SISTEM INFORMASI GEOGRAFIS BERBASIS WEB UNTUK PRODUKSI KEDELAI DI INDONESIA MENGGUNAKAN K-MEANS CLUSTERING
SISTEM
INFORMASI
GEOGRAFIS
BERBASIS
WEB
UNTUK
PRODUKSI
KEDELAIzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
DI INDONESIA MENGGUNAKAN
K-MEANSzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQP
C L U S T E R IN G
WEB-BASED GEOGRAPHIC INFORMATION SYSTEM FOR SOYBEAN
PRODUCTION IN INDONESIA USING K-MEANS CLUSTERING
Resti HidayahzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
1*, Imas Sukaesih SitanggangzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPO
2
,.
Program Studi S1 llmu Komputer, Departemen llmu Komputer, FMIPA, Institut Pertanian Bogor,
Bogor
restihidayah5@gmail.com
Kampus IPB Dramaga, JI. Meranti Wing 20 Level V, Bogor, lndonesia 16680
Departemen llmu Komputer, FMIPA, Institut Pertanian Bogor, Bogor 2
ABSTRACT
lndonesia has large and potential area for soybean cultivation. Information concerning
areas th at are potential for soybean production is not provided in an interactive
information system that can be easily accessed by public. Nowadays, information about
soybean production in all districts in lndonesia is displayed in the tabular form in the
website of Ministry of Agriculture. For that, in this study, a web-based geographic
information system (GIS) was developed to manage and visualize soybean production in
all districts in lndonesia. K-means clustering was performed to group data on production,
productivity and harvested areas of soybean. The best clustering has the number of
cluster 4 and results sum square error (SSE) 2.07, 1.53, and 0.0037 for data on
production, productivity, and harvested areas of soybean, respectively. The GIS was
developed using OpenGeo Suite 3.0 as the geospatial tool for managing and providing
information about soybean production in lndonesia in forms of maps, tables, and graphs
based on the results of k-means clustering.
Keywords:
geographic
information
system, clusten"ng, k-means,
soybean production
ABSTRAKzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFED
lndonesia memiliki lahan dengan potensi tinggi dan cukup luas untuk ditanami kacang
kedelai. Namun informasi mengenai wilayah-wilayah
yang berpotensi untuk produksi
kedelai belum disajikan dalam sistem informasi yang interaktif dan mudah diakses
dengan mudah oleh masyarakat. Saat ini informasi produksi kedelai di setiap kabupaten
di lndonesia disajkan dalam bentuk tabel pada situs Departemen Pertanian.
Oleh
karena itu, dalam penelitian ini sistem informasi geografis (SIG) berbasis web dibangun
untuk memudahkan
pengguna
memperoleh
informasi produksi kedelai di seluruh
kabupaten di lndonesia. Teknik clusten"ng k-means diterapkan untuk mengelompokan
data produksi, produktivitas, dan luas panen kedelai untuk selanjutnya disajikan dalam
SIG. Clusten"ng terbaik dengan jumlah cluster 4 menghasilkan sum square error (SSE)
sebesar 2.07, 1.53, dan 0.0037 berturut-turut untuk data luas panen, produksi, dan
produktivitas.
SIG dibangun
dengan menggunakan
OpenGeo
Suite 3.0 sebagai
perangkat lunak geospasial untuk mengelola dan menyediakan informasi mengenai
produksi kedelai di lndonesia dalam bentuk peta, tabel, dan grafik berdasarkan hasil kclustetinq.
meanszyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
Katakunci:
sistem informasi
geografis,
clustetinq, k-means, produksi kedelai
Seminar
Nasional dan Rapat Tahunan
Bidang MIPA 2014
IzyxwvutsrqponmlkjihgfedcbaZYXWVU
SEMIRATA
PENDAHULUAN
Kacang
- kacangan
banyak
dibutuhkan
sebagai
bahan
baku industri
salah satunya yaitu kacang kedelai. Kacang kedelai bisa digunakan
pembuatan
memiliki
kecap,
susu
nilai gizi yang
kedelai,
cukup
tahu,
tinggi
dan tempe.
yang
Selain
mengandung
itu kacang
protein,
pangan,
sebagai bahan baku
kedelai
karbohidrat,
juga
lemak,
kalsium, dan vitamin B kompleks.
Jumlah produksi kacang kedelai di lndonesia dapat dikatakan belum mampu
memenuhi
kebutuhan
kedelai dalam negeri. Berdasarkan
data dari Departemen
Pertanian lndonesia pada tahun 2012, lndonesia hanya melakukan ekspor kacang
kedelai
sebesar
67,899,346
kg, sedangkan
impor
kacang
kedelai
mencapai
4,257,526,480
kg. Hal ini terjadi
karena tingginya
kebutuhan
akan kacang
kedelai
di
dalam negeri setiap tahunnya. Untuk tempe dan tahu saja, kebutuhan kedelai sangat
tinggi, ditambah lagi kebutuhan kedelai untuk bahan baku makanan ternak. Karena
tingginya
tingkat
kebutuhan
akan impor kedelai.
akan kacang kedelai maka negara kita masih tergantung
Bahkan karena kebutuhan
yang terus meningkat
maka nilai impor
kacang kedelai setiap tahunnya juga terus meningkat [1).
Bila melihat potensi wilayah serta lahan yang dimiliki lndonesia maka tidak
seharusnya lndonesia selalu mengimpor kedelai untuk memenuhi kebutuhan pangan
dalam negeri. Begitu banyak provinsi di lndonesia
yang memiliki lahan berpotensi
tinggi
dan cukup luas untuk ditanami
diantaranya
Jawa
Tengah,
Sumatera
lahan berpotensi
Tenggara
kacang
yaitu Jawa Timur,
Barat, Papua Barat, Jawa Barat, dan Sulawesi
sedang
untuk ditanami
Barat, dan Sulawesi Tenggara
berpotensi
kedelai,
ini tidak didukung
kedelai ada di Lampung,
[2). Namun banyaknya
oleh adanya informasi
Selatan,
sedangkan
NAD, Banten, Nusa
wilayah lndonesia
yang
yang dapat dilihat oleh masyarakat
lndonesia. Oleh karena itu diperlukan adanya suatu sistem informasi geografis (SIG)
untuk menampilkan informasi mengenai produksi kedelai wilayah - wilayah di lndonesia.
SIG merupakan
salah
satu sistem
yang
memungkinkan
kita untuk
spasial menjadi sebuah informasi yang eksplisit, dan digunakan
mengelola
untuk membuat
data
sebuah
[3).
keputusan
Pada penelitian ini, teknikzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
clustering k-means diterapkan untuk mengelompokkan
data produksi,
produktivitas,
SIG. K-means
merupakan
data berdasarkan
dan luas panen kedelai untuk selanjutnya
metode
nilai pusat
pengelompokkan
dari cluster.
Metode
data nonhierarki
ini mempartisi
disajikan
dalam
yang mempartisi
data
kedalam
dua
kelompok atau lebih, sehingga data yang berkarakteristik
sama dimasukkan kedalam
satu kelompok yang sama dan data yang berkarakteristik
berbeda dikelompokkan
kedalam
kelompok
yang lain [4). SIG berbasis
web untuk produksi
kedelai
dibangun
menggunakan Open Geo Suite 3.0 sebagai salah satu perangkat lunak geospasial untuk
mengelola dan menyediakan informasi mengenai produksi kedelai di lndonesia dalam
bentuk peta, tabel, dan grafik.
METODE PENELITIANzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
Data, Alat, dan Area Studi
Pada penelitian
administrasi
kabupaten
kabupaten,
luas
panen,
ini, data spasial yang digunakan
dari 33 provinsi di lndonesia
jumlah
produksi,
adalah data vektor untuk peta
dan data atributnya
produktivitas,
dan tahun
adalah nama
produksi
kacang
kedelai di 33 provinsi di lndonesia dari tahun 2000-2011 yang diperoleh dari Departemen
384
Pertanian
Republik
lndonesia
(http://aplikasi.deptan.go.id).
Data awal yang
masih berupa file dengan format .xls sehingga harus dilakukan
dahulu sebelum
dikelompokkan
menggunakan
mengelola
data diolah untuk membangun
diperoleh
pra proses data terlebih
SIG. Data yang telah dipraproses
akan
menggunakan
perangkat lunak Weka 3.6.9 dan selanjutnya
diolah
Open Geo Suite 3.0 sebagai salah satu perangkat lunak geospasial untuk
dan menyediakan
informasi
mengenai
produksi
kedelai di lndonesia
dalam
bentuk peta, tabel, dan grafik.zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
Tahapan Penelitian
Praproses
Pada penelitian
dan pemilihan
data.
ini dilakukan 2 tahapan praproses data, yaitu: pembersihan
Pembersihan
data dilakukan
untuk menghapus
data
data yang tidak
konsisten danzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
outlier yang akan mengganggu pada tahap data mining atau mengisi nilai
missing
value. Pemilihan
digunakan
data dilakukan
untuk memilih variabel - variabel
yang akan
dalam tahap clustering.
Clustering
Clustering adalah proses mengelompokkan
data (objek) yang didasarkan hanya
pada informasi yang ditemukan dalam data yang menggambarkan
objek tersebut dan
hubungan
di antaranya,
satu kelompok
dalam kelompok
mengelompokkan
produktivitas.
sehingga data yang berkarakteristik
yang sama dan data yang berkarakteristik
sama dimasukkan
berbeda
ke dalam
dikelompokkan
ke
yang lain. Pada penelitian ini, teknik clustering dilakukan untuk
data produksi kedelai berdasarkan nilai luas panen, produksi, dan
Teknik
yang
clustering
diterapkan
adalah
algoritme
k-means.
Berikut
adalah algoritme dari k-means [4]:
Input:
k: jumlah cluster
D: Dataset yang berisi n objek
Output:
Himpunan yang terdiri dari k cluster
Method:
(1) pilih k objek secara acak dari D sebagai pusat cluster awal
(2) ulangi
(3)
tempatkan setiap objek ke cluster yang paling dekat berdasarkan nilai ratarata dari objek dalam cluster
perbaharui nilai rata - rata cluster dengan menghitung nilai rata-rata dari
(4)
objek untuk setiap duster
(5) hingga tidak terjadi perubahan pada cluster
Pembuatan
Sistem Informasi Geografis
Pembuatan
tahapan
dalam
pada Gambar
Sistem
metode
Informasi
Web-based
Geografis
dalam
Development
1. Metode ini terdiri dari 5 tahapan,
sistem berbasis
dan penggunaan
web, rekayasa
sistem [5]
kebutuhan
penelitian
Life Cycle
ini dilakukan
(WDLC)
yaitu: perencanaan
sistem, perancangan
yang
melalui
disajikan
pengembangan
aplikasi, implementasi,
Seminar Nasional dan Rapat Tahunan Bidang MIPAzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPON
2014 IzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQP
SEM IRATA zyxwvutsrqponmlkjihgfedcbaZYX
Gambar 14 Tahapan penelitian [5]zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONM
HASIL DAN PEMBAHASAN
Praproses
Data awal yang diperoleh
adalah file dengan format .xls yang berisi nilai jumlah
produksi, luas panen, dan produktivitas
kedelai pada setiap kabupaten
di lndonesia
dari
tahun 2000 - 2011. Pada file tersebut masih terdapat beberapa missing value pada nilai
produktivitas
dan terdapat beberapa kesalahan perhitungan
Oleh karena
itu diperlukan
tahapan
pembersihan
nillai produktivitas
data untuk mengatasi
pada data.
hal tersebut.
Untuk memperbaiki dan mengisi nilai produktivitas yang kosong, dilakukan
berdasarkan jumlah produksi dan luas panen sesuai persamaan (1) berikut.
perhitungan
= zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
Jumlah Produksi (Kuintal)
(1 )
Produktivitas
Luas Panen (Ha)
Selanjutnya,
yang diperlukan.
dilakukan
tahapan pemilihan data untuk memilih variabel - variabel
Pada tahapan
ini, variabel - variabel yang dipilih yaitu variabel tahun,
nama kabupaten, jumlah produksi, luas panen, dan produktivitas.zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPON
C lu sterin g
Clustering
dilakukan
produktivitas
pada
setiap
menggunakan
perangkat
untuk mengelompokkan
kabupaten.
data nilai produksi, luas panen, dan
Clustering
k-means
lunak Weka 3.6.9 untuk beberapa
Hasil clustering pada data luas panen,
dilihat pada Tabel 1,2, dan 3.
produksi
Tabel I Hasil clustering
dan produktivitas
(Sum
K
Square
2
6.407
berturut-turut
luas panen
SSE
Jumlah
dilakukan
Luas Panen
Jumlah
Cluster
Anggota
Maks
Min
Rata Rata
Error)
C1
2,909
11,158
C2
138
49,056
--386
dengan
nilai k, yaitu 2, 3, 4, dan 5.
865
11,432
21,667
dapat
3
3.66
266
C1
116
C2
14,479
49,056
3,263
6,076.95
14,912
23,347.94
443.24
2,665
3,233
1
C3 zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
4
2.07
291
C1
C2
5
1.29
11,783
2,853
9824,53911,994
5,222.70
18,615.69
C3
2,623
-2,804
1
401.86
C4
35
49,056
25,165
31,652.97
63
15,233
7,518
10,887.49
C1
-91 zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
i6,939 15,87f-20,790:26
C2
C3
331
7,307
2,142
3,943.55
C4
22
49,056
28,068
35,052.27
C5
2,540
2,132
1
335.34
Tabel 2 Hasil clustering
produksi
Produksi
SSE(Sum zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
Jumlah
Jumlah
Cluster
Square
K
Anggota
Maks
Error)
Min
Rata - Rata
2zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
5.57
C1
130
2,983
858.85
3
4
3.37
1.53
C2
2,921
14,588
C1
95
76,434
21,182 -
c2
226
20,916
5,285-
C3
2,730
18-
76,434
C2
274
16,113
2,652
3,957
5
10738,514
C3
53,005.38
3,988-7,416.21
553.25
25,043.31
40,985
53,005.38
350
9,571
2,714
--2-=,5:-:C 17 - 2 ,-69-9- --,--
5,004.78
407.42
18
C2
40,985
16,451
C1
1.02
9,898.42
667.49
5,251
C1
C3
C4'--
1,171.33
-32~54.85
76,434
C4
88
20,655
C5
78
38,514
9,793
20,916 -
14,332.06
27,442.69
Tabel 3 Hasil clustering produktivitas
SSE(Sum
Produktivitas
Jumlah
Jumlah
Square
Cluster
K
Anggota
Maks
Error)
2
O.078--IT
-
-3--0.015
0.0037
11,170
C1
C2
6
C3
4
-1
2,983
--1
C2
C1
2)77
1,43~
---n ,f7"o
1,434.9
Min
11,170
Rata Rata
11,170
-0.69
17.91
--'-1~1
, "'"17=0:---'7 1,""17=0:::-:- 1
970.83
1,163.02
471.65
0.09
15.60
11,170
11,170
11,170
Seminar Nasional dan RapatTahunan Bidang MIPA 20141zyxwvutsrqponmlkjihgfedcbaZYXWVUTS
SEM IR A TA
C2
6
1,434.9
970.83
C3
77
471.65
-79.02
80.93
11,170
11,170
11,170
C4
5
---
---
2,900
C1
0.0036
1,163.02
147.94zyxwvutsrqponmlkji
12.69
0.09
C2
77
471.65
80.93
147.94
C3
2,797
79.02
7.78
12.42
C4
103
7.69
0.09
3.07
C5
6
1,434.9
970.83
1,163.02
- -Pada Tabel 1, 2, dan 3 bisa dilihat jumlah k, nilai SSE, jumlah anggota, nilai
maksimum,
minimum, dan rata-rata
dari setiap hasilzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHG
clustering. Berdasarkan
hasil
clustering
dengan
tersebut
jumlah
diperoleh
cluster
hasil cluster
yang tidak terlalu
cukup kecil. Dengan menggunakan
k=4 pada setiap hasil clustering
terbaik
banyak
dengan
nilai maksimum,
ditentukan
menggunakan
telah menghasilkan
minimum,
k=4 karena
nilai SSE yang
dan rata - rata dengan
rentang nilai untuk masing - masing cluster
pada nilai luas panen, produksi, dan produktivitas,
seperti dapat dilihat pada Tabel 4.
Tabel 4 Rentang nilai hasil zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
clustering
Rentang Nilai
Cluster
Produktivitas (Ku /Ha)
=11160
dan produktivitas.
proses transformasi
data untuk mengubah
nilai pada luas panen, produksi, dan produktivitas
tinggi, dan sangat tinggi. Sementara
untuk masing - masing cluster
Dengan menggunakan
rentang nilai
nilai numerik pada setiap
menjadi nilai kategori rendah, sedang,
untuk nilai yang bernilai 0 dan na masing - masing
diberi nilai Nul! dan Na. Tabel 5 adalah contoh data kategori produksi kedelai tahun 2000
berdasarkan
hasil clustering.
Tabel 5 Contoh data kategori produksi kedelai tahun 2000 berdasarkan
Nama kab
Simeulue--Aceh
Sing ki-I -
Luas
Panen
(Ha)
Nuj(
Nu-lI--
-
hasil clustering
Kategori
Produk
Kategori
Luas
Panen
Nu II
si (Ton)
Produksi
s (Ku/Ha)
Null
Null
Null
Produ ktivita
s
-Nul!
NuII
Null
Null
-Nul!
Null -
Produktivita
Kategori
Aceh Selatan
363
Rendah
Null
Nul!
Null
Nul!
Aceh
Tenggara
Aceh Timur
119
Rendah
155
Rendah
13.03
Rendah
6,148
Sedang
7,277
Sedang
11.84
Rendah
AcehTengah-
254
Aceh Barat
3,385
Aceh Besar
288
Pidie
Na
388
Rendah
Rendah
283
Rendah
Sedang ---:-4-=,0""17=--Sedang---1T.87
11.14
Rend·-;-a-;-h-----c3=-=84
--R-endah
13.33
Rendah
Na
Na
Na
Na
Na
Rendah
__
Bireuen
Null
Null
Null
Null
Null
Null
Aceh Utara
48,212
Sangat
Tinggi
Null
58,814
Sangat
Ti.J:lggi
Null
12.2
Rendah
Aceh Barat
Null
Null
Null
Nul!
Daya _zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
Pembuatan
Aplikasi
Perancangan
Pengembangan
Sistem Berbasis Web
Pada tahap ini dilakukan
perencanaan
pembuatan
SIG untuk produksi
kedelai
yang mampu memenuhi tujuan dari penelitian ini, yaitu SIG yang mampu mengelola data
spasial dan data tekstual,
serta mampu menampilkan
informasi
peta, grafik, dan tabel
dari hasil produksi kedelai di 33 provinsi di lndonesia.
Rekayasa
Kebutuhan
Sistem
Pada tahap ini dilakukan pengumpulan serta menganalisis semua kebutuhan SIG
untuk data produksi kedelai. Kebutuhan fungsional yang dibutuhkan untuk SIG ini adalah
fungsi menampilkan
peta, tabel, dan grafik.
Perancangan Aplikasi
Setelah semua kebutuhan fungsional
aplikasi. Perancangan
produksi kedelai dan perancangan
produksi
kedelai
menggunakan
menghasilkan
dikumpulkan,
dilakukan tahap perancangan
aplikasi terdiri dari 2 bagian, yaitu perancangan
menghasilkan
kebutuhan
data
fungsional.
produksi
Perancangan
kedelai
yang
telah
kebutuhan
data
kebutuhan
data
dikelompokkkan
algoritme
k-means,
sedangkan
perancangan
kebutuhan
fungsional
gambaran umum mengenai fungsi menampilkan peta, tabel, dan grafik.
Implementasi
Tahap ini dilakukan untuk merealisasikan rancangan SIG berbasis
produksi
kedelai yang telah dibuat dengan menggunakan
Open Geo
web untuk
Suite 3.0.
Pembuatan
PostgreSQl.
basis data spasial produksi kedelai dilakukan dengan menggunakan
PembuatanzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
layer dan style peta dilakukan menggunakan
Openlayer.
Pengaturan
style
berdasarkan
kategori
clustering
dilakukan
untuk
produksi,
menggunakan
memberikan
pewarnaan
luas panen, dan produktivitas
pada
setiap
kabupaten
yang diperoleh
algoritme k-means. Warna yang digunakan
dari hasil
adalah hitam, abu -
abu, hijau, kuning, jingga, dan merah dimana masing - masing warna mewakili
na, null,
rendah,
sedang,
mengimplementasikan
Codelgniter.
Gambar
tinggi,
kode
dan
program
2 menunjukkan
sangat
tinggi.
dilakuan
tampilan
Serta
dengan
untuk
menggunakan
peta dan tabel produksi
kategori luas panen pada tahun 2003 dari semua provinsi di lndonesia
berdasarkan hasil clustering menggunakan algoritme k-means.
kategori
membangun
dan
framework
kedelai
untuk
yang dihasilkan
Seminar Nasional dan Rapat Tahunan
Bidang MIPA 2014
IzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQP
SEM IRATA
Gambar 2 Tampilan SIG produksi kedelai
Pada
menunjukkan
Gambar 2, tampilan
peta, warna hijau, kuning, jingga, dan merah
hasilzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
clustering luas panen yang bernilai rendah, sedang, tinggi, dan
sangat tinggi, sedangkan warna hitam dan abu - abu menunjukkan nilai luas panen
yang bernilai na dan null. Sedangkan tampilan tabel menjelaskan nilai luas panen dan
kategori luas panen dari setiap kabupaten di seluruh lndonesia.
Penggunaan
Sistem
Pada
tahap
dipublikasikan,
dengan kebutuhan
berkelanjutan
ini,
SIG
serta dilakukan
untuk
produksi
pemeliharaan
dan spesifikasi
kedelai
yang
untuk memastikan
sistem. Proses pemeliharaan
dimana sistem secara terus menerus diperbarui
telah
dibuat
dan
diuji
isi dari SIG tetap sesuai
merupakan
proses yang
dan disesuaikan
dengan
perubahan.zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
KESIMPULAN
Sistem
berdasarkan
informasi
geografis
hasil clustering
berbasis
menggunakan
web untuk produksi
algoritme
k-means
kedelai
di lndonesia
telah berhasil dibangun
390 zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
menggunakan
perangkat
lunak Open Geo Suite 3.0 danzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJ
framework Codelgniter. Hasil
c1ustering terbaik diperoleh
(SSE) sebesar
dengan jumlah c1uster 4 dan menghasilkan
2.07, 1.53, dan 0.0037 berturut-turut
dan produktivitas.
Berdasarkan
sum square error
untuk data luas panen, produksi,
hasil c1ustering, data produksi kedelai dibagi ke dalam 4
kategori yang selanjutnya
ditampilkan
juga mampu menampilkan
hasil produksi kedelai dalam bentuk tabel dan grafik.zyxwvutsrqponmlkjihgfedcbaZYX
dalam peta. Selain dalam bentuk peta, sistem ini
PUSTAKA
[1]
Nazaruddin.
[2]
Balai Besar Penelitian
1993. Komoditi Ekspor Pertanian. Jakarta: PT Penebar Swadaya.
dan Pengembangan
Potensi dan Ketersediaan
[3]
Sumberdaya
Lahan untuk Pengembangan
Pertanian.
2008.
Kedelai di lndonesia.
Lahan
Warta
Penelitian dan Pengembangan
Pertanian Vol. 30, No.1: 3-4.
DeMers.
of Geographic
1997. Fundamenta/s
Information
Systems.
USA: Hamilton
Printing.
[4]
Han J, Kamber
Massachussetts:
[5]
Abdul-Aziz
A, Koronios
Development
Perspective.
System:
M, and
1-9.
Pei J. 2012.
Data
Mining:
Concept
and
Techniques.
Morgan Kaufmann.
A, Gao J, and Sulong MS. 2012. A Methodology
of Web-based
Information
Proceedings of the Eighteenth
System:
Americas
for the
Web
Development
Team
Conference on Information
INFORMASI
GEOGRAFIS
BERBASIS
WEB
UNTUK
PRODUKSI
KEDELAIzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
DI INDONESIA MENGGUNAKAN
K-MEANSzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQP
C L U S T E R IN G
WEB-BASED GEOGRAPHIC INFORMATION SYSTEM FOR SOYBEAN
PRODUCTION IN INDONESIA USING K-MEANS CLUSTERING
Resti HidayahzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
1*, Imas Sukaesih SitanggangzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPO
2
,.
Program Studi S1 llmu Komputer, Departemen llmu Komputer, FMIPA, Institut Pertanian Bogor,
Bogor
restihidayah5@gmail.com
Kampus IPB Dramaga, JI. Meranti Wing 20 Level V, Bogor, lndonesia 16680
Departemen llmu Komputer, FMIPA, Institut Pertanian Bogor, Bogor 2
ABSTRACT
lndonesia has large and potential area for soybean cultivation. Information concerning
areas th at are potential for soybean production is not provided in an interactive
information system that can be easily accessed by public. Nowadays, information about
soybean production in all districts in lndonesia is displayed in the tabular form in the
website of Ministry of Agriculture. For that, in this study, a web-based geographic
information system (GIS) was developed to manage and visualize soybean production in
all districts in lndonesia. K-means clustering was performed to group data on production,
productivity and harvested areas of soybean. The best clustering has the number of
cluster 4 and results sum square error (SSE) 2.07, 1.53, and 0.0037 for data on
production, productivity, and harvested areas of soybean, respectively. The GIS was
developed using OpenGeo Suite 3.0 as the geospatial tool for managing and providing
information about soybean production in lndonesia in forms of maps, tables, and graphs
based on the results of k-means clustering.
Keywords:
geographic
information
system, clusten"ng, k-means,
soybean production
ABSTRAKzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFED
lndonesia memiliki lahan dengan potensi tinggi dan cukup luas untuk ditanami kacang
kedelai. Namun informasi mengenai wilayah-wilayah
yang berpotensi untuk produksi
kedelai belum disajikan dalam sistem informasi yang interaktif dan mudah diakses
dengan mudah oleh masyarakat. Saat ini informasi produksi kedelai di setiap kabupaten
di lndonesia disajkan dalam bentuk tabel pada situs Departemen Pertanian.
Oleh
karena itu, dalam penelitian ini sistem informasi geografis (SIG) berbasis web dibangun
untuk memudahkan
pengguna
memperoleh
informasi produksi kedelai di seluruh
kabupaten di lndonesia. Teknik clusten"ng k-means diterapkan untuk mengelompokan
data produksi, produktivitas, dan luas panen kedelai untuk selanjutnya disajikan dalam
SIG. Clusten"ng terbaik dengan jumlah cluster 4 menghasilkan sum square error (SSE)
sebesar 2.07, 1.53, dan 0.0037 berturut-turut untuk data luas panen, produksi, dan
produktivitas.
SIG dibangun
dengan menggunakan
OpenGeo
Suite 3.0 sebagai
perangkat lunak geospasial untuk mengelola dan menyediakan informasi mengenai
produksi kedelai di lndonesia dalam bentuk peta, tabel, dan grafik berdasarkan hasil kclustetinq.
meanszyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
Katakunci:
sistem informasi
geografis,
clustetinq, k-means, produksi kedelai
Seminar
Nasional dan Rapat Tahunan
Bidang MIPA 2014
IzyxwvutsrqponmlkjihgfedcbaZYXWVU
SEMIRATA
PENDAHULUAN
Kacang
- kacangan
banyak
dibutuhkan
sebagai
bahan
baku industri
salah satunya yaitu kacang kedelai. Kacang kedelai bisa digunakan
pembuatan
memiliki
kecap,
susu
nilai gizi yang
kedelai,
cukup
tahu,
tinggi
dan tempe.
yang
Selain
mengandung
itu kacang
protein,
pangan,
sebagai bahan baku
kedelai
karbohidrat,
juga
lemak,
kalsium, dan vitamin B kompleks.
Jumlah produksi kacang kedelai di lndonesia dapat dikatakan belum mampu
memenuhi
kebutuhan
kedelai dalam negeri. Berdasarkan
data dari Departemen
Pertanian lndonesia pada tahun 2012, lndonesia hanya melakukan ekspor kacang
kedelai
sebesar
67,899,346
kg, sedangkan
impor
kacang
kedelai
mencapai
4,257,526,480
kg. Hal ini terjadi
karena tingginya
kebutuhan
akan kacang
kedelai
di
dalam negeri setiap tahunnya. Untuk tempe dan tahu saja, kebutuhan kedelai sangat
tinggi, ditambah lagi kebutuhan kedelai untuk bahan baku makanan ternak. Karena
tingginya
tingkat
kebutuhan
akan impor kedelai.
akan kacang kedelai maka negara kita masih tergantung
Bahkan karena kebutuhan
yang terus meningkat
maka nilai impor
kacang kedelai setiap tahunnya juga terus meningkat [1).
Bila melihat potensi wilayah serta lahan yang dimiliki lndonesia maka tidak
seharusnya lndonesia selalu mengimpor kedelai untuk memenuhi kebutuhan pangan
dalam negeri. Begitu banyak provinsi di lndonesia
yang memiliki lahan berpotensi
tinggi
dan cukup luas untuk ditanami
diantaranya
Jawa
Tengah,
Sumatera
lahan berpotensi
Tenggara
kacang
yaitu Jawa Timur,
Barat, Papua Barat, Jawa Barat, dan Sulawesi
sedang
untuk ditanami
Barat, dan Sulawesi Tenggara
berpotensi
kedelai,
ini tidak didukung
kedelai ada di Lampung,
[2). Namun banyaknya
oleh adanya informasi
Selatan,
sedangkan
NAD, Banten, Nusa
wilayah lndonesia
yang
yang dapat dilihat oleh masyarakat
lndonesia. Oleh karena itu diperlukan adanya suatu sistem informasi geografis (SIG)
untuk menampilkan informasi mengenai produksi kedelai wilayah - wilayah di lndonesia.
SIG merupakan
salah
satu sistem
yang
memungkinkan
kita untuk
spasial menjadi sebuah informasi yang eksplisit, dan digunakan
mengelola
untuk membuat
data
sebuah
[3).
keputusan
Pada penelitian ini, teknikzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
clustering k-means diterapkan untuk mengelompokkan
data produksi,
produktivitas,
SIG. K-means
merupakan
data berdasarkan
dan luas panen kedelai untuk selanjutnya
metode
nilai pusat
pengelompokkan
dari cluster.
Metode
data nonhierarki
ini mempartisi
disajikan
dalam
yang mempartisi
data
kedalam
dua
kelompok atau lebih, sehingga data yang berkarakteristik
sama dimasukkan kedalam
satu kelompok yang sama dan data yang berkarakteristik
berbeda dikelompokkan
kedalam
kelompok
yang lain [4). SIG berbasis
web untuk produksi
kedelai
dibangun
menggunakan Open Geo Suite 3.0 sebagai salah satu perangkat lunak geospasial untuk
mengelola dan menyediakan informasi mengenai produksi kedelai di lndonesia dalam
bentuk peta, tabel, dan grafik.
METODE PENELITIANzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
Data, Alat, dan Area Studi
Pada penelitian
administrasi
kabupaten
kabupaten,
luas
panen,
ini, data spasial yang digunakan
dari 33 provinsi di lndonesia
jumlah
produksi,
adalah data vektor untuk peta
dan data atributnya
produktivitas,
dan tahun
adalah nama
produksi
kacang
kedelai di 33 provinsi di lndonesia dari tahun 2000-2011 yang diperoleh dari Departemen
384
Pertanian
Republik
lndonesia
(http://aplikasi.deptan.go.id).
Data awal yang
masih berupa file dengan format .xls sehingga harus dilakukan
dahulu sebelum
dikelompokkan
menggunakan
mengelola
data diolah untuk membangun
diperoleh
pra proses data terlebih
SIG. Data yang telah dipraproses
akan
menggunakan
perangkat lunak Weka 3.6.9 dan selanjutnya
diolah
Open Geo Suite 3.0 sebagai salah satu perangkat lunak geospasial untuk
dan menyediakan
informasi
mengenai
produksi
kedelai di lndonesia
dalam
bentuk peta, tabel, dan grafik.zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
Tahapan Penelitian
Praproses
Pada penelitian
dan pemilihan
data.
ini dilakukan 2 tahapan praproses data, yaitu: pembersihan
Pembersihan
data dilakukan
untuk menghapus
data
data yang tidak
konsisten danzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
outlier yang akan mengganggu pada tahap data mining atau mengisi nilai
missing
value. Pemilihan
digunakan
data dilakukan
untuk memilih variabel - variabel
yang akan
dalam tahap clustering.
Clustering
Clustering adalah proses mengelompokkan
data (objek) yang didasarkan hanya
pada informasi yang ditemukan dalam data yang menggambarkan
objek tersebut dan
hubungan
di antaranya,
satu kelompok
dalam kelompok
mengelompokkan
produktivitas.
sehingga data yang berkarakteristik
yang sama dan data yang berkarakteristik
sama dimasukkan
berbeda
ke dalam
dikelompokkan
ke
yang lain. Pada penelitian ini, teknik clustering dilakukan untuk
data produksi kedelai berdasarkan nilai luas panen, produksi, dan
Teknik
yang
clustering
diterapkan
adalah
algoritme
k-means.
Berikut
adalah algoritme dari k-means [4]:
Input:
k: jumlah cluster
D: Dataset yang berisi n objek
Output:
Himpunan yang terdiri dari k cluster
Method:
(1) pilih k objek secara acak dari D sebagai pusat cluster awal
(2) ulangi
(3)
tempatkan setiap objek ke cluster yang paling dekat berdasarkan nilai ratarata dari objek dalam cluster
perbaharui nilai rata - rata cluster dengan menghitung nilai rata-rata dari
(4)
objek untuk setiap duster
(5) hingga tidak terjadi perubahan pada cluster
Pembuatan
Sistem Informasi Geografis
Pembuatan
tahapan
dalam
pada Gambar
Sistem
metode
Informasi
Web-based
Geografis
dalam
Development
1. Metode ini terdiri dari 5 tahapan,
sistem berbasis
dan penggunaan
web, rekayasa
sistem [5]
kebutuhan
penelitian
Life Cycle
ini dilakukan
(WDLC)
yaitu: perencanaan
sistem, perancangan
yang
melalui
disajikan
pengembangan
aplikasi, implementasi,
Seminar Nasional dan Rapat Tahunan Bidang MIPAzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPON
2014 IzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQP
SEM IRATA zyxwvutsrqponmlkjihgfedcbaZYX
Gambar 14 Tahapan penelitian [5]zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONM
HASIL DAN PEMBAHASAN
Praproses
Data awal yang diperoleh
adalah file dengan format .xls yang berisi nilai jumlah
produksi, luas panen, dan produktivitas
kedelai pada setiap kabupaten
di lndonesia
dari
tahun 2000 - 2011. Pada file tersebut masih terdapat beberapa missing value pada nilai
produktivitas
dan terdapat beberapa kesalahan perhitungan
Oleh karena
itu diperlukan
tahapan
pembersihan
nillai produktivitas
data untuk mengatasi
pada data.
hal tersebut.
Untuk memperbaiki dan mengisi nilai produktivitas yang kosong, dilakukan
berdasarkan jumlah produksi dan luas panen sesuai persamaan (1) berikut.
perhitungan
= zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
Jumlah Produksi (Kuintal)
(1 )
Produktivitas
Luas Panen (Ha)
Selanjutnya,
yang diperlukan.
dilakukan
tahapan pemilihan data untuk memilih variabel - variabel
Pada tahapan
ini, variabel - variabel yang dipilih yaitu variabel tahun,
nama kabupaten, jumlah produksi, luas panen, dan produktivitas.zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPON
C lu sterin g
Clustering
dilakukan
produktivitas
pada
setiap
menggunakan
perangkat
untuk mengelompokkan
kabupaten.
data nilai produksi, luas panen, dan
Clustering
k-means
lunak Weka 3.6.9 untuk beberapa
Hasil clustering pada data luas panen,
dilihat pada Tabel 1,2, dan 3.
produksi
Tabel I Hasil clustering
dan produktivitas
(Sum
K
Square
2
6.407
berturut-turut
luas panen
SSE
Jumlah
dilakukan
Luas Panen
Jumlah
Cluster
Anggota
Maks
Min
Rata Rata
Error)
C1
2,909
11,158
C2
138
49,056
--386
dengan
nilai k, yaitu 2, 3, 4, dan 5.
865
11,432
21,667
dapat
3
3.66
266
C1
116
C2
14,479
49,056
3,263
6,076.95
14,912
23,347.94
443.24
2,665
3,233
1
C3 zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
4
2.07
291
C1
C2
5
1.29
11,783
2,853
9824,53911,994
5,222.70
18,615.69
C3
2,623
-2,804
1
401.86
C4
35
49,056
25,165
31,652.97
63
15,233
7,518
10,887.49
C1
-91 zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
i6,939 15,87f-20,790:26
C2
C3
331
7,307
2,142
3,943.55
C4
22
49,056
28,068
35,052.27
C5
2,540
2,132
1
335.34
Tabel 2 Hasil clustering
produksi
Produksi
SSE(Sum zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
Jumlah
Jumlah
Cluster
Square
K
Anggota
Maks
Error)
Min
Rata - Rata
2zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
5.57
C1
130
2,983
858.85
3
4
3.37
1.53
C2
2,921
14,588
C1
95
76,434
21,182 -
c2
226
20,916
5,285-
C3
2,730
18-
76,434
C2
274
16,113
2,652
3,957
5
10738,514
C3
53,005.38
3,988-7,416.21
553.25
25,043.31
40,985
53,005.38
350
9,571
2,714
--2-=,5:-:C 17 - 2 ,-69-9- --,--
5,004.78
407.42
18
C2
40,985
16,451
C1
1.02
9,898.42
667.49
5,251
C1
C3
C4'--
1,171.33
-32~54.85
76,434
C4
88
20,655
C5
78
38,514
9,793
20,916 -
14,332.06
27,442.69
Tabel 3 Hasil clustering produktivitas
SSE(Sum
Produktivitas
Jumlah
Jumlah
Square
Cluster
K
Anggota
Maks
Error)
2
O.078--IT
-
-3--0.015
0.0037
11,170
C1
C2
6
C3
4
-1
2,983
--1
C2
C1
2)77
1,43~
---n ,f7"o
1,434.9
Min
11,170
Rata Rata
11,170
-0.69
17.91
--'-1~1
, "'"17=0:---'7 1,""17=0:::-:- 1
970.83
1,163.02
471.65
0.09
15.60
11,170
11,170
11,170
Seminar Nasional dan RapatTahunan Bidang MIPA 20141zyxwvutsrqponmlkjihgfedcbaZYXWVUTS
SEM IR A TA
C2
6
1,434.9
970.83
C3
77
471.65
-79.02
80.93
11,170
11,170
11,170
C4
5
---
---
2,900
C1
0.0036
1,163.02
147.94zyxwvutsrqponmlkji
12.69
0.09
C2
77
471.65
80.93
147.94
C3
2,797
79.02
7.78
12.42
C4
103
7.69
0.09
3.07
C5
6
1,434.9
970.83
1,163.02
- -Pada Tabel 1, 2, dan 3 bisa dilihat jumlah k, nilai SSE, jumlah anggota, nilai
maksimum,
minimum, dan rata-rata
dari setiap hasilzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHG
clustering. Berdasarkan
hasil
clustering
dengan
tersebut
jumlah
diperoleh
cluster
hasil cluster
yang tidak terlalu
cukup kecil. Dengan menggunakan
k=4 pada setiap hasil clustering
terbaik
banyak
dengan
nilai maksimum,
ditentukan
menggunakan
telah menghasilkan
minimum,
k=4 karena
nilai SSE yang
dan rata - rata dengan
rentang nilai untuk masing - masing cluster
pada nilai luas panen, produksi, dan produktivitas,
seperti dapat dilihat pada Tabel 4.
Tabel 4 Rentang nilai hasil zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
clustering
Rentang Nilai
Cluster
Produktivitas (Ku /Ha)
=11160
dan produktivitas.
proses transformasi
data untuk mengubah
nilai pada luas panen, produksi, dan produktivitas
tinggi, dan sangat tinggi. Sementara
untuk masing - masing cluster
Dengan menggunakan
rentang nilai
nilai numerik pada setiap
menjadi nilai kategori rendah, sedang,
untuk nilai yang bernilai 0 dan na masing - masing
diberi nilai Nul! dan Na. Tabel 5 adalah contoh data kategori produksi kedelai tahun 2000
berdasarkan
hasil clustering.
Tabel 5 Contoh data kategori produksi kedelai tahun 2000 berdasarkan
Nama kab
Simeulue--Aceh
Sing ki-I -
Luas
Panen
(Ha)
Nuj(
Nu-lI--
-
hasil clustering
Kategori
Produk
Kategori
Luas
Panen
Nu II
si (Ton)
Produksi
s (Ku/Ha)
Null
Null
Null
Produ ktivita
s
-Nul!
NuII
Null
Null
-Nul!
Null -
Produktivita
Kategori
Aceh Selatan
363
Rendah
Null
Nul!
Null
Nul!
Aceh
Tenggara
Aceh Timur
119
Rendah
155
Rendah
13.03
Rendah
6,148
Sedang
7,277
Sedang
11.84
Rendah
AcehTengah-
254
Aceh Barat
3,385
Aceh Besar
288
Pidie
Na
388
Rendah
Rendah
283
Rendah
Sedang ---:-4-=,0""17=--Sedang---1T.87
11.14
Rend·-;-a-;-h-----c3=-=84
--R-endah
13.33
Rendah
Na
Na
Na
Na
Na
Rendah
__
Bireuen
Null
Null
Null
Null
Null
Null
Aceh Utara
48,212
Sangat
Tinggi
Null
58,814
Sangat
Ti.J:lggi
Null
12.2
Rendah
Aceh Barat
Null
Null
Null
Nul!
Daya _zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
Pembuatan
Aplikasi
Perancangan
Pengembangan
Sistem Berbasis Web
Pada tahap ini dilakukan
perencanaan
pembuatan
SIG untuk produksi
kedelai
yang mampu memenuhi tujuan dari penelitian ini, yaitu SIG yang mampu mengelola data
spasial dan data tekstual,
serta mampu menampilkan
informasi
peta, grafik, dan tabel
dari hasil produksi kedelai di 33 provinsi di lndonesia.
Rekayasa
Kebutuhan
Sistem
Pada tahap ini dilakukan pengumpulan serta menganalisis semua kebutuhan SIG
untuk data produksi kedelai. Kebutuhan fungsional yang dibutuhkan untuk SIG ini adalah
fungsi menampilkan
peta, tabel, dan grafik.
Perancangan Aplikasi
Setelah semua kebutuhan fungsional
aplikasi. Perancangan
produksi kedelai dan perancangan
produksi
kedelai
menggunakan
menghasilkan
dikumpulkan,
dilakukan tahap perancangan
aplikasi terdiri dari 2 bagian, yaitu perancangan
menghasilkan
kebutuhan
data
fungsional.
produksi
Perancangan
kedelai
yang
telah
kebutuhan
data
kebutuhan
data
dikelompokkkan
algoritme
k-means,
sedangkan
perancangan
kebutuhan
fungsional
gambaran umum mengenai fungsi menampilkan peta, tabel, dan grafik.
Implementasi
Tahap ini dilakukan untuk merealisasikan rancangan SIG berbasis
produksi
kedelai yang telah dibuat dengan menggunakan
Open Geo
web untuk
Suite 3.0.
Pembuatan
PostgreSQl.
basis data spasial produksi kedelai dilakukan dengan menggunakan
PembuatanzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
layer dan style peta dilakukan menggunakan
Openlayer.
Pengaturan
style
berdasarkan
kategori
clustering
dilakukan
untuk
produksi,
menggunakan
memberikan
pewarnaan
luas panen, dan produktivitas
pada
setiap
kabupaten
yang diperoleh
algoritme k-means. Warna yang digunakan
dari hasil
adalah hitam, abu -
abu, hijau, kuning, jingga, dan merah dimana masing - masing warna mewakili
na, null,
rendah,
sedang,
mengimplementasikan
Codelgniter.
Gambar
tinggi,
kode
dan
program
2 menunjukkan
sangat
tinggi.
dilakuan
tampilan
Serta
dengan
untuk
menggunakan
peta dan tabel produksi
kategori luas panen pada tahun 2003 dari semua provinsi di lndonesia
berdasarkan hasil clustering menggunakan algoritme k-means.
kategori
membangun
dan
framework
kedelai
untuk
yang dihasilkan
Seminar Nasional dan Rapat Tahunan
Bidang MIPA 2014
IzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQP
SEM IRATA
Gambar 2 Tampilan SIG produksi kedelai
Pada
menunjukkan
Gambar 2, tampilan
peta, warna hijau, kuning, jingga, dan merah
hasilzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
clustering luas panen yang bernilai rendah, sedang, tinggi, dan
sangat tinggi, sedangkan warna hitam dan abu - abu menunjukkan nilai luas panen
yang bernilai na dan null. Sedangkan tampilan tabel menjelaskan nilai luas panen dan
kategori luas panen dari setiap kabupaten di seluruh lndonesia.
Penggunaan
Sistem
Pada
tahap
dipublikasikan,
dengan kebutuhan
berkelanjutan
ini,
SIG
serta dilakukan
untuk
produksi
pemeliharaan
dan spesifikasi
kedelai
yang
untuk memastikan
sistem. Proses pemeliharaan
dimana sistem secara terus menerus diperbarui
telah
dibuat
dan
diuji
isi dari SIG tetap sesuai
merupakan
proses yang
dan disesuaikan
dengan
perubahan.zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
KESIMPULAN
Sistem
berdasarkan
informasi
geografis
hasil clustering
berbasis
menggunakan
web untuk produksi
algoritme
k-means
kedelai
di lndonesia
telah berhasil dibangun
390 zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA
menggunakan
perangkat
lunak Open Geo Suite 3.0 danzyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJ
framework Codelgniter. Hasil
c1ustering terbaik diperoleh
(SSE) sebesar
dengan jumlah c1uster 4 dan menghasilkan
2.07, 1.53, dan 0.0037 berturut-turut
dan produktivitas.
Berdasarkan
sum square error
untuk data luas panen, produksi,
hasil c1ustering, data produksi kedelai dibagi ke dalam 4
kategori yang selanjutnya
ditampilkan
juga mampu menampilkan
hasil produksi kedelai dalam bentuk tabel dan grafik.zyxwvutsrqponmlkjihgfedcbaZYX
dalam peta. Selain dalam bentuk peta, sistem ini
PUSTAKA
[1]
Nazaruddin.
[2]
Balai Besar Penelitian
1993. Komoditi Ekspor Pertanian. Jakarta: PT Penebar Swadaya.
dan Pengembangan
Potensi dan Ketersediaan
[3]
Sumberdaya
Lahan untuk Pengembangan
Pertanian.
2008.
Kedelai di lndonesia.
Lahan
Warta
Penelitian dan Pengembangan
Pertanian Vol. 30, No.1: 3-4.
DeMers.
of Geographic
1997. Fundamenta/s
Information
Systems.
USA: Hamilton
Printing.
[4]
Han J, Kamber
Massachussetts:
[5]
Abdul-Aziz
A, Koronios
Development
Perspective.
System:
M, and
1-9.
Pei J. 2012.
Data
Mining:
Concept
and
Techniques.
Morgan Kaufmann.
A, Gao J, and Sulong MS. 2012. A Methodology
of Web-based
Information
Proceedings of the Eighteenth
System:
Americas
for the
Web
Development
Team
Conference on Information