Mengidentifikasi Kelompok Sektor Perkebunan di Indonesia Berdasarkan Produktivitas Hasil Bumi

Hesti Pratiwi

Abstract


Dikenal dengan julukan negara agraris, Indonesia memiliki banyak potensi hasil bumi dari pertanahan, tak terkecuali dari sektor perkebunan yang memegang peran penting dari keseluruhan perekonomian nasional. Oleh karena itu, perkembangan produktivitas hasil bumi dari sektor pertanian, dalam hal ini perkebunan perlu dipantau supaya bisa menjadi perhatian instansi terkait dalam mengoptimalkan daerah penghasil tersebut. Penelitian ini bertujuan untuk menyediakan informasi klasifikasi terhadap daerah sektor pertanian berdasarkan produktivitas serta produksi hasil bumi. Pengelompokan sektor perkebunan ini dikembangkan dengan metode data mining dengan mengimplementasikan algoritma K-Means yang divisualisasikan pada aplikasi Business Intelligence Tableau. Dari hasil klasifikasi tersebut akan di dapat tiga cluster sektor perkebunan yang diantaranya adalah "great" yang berarti di atas target, "good" yang berarti belum mencapai target namun masih di atas rata-rata, dan “underperformed” yang berarti sektor perkebunan dalam cluster ini perlu perhatian khusus karena produktivitasnya di bawah performa.

Keywords


Clustering, Kmeans, Tableau, Perkebunan Indonesia

Full Text:

PDF

References


Darmawan, Didit; Genua, Veronika; Kristianto, Sonny; Murdaningsih; Hutubessy, Josina. Tanaman Perkebunan Prospektif Indonesia. Pasuruan: CV. Penerbit Qiara Media.

Han J, Kamber M, dan Jian P. Data Mining. 2012. Concepts and techniques. USA: Elsevier Inc.

Y. Mardi. 2017. Data Mining: Klasifikasi Menggunakan Algoritma C4.5, J. Edik Inform., vol. 2, no. 2, pp. 213–219.

Tan, Pang-Ning; Steinbach, Michael dan Kumar, Vipin. 2005. Intoruction into Data Mining. Boston: Addison-Wesley Longman Publishing Co., Inc.

Florin Gorunescu. 2011. Data Mining Concepts, Models and Techniques. Springer-Verlag Berlin Heidelberg

P. Vassiliadis, A. Simitsis, and E. Baikousi, A Taxonomy of ETL Activities, in Proceedings of the ACM Twelfth International Workshop on Data Warehousing and OLAP, New York, NY, USA, 2009, pp. 25–32.

Ismi D. P., Panchoo, & S., Mrinto. (2016). K-Means Clustering Based Filter Feature Selection on High Dimensional Data. International Journal of Advances in Intellegent Informatics. 38-45, http://dx.doi.org/10.12928/ijain.v2il.54.

Metisen B. M., & Sari H. L. (2016). Analisis Clustering Menggunakan Metode K-Means dalam Pengelompokan Penjualan Produk pada Swalayan Fadhila. Jurnal Media Infotama, 11(2). 1858-2680.

Yunita (2018). Penerapan Data Mining Menggunkan Algoritma K-Means Clustering Pada Penerimaan Mahasiswa Baru (Studi Kasus: Universitas Islam Indragiri). Jurnal Sistemasi, 7 (September), 238–249. https://doi.org/10.32520/stmsi.v7i3.388.

Abdullah H. A, (2018). Improve the Performance of K-Means by Using Genetic Algorithm for Classification Heart Attack. International Journal of Electrcal and Computer Engineering (IJECE), 2088-8708. https://doi.org/10.11591/ijece.v8i2.pp1256-1261




DOI: https://doi.org/10.37031/diffusion.v2i2.14999

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Hesti Pratiwi

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.


Diffusion: Journal of Systems and Information Technology
Department of Information System, Universitas Negeri Gorontalo
Engineering Faculty Building, 1st Floor
Jl. Prof. Dr. Ing. B. J. Habibie, Bone Bolango, Gorontalo, 96119, Indonesia
Phone: +62 (435) 821125, Fax: +62 435 821752
Email: diffusion.jurnal@ung.ac.id



This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.