Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 1-10 Implementasi Algoritma K-Medoids pada Pengelompokkan Keragaman Kelompok Tani Dina Andriana1,*.
Eka Irawan2.
Rizky Khairunnisa Sormin3
1,2,3
Program Studi Sistem Informasi.
STIKOM Tunas Bangsa.
Pematang Siantar.
Indonesia Email: 1dinaandriana182000@gmail.
com, 2ekairawan@amiktunasbangsa.
id, 3rizkysormin@amiktunasbangsa.
(*: dinaandriana182000@gmail.
Abstrak Kelompok tani memiliki peran dalam menggerakkan pembangunan pertanian di Perdesaan dan Pelaku utama dalam Pemberdayaan Ekonomi berbasis Pertanian.
Penelitian ini bertujuan untuk membuat sebuah model pengelompokan dengan menggunakan algoritma K- Medoids.
Algoritma K-Medoids atau dikenal pula dengan PAM (Partitioning Around Medoid.
menggunakan metode partisi clustering untuk mengelompokkan sekumpulan n objek menjadi sejumlah k cluster, dengan melakukan pengelompokkan kelompok tani sehingga diperoleh tingkat perkembangan dan kelompok tani sesuai komoditi unggulan.
Penelitian ini dilaksanakan di Pematang Bandar Simalungun.
Data dalam penelitian ini bersumber dari BBP (Balai Penyuluhan Pertania.
Data yang terkumpul dihitung sesuai dengan data tersebut sehingga diperoleh kelompok tani sesuai komoditi unggulan.
Pengelompokan dilakukan berdasarkan jumlah data kelompok tani dari 4 desa yang ada di pematang bandar.
Diharapkan penelitian ini dapat menjadi Gambaran pihak BPP dalam mengambil kebijakan pengembangan sumber daya masing-masing kelompok tani guna kedepannya semakin banyak kelompok tani yang masuk dalam cluster tertinggi dan diharapkan berimbas pada peningkatan produktivitas kelompok tani tersebut.
Kata Kunci: K-Medoids.
Klastering.
Produktivitas.
Pertanian.
Kelompok Tani Abstract Farmer groups have a role in driving agricultural development in rural areas and are the main actors in agriculture-based economic This study aims to create a clustering model using the K-Medoids algorithm.
The K-Medoids algorithm or also known as PAM (Partitioning Around Medoid.
uses the clustering partition method to group a set of n objects into a number of k clusters, by grouping farmer groups so that the level of development and farmer groups according to superior commodities is obtained.
This research was conducted in Pematang Bandar Simalungun.
The data in this study were sourced from BBP (Agricultural Extension Cente.
The data collected is calculated according to the data so that farmer groups are obtained according to the leading The grouping is done based on the number of farmer group data from 4 villages in Pematang Bandar.
It is hoped that this research can be an illustration of the BPP in taking resource development policies for each farmer group so that in the future more farmer groups are included in the highest cluster and are expected to have an impact on increasing the productivity of these farmer groups.
Keywords: K-Medoids.
Clustering.
Productivity.
Agriculture.
Farmer Groups PENDAHULUAN Data mining merupakan proses pengumpulan informasi-informasi penting dari suatu data yang besar .
Data mining memiliki peranan penting dalam beberapa bidang yaitu, bidang keuangan, perindustrian, ilmu, teknologi dan Pada umumnya kajian dalam data mining membahas beberapa metode seperti, classification, association, clustering .
Association mencari pola hubungan yang terdapat pada data atau basis data.
Data Mining adalah suatu proses ataupun kegiatan untuk mengumpulkan data yang berukuran besar kemudian mengekstraksi data tersebut menjadi informasi-informasi yang nantinya dapat digunakan .
, .
Untuk itu pada penelitian ini menggunakan algoritma K-Medoids.
Algoritma K-Medoids ini juga sering disebut algoritma Partitoning AroundMedoids (PAM) .
K-Medoids menggunakan metode pengelompokkan partisi untuk mengelompokkan sekumpulan n objek menjadi sejumlah cluster.
Algoritma ini menggunakan objek yang mewakili sebuah cluster .
Algortima partitoning merupakan algoritma pengelompokkan data kedalam sejumlah cluster tanpa ada dilakukan suatu struktur hirarki antara satu dengan yang lainnya .
Menurut .
Kelompok tani merupakan wadah tempat bernaungnya beberapa petani/peternak/pekebun sebagai tempat belajar, bekerjasama dan unit produksi yang dibentuk atas dasar kesamaan domisili dan hamparan lahan pertanian.
Tujuan dibentuknya kelompok tani supaya petani dapat menjalankan usaha taninya secara bersama-sama sehingga dapat meningkatkan dan mengembangkan usaha tani yang dijalankan oleh anggota dan kelompok dengan beberapa prinsip kehidupan berkelompok diantaranya adalah prinsip partisipatif .
Kelompok tani juga membutuhkan penyuluh untuk menumbuhkembangkan usaha taninya serta membantu menggali potensi, memecahkan masalah usaha tani anggotanya secara lebih efektif dan memudahkan dalam mengakses informasi pasar, teknologi, permodalan dan sumber daya lainnya.
Kelompok tani di Pematang Bandar memiliki komoditi unggulan yaitu padi sawah dan perkebunan, peternakan, perikanan.
maka dari itu penelitian ini dilakukan untuk mengelompokkan kelompok tani sesuai komoditi unggulan .
Dan perlu juga dikelompokkan penyuluh sesuai komoditi unggulan, dengan mengelompokkan terlebih dahulu kelompok tani yang memiliki komoditi unggulan yang sama diberbagai desa agar mempermudah penyuluh dalam membina kelompok tani sesuai komoditi unggulan sehingga datanya jelas penyuluh dengan komoditi unggulannya.
Metode yang digunakan dalam penelitian ini adalah Metode KMedoids dan data diambil di kantor BPP (Balai Penyuluhan Pertania.
di Pematang Bandar Simalungun .
Beberapa penelitian pernah membahas masalah pengelompokan dan metode yang digunakan adalah algoritma K-Medoids Clustering.
Seperti pada Penelitian yang dilakukan oleh (Pramesti et al.
, 2.
bahwa hasil pengelompokan FATIMAH: Penerapan Teknologi dan Sistem Komputer Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 1-10 https://ejurnal.
id/index.
php/fatimah/index Potensi Kebakaran Hutan/ Lahan Berdasarkan Persebaran Titik Panas menggunakan algoritma K-Medoids terbentuk 2 cluster, cluster tinggi dengan hasil rata-rata brightness sebesar 344.
47 0K dengan rata-rata confidence 87.
08% dan cluster 2 masuk dalam potensi sedang dengan hasil rata-rata brightness sebesar 318.
80 0K dengan rata-rata confidence sebesar 58,73%.
Pada Penelitian yang dilakukan oleh .
bahwa hasil pengelompokan Produktivitas Padi Menurut Provinsi menggunakan algoritma K-Medoids terbentuk cluster 1 sebanyak 17 Provinsi, cluster 2 sebanyak 7 Provinsi dan cluster 3 sebanyak 10 Provinsi.
Berdasarkan permasalahan yang telah diuraikan di atas, perlu dilakukan pengelompokkan untuk menentukan keragaman kelompok tani dengan menggunakan teknik data mining dengan metode K-Medoids.
Berdasarkan penelitian sebelumnya Algoritma K-Medoids dinilai sangat cocok digunakan untuk menyelesaikan masalah pengelompokan oleh sebab itu penulis mengangkat penelitian yang berjudul AuImplementasi Algoritma K-Medoids Untuk Pengelompokkan Keragaman Kelompok Tani Ay.
METODOLOGI PENELITIAN
Metode Penelitian Langkah yang dilakukan peneliti adalah Metodologi penelitian untuk mengumpulkan data serta melakukan investigasi pada data yang didapatkan.
Beberapa Gambaran rancangan metodologi penelitian antara lain adalah prosedur pengumpulan data, analisa data, lokasi dan waktu peneliti,rancangan penelitian .
Rancangan Penelitian Berikut ini rancangan penelitian yang berisi diagram blok yang menjelaskan alur kerja penelitian sebagai berikut .
Mulai Identifikasi Masalah Teknik Pengumpulan Data Pengolahan data Transformasi dengan Metode K-Medoids Olah Data di Rapid Miner Selesai Gambar 1.
Rancangan Penelitian Berikut penjelasan dari alur rancangan penelitian pada Gambar 1 .
Identifikasi Masalah Merupakan proses awal dari pengenalan suatu masalah yang terjadi dimana suatu objek tertentu dalam situasi yang terpilih dapat dikenali sebagai suatu masalah.
Permasalahan yang ada dalam penelitian adalah Kelompok Tani .
Teknik Pengumpulan Data Pengumpulan data penelitian ini diperoleh dari langsung dari Kantor BPP (Balai Penyuluhan Pertania.
Pengolahan Data Pada tahap pengolahan data, data diolah untuk mendapatkan hasil yang kemudian dapat berguna dalam pengambilan keputusan.
Data diolah sehingga menjadi informasi.
Transformasi dengan Metode K-Medoids Transformasi data pada data yang berjenis alfabet seperti nama Kelompok Tani berdasarkan Komoditi Unggulan, harus dilakukan proses inisialisasi data terlebih dahulu ke dalam bentuk angka/numerikal.
Kemudian mengelompokkan data yang sudah ada dengan metode K-Medoids.
Olah Data di RapidMiner.
RapidMiner merupakan suatu aplikasi pilihan yang tujuannya untuk mengekstrak data dengan metode yang ada di dalam data mining.
Pengujian disini kita menggunakan sebuah software RapidMiner, dengan pengujian data menggunakan software kita akan membandingkan bagaimana hasil pengolahan data secara manual dengan hasil pengolahan data menggunakan sebuah software.
Prosedur Pengumpulan Data Dalam melakukan penelitian ada beberapa prosedur dalam penumpulan data yaitu:
Sumber data penelitian didapat dari Kantor BPP (Balai Penyuluhan Pertania.
yang digunakan dalam penelitian ini adalah data Kelompok Tani yang terdapat pada Desa Pardomuan Nauli Pematang Bandar.
Kepustakaan dengan memanfaatkan buku, prosiding atau jurnal sebagai media untuk bahan referensi dalam menentukan parameter yang digunakan dalam penelitian.
Dina Andriana | Page 2 FATIMAH: Penerapan Teknologi dan Sistem Komputer Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 1-10 https://ejurnal.
id/index.
php/fatimah/index Analisis Data Proses analisis data bisa dilakukan setelah adanya pengumpulan data.
Pengumpulan data yang digunakan penulis untuk mendukung terlaksananya penelitian ini adalah dengan menggunkan Data Skunder.
Data Skunder adalah sunber data penelitian yang dihasilkan melalui media perantara seperti buku, bukti yang telah ada, catatan, atau arsip baik yang tidak dipublikasikan maupun yang dipublikasikan secara umum.
Data yang diperoleh dari Kantor BPP (Balai Penyuluhan Pertania.
Alat Analisis Data Dalam penelitian ini peneliti menggunakan Microsoft Excel dan RapidMiner.
Microsoft Excel digunakan untuk memudahkan dalam proses perhitungan yang akan dilakukan.
Selanjutnya diaplikasikan ke RapidMiner untuk melihat keakuratan hasil yang didapat dari perhitungan di Excel dan akan dicocokan dengan hasil yang sudah diaplikasikan ke RapidMiner .
Instrumen Penelitian Dalam penelitian ini, penulis melakukan beberapa proses pengumpulan data dan pengolahan data yaitu dengan cara memasukkan data diolah, kemudian diproses dengan menggunakan metode K-Medoids sehingga ditemukan Jumlah cluster.
Sebelum diproses data terlebih dahulu diseleksi menggunakan Software RapidMiner kemudian disimpan hasil cluster yang telah didapat .
Seleksi atribut Input berkas <<include>> Proses clustering dengan <<include>> Metode K- Medoidst User <<include>> Simpan hasil clustering Gambar 2.
Instrumen Penelitian Penyelesaian Metode Kmedoids Proses pengklasteran akan dilakukan dengan menggunakan algoritma K-Medoids.
Dimulai dari memasukkan jumlah data yang akan dibutuhkan dan jumlah cluster yang ditentukan.
Selanjutnya dilakukan proses dari seluruh perhitungan K-Medoids.
Hasil cluster akan ditampilkan pada akhir proses ketika proses perhitungan telah selesai.
Diagram alir algoritma K-Medoids dapat dilihat pada Gambar.
Start Algoritma N, k K-Medoids Inisialisasi pusat cluster .
Hitung Jarak Euclidian Hitung Total Distance If total distance Ae total distance lama < 0 Tidak Update Inisial Hasil Clustering Selesai Gambar 3.
Flowchart Metode K-Medoids Dina Andriana | Page 3 FATIMAH: Penerapan Teknologi dan Sistem Komputer Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 1-10 https://ejurnal.
id/index.
php/fatimah/index HASIL DAN PEMBAHASAN Hasil Pada bagian ini akan menguraikan bagaimana proses perhitungan data secara manual dan uji data secara Untuk mengetahui adanya proses analisa data, terlebih dahulu data yang digunakan harus bersifat valid.
Data yang digunakan dalam penelitian ini sudah bersifat valid karena didapatkan dari BPP (Balai Penyuluhan Pertania.
, sehingga data dapat langsung diproses dan diuji kevalidannya untuk sebuah penelitian.
Dalam melakukan penelitian ini penulis melakukan sebuah analisa data statistik yang bersifat sekunder dimana data berkaitan dengan sebuah permasalahan yang diteliti.
Pengelolahan Data Untuk mendapatkan hasil dari penelitian yang dilakukan, berikut uraian perhitungan manual proses clustering Pengelompokkan Keragaman Kelompok Tani sesuai Komoditi Unggulan dengan menggunakan sebuah algoritma KMedoids.
Proses clustering dimulai dengan menentukan sebuah data yang akan dicluster.
Dalam hal ini variable data yang akan digunakan adalah data Kelompok Tani Pematang Bandar, dan dari penelitian ini penulis mengambil nilai rata-rata dari data setiap desa sebagai data yang akan ditentukan cluster nya.
Berikut adalah langkah-langkah penyelesaian yang dilakukan penulis dalam mengelompokkan keragaman kelompok tani dengan menggunakan algoritma K-Medoids.
Tahapan Knowledge Discovery in Database (KKD).
Seleksi Data Tahap data selection merupakan pemilihan .
data yang akan digunakan nantinya pada tahapan data Tahapan ini perlu dilakukan dalam penggalian informasi pada KKD.
Seleksi yang dilakukan adalah dengan menghapus data yang tidak diperlukan dalam proses data mining.
Pada penelitian ini data yang digunakan adalah data kelompok tani masing-masing desa.
Sedangkan data kelompok tani dari keseluruhan masing-masing desa tidak digunakan dalam proses data mining.
Berikut data hasil selection pada penelitian ini dapat dilihat pada Tabel dibawah Tabel 1.
Data Selection yang Digunakan A.
Nama Kelompok Tani Indah Bersih Suka Cita Suka Dame Swasembada Swakarya Tani Mulyo Tani Maju Melati Mawar A.
Subur Karya Maju Karya Hidup Karya Harapan karya Serasi Saroha Maju Bersama Sumber Makmur Penyuluh A.
Komoditi Unggulan A.
Luas Darat Ha A.
7,75
Luas sawah Ha 9,97 7,76 10,61 10,83 8,78 18,93 12,73 11,57 11,99 11,47 Data Preprocessing Tahapan ini biasa dikenal sebagai tahapan data cleaning sesuai dengan artinya yaitu melakukan pembersihan Data dibersihkan dari missing values dan data duplikasi.
Solusi yang digunakan pada penelitian ini untuk masalah duplikasi data dengan menghapusnya dan missing values.
Karena data yang diambil sudah tidak memiliki missing.
Maka data tidak perlu diberlakukan perubahan.
Transformasi Data Pada tahap ini akan dilakukan transformasi data berdasarkan data pada Tabel 4.
1 yaitu dengan mengubah bentuk data awal menjadi bentuk yang baru agar bisa diproses sesuai dengan algoritma yang digunakan yaitu KMedoids.
Atribut merupakan bagian data yang mewakili karakteristik atau feature dari objek data.
Metode yang digunakan pada tahap transformasi ini ialah melakukan normalisasi data, dengan perhitungan Min-Max.
Normalization pada rumus :
vA = .
Dimana:
ycA : Hasil normalisasi.
: Nilai data yang akan di normalisasi.
Dina Andriana | Page 4 FATIMAH: Penerapan Teknologi dan Sistem Komputer Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 1-10 https://ejurnal.
id/index.
php/fatimah/index : Nilai maksimum pada kolom data.
: Nilai minimum pada kolom data.
Dari data yang ada diperoleh diketahui terdapat 4 kolom.
Serta diperoleh nilai max a dan min a sebagai berikut:
Tabel 2.
Data Min dan Max
Kolom
Kolom ke 1
Kolom ke 2
Kolom ke 3
Kolom ke 4
MIN
MAX
Sehingga diperoleh perhitungan normalisasi sebagai berikut:
= 0,000
Tabel 3.
Data Min a dan Max a Masing-Masing Kolom A.
Penyuluh 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,000
0,000
0,000
0,000
0,500
Komoditi Unggulan 0,000 0,000 0,250 0,000 0,250 0,500 0,250 0,000 0,000 0,000 0,500 0,000 0,000 0,500 0,500 0,250 0,250 0,000 0,250 0,250 0,500 0,000 0,000 0,250 0,500 0,750 0,750 0,750 0,750 0,750
0,750
0,750
0,750
0,750
0,750
Luas Darat Ha 0,015 0,015 0,000 0,015 0,000 0,000 0,000 0,015 0,015 0,015 0,000 0,015 0,030 0,000 0,000 0,000 0,000 0,060 0,000 0,000 0,000 0,030 0,030 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,000
0,000
0,000
0,000
0,000
Luas Sawah Ha 0,178 0,139 0,189 0,193 0,157 0,338 0,227 0,207 0,214 0,205 0,198 0,128 0,088 0,095 0,261 0,121 0,149 0,133 0,162 0,247 0,393 0,192 0,336 0,158 0,253 0,000 0,000 0,000 0,000 0,000
0,000
0,000
0,000
0,000
0,000
Proses Perhitungan Algoritma Kmedoids Teknik partisi klasik Clustering yang mengelompokkan data set dari ni objek ke dalam kelompok k yang dikenal Dibandingkan dengan K-Mens.
K-Medoid lebih kuat untuk mengatasi kebisingan .
dan pencilan .
karena meminimalkan sejumlah dissimilarities berpasangan, bukan jumlah kuadrat jarak Euclidean.
Sebuah medoid dapat didefinisikan sebagai objek cluster yang rata-rata perbedaan untuk semua objek dalam cluster minimal yaitu titik paling berlokasi di cluster.
Langkah-langkah algoritma K-Medoid:
Inisialisasi pusat cluster sebanyak 3 cluster dari data sampel.
Untuk pemilihan setiap medoid dipilih secara acak .
di asumsikan Indah.
Mulia tani dan Nauli godang sebagai medoid awal.
Berikut merupakan Tabel medoid awal.
Dina Andriana | Page 5 FATIMAH: Penerapan Teknologi dan Sistem Komputer Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 1-10 https://ejurnal.
id/index.
php/fatimah/index Tabel 4.
Medoids Awal Nama Kelompok Tani Indah Mulia tani Nauli godang Penyuluh Komoditi Unggulan Luas Darat Ha Luas sawah Ha 9,97 .
Menghitung nilai jarak terdekat .
dengan persamaan Euclidian Distance.
Untuk menghitung jarak antara titik centroid dengan titik tiap objek menggunakan Euclidian Distance.
Rumus untuk menghitung jarak menggunakan persamaan diatas.
Maka perhitungan untuk menghitung jarak setiap objek dengan medoid awal pada Cost 1 adalah sebagai berikut :
Indah (C.
= Oo Bersih (C.
= Oo
= 0,039464286
Suka Cita (C.
= Oo
= 0,250713827
Seterusnya hingga data ke 103 (Sumber makmu.
Sedangkan perhitungan untuk menghitung jarak setiap objek dengan medoid awal pada Cost 2 adalah sebagai Indah (C.
= Oo
= 0,505871041
Bersih (C.
= Oo
= 0,51323559
Suka Cita (C.
= Oo
= 0,258044303
Seterusnya hingga data ke 103 (Sumber makmu.
Sedangkan perhitungan untuk menghitung jarak setiap objek dengan medoid awal pada Cost 3 adalah sebagai Indah (C.
= Oo
= 0,918925202
Bersih (C.
= Oo
= 0,139387416
Suka Cita (C.
= Oo
= 0,313682508
Seterusnya hingga data ke 103 (Sumber makmu.
Hasil dari keseluruhan dapat diihat pada Tabel 5 sebagai berikut :
Tabel 5.
Nilai Jarak Terdekat (Cos.
Pada Iterasi Pertama A Cost 1
0,039464286
0,250713827
0,015357143
0,251353085
0,525192166
0,255256523
0,028571429
0,036071429
0,026785714
1,046329862
1,03187592
1,056818872
1,031031931
1,034792105
Cost 2
0,505871041
0,51323559
0,258044303
0,503812277
0,268016679
0,084642857
0,251355763
0,502409906
0,501767056
0,502579342
1,035984586
1,031218089
1,042712823
1,034934451
1,030877886
Cost 3
0,918925202
0,139387416
0,313682508
0,922023648
0,724280167
0,653274938
0,337897961
0,20715531
0,214636156
0,205374362
1,090894596
1,054668013
1,109588313
1,043230119
1,065010539
Kedekatan 0,039464286 0,250713827 0,015357143 0,251353085 0,084642857 0,251355763 0,028571429 0,036071429 0,026785714 A 1,035984586 1,031218089 1,042712823 1,031031931 1,030877886 Cluster Dina Andriana | Page 6 FATIMAH: Penerapan Teknologi dan Sistem Komputer Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 1-10 https://ejurnal.
id/index.
php/fatimah/index 1,035605317 1,44200683 1,034792105 1,031041816 1,067291119 1,169914206 1,433349681 1,030877886 1,065010539 Total Kedekatan 1,031041816 1,169914206 1,030877886 63,94580235 Setelah didapatkan hasil jarak dari setiap objek .
pada iterasi ke-1 maka lanjut ke iterasi ke-2.
Inisialisasi kandidat medoid baru .
on-medoi.
pada iterasi ke-2 dapat dilihat pada Tabel berikut:
Tabel 6.
Medoids Awal Nama Kelompok Tani Suka Dame Sumber Makmur Karya Indah Penyuluh Komoditi Unggulan Luas Darat Ha Luas sawah Ha 10,83 5,34 Maka perhitungan untuk menghitung jarak setiap objek dengan medoid awal Indah (C.
= Oo
= 0,015357143
Bersih (C.
= Oo
= 0,054821429
Suka Cita (C.
= Oo
= 0,250484021
Seterusnya hingga data ke 103 (Sumber Makmu.
Sedangkan perhitungan untuk menghitung jarak setiap objek dengan medoid awal pada Cost 2 adalah sebagai Indah (C.
= Oo
= 0,50701337
Bersih (C.
= Oo
= 0,052089918
Suka Cita (C.
= Oo
= 0,267125728
Seterusnya hingga data ke 103 (Sumber Makmu.
Sedangkan perhitungan untuk menghitung jarak setiap objek dengan medoid awal pada Cost 3 adalah sebagai Indah (C.
= Oo
= 1,262704845
Bersih (C.
= Oo
= 1,257747531
Suka Cita (C.
= Oo
= 1,13397386
Seterusnya hingga data ke 103 (Sumber makmu.
Hasil dari keseluruhan dapat diihat pada Tabel 6 sebagai berikut :
Tabel 6.
Nilai Jarak Terdekat (Cos.
Pada Iterasi Kedua Cost 1
0,015357143
0,054821429
0,250484021
0,253114389
0,520719086
0,252740893
0,013214286
0,020714286
Cost 2
0,50701337
0,502089918
0,267125728
0,509742888
0,25743634
0,242678571
0,282691657
0,51244841
0,514128752
Cost 3
1,262704845
1,257747531
1,13397386
1,264961505
1,128973764
1,084789447
1,140909739
1,267049061
1,268293609
Kedekatan 0,50701337 0,502089918 1,026712573 1,509742888 1,25743638 0,242678571 1,282691657 1,51244841 1,514128752 Cluster Dina Andriana | Page 7 FATIMAH: Penerapan Teknologi dan Sistem Komputer Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 1-10 https://ejurnal.
id/index.
php/fatimah/index Cost 1
0,011428571
1,043810746
1,031317666
1,053544216
1,031404237
1,03357232
0,19397837
1,034253924
1,034253924
Cost 2
Cost 3
0,512063708 1,266759104
1,06349977
0,614451805
1,038675815 0,547562432
1,077937905 0,647059676
1,032846337 0,525194327
1,04511064
0,567227863
1,046621386 0,571498322
1,14611705
0,342039923
1,14611705
0,342039923
Total Kedekatan Kedekatan 1,512063708 A.
1,043810746
1,031317666
1,053544216
1,031404237
1,03357232
0,19397837
0,342039923
0,342039923
Cluster A.
Hitung Total Simpangan (S).
Setelah didapatkan nilai jarak antara iterasi ke-1 dan iterasi ke-2, hitung total simpangan (S) dengan mencari selisih dari nilai total cost baru- nilai total cost lama.
Dengan ketentuan jika S<0, maka tukar nilai objek dengan menentukan medoid baru.
S = Total cost baru - Total cost lama = 63,94580235- 1075516140 = 1075516076 Karena nilai S > 0 maka iterasi dihentikan.
Proses Pengujian dengan RapidMiner Pada tahap akhir penerapan algoritma K-Medoids dilakukan penyesuian hasil perhitungan manual melalui pengujian menggunakan software RapidMiner 8.
Pengujian terhadap hasil perhitungan manual menggunakan Software RapidMiner.
Pada bagian ini akan menjelaskan tahapan-tahapan dalam k-Medoids pada data yang telah di import dalam rapidminer.
Tahapan pertama pilih pada pojok atas bagian kiri tab operators lalu pilih Auk-MedoidsAy dan ketika muncul hubungkan AuRead excel dan k-MedoidsAy dan ubah nilai K sebanyak 2 cluster.
Kemudian akan muncul tampilan seperti Gambar dibawah ini :
Gambar 4.
Pemrosesan Data Pembahasan Setelah melakukan pemrosesan data selanjutnya untuk mendapatkan sebuah hasil pengelompokkan maka pada tahap selanjutnya yaitu meng-klik tanda play panah biru pada bagian toolbar atas untuk menjalankan pemrosesan data sehingga mendapatkan hasil akhir dalam sebuah keluaran sistem.
Berikut tampilan hasil akhir dari pemrosesan data Gambar 5.
Tampilan Cluster Model Keterangan :
Jumlah Cluster 0 berjumlah 34 items Jumlah Cluster 1 berjumlah 53 items Jumlah Cluster 2 berjumlah 16 items Jumlah keseluruhan items adalah 103 Sehingga dapat diketahui hasil pengelompokkan dari Rapidminer 8.
1 dapat dilihat dari Gambar dibawah ini :
Gambar 6.
Grafik Hasil Akhir Pengelompokan Rapidminer Dina Andriana | Page 8 FATIMAH: Penerapan Teknologi dan Sistem Komputer Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 1-10 https://ejurnal.
id/index.
php/fatimah/index Gambar 6.
Hasil Akhir Pengelompokkan RapidMiner Pembahasan posisi cluster menggunakan software rapidminer dapat di nilai bahwa hasil akurasi nilai yang terdapat di perhitungan manual excel dan aplikasi software rapidminer dihasilkan dengan tingkat kesamaannya adalah 100% selain itu nilai tersebut tetap sama pada proses perhitungan manual maupun aplikasi.
KESIMPULAN
Hasil akhir dari penelitian yang menggunakan data sebanyak 103 data kelompok tani ini, dapat disimpulkan bahwa telah didapatkan masing-masing nilai cluster yakni Cluster tertinggi (C.
dengan jumlah sebanyak 34 Kelompok Tani, dengan rata-rata penyuluh Sahnun,SP, rata-rata komoditi unggulan padi sawah, serta rata-rata luas lahan darat perkebunan 0 Ha, dan rata-rata luas sawah 22,76 Ha.
Cluster menengah (C.
dengan jumlah sebanyak 53 Kelompok Tani, dengan rata-rata penyuluh Agus Edi Santoso.
SP, rata-rata komoditi unggulan padi sawah, serta rata-rata luas lahan darat perkebunan 0,1603 Ha, dan rata-rata luas sawah 8,47 Ha.
Cluster Rendah (C.
dengan jumlah sebanyak 16 Kelompok Tani, dengan rata-rata penyuluh Mesdi.
SP, rata-rata komoditi unggulan peternakan, serta rata-rata luas lahan darat perkebunan 3,52Ha, dan rata-rata luas sawah 4,09 Ha.
Proses pemberentihan iterasi pada pengujian yang dilakukan pada penelitian ini yaitu terjadi pada iterasi ke 3.
Nilai hasil akurasi yang dilakukan dengan perhitungan manual dan dengan aplikasi rapidminer bernilai sama.
REFERENCES