Pengelompokan Populasi Hewan Ternak Menggunakan Metode Clustering (Studi Kasus : Dinas Pertanian dan Ketahanan Pangan Kabupaten Langkat)

Putri Fadila Sari

Putri Fadila Sari STMIK Kaputama

Abstract viewed = 0 times

PDF (Bahasa Indonesia) downloaded = 0 times

Abstract

Data mining berisi pencarian pola yang diinginkan dalam database besar untuk membantu pengambilan keputusan diwaktu akan datang. Secara sederhana data mining adalah kegiatan mengekstrasi atau menambang pengetahuan dari data yang berjumlah besar dan menghasilkan informasi. Populasi merupakan sekumpulan makhluk hidup yang memiliki karakteristik yang sama dan hidup d wilayah geografis yang sama pada waktu tertentu dan bisa berproduksi antara sesama makhluk hidup lainnya. Karena perkembangan populasi hewan ternak yang semakin meningkat setiap tahunnya dan ada pula yang menurun pada tahun tertentu, maka sangat dibutuhkan data yang ril dan aktual. Dan hasil yang diperoleh berdasarkan analisis ini yaitu jumlah kelompok yang terbentuk sebanyak 3 kelompok. Group 1 Centroid (5.45;2,35;2.60) dengan data populasi hewan ternak padagroup wilayah adalah Salapian dengan jenis ternak yaitu Kambing dan jumlah ternak yang dimiliki oleh peternak ialah 51-100 Ekor, untuk Group 2 Centroid (2.42;3.64;3.57) dengan data populasi hewan ternak padagroup wilayah adalah Secanggang dengan jenis ternak yaitu Sapi dan jumlah ternak yang dimiliki oleh peternak ialah 101-150 Ekor, dan untuk Group 3 Centroid (8.78;3.03;3.06) dengan data populasi hewan ternak padagroup wilayah adalah Kuala dengan jenis ternak yaitu Sapi dan jumlah ternak yang dimiliki oleh peternak ialah 101-150 Ekor.

References

[1] N. A. Setyadi, M. Nasrun, and C. Setianingsih, “Text Analysis for Hate Speech Detection Using Backpropagation Neural Network,” 2018, doi: 10.1109/ICCEREC.2018.8712109.
[2] W. Aristika and W. J. Hartono, “Penerapan Clustering K-Means untuk Menentukan Pengaruh Media Sosial Facebook terhadap Usaha Mikro, Kecil dan Menengah (UMKM) di Kecamatan Pekanbaru Kota,” J. Ilmu Komput. dan Bisnis, vol. 11, no. 1, 2020, doi: 10.47927/jikb.v11i1.202.
[3] Isy Karima Fauzia, Budi Arif Dermawan, and Tesa Nur Padilah, “Penerapan K-Means Clustering pada Penyakit Infeksi Saluran Pernapasan Akut (ISPA) di Kabupaten Karawang,” J. Sist. dan Inform., vol. 15, no. 1, 2020, doi: 10.30864/jsi.v15i1.350.
[4] K. Handoko, “Penerapan Data Mining dalam Meningkatkan Mutu Pembelajaran Menggunakan Metode K-MEANS Clustering,” J. Nas. Teknol. dan Sist. Inf., vol. 2, no. 3, 2016, doi: 10.25077/teknosi.v2i3.2016.31-40.
[5] M. Bakri, “Penerapan Data Mining untuk Clustering Kualitas Batu Bara dalam Proses Pembakaran di PLTU Sebalang Menggunakan Metode K-Means,” J. Teknoinfo, vol. 11, no. 1, 2017, doi: 10.33365/jti.v11i1.3.
[6] L. Magdalena and R. Fahrudin, “Penerapan Data Mining Untuk Koperasi Se-Jawa Barat Menggunakan Metode Clustering pada Kementerian Koperasi dan UKM,” J. Digit, vol. 9, no. 2, 2020.
[7] S. Butsianto and N. T. Mayangwulan, “Penerapan Data Mining Untuk Prediksi Penjualan Mobil Menggunakan Metode K-Means Clustering,” J. Nas. Komputasi dan Teknol. Inf., vol. 3, no. 3, 2020, doi: 10.32672/jnkti.v3i3.2428.
[8] A. Ramadhan, Mustakim, and Z. Efendi, “Perbandingan K-Means dan Fuzzy C-Means untuk Pengelompokan Data User Knowledge Modeling,” Semin. Nas. Teknol. Informasi, Komun. dan Ind. 9, 2017.