BAB 2

LANDASAN TEORI

2.1 Agrikultur

Harris & Fuller. (2014) mengatakan bahwa agrikultur adalah kata paling

komprehensif yang digunakan untuk menunjukkan banyak cara bagaimana

tanaman pertanian dan hewan ternak domestik menopang populasi manusia global

dengan menyediakan makanan dan produk lainnya. Kata agrikultur berasal dari

bahasa Latin ager (ladang atau sawah) dan colo (kultivasi), saat digabungkan

menjadi Latin agricutura yang berarti ladang atau sawah atau lahan yang sedang

dikerjakan. (Harris & Fuller, 2014). Sementara itu, menurut Oxford English

Dictionary (1971), agrikultur didefinisikan dengan sangat luas sebagai “Sebuah

ilmu pengetahuan dan seni dari penanaman lahan, termasuk ke dalamnya

pencarian dari pengumpulan tumbuhan pertanian dan hewan ternak.”

Sekarang, kata ini digunakan untuk mengelompokkan berbagai aktivitas

yang penting untuk agrikultur secara luas. Terkadang, istilah agrikultur dibatasi

untuk penanaman tumbuhan pertanian dengan mengecualikan peternakan hewan

walaupun seringnya digunakan untuk kedua aktivitas (Harris & Fuller, 2014).

2.2 Business Intelligence

Sharda, Delen & Turban. (2014) mengatakan bahwa Business Intelligence

adalah sebuah umbrella term yang mengkombinasikan arsitektur, alat-alat,

databases, analytical tools, aplikasi dan teknologi. Business intelligence adalah

sebuah ekspresi yang bebas konten sehingga dapat memiliki arti yang berbeda-

beda untuk setiap orang. Tujuan utama Business intelligence adalah untuk

memungkinkan akses data (dan model) yang mudah sehingga memberikan

kemampuan untuk melakukan analisis kepada manajer bisnis. Business

intelligence membantu mentranformasikan data menjadi informasi dan

pengetahuan untuk membantu membuat keputusan dan pada akhirnya menjadi aksi

nyata.

Sistem Business Intelligence mempunyai 4 komponen utama:

1. Data warehouse, dengan sumber datanya.

2. Business analytics, kumpulan tools untuk manipulasi, mining, dan

analisis data pada data warehouse.

3. Business Performance Management (BPM) untuk monitoring dan

menganalisis performance.

4. User Interface (contoh: dashboard).

Komponen dalam arsitektur Business Intelligence:

1. Data warehouse adalah tempat penyimpanan besar untuk historical

data yang sudah terorganisir.

2. Business analytics adalah alat-alat yang memungkinkan

mentransformasikan data menjadi informasi dan pengetahuan.

3. Business Performance Management (BPM) memungkinkan

melakukan monitoring, pengukuran, dan membandingkan key

performance indicators.

4. User Interface (contoh: dashboard) memberikan akses dan

kemudahan manipulasi dari komponen Business Intelligence

lainnya.

Proyek Business Intelligence memiliki enam tahapan(stages) yaitu

Justification, planning, business analysis, design, construction dan yang terakhir

adalah deployment seperti yang dijabarkan pada Gambar 2.1. (Sharda, Delen, &

Turban, 2014)

Ke-enam tahapan(stages) tersebut memiliki aktivitas-aktivitas lagi

didalamnya namun, tidak semua aktivitas dalam tahapan tersebut perlu dilakukan.

Aktivitas dalam tahapan yang terpilih untuk dilakukan disesuaikan dengan proyek

Business Intelligence yang dikerjakan.

Gambar 2.1 Enam tahapan proyek Business Intelligence beserta aktivitas dalam masing-masing tahapan

(sumber: buku Business Intelligence A Managerial Perspective on Analytics (Sharda, Delen Dursun, & Turban, 2014)

Aktivitas yang penulis pilih dari ke-enam tahapan proyek Business

Intelligence adalah:

1. Tahap Justification: aktivitas Business Case Assessment.

Business Case Assessment terdiri dari banyak kegiatan,

namun hanya dipilih beberapa saja yang sesuai dengan proyek ini,

antara lain; penentuan kebutuhan bisnis di perusahaan, pemeriksaan

Decision Support System (DSS) perusahaan saat ini dan pengusulan

solusi Business Intelligence penulis.

Menentukan kebutuhan bisnis di perusahaan merupakan hal

yang penting, karena manfaat dari aplikasi BI untuk perusahaan

didefinisikan kegiatan ini. Sehingga, dengan mengetahui informasi

bisnis apa yang tidak bisa dimiliki dengan cara tradisional,

kegunaan dari aplikasi BI yang akan dibuat pun makin terlihat jelas.

Aktivitas pemeriksaan Decision Support System (DSS)

perusahaan saat ini bertujuan untuk mencari kekurangan atau

kelemahan dari DSS tersebut agar dapat mengetahui bagaimana

solusi BI yang diajukan dapat digunakan untuk menyelesaikan

masalah dari DSS perusahaan saat ini.

Menurut sebuah artikel pada website Binus University.

(2017) mengatakan bahwa Decision Support System (DSS) adalah

sistem pendukung keputusan yang merupakan bagian dari sistem

informasi berbasis komputer yang digunakan untuk mendukung

bisnis atau kegiatan pengambilan keputusan dalam suatu organisasi

atau perusahaan. Tujuan dari DSS yaitu untuk melayani

manajemen, operasi, tingkat perencanaan organisasi, meningkatkan

efektifitas dalam pengambilan keputusan dan membantu membuat

keputusan tentang masalah yang mungkin berubah dengan cepat

dan tidak mudah untuk diselesaikan. Menurut Haettenschwiler,

DSS dibagi menjadi tiga yaitu:

� DSS pasif adalah sistem yang membantu proses

pengambilan keputusan, tetapi tidak dapat memberi saran

keputusan atau solusi yang tegas. Sistem DSS inilah yang

diusulkan dan dibuat oleh penulis dalam proyek ini.

� DSS aktif dapat memberi saran atau solusi tersebut dengan

tegas dan jelas.

� Cooperative DSS memungkinkan untuk proses berulang-

ulang antara manusia dan sistem terhadap pencapaian

solusi konsolidasi. Pembuat keputusan dapat

memodifikasi, melengkapi atau memperbaiki saran

keputusan yang disediakan oleh sistem untuk validasi.

(Binus University, 2017)

Pada akhirnya, aktivitas terakhir yang penulis lakukan pada

tahap ini adalah pengusulan solusi BI. Pengusulan solusi BI yang

dilakukan penulis pun dilakukan dengan mempertimbangkan tujuan

perusahaan, masalah yang sedang dialami perusahaan, system

perusahaan saat ini dan keadaan serta aset yang dimiliki perusahaan

saat ini(seperti data petani, data lahan, dan sebagainya).

2. Tahap Planning: aktivitas project planning.

Pada tahap ini, requirements dan scope dari proyek

ditentukan sesuai dengan tujuan yang telah ditentukan pada tahapan

sebelumya yaitu Business case assessment.

Project requirements adalah kondisi atau tasks yang harus

diselesaikan untuk memastikan kesuksesan atau keselesaian dari

proyek (Raynor, n.d.). Tanudjaja. (2018) mengatakan bahwa tujuan

dari requirement gathering adalah untuk memahami user secara

lebih dalam, mengidentifikasi kebutuhan user yang belum

terpenuhi, dan menentukan kebutuhan mana yang bisa dipenuhi.

(TANUDJAJA, 2018)

Setelah itu, penulis memeriksa kondisi dari sumber data

yang akan diolah dan kemudian mempelajarinya untuk menentukan

apakah data dapat digunakan dalam proyek, penulis juga dapat

memperkirakan waktu untuk menyelesaikan proyek dengan

memahami data yang telah diberikan.

Kemudian, penulis menentukan Critical Success Factors.

Morrison. (2016) mengatakan bahwa Critical Success Factors

adalah faktor atau aktivitas penting yang dibutuhkan untuk

memastikan kesuksesan bisnis (proyek) (Morrison, 2016) dan,

setelah penulis melakukan semua tugas tersebut, barulah penulis

mulai mengerjakan proyek.

3. Tahap Business Analysis: aktivitas Data Analysis.

Data Analysis terdiri dari pre-processing data dan

pembuatan Entity Relationship Diagram (ERD).

Pre-processing data adalah sebuah tahapan pemprosesan

data yang dilakukan untuk memastikan bahwa data yang akan

digunakan memenuhi kriteria-kriteria dari data yang baik seperti:

• Akurat (data yang tercatat sesuai dengan kenyataan di

lapangan)

• Complete atau lengkap (tidak ada data yang kosong, tidak

tersedia atau tidak tercatat yang akan menimbulkan

masalah saat tahapan pengolahan data selanjutnya)

• Konsistensi (semua data memiliki format yang sama,

seperti; untuk semua data huruf menggunakan varchar

dan untuk semua data angka menggunakan integer,

semua data juga diupdate di saat yang sama, sehingga

tidak ada data yang masih merupakan data lama

sementara data lainnya adalah data baru)

• Timeliness (data diperbarui secara berkala, sehingga data

yang digunakan adalah yang terbaru)

• Believability (data berasal dari sumber berkualitas

sehingga data yang digunakan atau diberikan pastilah

merupakan data yang benar dan terpercaya)

• Interpretability (data mudah untuk dimengerti dan

diinterpretasikan)

Pre-processing data itu sendiri terdiri dari beberapa aktivitas

atau kegiatan yang berbeda-beda yang ditunjukkan pada gambar

2.2, antara lain:

• Data Cleaning: merupakan aktivitas membersihkan data

yang terdiri dari; mengisi nilai atau data yang kosong,

memperbaiki data noise(data yang salah atau

termodifikasi karena satu dan lain hal), mengidentifikasi

dan menghapus data outliers(data yang sangat berbeda

dari data lainnya), menyelesaikan inkonsistensi data dan

memperbaiki data yang terduplikasi.

• Data integration: merupakan aktivitas menggabungkan

atau mengintegrasikan data dari database-database,

data cubes atau files yang berbeda menjadi satu.

• Data reduction: merupakan aktivitas memotong data

sehingga hanya mengambil data yang penting atau

berguna saja untuk diolah dalam proyek.

• Data transformation: merupakan aktivitas menyamakan

format dan bentuk data sehingga data yang berada di

kolom yang sama atau memiliki atribut yang sama

memiliki jenis dan tipe data yang sama juga.

Gambar 2.2 Aktivitas dalam data pre-processing

(sumber: buku data mining concepts and techniques (Han, Kamber, & Pei, 2012)

Hal.87)

Selain melakukan pre-processing data, penulis juga

membuat Entity Relationship Diagram (ERD). Menurut Tristin.

(2019) ERD adalah sebuah model untuk menyusun database agar

dapat menggambarkan data yang mempunyai relasi dengan

database yang akan didesain. ERD memiliki empat komponen

penyusun yaitu:

• Entitas (entity), yang merupakan kumpulan objek yang

dapat diidentifikasikan secara unik atau saling berbeda.

Simbol dari entitas biasanya digambarkan dengan

persegi panjang. Selain itu, ada juga “Entitas Lemah”

yang dilambangkan dengan gambar persegi panjang

kecil di dalam persegi panjang yang lebih besar. Disebut

entitas lemah karena harus berhubungan langsung

dengan entitas lain sebab dia tidak dapat teridentifikasi

secara unik.

• Atribut (attribute), yang merupakan deskripsi karakteristik

dari sebuah entitas dan memiliki bentuk elips.

• Relasi (relation), yang merupakan hubungan antara

sejumlah entitas yang berasal dari himpunan entitas

yang berbeda dan terbagi menjadi tiga jenis yaitu:

� Satu ke satu (One to one): setiap entitas hanya bisa

mempunyai relasi dengan satu entitas lain. Contoh:

siswa dengan nomor induk siswa.

� Satu ke banyak (One to many): hubungan antara

satu entitas dengan beberapa entitas dan sebaliknya.

Contoh: guru dengan murid dan sebaliknya.

� Banyak ke banyak (Many to many): setiap entitas

bisa mempunyai banyak relasi dengan entitas lain,

dan sebaliknya. Contoh: siswa dan ekstrakurikuler.

• Garis, yang berguna untuk menghubungkan antar atribut

untuk menunjukkan hubungan entitas pada ERD.

(Tristin, 2019)

4. Tahap Design: tidak ada aktivitas yang dipilih oleh penulis.

5. Tahap Construction: aktivitas Application Development dan Data

Mining.

Pada application development, requirement final dari

proyek ditentukan karena sembari berjalannya proyek dapat terjadi

perubahan requirement dari tahap project planning sebelumnya,

pada tahap ini penulis juga mendesign dan membuat dashboard.

Untuk penjelasan lebih detail dari dashboard akan diuraikan pada

poin selanjutnya.

Pada Data Mining, tujuan utama harus ditentukan sebelum

melakukan data mining lalu, penulis menyiapkan data agar data

dapat dimasukkan kedalam aplikasi RapidMiner seperti;

mengkategorikan data, memberi label pada data, menghitung range

dan kelompok data, menghapus data yang tidak dapat di-clustering

atau di-data mining-kan juga sebagainya. Data yang telah disiapkan

lalu dimasukkan kedalam RapidMiner untuk dilakukan data

mining. Setelah selesai, hasil dari data mining pun kemudian

diinterpretasikan. Untuk penjelasan lebih detail terkait aplikasi

RapidMiner, metode data mining clustering dan algoritma K-

Means yang digunakan, akan dijelaskan pada poin selanjutnya

dibawah.

6. Tahap Deployment: aktivitas Evaluation

Pada tahap ini, penulis merencanakan dan melakukan

pertemuan untuk mereview proyek yang telah dikerjakan. Penulis

mereview semua aspek dari proyek, mulai dari perencanaan,

dokumentasi, design, pengerjaan proyek sampai hasil akhir proyek.

Review adalah sebuah aktivitas dari memikirkan sesuatu

kembali antara untuk mengubahnya, memberikan opini tentangnya

atau mempelajarinya. (Cambridge, n.d.)

2.3 Dashboard

Menurut Authoni dan Suryani (2014) mengatakan bahwa dalam

menampilkan monitoring kinerja, dashboard merupakan alat untuk menyajikan

informasi tersebut. Dashboard memberikan tampilan antarmuka dengan berbagai

bentuk seperti diagram, laporan, indikator visual, mekanisme alert, yang

dipadukan dengan informasi yang dinamis dan relevan. Dashboard

mengkonsolidasikan dan menyajikan KPI (Key Performance Indicator) secara

sekilas dalam satu layar. Sementara itu, sistem dashboard adalah sekumpulan

dashboard yang digunakan untuk memenuhi kebutuhan bisnis dalam lingkup

tertentu. (Authoni & Suryani, 2014)

2.4 Data Mining

Menurut buku tentang Data Mining oleh Retno Tri Vulandari. (2017:2)

mengatakan bahwa Data mining merupakan serangkaian proses untuk menggali

nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari

suatu basis data. Informasi yang dihasilkan diperoleh dengan cara mengekstraksi

dan mengenali pola yang penting atau menarik dari data yang terdapat pada

database. Data mining terutama digunakan untuk mencari pengetahuan yang

terdapat dalam database yang besar sehingga sering disebut Knowledge Discovery

Database (KDD). (Vulandari, 2017)

KDD berhubungan dengan teknik integrasi dan penemuan ilmiah,

interpretasi dan visualisasi dari pola-pola sejumlah data. Data mining itu sendiri

memiliki dua kategori dan bermacam-macam metode dalam kategori masing-

masing. Ada dua kategori data mining yaitu prediktif dan deskriptif.

Sementara itu, menurut Ijrit, Palanichamy, Vinothini & Periyasamy.

(2014), “Data mining is the process of discovering previously unknown and

potentially interesting patterns in large datasets. The mined information is used

for representing as a model for prediction or classification. Data mining is mainly

categorized as descriptive and predictive data mining. There are two main

techniques namely classification and clustering.” (Ijrit, Palanichamy, Vinothini, &

Periyasamy, 2014)

Jadi, dapat disimpulkan bahwa data mining digunakan untuk mencari

informasi atau pola dalam dataset yang berjumlah sangat banyak, memiliki dua

kategori yaitu prediktif dan deskriptif dan juga memiliki dua teknik utama yaitu

klasifikasi dan clustering. Kategori yang dipilih dalam pengerjaan proyek ini oleh

penulis adalah deskriptif dan metode yang digunakan adalah metode clustering

dengan algoritma K-Means.

Sano. (2019) mengatakan bahwa Data Mining bekerja dengan cara

membuat beberapa model dari data yang ada dan relevan untuk mengidentifikasi

pola-pola diantara atribut-atribut yang ada di dalam dataset. Model adalah

penyajian matematis (persamaan linear sederhana dan/atau persamaan kompleks

yang sangat tidak linear) yang mengidentifikasi pola-pola diantara berbagai atribut

object yang ada di dalam dataset. Beberapa pola tersebut adalah bersifat deskriptif

(menjelaskan saling-keterkaitan atau persamaan dan kesamaan diantara berbagai

atribut tersebut), sementara yang lain adalah bersifat prediktif (memprediksi

‘value/hasil’ yang akan terjadi pada atribut-atribut tertentu). Secara umum, data

mining mengidentifikasi empat jenis pola utama:

• Association: untuk menemukan pengelompokan hal-hal yang biasanya

terjadi secara bersamaan, seperti market-basket analysis

• Predictions: menjelaskan sifat dasar kejadian di masa mendatang

terhadap peristiwa-peristiwa tertentu berdasarkan apa yang telah

terjadi di masa lalu, seperti memprediksi suhu pada hari tertentu.

• Clusters: mengidentifikasi pengelompokkan hal-hal berdasarkan

karakter-karakter yang sudah diketahui, seperti mengelompokkan

pelanggan dalam segment-segment yang berbeda berdasarkan

demographis dan perilaku pembelian di masa lalu.

• Sequential relationships: menemukan rangkaian peristiwa-peristiwa,

misalnya memprediksi bahwa seorang nasabah bank yang sudah

memiliki akun untuk checking akan segera membuka akun untuk

savings dan kemudian akan membukukan akun investment dalam

setahun kemudian. (Sano, 2019)

Riadi. (2017) mengatakan bahwa fungsi dari Data mining adalah untuk

membantu mendapatkan informasi yang berguna serta meningkatkan pengetahuan

bagi pengguna. Pada dasarnya, data mining mempunyai empat fungsi dasar yaitu:

• Fungsi Prediksi (prediction), Proses untuk menemukan pola dari data

dengan menggunakan beberapa variabel untuk memprediksikan

variabel lain yang tidak diketahui jenis atau nilainya.

• Fungsi Deskripsi (description), Proses untuk menemukan suatu

karakteristik penting dari data dalam suatu basis data.

• Fungsi Klasifikasi (classification), Klasifikasi merupakan suatu proses

untuk menemukan model atau fungsi yang digunakan untuk

mendeskripsikan data yang penting serta dapat meramalkan

kecenderungan data pada masa depan.

• Fungsi Asosiasi (association), Proses ini digunakan untuk menemukan

suatu hubungan yang terdapat pada nilai atribut dari sekumpulan

data. (Riadi, 2017)

Gambar 2.3 Bagan kategori data mining beserta metodenya masing-masing

Gambar 2.3 menunjukkan kategori dan metode dari data mining. Penulis

sendiri memilih kategori deskriptif dengan metode clustering. Untuk penjelasan

lebih jelas tentang kategori deskriptif dan metode clustering akan dijabarkan pada

penjelasan dibawah.

2.5 Deskriptif

Vulandari. (2017) mengatakan bahwa tujuan dari data mining deskriptif

adalah untuk menurunkan pola-pola (korelasi, trend, cluster, teritori, dan anomali)

yang meringkas hubungan yang pokok dalam data. (Vulandari, 2017)

Sementara itu, menurut Kodeeshwari & Ilakkiya. (2017:17) mengatakan

bahwa “Descriptive data mining tasks characterize the general properties of the

data in the database while predictive data mining is used to predict the direct

values based on patterns determined from known results.” (Kodeeshwari &

Ilakkiya, 2017)

Sehingga, bisa disimpulkan bahwa data mining descriptive

mengkarakterisasikan pola atau sifat yang ada dalam data agar dapat mengetahui

hubungan antar data-data yang ada.

2.6 Clustering

Muflikhah, Ratnawati, & Putri. (2018:11) mengatakan bahwa Clustering

disebut juga segmentation merupakan salah satu metode data mining deskriptif,

tanpa memerlukan proses pelatihan dan pengawasan (unsupervised learning).

(Muflikhah, Ratnawati, & Putri, 2018), Vulandari. (2017:60) mengatakan bahwa

clustering adalah proses pengelompokkan sejumlah data atau objek ke dalam

kelompok data sehingga setiap kelompok berisi data yang mirip. Metode ini

digunakan untuk mengidentifikasi kelompok alami dari sebuah kasus yang

didasarkan pada sebuah kelompok atribut, mengelompokkan data yang memiliki

kemiripan atribut. (Vulandari, 2017)

Muflikhah, Ratnawati, & Putri. (2018:73) mengatakan bahwa Clustering

mengorganisasikan sekelompok data kedalam kelompok-kelompok sedemikian

rupa sehingga objek-objek yang serupa akan menjadi satu cluster sedangkan

objek-objek yang tidak serupa menjadi anggota cluster yang lain sehingga dalam

setiap cluster akan berisi data yang semirip mungkin. Ukuran kemiripan biasanya

dihitung dengan jarak. Jarak dalam satu cluster dibuat sedekat mungkin dan jarak

antar cluster diusahakan untuk sejauh mungkin. (Muflikhah, Ratnawati, & Putri,

2018)

Suyanto. (2017:262-269) mengatakan bahwa Clustering memiliki

algoritma-algoritma yang dapat digunakan antara lain:

1. K-Means yaitu algoritma yang dimulai dengan

menetapkan nilai pusat terlebih dahulu untuk menjadi pusat

sementara dari centroid atau cluster, kemudian dengan menggunakan

rumus menghitung jarak setiap data ke pusat sehingga data yang

lebih dekat ke pusat menjadi satu kelompok dan data yang jauh

menjadi kelompok lainnya. Algoritma ini adalah algoritma yang

dipilih oleh penulis untuk diterapkan dalam proyek yang dikerjakan

karena lebih sesuai dengan data yang digunakan serta tujuan dari

proyek ini. Untuk penjelasan lebih detail dari algoritma ini, akan

dijelaskan di bawah.

2. K-Modes yaitu algoritma yang menggunakan modus atau

modes (nilai yang sering muncul). Sehingga, tentu saja harus

menggunakan ukuran dissimalirity yang berhubungan dengan objek

data bernilai nominal dan menggunakan suatu metode berbasis

frekuensi untuk memperbarui modus dalam setiap cluster. Langkah-

langkah algoritma K-Modes sama persis dengan K-Means, hanya tiga

hal yang harus diubah: dissimilarity, modus, dan metode berbasis

frekuensi untuk memperbarui modus.

3. K-Medoids yaitu algoritma yang menggunakan teknik berbasis objek

representatif (perwakilan) yang disebut medoids. K-Medoids

melakukan partisi dengan cara meminimalkan jumlah dissimilarity

antara setiap objek p dan objek representatif terdekat, yaitu

menggunakan jumlah kesalahan absolut. Konsekuensi dari strategi ini

adalah kompleksitas komputasi yang menjadi lebih tinggi, karena

harus melakukan pengecekan apakah penggantian objek representatif

dengan setiap objek lain yang bukan representatif akan meningkatkan

kualitas klasterisasi.

Tabel 2.1 Tabel perbandingan K-Means, K-Modes. Dan K-Medoids

K-Means K-Modes K-Medoids

Waktu Relatif lebih

cepat

Relatif lebih

cepat

Relatif lebih cepat

Tingkat Cukup mudah Cukup

mudah

Kompleksitas tinggi

Tipe data Numerik Nominal Numerik

4. Fuzzy C-Means (FCM) atau Fuzzy ISODATA yaitu algoritma yang

digunakan saat ada objek data yang terpisah jauh dari semua cluster

yang ada sehingga tidak bisa menggunakan algoritma K-Means, K-

Modes atau K-Medoids. Pada dasarnya, cara kerja Fuzzy C-Means

mirip dengan K-Means, namun ada dua hal yang membedakan antara

Fuzzy C-Means dengan K-Means, yaitu:

� Pada Fuzzy C-Means, setiap objek dibiarkan menjadi

anggota dari semua k cluster dengan derajat keanggotaan

berbeda-beda yang jika dijumlahkan sama dengan satu.

� Fuzzy C-Means menggunakan fungsi objektif yang dapat

dipandang sebagai total variansi objek dari centroid c.

(Suyanto, 2017)

2.7 K-Means

Yunita. (2018) menyatakan bahwa K-Means adalah salah satu metode data

non-hierarchical clustering yang dapat mengelompokkan data ke dalam beberapa

cluster berdasarkan kemiripan dari data tersebut, sehingga data yang memiliki

karakteristik yang sama dikelompokkan dalam satu cluster dan yang memiliki

karakteristik yang berbeda dikelompokkan dalam cluster yang lain. (Yunita, 2018)

Vulandari. (2017) menyatakan bahwa algoritma clustering K-Means

dilakukan berulang-ulang. Algoritma K-Means menetapkan nilai-nilai cluster (K)

secara random, untuk sementara nilai tersebut menjadi pusat dari cluster atau biasa

disebut dengan centroid, mean atau “means”. Kemudian menghitung jarak setiap

data yang ada terhadap masing-masing centroid menggunakan rumus Euclidian

pada gambar 2.4 dibawah hingga ditemukan jarak yang paling dekat dari setiap

data dengan centroid. (Vulandari, 2017)

Gambar 2.4 Rumus Euclidian

(sumber: buku data mining concepts and techniques (Han, Kamber, & Pei, 2012)

Hal.72)

Untuk mendapatkan nilai K yang paling optimal pada clustering K-Means,

perlu menghitung menggunakan Elbow Method seperti pada Gambar 2.5 dibawah.

Merliana, Ernawati, & Santoso. (2015:3) mengatakan Elbow Method adalah suatu

metode yang digunakan untuk menghasilkan informasi dalam menentukan jumlah

cluster terbaik dengan cara melihat persentase hasil perbandingan antara jumlah

cluster yang membentuk siku pada suatu titik. (Merliana, Ernawati, & Santoso,

2015) Metode ini dimulai dengan menentukan nilai K awal lalu kemudian

menghitungnya menggunakan rumus within-cluster sum of variance/error (SSE),

setelah itu terus menambah nilai K dan kemudian menghitungnya kembali dengan

rumus. Persentase perhitungan yang dihasilkan akan menjadi pembanding antara

jumlah cluster. Hasil persentase yang berbeda dari setiap nilai cluster dapat

ditunjukan dengan menggunakan grafik. Sudut dengan penurunan paling besar

adalah nilai cluster terbaik yang akan dipilih.

Gambar 2.5 Rumus Elbow Method

(sumber: jurnal Analisa Penentuan Jumlah Cluster Terbaik Pada Metode K-Means

Clustering (Merliana, Ernawati, & Santoso, 2015) Hal.3)

2.8 Software

2.8.1 Microsoft Excel

Data source yang digunakan dalam proyek ini adalah Microsoft

Excel. Microsoft Excel merupakan salah satu program software bagian

dari Microsoft office yang diproduksi oleh Microsoft yang

memungkinkan pengguna untuk mengatur, memformat dan

mengkalkulasi data dalam formula dengan sistem spreadsheet.

(techopedia, n.d.)

Gambar 2.6 Tampilan halaman awal Microsoft Excel

Gambar 2.6 menampilkan tampilan halaman awal aplikasi

Microsoft Excel, untuk membuka folder pilih menu buka dan untuk

membuat file kosong pilih menu baru. Setelah memilih menu baru maka

akan muncul spreadsheet kosong seperti pada gambar 2.7.

Gambar 2.7 Tampilan Spreadsheet kosong Microsoft Excel

Sebuah sheet atau worksheet atau spreadsheet dalam Microsoft

Excel merupakan sebuah halaman lembar kerja. Lembar kerja atau

spreadsheet dalam Microsoft Excel dapat berjumlah sangat banyak dan

dapat ditambah sesuai kebutuhan. Cell atau Sel merupakah bagian terkecil

dari spreadsheet yang dapat diisi dengan karakter(Maximal 255

Karakter). Isi cell dapat berupa nilai, angka, formula atau text. Kolom

atau column adalah ruang antara 2 garis tegak(vertikal) pada worksheet,

setiap kolom memiliki nama berdasarkan abjad, dari kolom A hingga Z,

dilanjut AA hingga XFD. Baris atau row adalah ruang antara 2 garis

mendatar(horisontal) pada worksheet, untuk setiap baris memiliki nama

berdasarkan angka, dari 1 hingga 1.048.576.

Pengguna dapat menuliskan formula atau rumus dalam cell yang

ada untuk melakukan komputasi, perhitungan, pengeditan maupun

pengolahan dari data. Sebuah formula biasanya dimulai dengan tanda

sama dengan (=) dan kemudian dilanjutkan dengan rumus yang ingin

digunakan dan nama cell yang ingin diolah.

2.8.2 Power BI

Aplikasi yang digunakan oleh penulis untuk membuat dashboard

adalah Power BI. Power BI adalah sebuah aplikasi oleh Microsoft yang

berfungsi sebagai sebuah solusi analitik yang memungkinkan untuk

memvisualisasikan data dan saling membagikan wawasan di sebuah

organisasi, atau untuk menanamkan analitik pada sebuah aplikasi atau

website (Microsoft, 2019)

Gambar 2.8 Tampilan loading Power BI

Gambar 2.9 Tampilan awal Power BI

Gambar 2.10 Tampilan lembar kerja kosong Power BI

Saat membuka aplikasi Power BI, akan muncul layar loading

seperti pada Gambar 2.8. Setelah selesai, maka akan muncul tampilan

layar awal pada Gambar 2.9. Jika ingin mulai menggunakan aplikasi,

dapat menutup popup dan akan muncul lembar kerja kosong seperti pada

Gambar 2.10.

Blythe & Sparkman. (2019) mengatakan bahwa Power BI

memiliki koleksi software, aplikasi dan konektor yang bekerja bersama

untuk mengubah data-data dari berbagai sumber yang tidak berhubungan

menjadi wawasan atau ilmu yang koheren, imersif secara visual dan

interaktif. Power BI memiliki tiga bagian seperti yang ditunjukkan pada

Gambar 2.11 dibawah, yaitu:

1. Aplikasi Windows Desktop bernama Power BI Desktop, aplikasi

inilah yang digunakan penulis dalam proyek ini.

2. Servis SaaS (Software as a Service) online bernama Power BI

service

3. Aplikasi mobile Power BI untuk alat Windows, iOS dan Android.

(Blythe & Sparkman, 2019)

Gambar 2.11 Ketiga aplikasi Power BI

(sumber: https://docs.microsoft.com/en-us/power-bi/fundamentals/power-bi-overview)

2.8.3 Rapid Miner

RapidMiner adalah aplikasi yang digunakan oleh penulis untuk

melakukan Data Mining. RapidMiner merupakan pemimpin untuk system

open source dari data mining. Tersedia sebagai aplikasi stand-alone

untuk data analisis dan mesin data mining untuk diintegrasikan kepada

aplikasi milik pengguna.

Ketika membuka aplikasi RapidMiner, tampilan awal yang

muncul adalah lembar kerja kosong seperti pada Gambar 2.12. Setelah itu

pengguna dapat langsung melakukan load data dan kemudian melakukan

data mining.

Gambar 2.12 Tampilan RapidMiner

2.9 Kerangka Pikir

Gambar 2.13 menunjukkan Kerangka pikir yang digunakan oleh penulis

dalam proyek ini. Kerangka pikir ini memiliki enam tahapan. Tahapan pertama

adalah penulis mendapatkan data petani dari tim lapangan Agree Modal. Tahapan

kedua adalah penulis menganalisis kebutuhan bisnis perusahaan, memeriksa DSS

untuk mengetahui apa yang diperlukan oleh perusahaan dan bagaimana penulis

dapat menyelesaikan permasalahan perusahaan. Tahapan ketiga adalah penulis

menentukan requirements, scope, dan critical success factors. Tahapan keempat

penulis melakukan data analysis, yaitu melakukan pre-processing dan pembuatan

ERD. Kemudian pada tahapan kelima, penulis melakukan application development

dan data mining yaitu dengan pembuatan dashboard dan clustering. Tahap

terakhir penulis melakukan evaluasi kepada Product Owner. Semua tahapan

tersebut telah ditunjukkan pada gambar 2.13 dibawah.

Gambar 2.13 Kerangka Pikir