-Means clustering dengan tiga cluster
Proses pengelompokan dengan menggunakan metode K-Means clustering

dengan tiga cluster. Sehingga didapatkan hasil yang tidak seimbang atau
memiliki selisih jumlah data yang sangat jauh pada setiap cluster.
29
Tabel 4. 1 Jumlah data masing – masing cluster
Cluster Jumlah
1 142
2 176
3 127
4.3 User Interface

Dalam membuta system implementasi K-Means clustering untuk
pengelompokan capaian belajar ini penulisan menggunakan Matlab R2012b.
User Interface system telah dipaparkan dalam bab sebelumnya
diimplementasikan dan digunkan untuk melakukan proses pengelompokan
dengan K-Means clustering. Sistem menampilkan hasil cluster . Gambar 4.2
Contoh User Interface dari keseluruhan system yang telah terbentuk.
Gambar 4. 2 Tampilan keseluruhan sistem
Dalam proses pengelompokan data terdapat dua langkah utama, yaitu input
data dan proses K-Means clustering.
4.4 Input Data

Data sistem dijalankan, langkah pertama yang harus dilakukan user adalah
memasukan. Tombol cari file digunakan untuk meng-input-kan data yang
berkestensi *.xlsx. Setelah di-inputkan, sistem akan menampilkan pada tabel
hasil. Selanjutnya yang harus dilakukan user adalah dengan menekan button
proses. Gambar 4.3 Contoh adalah proses input dokumen.
Gambar 4. 3 Input dokumen
4.5 Proses K-Means Clustering

User interface dari implementasi hasil proses K-Means clustering dapat
dilihat pada gambar 4.4
Gambar 4. 4 Implementasi – Hasil proses K-Means clustering

Ketika tombol “proses” seperti pada gambar 4.4 di klik maka akan muncul
hasil proses clustering metode K-Means.
4.6 Analisa Hasil

Implementasi yang telah dijelaskan di bab 4 membantu analisis terhadap
pengelompokan untuk memetakan potensi produksi buah – buahan di Provinsi
Daerah Istimewa Yogyakarta. Analisis dilakukan terhadap 450 data dalam lima
tahun.
Dalam pengelompokan ini, yang menjadi atribut adalah jumlah pohon dan
jumlah produksi. Data tersebut diolah dengan menggunakan K-Means clustering.
Hasil Penelitian menggunakan data produksi buah di Provinsi Yogyakarata.
1. Produksi Alpokat
Untuk produksi alpokat Kabupaten Bantul termasuk dalam kelompok
produksi yang banyak pada tahun 2005 terdapat pada cluster ke 3
sedangkan untuk tahun 2006 sampai dengan 2009 Kabupaten Bantul
termasuk dalam kelompok produksi sedang terdapat pada cluster ke 2.
Kabupaten Gunung Kidul, Kota Yogyakarta termasuk dalam kelompok
produksi yang sedang pada tahun 2005 sampai dengan tahun 2009
terdapat pada cluster ke 2. Kabupaten Kulonprogo termasuk dalam
kelompok produksi yang banyak pada tahun 2005, 2007 sampai dengan
2009 terdapat pada cluster ke 3, sedangkan untuk tahun 2006
Kabupaten Kulonprogo termasuk dalam kelompok produksi sedang
terdapat pada cluster ke 2. Kabupaten Sleman termasuk dalam kelompok
produksi yang sedikit pada tahun 2005, 2007 sampai dengan 2009
terdapat pada cluster ke 1, sedangkan untuk tahun 2006 Kabupaten
Sleman termasuk dalam kelompok produksi banyak terdapat pada cluster
ke 3.
2. Mangga
Untuk produksi mangga Kabupaten Bantul, termasuk dalam kelompok
produksi sedang pada tahun 2005, 2006, dan 2009. Itu diketahui karena
terdapat pada cluster ke 2. Untuk produksi mangga tahun 2007 dan 2008
Kabupaten Bantul termasuk dalam kelompok produksi sedikit. Untuk
produksi mangga Kabupaten Gunung Kidul, termasuk dalam kelompok
produksi sedang pada tahun 2005, 2006, 2008 ,dan 2009. Itu diketahui
karena terdapat pada cluster ke 2. Untuk produksi mangga tahun 2007
Kabupaten Gunung Kidul termasuk dalam kelompok produksi banyak
terdapat pada cluster ke 3. Kota Yogyakarta termasuk dalam kelompok
produksi sedikit pada tahun 2005 sampai 2009 banyak terdapat pada
cluster ke 1. Kulonprogo termasuk dalam kelompok produksi sedikit
pada tahun 2005 banyak terdapat pada cluster ke 1, pada tahun 2006
sampai 9 Kulonprogo termasuk dalam kelompok produksi sedang
terdapat pada cluster ke 2. Kabupaten Sleman termasuk dalam kelompok
produksi sedang terdapat pada cluster ke 2 pada tahun 2005 sampai
2009.
3. Rambutan
Untuk produksi rambutan Kabupaten Bantul, dalam kelompok
produksi sedikit terdapat pada cluster ke 3 pada tahun 2005 sampai 2009,
Kabupaten Gunung Kidul pada tahun 2005,2006, dan 2008 kelompok
produksi banyak terdapat pada cluster ke 1, pada tahun 2007 dan 2008
kelompok produksi banyak terdapat pada cluster ke 1. Kota Yogyakarta
termasuk dalam kelompok produksi sedikit pada tahun 2005 sampai 2009
sedikit terdapat pada cluster ke 3, Kulonprogo Yogyakarta termasuk
dalam kelompok produksi sedikit pada tahun 2005 sampai 2009 banyak
terdapat pada cluster ke 1, dan Kabupaten Sleman termasuk dalam
kelompok produksi yang sedang pada tahun 2005 sampai dengan tahun
2009. Itu diketahui karena terdapat pada cluster ke 2.
4. Duku
Untuk produksi duku Kabupaten Bantul, Kabupaten Gunung Kidul,
Kota Yogyakarta, termasuk dalam kelompok produksi sedang pada tahun
2005 sampai dengan tahun 2009. Itu diketahui karena terdapat pada
cluster ke 2. Kulonprogo pada tahun 2005, 2008 dan 2009 karena
terdapat pada cluster ke 3, pada tahun 2006 termasuk dalam produksi
sedang karena masuk cluster ke 2, pada tahun 2007 termasuk dalam
produksi sedang karena masuk cluster ke 2, Sleman termasuk dalam
kelompok produksi yang banyak pada tahun 2005 masuk cluster ke 1
dan Kabupaten Sleman termasuk dalam kelompok produksi yang sedikit
pada tahun 2006 sampai dengan tahun 2009. Itu diketahui karena terdapat
pada cluster ke 3.
5. Jeruk
Untuk produksi jeruk Kabupaten Bantul, Kabupaten Gunung Kidul,
Kota Yogyakarta, termasuk dalam kelompok produksi sedang pada tahun
2005 sampai dengan tahun 2009. Itu diketahui karena terdapat pada
cluster ke 2. Kulonprogo, termasuk dalam kelompok produksi yang
sedikit pada tahun 2005, 2008 dan 2009 Itu diketahui karena terdapat
pada cluster ke 3. pada tahun 2006 dan 2007 kelompok produksi yang
banyak . Itu diketahui karena terdapat pada cluster ke 1. Kabupaten
Sleman termasuk dalam kelompok produksi yang sedikit pada tahun
2005, 2006, 2008 dan 2009 Itu diketahui karena terdapat pada cluster ke
3. pada tahun 2007 kelompok produksi yang banyak. Itu diketahui karena
terdapat pada cluster ke 1.
6. Sirsak
Untuk produksi sirsak Kabupaten Bantul termasuk dalam kelompok
produksi yang sedikit pada tahun 2005, 2006, 2007 dan 2008, itu
diketahui karena terdapat pada cluster ke 3. Sedangkan tahun 2009
termasuk dalam kelompok produksi yang banyak karena terdapat pada
cluster ke 1. Kabupaten Gunung Kidul tahun 2005 termasuk dalam
kelompok produksi yang sedikit karena terdapat pada cluster ke 3.
Sedangkan tahun 2006 sampai 2009 termasuk dalam kelompok produksi
yang sedang karena terdapat pada cluster ke 2, Kota Yogyakarta tahun
2005 sampai 2009 termasuk dalam kelompok produksi yang banyak
karena terdapat pada cluster ke 1, Kulonprogo tahun 2005, 2006, 2008,
dan 2009 termasuk dalam kelompok produksi yang banyak karena
terdapat pada cluster ke 1, pada tahun 2007 termasuk kelompok produksi
yang sedikit karena terdapat pada cluster ke 3 dan Kabupaten Sleman
termasuk dalam kelompok produksi yang sedikit pada tahun 2005 sampai
dengan tahun 2009. Itu diketahui karena terdapat pada cluster ke 3.
7. Sukun
Untuk produksi suku Kabupaten Bantul dan Kota Yogyakarta
termasuk kelompok produksi yang sedikit karena terdapat pada cluster
ke 3 pada tahun 2005 sampai dengan tahun 2009 , Kabupaten Gunung
Kidul termasuk kelompok produksi yang sedikit karena terdapat pada
cluster ke 3 pada tahun 2005 dan 2006, tahun 2007 sampai 2009
termasuk kelompok produksi yang sedang karena terdapat pada cluster
ke 2, Kulonprogo termasuk kelompok produksi yang sedikit karena
terdapat pada cluster ke 3 pada tahun 2005 dan 2006, tahun 2008, tahun
2007 termasuk kelompok produksi yang sedang karena terdapat pada
cluster ke 2, dan tahun 2009 termasuk kelompok produksi yang banyak
karena terdapat pada cluster ke 1 dan Kabupaten Selaman tahun 2005,
2006, 2008, dan 2009 termasuk dalam kelompok produksi yang banyak
karena terdapat pada cluster ke 1, pada tahun 2007 termasuk kelompok
produksi yang sedikit karena terdapat pada cluster ke 3.
8. Belimbing
Untuk produksi belimbing Kabupaten Bantul tahun 2005 dan 2006
termasuk kelompok produksi yang sedang karena terdapat pada cluster
ke 2, pada tahun 2007 termasuk kelompok produksi yang sedikit karena
terdapat pada cluster ke 3, pada tahun 2008 dan 2009 termasuk
kelompok produksi yang banyak karena terdapat pada cluster ke 1.
Kabupaten Gunung Kidul, Kulonprogo dan Kabupaten Sleman tahun
2005, 2006, 2008, dan 2009 termasuk dalam kelompok produksi yang
sedang karena terdapat pada cluster ke 2, pada tahun 2007 termasuk
kelompok produksi yang sedikit karena terdapat pada cluster ke 3, Kota
Yogyakarta termasuk kelompok produksi yang banyak karena terdapat
pada cluster ke 1 pada tahun 2005 sampai dengan tahun 2009.
9. Durian
Untuk produksi durian Kabupaten Bantul, Kabupaten Gunung Kidul,
Kota Yogyakarta , pada tahun 2007 termasuk kelompok produksi yang
sedikit karena terdapat pada cluster ke 3, Kulonprogo tahun 2005, 2007,
2008, dan 2009 termasuk kelompok produksi yang sedang karena
terdapat pada cluster ke 2, dan termasuk kelompok produksi yang banyak
karena terdapat pada cluster ke 1 pada tahun 2006. Kabupaten Sleman
termasuk dalam kelompok produksi yang sedang pada tahun 2005
sampai dengan tahun 2009. Itu diketahui karena terdapat pada cluster ke
2.
10. Jambu Biji

Untuk produksi jambu biji Kabupaten Bantul pada tahun 2005 dan
2007 termasuk kelompok produksi yang sedang karena terdapat pada
cluster ke 2, dan termasuk kelompok produksi yang banyak karena
terdapat pada cluster ke 1 pada tahun 2006, 2008 dan 2009. Kabupaten
Gunung Kidul pada tahun 2005, 2006 dan 2007 termasuk kelompok
produksi yang sedang karena terdapat pada cluster ke 2, dan termasuk
kelompok produksi yang banyak karena terdapat pada cluster ke 1 pada
tahun 2008 dan 2009. Kota Yogyakarta termasuk kelompok produksi
yang banyak karena terdapat pada cluster ke 1 pada tahun 2005 sampai
2009, Kulonprogo pada tahun 2005, 2008 dan 2009 termasuk kelompok
produksi yang sedang karena terdapat pada cluster ke 2, termasuk
kelompok produksi yang banyak karena terdapat pada cluster ke 1 pada
tahun 2006, dan termasuk kelompok produksi yang sedikit karena
terdapat pada cluster ke 3 pada tahun 2005 dan Kabupaten Sleman
tahun 2005, 2006, 2008, dan 2009 termasuk dalam kelompok produksi
yang sedang karena terdapat pada cluster ke 2, pada tahun 2007
ke 3.
11. Manggis
Untuk produksi manggis Kabupaten Bantul, Kabupaten Gunung Kidul,
Kota Yogyakarta tahun 2005 sampai 2009 termasuk dalam kelompok
produksi yang sedang karena terdapat pada cluster ke 2, Kulonprogo
ke 3 pada tahun 2005, 2006 dan 2009 dan Kabupaten Sleman termasuk
dalam kelompok produksi yang banyak pada tahun 2005 sampai dengan
tahun 2009. Itu diketahui karena terdapat pada cluster ke 1.
12. Sawo
Untuk produksi sawo Kabupaten Bantul, Kabupaten Gunung Kidul
Kulonprogo, dan Kabupaten Sleman tahun 2005, 2006, 2008, dan 2009
cluster ke 1, tahun 2007 termasuk dalam kelompok produksi yang
sedang karena terdapat pada cluster ke 2. Kota Yogyakarta termasuk
dalam kelompok produksi yang sedikit pada tahun 2005 sampai dengan
13. Pepaya
Untuk produksi pepaya Kabupaten Bantul tahun 2005, 2006, 2008, dan
2009 termasuk dalam kelompok produksi yang sedikit karena terdapat
pada cluster ke 3, tahun 2006 termasuk dalam kelompok produksi yang
banyak karena terdapat pada cluster ke 1, Kabupaten Gunung Kidul
tahun 2005, 2006, 2008, dan 2009 termasuk dalam kelompok produksi
yang sedikit karena terdapat pada cluster ke 3, tahun 2007 termasuk
dalam kelompok produksi yang sedang karena terdapat pada cluster ke
2. Kota Yogyakarta, dan Kulonprogo, termasuk dalam kelompok
produksi yang sedikit pada tahun 2005 sampai dengan tahun 2009. Itu
diketahui karena terdapat pada cluster ke 3. Kabupaten Sleman tahun
sedikit karena terdapat pada cluster ke 3, tahun 2007 termasuk dalam
kelompok produksi yang banyak karena terdapat pada cluster ke 1.
14. Pisang
Untuk produksi pisang Kabupaten Bantul termasuk dalam kelompok
produksi yang sedang pada tahun 2005 sampai dengan tahun 2009. Itu
diketahui karena terdapat pada cluster ke 2. Kabupaten Gunung Kidul,
Kulonprogo, dan Kabupaten Sleman tahun 2005, 2006, 2008, dan 2009
termasuk dalam kelompok produksi yang sedang karena terdapat pada

cluster ke 2, tahun 2007 termasuk dalam kelompok produksi yang
banyak karena terdapat pada cluster ke 1. Kota Yogyakarta, termasuk
dalam kelompok produksi yang sedikit pada tahun 2005 sampai dengan
15. Nanas
Untuk produksi nanas Kabupaten Bantul dan Kota Yogyakarta
termasuk dalam kelompok produksi yang sedang pada tahun 2005
2. Kabupaten Gunung Kidul tahun 2005, 2006, 2008, dan 2009 termasuk
dalam kelompok produksi yang sedang karena terdapat pada cluster ke
2, tahun 2007 termasuk dalam kelompok produksi yang banyak karena
terdapat pada cluster ke 1. Kulonprogo, dan Kabupaten Sleman tahun
banyak karena terdapat pada cluster ke 1, tahun 2007 termasuk dalam
16. Salak
Untuk produksi salak Kabupaten Bantul, Kabupaten Gunung Kidul,
dan Kota Yogyakarta termasuk dalam kelompok produksi yang sedang
pada tahun 2005 sampai dengan tahun 2009. Itu diketahui karena terdapat
pada cluster ke 2. Kabupaten Kulonprogo, termasuk dalam kelompok
diketahui karena terdapat pada cluster ke 3. Kabupaten Sleman ,
termasuk dalam kelompok produksi yang banyak pada tahun 2005 sampai
40
17. Nangka
Untuk produksi nangka Kabupaten Bantul tahun 2005 dan 2007
cluster ke 1, tahun 2006, 2008, dan termasuk dalam kelompok produksi
yang sedikit karena terdapat pada cluster ke 3. Kabupaten Gunung Kidul
dan Kabupaten Sleman tahun 2005, 2006, 2008, dan 2009 termasuk
dalam kelompok produksi yang banyak karena terdapat pada cluster ke
1, tahun 2007 termasuk dalam kelompok produksi yang sedang karena
terdapat pada cluster ke 2. Kota Yogyakarta termasuk dalam kelompok
diketahui karena terdapat pada cluster ke 3. Kabupaten Kulonprogo
termasuk dalam kelompok produksi yang banyak pada tahun 2005 sampai
18. Semangka
Untuk produksi semangka Kabupaten Bantul, Kabupaten Gunung
Kidul termasuk dalam kelompok produksi yang sedikit pada tahun 2005
3. Kota Yogyakarta tahun 2005, 2006, 2008, dan 2009 termasuk dalam
kelompok produksi yang sedikit karena terdapat pada cluster ke 3, tahun
2007 termasuk dalam kelompok produksi yang banyak karena terdapat
pada cluster ke 1. Kabupaten Kulonprogo termasuk dalam kelompok
produksi yang banyak pada tahun 2005 sampai dengan tahun 2009. Itu
diketahui karena terdapat pada cluster ke 1. Kabupaten Sleman tahun
sedang karena terdapat pada cluster ke 2, tahun 2008 termasuk dalam
BAB V
PENUTUP
Bab terakhir pada penulisan ini menjelaskan mengenai kesimpulan dari

penelitian terkait dengan terhadap pengelompokan untuk memetakan potensi
produksi buah – buahan di Provinsi Yogyakarta. Pada bab ini dijelaskan saran yang
diberikan pada system yang sudah dibuat.
5.1 Analisa Hasil

Dari permasalahan tentang data produksi buah – buahan di Provinsi Daerah
Istimewa Yogyakarta dapat diselesaikan dengan Algoritma K-Means dapat
melakukan pengelompokan dokumen dalam jumlah yang banyak akan tetapi
belum efisien dalam mengelompokan dokumen secara tepat. Untuk
mengelompokan daerah potensial buah – buahan di Provinsi Daerah Istimewa
Yogyakarta. Penentuan centroid (titik pusat) pada tahap awal algoritma K-Means
sangat berpengaruh pada hasil cluster seperti pada hasil pengujian yang
dilakukan dengan centroid yang berbeda menghasilkan hasil cluster yang
berbeda juga.
5.2 Saran
Saran yang diperlukan untuk pengembangan system lebih lanjut sebagai
berikut :
1. Penelitian selanjutnya dapat dikembangkan pada jenis data yang serupa
dengan metode yang lebih baik seperti menggunakan algoritma Fuzzy C-
Means.
41
42
2. Hasil clustering yang terbentuk dapat dikembangkan menjadi basis

pengetahuan untuk sistem pendukung keputusan maupun sistem
rekomendasi daerah yang cocok untuk ditanami buah oleh dinas
pertanian.
DAFTAR PUSTAKA
Gorunescu, Florin (2011). Data mining: Concepts, Models, and Techniques. Verlag
Berlin Heidelberg: Springer
Han, Jiawei & Micheline Kamber. 2006. Second Edition. Data mining : Concepts
and Techniques. New York : Morgan Kaufman
Han, Jiawei & Micheline Kamber. 2012. Third Edition. Data mining : Concepts and
Techniques. New York : Morgan Kaufman
Kusrini, dan Luthfi, Emha. Taufiq. (2009). Algoritma Data mining. Yogyakarta: Andi
Publishing.
Larose, Daniel. T. (2005).Discovering Knowledge in Data. New Jersey: John Willey
& Sons, Inc.
Lee, Finn. S. dan Santana, Juan (2010). Data mining : Meramalkan Bisnis
Perusahaan. Jakarta: Elex Media Komputindo
Liao. (2007). Recent Advances in Data mining of Enterprise Data: Algorithms and
Application. Singapore: World Scientific Publishing
Prasetyo Eko. 2014. Data mining Mengolah Data menjadi Informasi Menggunakan
Matlab. Yogyakarta : CV.ANDI OFFSET
4
LAMPIRAN
Lampiran 1. Tabel Data Produksi Buah

JENIS BUAH DAERAH JUMLAH POHON PRODUKSI TAHUN
Alpokat Kabupaten Bantul 7405 553 2005
Alpokat Kabupaten 2584 198 2005
Gunungkidul
Alpokat Kota Yogyakarta 722 53 2005
Kulonprogo
Alpokat Kabupaten Sleman 79262 11704 2005
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
4

Kulonprogo
Gunungkidul
Kulonprogo
Mangga Kabupaten Bantul 113591 6361 2005
Mangga Kabupaten 153374 5535 2005
Gunungkidul
Mangga Kota Yogyakarta 2301 152 2005
Kulonprogo
Mangga Kabupaten Sleman 131779 9881 2005
Gunungkidul
Kulonprogo
Gunungkidul
4

Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Rambutan Kabupaten Bantul 27383 946 2005
Rambutan Kabupaten 9656 148 2005
Gunungkidul
Rambutan Kota Yogyakarta 2211 41 2005
Kulonprogo
Rambutan Kabupaten Sleman 132426 13685 2005
Gunungkidul
4

Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Duku Kabupaten Bantul 301 9 2005
Duku Kabupaten 0 0 2005
Gunungkidul
4
Duku Kota Yogyakarta 167 5 2005

Kulonprogo
Duku Kabupaten Sleman 14247 1021 2005
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
4

Kulonprogo
Jeruk Kabupaten Bantul 7018 480 2005
Jeruk Kabupaten 4285 288 2005
Gunungkidul
Jeruk Kota Yogyakarta 320 30 2005
Kulonprogo
Jeruk Kabupaten Sleman 10009 944 2005
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
4

Kulonprogo
Gunungkidul
Kulonprogo
Sirsak Kabupaten Bantul 9144 628 2005
Sirsak Kabupaten 16547 869 2005
Gunungkidul
Sirsak Kota Yogyakarta 115 10 2005
Kulonprogo
Sirsak Kabupaten Sleman 7076 465 2005
Gunungkidul
Kulonprogo
Gunungkidul
5

Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Sukun Kabupaten Bantul 7250 776 2005
Sukun Kabupaten 30059 2388 2005
Gunungkidul
Sukun Kota Yogyakarta 253 45 2005
Kulonprogo
Sukun Kabupaten Sleman 12055 1935 2005
Gunungkidul
5

Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Belimbing Kabupaten Bantul 4119 229 2005
Belimbing Kabupaten 6271 376 2005
Gunungkidul
5
Belimbing Kota Yogyakarta 311 24 2005

Kulonprogo
Belimbing Kabupaten Sleman 4807 370 2005
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
5

Kulonprogo
Durian Kabupaten Bantul 1463 75 2005
Durian Kabupaten 1450 31 2005
Gunungkidul
Durian Kota Yogyakarta 89 10 2005
Kulonprogo
Durian Kabupaten Sleman 38973 3008 2005
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
5

Kulonprogo
Gunungkidul
Kulonprogo
Jambu Biji Kabupaten Bantul 26131 1516 2005
Jambu Biji Kabupaten 32358 1717 2005
Gunungkidul
Jambu Biji Kota Yogyakarta 1248 65 2005
Kulonprogo
Jambu Biji Kabupaten Sleman 44635 3071 2005
Gunungkidul
Kulonprogo
Gunungkidul
5

Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Manggis Kabupaten Bantul 164 11 2005
Manggis Kabupaten 0 0 2005
Gunungkidul
Manggis Kota Yogyakarta 14 1 2005
Kulonprogo
Manggis Kabupaten Sleman 4167 499 2005
Gunungkidul
5

Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Sawo Kabupaten Bantul 12318 1410 2005
Sawo Kabupaten 21538 1838 2005
Gunungkidul
5
Sawo Kota Yogyakarta 505 80 2005

Kulonprogo
Sawo Kabupaten Sleman 15836 2032 2005
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
5

Kulonprogo
Pepaya Kabupaten Bantul 51318 2135 2005
Pepaya Kabupaten 41027 1635 2005
Gunungkidul
Pepaya Kota Yogyakarta 5332 485 2005
Kulonprogo
Pepaya Kabupaten Sleman 81180 4079 2005
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
5

Kulonprogo
Gunungkidul
Kulonprogo
Pisang Kabupaten Bantul 169342 10140 2005
Pisang Kabupaten 243901 9736 2005
Gunungkidul
Pisang Kota Yogyakarta 2972 131 2005
Kulonprogo
Pisang Kabupaten Sleman 244505 13516 2005
Gunungkidul
Kulonprogo
Gunungkidul
6

Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Nanas Kabupaten Bantul 2067 9 2005
Nanas Kabupaten 6224 24 2005
Gunungkidul
Nanas Kota Yogyakarta 53 1 2005
Kulonprogo
Nanas Kabupaten Sleman 66122 217 2005
Gunungkidul
6

Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Salak Kabupaten Bantul 6655 91 2005
Salak Kabupaten 1449 12 2005
Gunungkidul
6
Salak Kota Yogyakarta 129 1 2005

Kulonprogo
Salak Kabupaten Sleman 9772771 123229 2005
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
6

Kulonprogo
Nangka Kabupaten Bantul 39123 4073 2005
Nangka Kabupaten 63963 6461 2005
Gunungkidul
Nangka Kota Yogyakarta 961 119 2005
Kulonprogo
Nangka Kabupaten Sleman 65652 14591 2005
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
6

Kulonprogo
Gunungkidul
Kulonprogo
Semangka Kabupaten Bantul 7 135 2005
Semangka Kabupaten 6 98 2005
Gunungkidul
Semangka Kota Yogyakarta 0 0 2005
Kulonprogo
Semangka Kabupaten Sleman 66 1460 2005
Gunungkidul
Kulonprogo
Gunungkidul
6

Kulonprogo
Gunungkidul
Kulonprogo
Gunungkidul
Kulonprogo
Lampiran 2. Tabel Hasil K-Means Clustering

JENIS BUAH DAERAH JUMLAH PRODUKSI TAHUN CLUSTER
POHON
1 1 7405 553 2005 3
1 1 1522 348 2006 2
1 1 1660 108 2007 2
1 1 1550 66 2008 2
1 1 597 83 2009 2
1 2 2584 198 2005 2
6
1 2 2518 634 2006 2

1 2 2226 36 2007 2
1 2 495 19 2008 2
1 2 1992 36 2009 2
1 3 722 53 2005 2
1 3 386 154 2006 2
1 3 951 34 2007 2
1 3 343 49 2008 2
1 3 351 24 2009 2
1 4 12588 1484 2005 3
1 4 3683 740 2006 2
1 4 11206 214 2007 3
1 4 7597 370 2008 3
1 4 8567 419 2009 3
1 5 79262 11704 2005 1
1 5 21740 3944 2006 3
1 5 54731 3302 2007 1
1 5 38166 3613 2008 1
1 5 37775 3900 2009 1
2 1 113591 6361 2005 2
2 1 96279 5559 2006 2
2 1 72682 1885 2007 1
2 1 69118 7638 2008 1
2 1 100667 4531 2009 2
2 2 153374 5535 2005 2
2 2 258643 6437 2006 2
2 2 541038 14925 2007 3
6
2 2 170013 6992 2008 2

2 2 306546 16160 2009 2
2 3 2301 152 2005 1
2 3 5611 378 2006 1
2 3 8994 292 2007 1
2 3 6874 285 2008 1
2 3 5328 207 2009 1
2 4 52949 4403 2005 1
2 4 124350 5397 2006 2
2 4 167815 5779 2007 2
2 4 135017 6468 2008 2
2 4 110955 6580 2009 2
2 5 131779 9881 2005 2
2 5 153471 11115 2006 2
2 5 148929 10125 2007 2
2 5 166999 13131 2008 2
2 5 169635 14298 2009 2
3 1 27383 946 2005 1
3 1 26561 1139 2006 1
3 1 25070 546 2007 1
3 1 24815 1234 2008 1
3 1 30532 1888 2009 1
3 1 301 9 2005 2
3 1 465 8 2006 2
3 1 630 11 2007 2
3 1 564 35 2008 2
3 1 232 9 2009 2
6
3 2 9656 148 2005 3

3 2 19618 463 2006 3
3 2 25960 416 2007 1
3 2 16801 396 2008 3
3 2 31931 479 2009 1
3 2 0 0 2005 2
3 2 0 0 2006 2
3 2 0 0 2007 2
3 2 0 0 2008 2
3 2 0 0 2009 2
3 3 2211 41 2005 3
3 3 2689 152 2006 3
3 3 3694 59 2007 3
3 3 3526 102 2008 3
3 3 5767 119 2009 3
4 3 167 5 2005 2
4 3 46 4 2006 2
4 3 134 3 2007 2
4 3 147 11 2008 2
4 3 35 2 2009 2
4 4 70911 5231 2005 1
4 4 36914 2510 2006 1
4 4 51517 2691 2007 1
4 4 51448 3873 2008 1
4 4 26025 2236 2009 1
4 4 7959 392 2005 1
4 4 2436 121 2006 2
6
4 4 13645 364 2007 3

4 4 9021 422 2008 1
4 4 8751 427 2009 1
4 5 132426 13685 2005 2
4 5 187168 16721 2006 2
4 5 186543 15167 2007 2
4 5 191286 21850 2008 2
4 5 197496 20201 2009 2
4 5 14247 1021 2005 3
4 5 6584 461 2006 1
4 5 9747 915 2007 1
4 5 8898 855 2008 1
4 5 9555 916 2009 1
5 1 7018 480 2005 2
5 1 6885 312 2006 2
5 1 10064 227 2007 1
5 1 2669 39 2008 2
5 1 917 21 2009 2
5 2 4285 288 2005 2
5 2 2256 151 2006 2
5 2 5924 70 2007 2
5 2 538 19 2008 2
5 2 1510 66 2009 2
5 3 320 30 2005 2
5 3 691 26 2006 2
5 3 455 9 2007 2
5 3 245 13 2008 2
7
5 3 74 26 2009 2
5 4 16219 1239 2005 1
5 4 29777 1216 2006 3
5 4 58807 1114 2007 3
5 4 17561 957 2008 1
5 4 23400 1078 2009 1
5 5 10009 944 2005 1
5 5 8281 710 2006 1
5 5 29061 899 2007 3
5 5 11258 849 2008 1
5 5 11740 893 2009 1
6 1 9144 628 2005 1
6 1 6933 416 2006 1
6 1 16983 246 2007 1
6 1 7304 133 2008 1
6 1 5253 127 2009 3
6 2 16547 869 2005 1
6 2 24399 1242 2006 2
6 2 48498 475 2007 2
6 2 28019 522 2008 2
6 2 44429 918 2009 2
6 3 115 10 2005 3
6 3 166 8 2006 3
6 3 489 5 2007 3
6 3 149 6 2008 3
6 3 136 5 2009 3
6 4 3901 139 2005 3
7
6 4 3490 122 2006 3

6 4 6963 100 2007 1
6 4 3065 121 2008 3
6 4 3083 112 2009 3
6 5 7076 465 2005 1
6 5 6196 297 2006 1
6 5 15588 284 2007 1
6 5 6873 325 2008 1
6 5 7070 298 2009 1
7 1 7250 776 2005 3
7 1 8866 474 2006 3
7 1 8416 226 2007 3
7 1 7368 488 2008 3
7 1 6129 362 2009 3
7 2 30059 2388 2005 1
7 2 17621 1332 2006 1
7 2 57329 1249 2007 2
7 2 72885 2686 2008 2
7 2 67754 1381 2009 2
7 3 253 45 2005 3
7 3 276 27 2006 3
7 3 693 19 2007 3
7 3 417 42 2008 3
7 3 308 24 2009 3
7 4 17804 1434 2005 1
7 4 27514 2107 2006 1
7 4 46126 2020 2007 2
7
7 4 28269 2249 2008 1

7 4 15235 2138 2009 3
7 5 12055 1935 2005 3
7 5 10561 1869 2006 3
7 5 30545 1830 2007 1
7 5 10723 1693 2008 3
7 5 11778 1694 2009 3
8 1 4119 229 2005 2
8 1 4150 184 2006 2
8 1 7236 103 2007 1
8 1 1980 87 2008 3
8 1 1619 85 2009 3
8 2 6271 376 2005 2
8 2 6788 309 2006 2
8 2 8599 119 2007 1
8 2 4454 138 2008 2
8 2 4242 155 2009 2
8 3 311 24 2005 3
8 3 752 31 2006 3
8 3 1725 26 2007 3
8 3 623 36 2008 3
8 3 502 32 2009 3
8 4 4451 144 2005 2
8 4 5578 166 2006 2
8 4 7729 152 2007 1
8 4 5200 205 2008 2
8 4 5550 219 2009 2
7
8 5 4807 370 2005 2

8 5 4971 186 2006 2
8 5 12187 223 2007 1
8 5 4682 254 2008 2
8 5 4545 252 2009 2
9 1 1463 75 2005 1
9 1 1655 67 2006 1
9 1 1191 44 2007 1
9 1 1719 163 2008 1
9 1 1508 83 2009 1
9 2 1450 31 2005 1
9 2 1384 28 2006 1
9 2 1514 22 2007 1
9 2 1641 27 2008 1
9 2 1762 30 2009 1
9 3 89 10 2005 1
9 3 140 8 2006 1
9 3 62 3 2007 1
9 3 28 3 2008 1
9 3 48 8 2009 1
9 4 47874 4138 2005 2
9 4 15873 1125 2006 3
9 4 49096 2196 2007 2
9 4 33726 2708 2008 2
9 4 42182 3408 2009 2
9 5 38973 3008 2005 2
9 5 34402 3683 2006 2
7
9 5 35143 3014 2007 2

9 5 35462 3388 2008 2
9 5 45114 5688 2009 2
10 1 26131 1516 2005 2
10 1 18091 1279 2006 3
10 1 46089 567 2007 2
10 1 19937 456 2008 3
10 1 11826 286 2009 3
10 2 32358 1717 2005 2
10 2 29487 1398 2006 2
10 2 43919 462 2007 2
10 2 21717 705 2008 3
10 2 22214 721 2009 3
10 3 1248 65 2005 3
10 3 5067 216 2006 3
10 3 12943 116 2007 3
10 3 4127 158 2008 3
10 3 3615 95 2009 3
10 4 34161 1068 2005 2
10 4 22336 906 2006 3
10 4 101102 1427 2007 1
10 4 36520 1706 2008 2
10 4 41655 1711 2009 2
10 5 44635 3071 2005 2
10 5 37987 1197 2006 2
10 5 89355 1407 2007 1
10 5 35124 1502 2008 2
7
10 5 33302 1300 2009 2

11 1 164 11 2005 2
11 1 88 4 2006 2
11 1 199 4 2007 2
11 1 21 1 2008 2
11 1 0 0 2009 2
11 2 0 0 2005 2
11 2 180 24 2006 2
11 2 0 0 2007 2
11 2 0 0 2008 2
11 2 0 0 2009 2
11 3 14 1 2005 2
11 3 3 1 2006 2
11 3 3 0 2007 2
11 3 5 0 2008 2
11 3 0 0 2009 2
11 4 14788 573 2005 1
11 4 4733 183 2006 3
11 4 29244 623 2007 1
11 4 16227 651 2008 1
11 4 5474 220 2009 3
11 5 4167 499 2005 3
11 5 3669 419 2006 3
11 5 6087 394 2007 3
11 5 4816 381 2008 3
11 5 5210 379 2009 3
12 1 12318 1410 2005 3
7
12 1 15301 1246 2006 3

12 1 41967 1030 2007 2
12 1 12927 1057 2008 3
12 1 10482 842 2009 3
12 2 21538 1838 2005 3
12 2 25025 1879 2006 3
12 2 57444 1966 2007 2
12 2 22989 3317 2008 3
12 2 20290 1599 2009 3
12 3 505 80 2005 1
12 3 961 83 2006 1
12 3 2964 70 2007 1
12 3 1461 164 2008 1
12 3 1139 96 2009 1
12 4 9889 680 2005 3
12 4 13652 1039 2006 3
12 4 31087 920 2007 2
12 4 12567 975 2008 3
12 4 11054 768 2009 3
12 5 15836 2032 2005 3
12 5 16473 1605 2006 3
12 5 39388 1716 2007 2
12 5 16215 1835 2008 3
12 5 15967 1898 2009 3
13 1 51318 2135 2005 1
13 1 61522 2827 2006 1
13 1 210020 3643 2007 3
7
13 1 54969 2307 2008 1

13 1 36912 1312 2009 1
13 2 41027 1635 2005 1
13 2 45756 2224 2006 1
13 2 1680899 1766 2007 2
13 2 47313 2473 2008 1
13 2 28812 1311 2009 1
13 3 5332 485 2005 1
13 3 6113 189 2006 1
13 3 14930 164 2007 1
13 3 7258 229 2008 1
13 3 5288 194 2009 1
13 4 35829 1875 2005 1
13 4 45731 2681 2006 1
13 4 119048 2865 2007 1
13 4 33181 2359 2008 1
13 4 33007 2415 2009 1
13 5 81180 4079 2005 1
13 5 76956 3477 2006 1
13 5 245677 4180 2007 3
13 5 68930 3866 2008 1
13 5 65726 3862 2009 1
14 1 169342 10140 2005 2
14 1 175473 6518 2006 2
14 1 631156 8220 2007 2
14 1 247350 16986 2008 2
14 1 249363 13033 2009 2
7
14 2 243901 9736 2005 2

14 2 256227 7984 2006 2
14 2 1031988 13870 2007 3
14 2 414180 12689 2008 2
14 2 347706 9754 2009 2
14 3 2972 131 2005 1
14 3 7302 256 2006 1
14 3 20046 182 2007 1
14 3 8389 444 2008 1
14 3 6438 150 2009 1
14 4 278078 11866 2005 2
14 4 484638 20747 2006 2
14 4 1381584 21811 2007 3
14 4 360286 18743 2008 2
14 4 367266 18159 2009 2
14 5 244505 13516 2005 2
14 5 208018 12329 2006 2
14 5 730860 12441 2007 3
14 5 210695 11699 2008 2
14 5 226845 11640 2009 2
15 1 2067 9 2005 2
15 1 1345 3 2006 2
15 1 1215 2 2007 2
15 1 69 1 2008 2
15 1 150 1 2009 2
15 2 6224 24 2005 2
15 2 10488 23 2006 2
7
15 2 33211 45 2007 3
15 2 8175 35 2008 2
15 2 13362 72 2009 2
15 3 53 1 2005 2
15 3 55 1 2006 2
15 3 25 0 2007 2
15 3 66 1 2008 2
15 3 40 1 2009 2
15 4 36380 206 2005 3
15 4 53348 251 2006 3
15 4 80960 296 2007 1
15 4 51538 311 2008 3
15 4 52204 291 2009 3
15 5 66122 217 2005 3
15 5 53112 179 2006 3
15 5 123129 213 2007 1
15 5 38176 205 2008 3
15 5 39460 177 2009 3
16 1 6655 91 2005 2
16 1 4617 39 2006 2
16 1 7008 20 2007 2
16 1 3202 36 2008 2
16 1 3689 45 2009 2
16 2 1449 12 2005 2
16 2 1463 36 2006 2
16 2 4036 8 2007 2
16 2 1287 12 2008 2
8
16 2 1594 10 2009 2
16 3 129 1 2005 2
16 3 60 1 2006 2
16 3 90 0 2007 2
16 3 10 0 2008 2
16 3 0 0 2009 2
16 4 100057 1379 2005 1
16 4 116189 1551 2006 1
16 4 237151 1386 2007 1
16 4 118433 1527 2008 1
16 4 116414 2138 2009 1
16 5 9772771 123229 2005 3
16 5 4534595 67329 2006 3
16 5 14634913 57476 2007 3
16 5 4521909 58353 2008 3
16 5 4755612 60379 2009 3
17 1 39123 4073 2005 3
17 1 16302 1405 2006 1
17 1 44705 2189 2007 3
17 1 11964 556 2008 1
17 1 20279 833 2009 1
17 2 63963 6461 2005 3
17 2 64387 4407 2006 3
17 2 120656 5650 2007 2
17 2 70582 3570 2008 3
17 2 93616 3838 2009 3
17 3 961 119 2005 1
8
17 3 808 106 2006 1

17 3 4493 161 2007 1
17 3 2981 366 2008 1
17 3 2314 66 2009 1
17 4 43543 4935 2005 3
17 4 41434 4506 2006 3
17 4 75434 4157 2007 3
17 4 48890 5047 2008 3
17 4 46540 4895 2009 3
17 5 65652 14591 2005 3
17 5 65797 12373 2006 3
17 5 178856 11258 2007 2
17 5 68342 10341 2008 3
17 5 73069 10337 2009 3
18 1 7 135 2005 1
18 1 0 0 2006 1
18 1 0 0 2007 1
18 1 1 20 2008 1
18 1 0 0 2009 1
18 2 6 98 2005 1
18 2 7 135 2006 1
18 2 0 0 2007 1
18 2 5 39 2008 1
18 2 10 69 2009 1
18 3 0 0 2005 1
18 3 0 0 2006 1
18 3 599 10742 2007 3
8
18 3 0 0 2008 1
18 3 0 0 2009 1
18 4 593 9242 2005 3
18 4 569 9659 2006 3
18 4 599 10742 2007 3
18 4 185 6493 2008 3
18 4 367 6660 2009 3
18 5 66 1460 2005 2
18 5 60 1247 2006 2
18 5 42 945 2007 2
18 5 11 493 2008 1
18 5 34 619 2009 2

Full

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Full

Diunggah oleh

Hak Cipta:

Format Tersedia

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PENERAPAN METODE K-MEANS CLUSTERING

Diajukan untuk Memenuhi Salah Satu Syarat

PROGRAM STUDI TEKNIK

THE IMPLEMENTATION OF K-MEANS CLUSTERING METHODS

Presented as Partial Fullfillment of Requirements

INFORMATICS ENGINEERING STUDY

PENERAPAN METODE K-MEANS CLUSTERING

MIKAEL ADITYA WAHYU KRISNA

oleh : Dosen Pembimbing Proposal TA

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

PENERAPAN METODE K-MEANS CLUSTERING

MIKAEL ADITYA WAHYU KRISNA

Telah dipertahankan di depan Panitia

Susunan Panitia Penguji

Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya

Mikael Aditya Wahyu Krisna

LEMBAR PERSETUJUAN PUBLIKASI KARYA

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata

PENERAPAN METODE K-MEANS CLUSTERING UNTUK

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

Mikael Aditya Wahyu Krisna Murti

Berdasarkan data hasil pertanian buah di Dinas Pertanian Provinsi Daerah

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

The data of fruit agriculture in Agriculture Department of Yogyakarta

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

Penulis menyadari bahwa masih banyak kekurangan dalam

Mikael Aditya Wahyu Krisna

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

1.1 Latar Belakang

1.2 Rumusan Masalah

1.3 Tujuan Penelitian

1.4 Manfaat Penelitian

1.5 Batasan Masalah

1.6 Metode Penelitian

1.7 Sistematika Penulisan

Bab II. Landasan Teori

Bab III. Analisa dan Perancangan Sistem

Bab IV. Implementasi dan Analisa Sistem

2.1 Data mining

Data mining Patterns

Gambar 2.1 menggambarkan proses KDD dalam menghasilkan knowledge dan

2.1.2 Posisi Data mining Dalam Berbagai Disiplin Ilmu

2.1.3 Data, Informasi, dan Pengetahunan (Knowledge)

2.1.4 Pengelompokan Data mining

2.2 Teorema K-Means

Dimana xij ∈ cluster ke – k

2.2.2 Tujuan Clustering K-Means

Contoh – contoh tujuan pengelompokan untuk penggunaan adalah sebagai berikut :

c. Pencarian Tetangga Terdekat Secara Efisien

2.2.3 Langkah Clustering K-Means

2.2.4 Jenis Data Dalam Set Data

3.1 Tahap Penelitian

3.1 Model Analisis

Mulai Data Pembersihan Data

3.3 Jenis Data

3.4 Analisa Data

Nama Buah Inisalisasi

Tabel 3. 2 Inisialisasi nama Kabupaten

3.4.2 Pengolahan Data

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

TITIK PUSAT AWAL JUMLAH POHON PRODUKSI

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