PREDIKSI HASIL PANEN PADI MENGGUNAKAN METODE K-NN DI DESA BATUBANTAYO

KEC.PINOGALUMAN

(Studi Kasus di Dinas Pertanian Kecamatan Pinogaluman)

Oleh

DANDI AHMADI

T3118106

USULAN PENELITIAN

PROGRAM SARJANA
TEKNIK INFORMATIKA
UNIVERSITAS ICHSAN GORONTALO
GORONTALO
2022
 PERSETUJUAN USULAN PENELITIAN

PREDIKSI HASIL PANEN PADI MENGGUNAKAN METODE

K-NN DI DESA BATUBANTAYO KECAMATAN
PINOGALUMAN
OLEH

DANDI AHMADI

T3118106

USULAN PENELITIAN

Telah disetujui dan siap untuk diseminarkan

Gorontalo,..........................

Pembimbing Utama Pembimbing Pendamping

Irma Surya Kumala Idris, M.Kom Yulianty Lasen, M.Kom

NIDN : 09021128801 NIDN:0907078603

i
 KATA PENGANTAR

Segala puji dan syukur kita panjatkan kepada ALLAH S.W.T atas Rahmat dan
Hidayah-Nya yang selama ini kita dapatkan oleh karenanya penulis dapat
menyelesaikan usulan penelitian dengan judul “PREDIKSI HASIL PANEN
PADI MENGGUNAKAN METODE K-NN DI DESA BATUBANTAYO
KECAMATAN PINOGALUMAN” study kasus Dinas Pertanian Kecamatan
Pinogaluman.

Dalam penyusunan usulan penelitian ini mungkin tidak akan selesai tampa
bantuan dari pihak-pihak tertentu. Maka, dengan ini penulis mengucapkan
terimakasi kepada pihak-pihak yang sudah membantu, diantaranya sebagai
berikut:

1. Bapak Muhamad Ichsan Gaffar Latjokke, SE, M.Ak, selaku Ketua

Yayasan Pengembangan Ilmu Pengetahuan dan Teknologi (YPIPT) Ichsan
Gorontalo.
2. Bapak Dr. Abdul Gaffar Latjokke, M.Si, selaku Rektor Universitas ichsan
Gorontalo.
3. Ibu Zohrahayati S.Kom, M.Kom selaku Dekan Fakultas Ilmu Komputer
Universitas Ichsan Gorontalo.
4. Bapak Sudirman S. Panna, M.kom selaku Ketua Jurusan Tenik
Informatika Fakultas Ilmu Komputer Universitas Ichsan Gorontalo.
5. Ibu Irma Surya Kumala Idris, M.Kom, selaku wakil dekan I Bidang
Akademik;
6. Bapak Sudirman Melangi S.kom, M.Kom selaku Wakil Dekan III di
bidang kemahasiswaan.
7. Bapak Sudirman S. Panna, M.kom selaku dosen PA, yang telah
memberikan banyak motivasi kepada penulis.
8. Para dosen Fakultas Ilmu Komputer Universitas ichsan Gorontalo yang
telah memberikan ilmu yang bermanfaat.
9. Kedua Orang Tua dan seluruh keluarga yang selalu memberikan dukungan
dan do’a, sehingga memantapkan langkah penulis dalam penulisan usulan
penelitian ini.
10. Teman-teman program Study Teknik Informatika, Universitas Ichsan
Gorontalo.

ii
11. Dan semua pihak yang telah memberikan dukungan baik moril maupun
matrerial bagi penulis dalam penyusuan penulisan usulan penelitian ini.

Semoga ALLAH SWT memberikan balasan yang pantas atas

kebaikannya. Penulis juga menyadari usulan penelitian ini masih jauh dari
kata sempurna. Oleh karena itu,kritik dan saran yang baik sangat penulis
harapkan demi kesempurnaan penelitian berikutnya. Akhir kata penulis
berharap semoga usulan penelitian ini dapat bermanfaat untuk kita semua.

Gorontalo, Juni 2022

Penulis

iii
 DAFTAR ISI

PERSETUJUAN USULAN PENELITIAN.............................................................i

KATA PENGANTAR.............................................................................................ii

DAFTAR ISI...........................................................................................................iv

DAFTAR GAMBAR..............................................................................................vi

DAFTAR TABEL..................................................................................................vii

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

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

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

1.2 Identifikasi Masalah..................................................................................3

1.3 Rumusan Masalah.....................................................................................4

1.4 Tujuan........................................................................................................4

1.5 Manfaat Penelitian.....................................................................................4

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

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

2.1 Tinjauan Studi...........................................................................................5

2.2 Tinjauan Pustaka.......................................................................................7

2.2.1 Prediksi...............................................................................................7

2.2.2 Padi.....................................................................................................7

2.2.3 Data Mining.......................................................................................7

2.2.4 Metode K-Nearest Neighbors (KNN)................................................9

2.2.5 Penerapan Algoritma K-NN Dalam Kasus Sebelumnya.................10

2.2.6 Pemograman Web............................................................................14

2.2.7 Kerangka Pikir.................................................................................16

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

METODOLOGI PENELITIAN.............................................................................17

3.1 Jenis, Metode, Subjek, Objek, Waktu Dan Tempat Penelitian...............17

3.2 Pengumpulan Data..................................................................................17

3.3 Pemodelan...............................................................................................18

3.4 Pra Pengolahan........................................................................................18

3.5 Evaluasi...................................................................................................18

Jadwal Penelitian....................................................................................................19

DAFTAR PUSTAKA............................................................................................20
 DAFTAR GAMBAR

Gambar 2.2.1. Tahapan knowledge discovery in database (KDD).........................9

Gambar 2.2.2. Alur Eksperimen.............................................................................10
Gambar 2.2.2. Model Yang Diusulkan...................................................................12
Gambar 2.2.4. Kerangka Pikir...............................................................................16
Gambar 3.3.1. Pemodelan K-NN...........................................................................18
 DAFTAR TABEL
Tabel 1 Jadwal Panen Padi Di Kecamatan Pinogaluman 2
Tabel 2 Peneliti Terkait 5
Tabel 3 Data perhitungan untuk 3 tahun terakhir dengan nilai k=1 12
Tabel 4 Data perhitungan untuk 3 tahun terakhir dengan nilai k=3 12
Tabel 5 Data perhitungan untuk 3 tahun terakhir dengan nilai k=5 12
Tabel 6 Data perhitungan untuk 3 tahun terakhir dengan nilai k=7 13
Tabel 7 Data perhitungan untuk 3 tahun terakhir dengan nilai k=9 13
Tabel 8 Hasil perhitungan RMSE dan Absolute error 14
 BAB I

PENDAHULUAN

I.1 Latar Belakang

Kabupaten Bolaang Mongondow Utara adalah sebuah kabupaten di

provinsi Sulawesi Utara, Indonesia. Ibu kotanya adalah Boroko. Banyaknya
penduduk kabupaten yang berbatasan dengan provinsi Gorontalo ini, berjumlah
83.112 jiwa per tahun 2020. Pemerintah telah melakukan banyak hal untuk
penguatan ketahan pangan di Kabupaten Bolaang Mongondow Utara. Salah satu
cara untuk mengantisipasi terjadinya kekurangan persediaan pangan adalah
dengan melakukan peramalan hasil panen di setiap kecamatan di Kabupaten
Bolaang Mongondow Utara. Peramalan hasil panen dimaksudkan untuk
melakukan prakiraan/prediksi hasil panen pada masa depan dalam kurun waktu
tertentu, dengan hasil keluaran berupa hasil panen masa depan. Peramalan hasil
panen ditunjukan untuk mendapatkan gambaran tentang keadaan yang akan terjadi
dimasa yang akan datang agar dapat digunakan untuk melakukan pengambilan
keputusan terkait, guna meminimalisasi resiko dan memaksimalkan potensi
keuntungan yang dapat di raih.

Padi (bahasa latin: Oryza sativa L.) merupakan salah satu tanaman
budidaya terpenting dalam peradaban. Meskipun terutama mengacu pada jenis
tanaman budidaya, padi juga digunakan untuk mengacu pada beberapa jenis dari
marga (genus) yang sama, yang biasa disebut sebagai padi liar. Padi diduga
berasal dari India atau Indocina dan masuk ke Indonesia dibawa oleh nenek
moyang yang migrasi dari daratan Asia sekitar 1500 SM. Hasil dari pengolahan
padi dinamakan beras [2].

Data yang digunakan dalam penelitian ini merupakan data laporan utama
Luas Tanam dan Luas panen padi yang berada di Dinas Pertanian Kecamatan
Pinogaluman yang akan di kelompokan kedalam Gagal Panen (C1) dan Cukup
(C2). Dengan menggunakan atribut Luas Tanam (Ha), Luas Panen (Ha), dan juga
 2

Produktivitas (Ton GKP/Ha). Data luas tanam dan luas panen dapat di lihat pada
gambar di bawah ini.

Tabel 1 Jadwal Panen Padi Di Kecamatan Pinogaluman

NO JADWAL PANEN LUAS TANAM LUAS PANEN PRODUKTIVITAS

(Ha) (Ha) (Ton GKP/Ha)
1 Minggu Ke-4 Bulan 75.00 22.00 6.50
Mei 2020
2 Minggu Ke-4 Bulan 3.00 19.00 4.50
Agustus 2020
3 Minggu Ke-4 Bulan 1.00 17.00 5.00
April 2021
4 Minggu Ke-4 Bulan 0.00 9.00 4.20
Agustus 2021
5 Minggu Ke-4 Bulan 5.00 25.00 7.40
Mei 2022

Data di atas merupakan data luas tanam dan luas panen padi pada Dinas
Pertanian Kecamatan Pinogaluman, dalam data tersebut peneliti menemukan
masalah yaitu, bagaimana memprediksi hasil panen padi dua tahun sebelumnya.
Teknik yang mampu menyelesaikan masalah tersebut ialah teknik data mining
dengan metode K-Nearest Neighbor (K-NN).

Teknik data mining merupakan teknik yang digunakan dalam

mengelompokan data dalam jumlah yang besar. Selain itu data mining juga dapat
mencari pola menarik yang tersembunyi dalam data yang dipilih dengan
menggunakan teknik atau metode tertentu [3]. Teknik atau metode yang
digunakan dalam data mining sangat bervariasi. Pemilihan metode atau algoritma
yang bagus akan bergantung pada hasil akhir dari proses Knowledge discovery in
database (KDD) secara menyeluruh [4].

Salah satu metode yang dapat digunakan adalah Forecasting. Forecasting

yaitu kegiatan memperkirakan atau memprediksikan apa yang akan terjadi pada
masa yang akan datang dengan kurun waktu tertentu. Salah satu metode dalam
Forecasting adalah K-Nearest Neighbor (K-NN). K-Nearest Neighbor (K-NN)
adalah algoritma yang melakukan klasifikasi berdasarkan kedekatan lokasi (jarak)
 3

suatu data dengan data yang lain. Tujuan dari algoritma ini adalah mengklasifikasi
objek baru berdasarkan atribut dan sampel latih [5].

Permasalahan yang terdapat pada DINAS PERTANIAN KECAMATAN

PINOGALUMAN adalah sulitnya pihak Dinas Pertanian dalam menganalisa data
panen yang mengakibatkan pekerjaan menjadi lambat dan belum efektif. Sehingga
memerlukan waktu yang cukup banyak dalam mengisi data. Untuk itu solusinya
peneliti tertarik untuk menganalisa dalam mengelompokan dan mengumpulkan
data-data panen. dalam hal pengelompokan (clustering) ini, penulis akan
menggunakan metode algoritma K-NN.

Berdasarkan uraian di atas, maka perlu dilakukan penenlitian dengan judul

“PREDIKSI HASIL PANEN PADI MENGGUNAKAN METODE K-NN DI
DESA BATUBANTAYO KECAMATAN PINOGALUMAN” , maka hasil dari
penelitian ini adalah sistem yang nantinya dapat membantu pemerintah Kabupaten
Bolaang Mongondow Utara dalam meningkatkkan ketahanan pangang di
Indonesia terutama di Kabupaten Bolaang Mongondow Utara. Dengan
menggunakan sistem ini pihak pemerintah dapat memfokuskan bantuan pertanian
di daerah mana yang perlu ditingkatkan kulitas dan kuantitas panennya. Dengan
demikian masyarakat luas dapat menikmati kebutuahan pokok dengan harga yang
lebih terjangkau.

I.2 Identifikasi Masalah

1. Adanya kesulitan dalam mengelompokan data panen berdasarkan waktu

setiap panen, karena sulitnya untuk menganalisa data yang mengakibatkan
pekerjaan admin lambat dan mengalami kesulitan, sehingga perlu
menganalisa yang lebih praktis.

2. Pengolahan data pada Dinas Pertanian Kecamatan Pinogaluman terdapat

masalah dalam mengenal isi data panen, sehingga berdampak pada
pengelompokan data setiap panen. dengan ini peneliti akan menggunakan
metode K-NN dalam mengelompokan data dengan tehnik cluster. Tehnik
cluster (data mining) mampu menganalisis data dengan akurat dan dapat
 4

mempercpat langkah dalam mengelompokan data panen dan menghasilkan

hasil yang efisiensi.

I.3 Rumusan Masalah

Berdasarkan latar belakang d atas dapat dirumuskan masalah yaitu:

1. Bagaimana penerapan metode K-Nearest Neighbor (K-NN) untuk
memprediksi hasil panen padi?
2. Bagaimana Hasil produksi dari panen padi menggunakan metode K-
Nearest Neighbor (K-NN)?

I.4 Tujuan

1. Mengetahui hasil penerapan metode K-Nearest Neighbor (K-NN) untuk

memproduksi hasil panen padi di Dinas Pertanian Kecamatan
Pinogaluman.
2. Mengetahui hasil produksi panen padi di Dinas Pertanian Kecamatan
Pinogaluman.

I.5 Manfaat Penelitian

1. Pengembangan Ilmu
Peneliti ini diharapkan dapat mengembangkan ilmu pengetahuan dibidang
teknologi komputer pada umumnya dan clustering dengan metode K-NN
dalam mengelompokkan data luas tanam dan luas panen padi setiap panen.
2. Praktisi
Memudahkan pihak Dinas Pertanian dalam mengelompokkan data panen
dengan metode K-NN.
3. Peneliti
Peneliti juga diharapkan dapat menjadi masukkan bagi peneliti lain yang
akan mengadakan penelitian selanjutnya terkait metode K-NN dan
memberikan informasi bagi mereka tentang masalah yang diteliti.
 BAB II

LANDASAN TEORI

II.1 Tinjauan Studi

Tabel 2 Peneliti Terkait

No Peneliti Judul Metode Tahun Hasil

1 Pungky Penerapan K-Nn 2019 sistem yang nantinya dapat

membantu pemerintah Kabupaten
Andrean Metode K-Nn
Malang dalam meningkatkkan
Untuk
ketahanan di Kabupaten Malang.
Memprediksi Dengan menggunakan sistem yang
Hasil Pertanian memiliki akurasi 73,91% dan nilai
Di Kabupaten error sebesar 26,08 maka pihak

Malang pemerintah dapat memfokuskan

bantuan pertanian di daerah mana
yang perlu ditingkatkan kulitas dan
kuantitas panennya dan pemasok
dapat mencari daerah baru untuk
memasok barang [6].

5
 6

2 Ni Luh Gede Penerapan K-Nn 2017 “Penerapan Metode K

Pivin Metode K- Nearest Neighbor Untuk
Suwirmayanti Nearest Sistem Rekomendasi
Neighbor Pemilihan Mobil”
Untuk membantu memberikan
Sistem bayangan ataupun referensi
Rekomendasi kepada user atau calon
Pemilihan pembeli dalam menentukan
Mobil pemilihan mobil sesuai
kebutuhan [7].

3 Asahar Johar Implementasi K-Nn 2016 Hasil dari aplikasi ini yaitu
T Metode K- berupa rekomendasi nama
, Delfi Nearest peserta yang
Yanosma Neighbor lolos dan tidak lolos seleksi
, Kurnia (Knn) Dan berdasarkan hasil
Anggriani Simple perangkingan nilai masing-
Additive masing peserta.
Weighting Kata Kunci: Sistem
(Saw) Dalam Pendukung Keputusan, K-
Pengambilan Nearest Neighbor, Simple
Keputusan Additive Weighting,
Seleksi Rekomendasi hasil
Penerimaan perangkingan [8].
Anggota
Paskibraka
 7

II.2 Tinjauan Pustaka

II.2.1 Prediksi

Prediksi adalah sama dengan ramalan atau perkiraan. Peramalan

merupakan “suatu usaha untuk meramalkan keadaan di masa yang akan datang
melalui pengujian keadaan di masa lalu” [9].

II.2.2 Padi

Padi merupakan tanaman bahan makanan terpenting di dunia, terutama

bagi penduduk di negara-negara Asia. “Padi (oryza sativa) merupakan tumbuhan
penghasil beras yang diduga berasal dari India atau Indocina, masuk Indonesia
1.500 SM bersamaan dengan migrasi nenek moyang dari daratan Asia” [10].
II.2.3 Data Mining

Data mining merupakan ekstrasi atau pemahaman pattern yang menarik

yang ada pada data, atau dapat juga diartikan sebagai serangkaian proses untuk
menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama
ini tidak diketahui secara manual. Tujuan dilakukannya data mining ialah untuk
mendapatkan hubungan atau pola yang mungkin memberikan indikasi yang
bermanfaat.
Data mining mempunyai fungsi yang penting untuk membantu
mendapatkan informasi yang berguna serta meningkatkan pengetahuan bagi
pengguna. Berikut merupakan fungsi dari data mining :
* Generalisasi
a. Karakterisasi : mendeskripsikan suatu class dari ciri-ciri atau atributnya
b. Diskriminasi : Karakteristik yang membedakan antar class Asosiasi dan
korelasi /mining frekuent pattern mendeskripsikan hubungan atau
atribut.
* Clasification dan Regression :
a. Clasifikation : Dari ciri-ciri akan menghasilkan label
b. Regression : Lebih ke ciri-cirinya, dan yang dicari adalah nominal
value
* Custer
 8

Data untuk melatih mesin tidak ada label. Digunakan untuk klasifikasi
Preposisi, termasuk unsupervised learning.
* Outlier analysis
* Transaksi normal jumlahnya banyak sekali, mendeteksi terjadinya
keanehan atau masalah pada transaksi (mendeteksi anomaly/kejadian
tidak biasa).
Tahapan proses knowledege discovery from data (KDD) data mining
terbagi atas tujuh bagian yaitu [11]:
1. Pembersihan data
Pembersihan data merupakan proses yang dilakukan data dari noise
dan tidak tetap.
2. Integrasi data
Integrasi data merupakan sesuatu yang dilakuakn untuk menentukan
data dari berbagai sumber yang ada.
3. Seleksi data
Tahap seleksi data merupakan sesuatu yang dilakukan untuk
menentukan dari database yang digunakan agar sesuai dengan apa yang
sudah menjadi tujuan.
4. Transformasi data
Transformasi data merupkan proses untuk mengubah bentuk data yang
sudah ada agar sesuai dengan proses data mining.
5. Data Mining
Data mining merupakan suatu proses yang digunakan dari suatu
metode untuk mendapatkan suatu pola tersembunyi data suatu proses
data yang digunakan.
6. Pola Evaluasi
Pola evaluasi merupakan proses untuk mengidentifikasi data.
7. Presentasi Pengetahuan
Presentasi pengetahuan merupakan sesuatu yang dapat
mempresentasikan suatu informasi yang di perlukan, dimana dalam
informasi yang terdapat kemudian dapat digunakan oleh pemilik data.
 9

Gambar 2.2.1. Tahapan knowledge discovery in database (KDD)

II.2.4 Metode K-Nearest Neighbors (KNN)

Algoritma k-nearest neighbor (k-NN atau KNN) adalah sebuah metode

untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang
jaraknya paling dekat dengan objek tersebut.
K-Nearest Neighbor berdasarkan konsep ‘learning by analogy’. Data
learning dideskripsikan dengan atribut numerik n-dimensi. Tiap data learning
merepresentasikan sebuah titik, yang ditandai dengan c, dalam ruang n-dimensi.
Jika sebuah data query yang labelnya tidak diketahui diinputkan, maka KNearest
Neighbor akan mencari k buah data learning yang jaraknya paling dekat dengan
data query dalam ruang n-dimensi. Jarak antara data query dengan data learning
dihitung dengan cara mengukur jarak antara titik yang merepresentasikan data
query dengan semua titik yang merepresentasikan data learning dengan rumus
Euclidean Distance berikut.
D= √ ( x 1−x 2 )+( y 1− y 22)2
Pada fase training, algoritma ini hanya melakukan penyimpanan
vektorvektor fitur dan klasifikasi data training sample. Pada fase klasifikasi, fitur
– fitur yang sama dihitung untuk testing data (klasifikasinya belum diketahui).
Jarak dari vektor yang baru ini terhadap seluruh vektor training sample dihitung,
 10

dan sejumlah k buah yang paling dekat diambil. Titik yang baru klasifikasinya
diprediksikan termasuk pada klasifikasi terbanyak dari titik – titik tersebut [12].
Nilai k yang terbaik untuk algoritma ini tergantung pada data; secara
umumnya, nilai k yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi
membuat batasan antara setiap klasifikasi menjadi lebih kabur. Nilai k yang bagus
dapat dipilih dengan optimasi parameter, misalnya dengan menggunakan cross-
validation. Kasus khusus di mana klasifikasi diprediksikan berdasarkan data
pembelajaran yang paling dekat (dengan kata lain, k
= 1) disebut algoritma nearest neighbor.
Ketepatan algoritma k-NN ini sangat dipengaruhi oleh ada atau tidaknya
fitur-fitur yang tidak relevan, atau jika bobot fitur tersebut tidak
setara dengan relevansinya terhadap klasifikasi. Riset terhadap algoritma
ini sebagian besar membahas bagaimana memilih dan memberi bobot terhadap
fitur, agar performa klasifikasi menjadi lebih baik.
K buah data learning terdekat akan melakukan voting untuk menentukan
label mayoritas. Label data query akan ditentukan berdasarkan label mayoritas
dan jika ada lebih dari satu label mayoritas maka label data query dapat dipilih
secara acak di antara label-label mayoritas yang ada [13].

II.2.5 Penerapan Algoritma K-NN Dalam Kasus Sebelumnya

Collect Database from

Preproccesing and
Dinas Pertanian Kec.
Cleaning
Pinogaluman

Proccess with K-
Experiment and
Result Nearest Neighbor
Validation
Method

Gambar 2.2.2. Alur Eksperimen

Classifier berasumsi jarak catatan dari satu sama lain sebagai kriteria
untuk kedekatan mereka dan memilih catatan paling mirip. Ada banyak metode
untuk menghitung jarak seperti fungsi jarak Euclidean, Manhattan, dll, di
antaranya fungsi jarak Euclidean adalah salah satu yang paling umum
didefinisikan sebagai Persamaan yaitu:
 11

√∑
n

D (xi,xj) ( a ¿ ¿ r ( x ¿¿ i)−a ¿ ¿ r (x j ))¿ ¿ ¿2

i=1

Keterangan :

D (xi,xj) : Jarak Euclidean (Eucledean Distance)

(xi,) : Record ke-i

( xj ) : Record ke-j

ar : Data ke-r

i,j : 1,2,3..n

Secara umum, untuk memprediksi kelas rekor baru, algoritma mencari

catatan serupa di antara set catatan pelatihan, sehingga jika catatan telah n atribut,
maka akan menganggap mereka sebagai vektor dalam ruang n-dimensi dan
memprediksi label kelas rekor baru berdasarkan kriteria jarak dalam ruang ini
seperti jarak Euclidean serta label kelas dari tetangga

Dalam penelitian yang dilakukan dengan menggunakan algoritma k-nn

terdapat kesimpulan bahwa algoritma k-nn clustering dapat melakukan prediksi
panen padi. Adapun penerapan algoritma masih cukup sederhana dan untuk
mendapatkan nilai RMSE dan absolute error yang baik, perlu dilakukan pengujian
untuk nilai-K yang akan digunakan serta dilakukan perbandingan dengan metode
lainnya sehingga didapat model terbaik. Penambahan faktor independen seperti
curah hujan dan suhu dapat ditambahkan serta diterapkan komparasi dengan
metode lainnya. Penelitian tersebut berjudul “Prediksi Panen Padi Menggunakan
Algoritma K-Nearest Neigbour” [14].

Penerapan dilakukan dengan menentukan nilai k dan penentuan metode

untuk menentukan jarak(distance). Nilai k untuk menetapkan berapa k data
dengan jarak terdekat yang akan dihitung atau diuji dalam percobaan ini. Nilai
dari k biasanya adalah angka positif dan kecil. Dalam eksperimen ini, angka k
yang diujikan berkisar dari 1 sampai dengan 10. Untuk measure_types akan
dipilih numerical measures hal ini dikarenakan dataset dan data prediksi berupa
angka.

Pada penelitian ini, digunakan tool rapidminer studio 8.0 dengan

spesifikasi perangkat yaitu: Intel i5 2.5GHz, 8GB of RAM dan sistem operasi
Windows 10. Adapun model yang diusulkan seperti pada gambar x dibawah:
 12

Gambar 2.2.3. Model Yang Diusulkan

Tabel 3 Data perhitungan untuk 3 tahun terakhir dengan nilai k=1

No Waktu Hasil Panen Prediksi Panen
1 Jan-2014 519178 357284
2 May-2014 274106 214149
3 Sep-2014 126289 80847
4 Jan-2015 505250 396111
5 May-2015 296038 203651
6 Sep-2015 143848 93236
7 Jan-2016 460500 379266
8 May-2016 280343 199490
9 Sep-2016 141859 91947

Tabel 4 Data perhitungan untuk 3 tahun terakhir dengan nilai k=3

No Waktu Hasil Panen Prediksi Panen
1 Jan-2014 519178 255606
2 May-2014 274106 216607.25
3 Sep-2014 126289 192988.5
4 Jan-2015 505250 269180
5 May-2015 296038 224162.25
6 Sep-2015 143848 192347.25
7 Jan-2016 460500 262814.5
8 May-2016 280343 217548.25
9 Sep-2016 141859 199365.25

Tabel 5 Data perhitungan untuk 3 tahun terakhir dengan nilai k=5

No Waktu Hasil Panen Prediksi Panen
1 Jan-2014 519178 200764

2 May-2014 274106 226450.875

3 Sep-2014 126289 240838.4167
4 Jan-2015 505250 209529
5 May-2015 296038 229545.5417
 13

6 Sep-2015 143848 244016.875

7 Jan-2016 460500 205067.4167
8 May-2016 280343 232594.0417
9 Sep-2016 141859 250177.2083

Tabel 6 Data perhitungan untuk 3 tahun terakhir dengan nilai k=7

No Waktu Hasil Panen Prediksi Panen
1 Jan-2014 519178 241154.7083

2 May-2014 274106 221488.7083

3 Sep-2014 126289 207984.1806
4 Jan-2015 505250 244244.5833
5 May-2015 296038 224312.6389
6 Sep-2015 143848 208917.7083
7 Jan-2016 460500 250261.8056
8 May-2016 280343 228270.4722
9 Sep-2016 141859 213167.7361

Tabel 7 Data perhitungan untuk 3 tahun terakhir dengan nilai k=9

No Waktu Hasil Panen Prediksi Panen
1 Jan-2014 519178 223765.0687

2 May-2014 274106 222940.9188

3 Sep-2014 126289 223767.8313
4 Jan-2015 505250 225456.9625
5 May-2015 296038 224201.2875
6 Sep-2015 143848 229062.9687
7 Jan-2016 460500 231283.2125
8 May-2016 280343 229978.8625
9 Sep-2016 141859 225061.2813

Tabel 8 Hasil perhitungan RMSE dan Absolute error

 14

Nilai K Nilai RMSE Nilai Absolute Error

1 90532.279 +/- 0.000
3 145655.237 +/- 0.000
5 179723.122 +/- 0.00
7 158515.731 +/- 0.000
9 169575.954 +/- 0.000
80876.833 +/- 40682.076
115816.310 +/- 88329.103
146230.145 +/- 104485.143
127449.088 +/- 94254.798
137147.331 +/- 99732.711

Kesimpulannya adalah Metode KNN dapat digunakan untuk melakukan

prediksi panen padi. Adapun penerapan algoritma masih cukup sederhana dan
untuk mendapatkan nilai RMSE dan absolute error yang baik, perlu dilakukan
pengujian untuk nilai-K yang akan digunakan serta dilakukan perbandingan
dengan metode lainnya sehingga didapat model terbaik. Penambahan faktor
independen seperti curah hujan dan suhu dapat ditambahkan serta diterapkan
komparasi dengan metode lainnya.
II.2.6 Pemograman Web

Pemrograman web diambil dari 2 suku kata yaitu pemrograman dan web.
Pemrograman merupakan sekumpulan intruksi atau perintah tertulis yang di buat
oleh manusia, dan di buat secara logis untuk memerintahkan komputer agar
melakukan langkah atau proses tertentu dalam menyelesaikan suatu masalah.Web
sendiri merupakan sebuah halaman atau media informasi yang dapat di akses
dengan perangkat lunak browser melalui jaringan komputer atau internet.Jadi,
pemrograman web adalah proses membuat aplikasi komputer yang dapat
digunakan atau di tampilkan dengan bantuan browser. Berikut ini adalah contoh
bahasa pemrograman Web yang di gunkan pada Website ini :
1. PHP
PHP merupakan bahasa pemrograman scripting yang menyatu
dengan HTML dan di jalankan pada server. PHP banyak digunakan untuk
memrogram sebuah situs web dinamis dan dapat bekerja secara otomatis,
tetapi juga dapat digunakan untuk pemakaian lain. PHP sendiri merupakan
sebuah bahasa scripting tingkat tinggi yang di pasang pada dokumen
HTML. Sebagian besar sintaks dalam PHP mirip dengan basaha C, Java
dan Perl. sedangkan yang di kirim ke browser hanya hasilnya. Dalam PHP
 15

setiap nama variabel di awali tanda dollar ($). Misal nama variabel a
dalam PHP di tulis dengan $a. PHP bertujuan untuk membuat aplikasi-
aplikasi yang di jalankan di atas teknologi Web. Dalam hal ini, aplikasi
pada umumnya akan memberikan hasil pada Web browser, tetapi
prosesnya secara keseluruhan di jalankan dan di kerjakan di Web server
[15].
2. HTML
HyperText Markup Language (HTML) adalah sebuah bahasa
markup yang digunakan untuk membuat sebuah halaman web,
menampilkan berbagai informasi di dalam sebuah Penjelajah web Internet
dan formating hypertext sederhana yang di tulis kedalam berkas format
ASCII agar dapat menghasilkan tampilan wujudyang terintegerasi. Dengan
kata lain, berkas yang dibuat dalam perangkat lunakpengolah kata dan
disimpan kedalam format ASCII normal sehingga menjadi home page
dengan perintahperintah HTML. Bermula dari sebuah bahasa yang
sebelumnya banyak digunakan di dunia penerbitan dan percetakan yang
disebut dengan SGML(Standard Generalized Markup Language), HTML
adalah sebuah standar yang digunakan secara luas untuk menampilkan
halaman web. HTML saatini merupakan standar Internet yang di
definisikan dan di kendalikan penggunaannya oleh World Wide Web
Consortium(W3C). HTML dibuat oleh kolaborasi Caillau TIM dengan
Berners-lee robert ketika merekabekerja di CERNpada tahun 1989 (CERN
adalah lembaga penelitian fisika energi tinggi di Jenewa) [16].
 16

II.2.7 Kerangka Pikir

1.Bagaimana penerapan metode K-Nearest Neighbor (K-NN) untuk memprediksi hasil panen padi?

2.Bagaimana Hasil produksi dari panen padi menggunakan metode K-Nearest Neighbor (K-NN)?

PENGUMPULAN DATA OBSERVASI DAN DOKUMENTASI

PRA PENGOLAHAN NORMALIZATION

PRAPROCESING

METODE K-NN HASIL PANEN PADI

EVALUASI AKURASI, MODEL K-NN

KONTRUKSI SYSTEM PREDIKSI

1. Mengetahui hasil penerapan metode K-Nearest Neighbor (K-NN) untuk memproduksi hasil
panen padi di Dinas Pertanian Kecamatan Pinogaluman.
2. Mengetahui hasil produksi panen padi di Dinas Pertanian Kecamatan Pinogaluman.

Gambar 2.2.4. Kerangka Pikir

 BAB III

METODOLOGI PENELITIAN

III.1 Jenis, Metode, Subjek, Objek, Waktu Dan Tempat Penelitian

Dipandang dari tingkat penerapannya, penelitian ini merupakan penelitian
terapan, apabila dipandang dari jenis informasi yang diolah, maka penelitian ini
merupakan penelitian kuantittatif. Dalam penelitian ini metode yang digunakan
adalah penelitian metode study kasus. Dengan menggunakan Variabel input X1=
Luas Tanam dan X2= Luasn Panen, maka Variabel Output Y= Hasil Prediksi .
Dengan demikian penelitian ini adalah penelitian yang deskriptif, dengan tujuan
untuk membuat gambaran secara sistematik, faktual, dan akurat sesuai fakta dan
sifat dalam suatu objek penelitian tertentu.
Berdasarkan latar belakang dan kerangka pemikiran yang telah di jelaskan
pada bab sebelumnya maka yang menjadi objek dalam penelitian ini adalah
“PREDIKSI HASIL PANEN PADI MENGGUNAKAN METODE K-NN DI
DESA BATUBANTAYO KECAMATAN PINOGALUMAN”. Penelitian ini
dimulai dari bulan Februari 2022 yang berlokasi di Dinas Pertanian Kecamatan
Pinogaluman.

III.2 Pengumpulan Data

Pengumpulan data yang di gunakan dalam penelitain ini dibagi menjadi dua
jenis pengumpulan data yaitu data primer dan data sekunder.
1. Data primer
Data primer merupakan data yang dikumpulkan langsung oleh peneliti
di lokasi penelitian dengan melakukan wawancara dengan Kepala Dinas
Pertanian Kecamatan Pinogaluman.
2. Data sekunder
Data sekunder merupakan data yang di peroleh dari buku, jurnal, catatan
dan infomasi lain yang terkait dengan peneliitan ini.

17
 18

III.3 Pemodelan

Hasil Prediksi
Metode K-NN
K-NN

Gambar 3.3.5. Pemodelan K-NN

III.4 Pra Pengolahan

Sebelum data diolah, terlebih dahulu dilakukan pengumpulan data, setelah

itu dilakukan clusterisasi yang bertujuan untuk mengelompokan data dengan
karakteristik yang sama kedalam satu kelompok dan data yang memiliki
karakteristik yang berbeda ke kelompok lain.

III.5 Evaluasi

Tahap evaluasi bertujuan untuk dapat mengetahui hasil kerja dari metode
yang digunakan, evaluasi dilakukan pada cluster dan output yang di hasilkan dan
akan dimasukan kedalam centroid untuk dapat menghitung nilai akurasi.
 19

Jadwal Penelitian

2022
Deskripsi Aktivitas
FEBRUARI MARET APRIL MEI
Pra penelitian
pengajuan proposal
Pengumpulan data
Pemodelan K-Means
Evaluasi/Perbakan/ sistem
Penyusunan laporan
 20

DAFTAR PUSTAKA

[1] Anonim. A, 2016. Teknologi Budi Daya Tanaman Pangan.

http://www.iptek.net.id/ind/teknologi_pangan/index.phd?id=203. Diakses
tanggal 20 April 2016.

[2] Abidin. 2006. Agronomi Tanaman Pangan Jilid 1 : Teori Pertumbuhan

dan Meningkatkan Hasil Padi. Lembaga Penelitian Pertanian. Padang.

[3] Lindawati. Data Mining dengan teknik Clustering dalam pengklasifikasian

data mahasiswa studi kasus prediksi lama studi mahasiswa Universitas
Bina Nusantara. 2008.

[4] Johanes W.Yodha dan Achmad Wahid K., Pengenalan motif batik
menggunakan Deteksi Tepi Canny dan k-Nearest Neighbor. 2014.

[5] Teknomo K., 2010. K-Nearest Neighbours Tutorial, K-Tetangga Terdekat

Tutorial,(Online). Sumber: http://people.revoledu.com/kardi/tutorial/KNN/
[diakses 4 Maret 2010].

[6] Pungky Andrean. " Penerapan Metode K-Nn Untuk Memprediksi Hasil
Pertanian Di Kabupaten Malang." Jurnal Ilmiah Mahasiswa Program Studi
Teknik Informatika S1, Fakultas Teknologi Industri Institut Teknologi
Nasional Malang 2019.

[7] Ni Luh Gede Pivin Suwirmayanti. " Penerapan Metode K-Nearest

Neighbor Untuk Sistem Rekomendasi Pemilihan Mobil." Jurnal Ilmiah
Mahasiswa Program Studi Sistem Komputer STMIK STIKOM Bali 2017.

[8] Asahar Johar T, Delfi Yanosma, Kurnia Anggriani. " Implementasi

Metode K-Nearest Neighbor (Knn) Dan Simple Additive Weighting (Saw)
Dalam Pengambilan Keputusan Seleksi Penerimaan Anggota Paskibraka."
Jurnal Ilmiah Mahasiswa Program Studi Teknik Infomatika, Fakultas
Teknik, Universitas Bengkulu Indonesia 2016.

[9] Prasetya, Hery dan Fitri Lukiastuti. (2009). Manajemen Operasi. Media
Pressindo.Yogyakarta (2009 : 43)

[10] Depdiknas.2001. Kamus Besar Bahasa Indonesia. Jakarta: Balai Pustaka.

[11] Arnomo, Rio A. (2018). Implementasi Algoritma K-Nearest Neighbor

Untuk Identifikasi Kualitas Air (Studi Kasus: PDAM Kota Surakarta).
Surakarta : Program Studi Teknik Informatika STMIK Sinar Nusantara.
ISSN : 2338- 4018.
 21

[12] Dzikrulloh, N, N. (2017). Penerapan Metode K-Nearest Neighbor (KNN)

Dan Metode Weighted Product (WP) Dalam Penerimaan Calon Guru Dan
Karyawan Tata Usaha Baru Berwawasan Teknologi (Studi Kasus :
Sekolah Menengah Kejuruan Muhammadiyah 2 Kediri). Malang :
Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas
Brawijaya. E-ISSN : 2548-964X

[13] Sulastri, Heni, and Acep Irham Gufroni. "Penerapan data mining dalam
pengelompokan penderita thalassaemia." Jurnal Nasional Teknologi dan
Sistem Informasi 3.2 (2017): 299-305.

[14] Asahar Johar T, Delfi Yanosma, Kurnia Anggriani.“ Implementasi Metode

K-Nearest Neighbor (Knn) Dan Simple Additive Weighting (Saw) Dalam
Pengambilan Keputusan Seleksi Penerimaan Anggota Paskibraka.”
Program Studi Teknik Infomatika, Fakultas Teknik, Universitas Bengkulu.
2016.

[15] Syaifudin Ramadhani, Urifatun Anis, Siti Tazkiyatul Masruro (2013)

“Rancang Bangun Sistem Informasi Geografis Layanan Kesehatan Di
Kecamatan Lamongan Dengan PHP MySQL.” Jurnal Teknika

[16] Harison, A. S. (2016). Sistem Informasi Geografis Sarana Pada Kabupaten

Pesaman Barat. Teknoif, 42-43.

[17] Mustafa, S. Simpen, W, I. (2014). Perancangan Aplikasi Prediksi Kelulusan

Tepat Waktu Bagi Mahasiswa Baru Dengan Teknik Data Mining (Studi
Kasus: Data Akademik Mahasiswa STMIK Dipanegara Makassar).
Makasar : Teknik Informatika STMIK Dipanegara. ISSN : 2354-5771.