Open Conference Systems - Universitas Tanjungpura, SEMINAR NASIONAL PENERAPAN ILMU PENGETAHUAN DAN TEKNOLOGI 2018

Font Size: 
PENERAPAN KLASTERISASI K-MEANS UNTUK IDENTIFIKASI SEBARAN BUDIDAYA UDANG VANNAME
Muhammad Bakri, Rokhimatul Wakhidah

Last modified: 2018-09-25

Abstract


Pengelolaan tambak budidaya udang Vanname di Kabupaten Tulang Bawang, Provinsi Lampung saat ini dikelola melalui tiga cara yang disebut Rumah Tangga Perikanan (RTP) yaitu pengelolaan oleh perusahaan, kelompok, dan pribadi. Lahan budidaya yang tersebar ke beberapa wilayah menjadi kendala tersendiri dalam hal pendataan dan identifikasi jumlah RTP oleh pihak berwenang seperti dinas pemerintahan dan perusahaan terkait. Akibatnya, masalah administratif seperti permodalan, pemasaran, pendataan hasil produksi, dan potensi perikanan timbul. Untuk menangani masalah tersebut dilakukan langkah awal, yaitu dengan mengelompokkan data dari setiap RTP yang terbagi menjadi kelompok-kelompok budidaya yang ada di kawasan berikat yang disebut Bumi Dipasena menggunakan metode clustering melalui pendekatan klasterisasi K-Means. Metode K-Means akan digunakan dalam pengelompokan data kelompok budidaya, luas lahan dan hasil produksi. Hasil penelitian menunjukkan bahwa metode K-Means tidak mampu melakukan klasterisasi dengan baik. Hal tersebut dapat dilihat pada hasil pengukuran F-Measure dengan alpha 0,01; 0,05; dan 0,1 adalah 1,60485 atau tidak signifikan. Signifikansi tersebut dipengaruhi oleh error cluster yang mencapai 50,23%, berarti klaster yang terbentuk tidak homogen secara internal dan tidak heterogen secara eksternal.


Keywords


Data Mining; K-Means Clustering; Rumah Tangga Perikanan; Udang Vanname

References


Badan Pusat Statistik Lampung. (2016). Provinsi Lampung Dalam Angka. Lampung.

Olson, D. L., & Wu, D. (2017). Predictive Data Mining Models. Singapura: Springer. https://doi.org/10.1007/978-981-10-2543-3

Oyelade, O. J., Oladipupo, O. O., & Obagbuwa, I. C. (2010). Application of k Means Clustering algorithm for prediction of Students Academic Performance. International Journal of Computer Science and Information Security, 7(1), 292–295. Retrieved from http://arxiv.org/abs/1002.2425

Witten, I. H., Frank, E., & Hall, M. (2011). Data Mining: Practical Machine Learning Tools and Techniques. California: Morgan Kaufmann. https://doi.org/0120884070, 9780120884070


Full Text: PDF