Meningkatnya jumlah penduduk menyebabkan kepentingan dan ketergantungan manusia pada lahan pertanian semakin meningkat. Namun, dibeberapa daerah terdapat lahan yang belum terkelompok berdasarkan kriteria lahan pertanian. Oleh karena itu, diperlukan pengelompokan lahan berdasarkan kriteria lahan pertanian. Pengolahan data dengan pengelompokan (clustering) data yang umum digunakan adalah K-Means clustering, yang termasuk metode partition clustering, yakni mempartisi data kedalam bentuk satu atau lebih kelompok. Untuk memvalidasi data setelah proses clustering digunakan Davies Bouldin Index untuk meningkatkan akurasi validasi hasil analisis data. Pada penelitian ini, pengelompokan lahan tanaman pangan pada skenario yang dijadikan tiga cluster dengan 10, 20 dan 30 iterasi diperoleh di iterasi ke-10 kecocokan dengan label asli sebesar 73.61 % pada 72 data lahan tanaman padi. Pada data tanaman jagung kecocokan dengan label asli sebesar 72.22 % di iterasi ke-30, data tanaman kacang hijau dengan SSE terkecil = 0 di ke-30 dengan prosentase kecocokan 72,22 %, data tanaman kacang tanah dengan SSE terkecil = 0 di iterasi ke-10 kecocokan dengan label asli sebesar 77.78 %, data tanaman ubi kayu dengan SSE terkecil = 0 pada iterasi ke-20 dengan prosentase 63,89 %. Nilai terkecil pada pemvalidasian cluster dengan DBI menggunakan tiga sampai sebelas cluster pada 72 data lahan untuk tanaman padi berada pada cluster ke-6, tanaman jagung berada pada cluster ke-9, tanaman kacang hijau berada pada cluster ke-11, tanaman kacang tanah berada pada cluster ke-11, dan tanaman ubi kayu berada pada cluster ke-9. Hasilnya cukup akurat karena ada tiga kelompok yang terbentuk.


Deskripsi Lain

The increasing population leads to human interests and dependence on agricultural land. However, in several regions there are land based on criteria that have not been clustered agricultural land. Therefore based on criteria required grouping of agricultural land. Processing data by grouping (clustering) of data that is commonly used is the K-Means clustering, which includes partition clustering method, which partition the data into the form of one or more groups. To validate data after the process of clustering used Davies Bouldin Index (DBI) to improve the accuracy of the validation results of the data analysis. In this study, the grouping of cropland on the scenario used three clusters with 10, 20 and 30 obtained from iteration to iteration-10 match with 73.61% of the original label on the data 72 paddy land. Corn crop in the data match with the original label was 72.22% at iteration 30, the data of green bean plants with the smallest SSE = 0 in the 30th with a match percentage of 72.22%, peanut plant data with the smallest SSE = 0 at iteration -10 compatibility with the original label was 77.78%, the data cassava plants with the smallest SSE = 0 at iteration 20 with a percentage of 63.89%. The smallest value in the DBI validation cluster using three to eleven clusters in 72 fields of data for rice cluster is in 6th, corn crop is in cluster 9th, green bean plants are in the cluster to-11, peanut clusters are in 11th, and cassava are the 9th cluster. The results are quite accurate because there are three groups that formed.

• PENGELOMPOKAN LAHAN MENGGUNAKAN METODE HYBRID K-MEANS CLUSTERING DENGAN DAVIES BOULDIN INDEX (DBI)
• PENGELOMPOKAN KECAMATAN BERDASARKAN INDIKATOR PEMERATAAN PENDIDIKAN MENGGUNAKAN PARTITION AROUND MEDOIDS (PAM)
• Pengelompokan Kecamatan Di Pulau Madura Berdasarkan Indikator Pemerataan Pendidikan Menggunakan Metode K-Means Clustering Berbasis Smarter (Simple Multy Attribute Rating Technique Exploiting Ranks Method)
• Simulasi lampu lalu lintas pada sebuah Persimpangan jalan dengan memanfaatkan Citra cctv menggunakan Gabor filter dan Fuzzy logic
• Implementasi Efficient-SOM Pada Text Clustering Menggunakan Reduksi Dimensi