KLASIFIKASI TINGKAT PRODUKTIVITAS TANAMAN PADI DI

KLASIFIKASI TINGKAT PRODUKTIVITAS TANAMAN

PADI DI KABUPATEN KARAWANG MENGGUNAKAN

METODE NAÏVE BAYES DAN K-FOLD CROSS

VALIDATION

SKRIPSI

Oleh:

AHMAD BURHAN

311421192

TEKNIK INFORMATIKA

SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA

BEKASI

2018

vi

DAFTAR ISI

PERSETUJUAN ...................................................................................................... i

LEMBAR PENGESAHAN SKRIPSI .................................................................... ii

PERNYATAAN KEASLIAN PENELITIAN ....................................................... iii

KATA PENGANTAR ........................................................................................... iv

DAFTAR TABEL ................................................................................................... x

DAFTAR GAMBAR ........................................................................................... xiii

ABSTRACT ........................................................................................................... xiii

ABSTRAK ........................................................................................................... xix

BAB I PENDAHULUAN ....................................................................................... 1

1.1 Latar Belakang ......................................................................................... 1

1.2 Identifikasi Masalah ................................................................................. 3

1.3 Rumusan Masalah .................................................................................... 3

1.4 Batasan Masalah ....................................................................................... 3

1.5 Tujuan dan Manfaat .................................................................................. 3

1.5.1 Tujuan ............................................................................................... 3

1.5.2 Manfaat ............................................................................................. 4

1.6 Sistematika Penulisan ............................................................................... 4

BAB II TINJAUAN PUSTAKA ............................................................................. 6

vii

2.1 Kajian Pustaka .......................................................................................... 6

2.2 Pengertian Data Mining .......................................................................... 12

2.2.1 Proses Knowladge Discovery in Database ............................................. 12

2.2.2 Data Preprocessing ................................................................................ 14

2.2.3 Tugas Data Mining ................................................................................. 16

2.2.4 Supervised Learning ............................................................................... 19

2.2.5 Unsupervised Learning .......................................................................... 20

2.2.6 Algoritma Naïve Bayes ........................................................................... 20

2.2.6.1 Langkah Penyelesaian Naïve Bayes………………………………………...21

2.2.7 Cross Validation ..................................................................................... 22

2.2.7.1 Two Cross Validation…..……………………………………………………22

2.2.7.2 K-Fold Cross Validation…..…………………………………………..……22

2.2.8 Confusion Matrix .................................................................................... 23

2.3 Pengertian Produktivitas ......................................................................... 24

2.4 Pengertian Padi ....................................................................................... 25

2.4.1 Faktor yang mempengaruhi produktivitas tanaman padi .................... 26

2.5 Kerangka Berfikir ................................................................................... 28

BAB III METODOLOGI PENELITIAN.............................................................. 45

3.1 Pendahuluan ........................................................................................... 45

3.2 Kebutuhan Hardware dan Software ....................................................... 45

viii

3.3 Metode Pengumpulan Data .................................................................... 46

3.4 Preprocessing Data ................................................................................ 47

3.4.1 Penggantian Nilai Atribut ................................................................... 48

3.4.2 Missing Values .................................................................................... 49

3.4.3 Penanganan Missing Values................................................................ 51

3.4.3.1 Pendefinisian Atribut Dengan Nominal .......................................... 51

3.4.3.2 Mencari Missing Values ................................................................. 52

3.4.3.3 Proses Penggantian Nilai Missing Values....................................... 54

3.4.4 Transformasi Data............................................................................... 55

3.5 Proses Pengujian ..................................................................................... 55

BAB IV HASIL DAN PEMBAHASAN .............................................................. 62

4.1 Dataset .................................................................................................... 62

4.1.1 Preprocessing Data ............................................................................. 62

4.1.2 Hasil Pecarian Missing Values ............................................................ 62

4.1.3 Hasil Penanganan Missing Values ...................................................... 63

4.1.4 Hasil Transformasi Data ..................................................................... 68

4.2 Perhitungan Naïve Bayes ........................................................................ 69

4.3 Proses Pengujian ..................................................................................... 76

4.3.1 Hasil Pengujian ................................................................................... 76

4.3.1.1 Hasil Klasifikasi Produktivitas Tanaman Padi ................................ 82

ix

4.3.1.1.1 Hasil Klasifikasi Pengujian 1 .......................................................... 82






4.3.1.1.7 Hasil Klasifikasi Pengujian 7 ........................................................ 100



4.3.1.1.10 Hasil Klasifikasi Pengujian 10 .................................................. 109

4.3.1.2 Analisa Hasil Klasifikasi Produktivitas Tanaman Padi ................ 113

4.3.2 Hasil Rata-Rata Akurasi ................................................................... 114

BAB V KESIMPULAN ...................................................................................... 115

5.1 Kesimpulan ........................................................................................... 115

5.2 Saran ..................................................................................................... 116

DAFTAR PUSTAKA ......................................................................................... 117

LAMPIRAN ........................................................................................................ 118

x

DAFTAR TABEL

Tabel 2.1 Ringkasan penelitian terkait .................................................................... 8

Tabel 2.2 Confusion Matrix .................................................................................. 24

Tabel 3.1 Kebutuhan Hardware dan Software ...................................................... 45

Tabel 3.2 Bentuk data asli ..................................................................................... 46

Tabel 3.3 Variabel yang akan di rubah ke Interval ............................................... 46

Tabel 3.4 Data setelah dirubah .............................................................................. 49

Tabel 3.5 Pembagian Data Testing ........................................................................ 57

Tabel 3.6 Pembagian Data Training ...................................................................... 58

Tabel 3.7 Skema Training ..................................................................................... 58

Tabel 3.8 Pengujian Berdasarkan Fold Cross Validation ...................................... 60

Tabel 4.1 Hasil Pencarian Missing Values ............................................................ 63

Tabel 4.2 Data Atribut Mengandung Missing Values .......................................... 64

Tabel 4.3 Hasil Penggantian Atribut Missing Values ............................................ 65

Tabel 4.4 Data Ketentuan Nilai Transformasi Dataset ......................................... 66

Tabel 4.5 Keterangan Pembagian Dataset Pengujian 1 ........................................ 82

Tabel 4.6 Hasil Akurasi Benar Pengujian 1 .......................................................... 83

Tabel 4.7 Hasil Akurasi Salah Pengujian 1 ........................................................... 85

Tabel 4.8 Keterangan Pembagian Dataset Pengujian 2 ........................................ 85

xi

Tabel 4.9 Hasil Akurasi Benar Pengujian 2 .......................................................... 86

Tabel 4.10 Hasil Akurasi Salah Pengujian 2 ......................................................... 87

Tabel 4.11 Keterangan Pembagian Dataset Pengujian 3 ...................................... 88

Tabel 4.12 Hasil Akurasi Benar Pengujian 3 ........................................................ 89







Tabel 4.19 Hasil Akurasi Salah Pengujian 5 .......................................................... 96




Tabel 4.23 Keterangan Pembagian Dataset Pengujian 7 .................................... 100

Tabel 4.24 Hasil Akurasi Benar Pengujian 7 ...................................................... 101

Tabel 4.25 Hasil Akurasi Salah Pengujian 7 ....................................................... 102

Tabel 4.26 Keterangan Pembagian Dataset Pengujian 8 .................................... 103



xii

Tabel 4.29 Keterangan Pembagian Dataset Pengujian 9 ..................................... 106



Tabel 4.32 Keterangan Pembagian Dataset Pengujian 10 .................................. 109

Tabel 4.33 Hasil Akurasi Benar Pengujian 10 .................................................... 110

Tabel 4.34 Hasil Akurasi Salah Pengujian 10 ..................................................... 111

Tabel 4.35 Rincian Hasil Klasifikasi Produktivitas Padi .................................... 112

Tabel 4.36 Tingkat Akurasi Pengujian................................................................. 113

xiii

DAFTAR GAMBAR

Gambar 2.1 Proses K-Fold Cross Validation ......................................................... 23

Gambar 2.2 Kerangka Pemikiran ........................................................................... 28

Gambar 3.1 Pendefinisian atribut missing values .................................................. 52

Gambar 3.2 Menampilkan atribut missing pada Missing Values Analyst .............. 53

Gambar 3.3 Input Variabel ke Categorical Variables ........................................... 53

Gambar 3.4 Menampilkan Atribut Berisi Nilai Atribut Numerik .......................... 54

Gambar 3.5 Proses Handling Missing Values Dengan Mean ................................ 54

Gambar 3.6 Bentuk Transormasi Data ................................................................... 55

Gambar 3.7 Proses pengujian menggunakan k-fold cross validation .................... 56

Gambar 4.1 Dataset Penelitian .............................................................................. 62

Gambar 4.2 Bentuk Dataset setelah Transformasi Data ........................................ 68

Gambar 4.3 Flowchart Perhitungan Naïve Bayes ................................................. 69

Gambar 4.4 Model Pengujian ............................................................................... 75

Gambar 4.5 Hasil Pengujian 1 .............................................................................. 77




Gambar 4.9 Hasil Pengujian 5 ............................................................................... 79

xiv

Gambar 4.10 Hasil Pengujian 6 ............................................................................ 79




Gambar 4.14 Hasil Pengujian 10 .......................................................................... 82

Gambar 4.15 Hasil Klasifikasi Benar Pengujian 1................................................. 83

Gambar 4.16 Hasil Klasifikasi Salah Pengujian 1 ................................................. 84



Gambar 4.19 Hasil Klasifikasi Benar Pengujian 3 ................................................ 89

Gambar 4.20 Hasil Klasifikasi Salah Pengujian 3 ................................................ 90







Gambar 4.27 Hasil Klasifikasi Benar Pengujian 7 .............................................. 101

Gambar 4.28 Hasil Klasifikasi Salah Pengujian 7 .............................................. 102

Gambar 4.29 Hasil Klasifikasi Benar Pengujian 8 .............................................. 104

xv

Gambar 4.30 Hasil Klasifikasi Salah Pengujian 8 .............................................. 105

Gambar 4.31 Hasil Klasifikasi Benar Pengujian 9............................................... 107

Gambar 4.32 Hasil Klasifikasi Salah Pengujian 9 ............................................... 108

Gambar 4.33 Hasil Klasifikasi Benar Pengujian 10............................................. 110

Gambar 4.34 Hasil Klasifikasi Salah Pengujian 10 ............................................. 111

xviii

ABSTRACT

This research was conducted in three stages, namely the data processing

stage, the testing stage and the stage of searching for model accuracy. The data

processing stage uses IBM SPSS Statistics 22 software to find missing data and

replace missing values with mean means. The testing phase uses the RapidMiner

Studio software to find the accuracy value with the k-fold validation scheme and to

test it ten times. The results of each test obtained in the form of Confusion matrix

and the value taken is accuracy which will be used as a search value of the accuracy

of the model in the classification of rice productivity levels. From the tests carried

out ten times, the accuracy value of the model in classifying productivity levels with

the k-fold validation scheme of 87.22% proves that the naïve bayes method has a

good classification. The results of the classification can be a reference for the

government in determining which sub-districts will be of particular concern in rice

cultivation in Karawang Regency.

Keyworad:Naïve Bayes, K-Fold Validation, Rapid Miner, IBM Statistic 22, Rice

Productivity, Classification.

xix

ABSTRAK

Penelitian ini dilakukan dengan tiga tahap, yaitu tahap pemrosesan data,

tahap pengujian dan tahap mencari akurasi model. Tahap pemrosesan data

menggunakan software IBM SPSS Statistic 22 untuk pencarian data missing dan

mengganti nilai missing dengan rata-rata mean. Tahap pengujian menggunakan

software RapidMiner Studio untuk mencari nilai akurasinya dengan skema k-fold

validation dan melakukan pengujiannya sebanyak sepuluh kali. Hasil dari tiap

pengujian yang didapatkan berupa Confusion matrix dan nilai yang diambil adalah

accuracy yang akan dijadikan sebagai nilai pencarian dari akurasi model dalam

klasifikasi tingkat produktivitas padi. Dari pengujian yang dilakukan sebanyak

sepuluh kali didapatkan nilai akurasi dari model dalam mengklasifikasikan tingkat

produktivitas dengan skema k-fold validation sebesar 87,22% ini membuktikan

bahwa metode naïve bayes mempuyai klasifikasi yang baik. Hasil dari klasifikasi

bisa menjadi acuan pihak pemerintah dalam menentukan kecamatan mana yang

akan dijadikan perhatian khusus dalam budidaya padi di Kabupaten Karawang.

Kata kunci: Naïve Bayes, K-Fold Validation, Rapid Miner, IBM Statistic 22,

Produktivitas padi, Klasifikasi.

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Padi merupakan tanaman budidaya terpenting yang ada di Indonesia.

Setelah melalui beberapa tahapan proses, dari pemanenan padi sampai ke tahapan

proses penggilingan maka akan dihasilkanlah beras, yang merupakan bahan

makanan pokok untuk penduduk Indonesia.

Kabupaten Karawang merupakan penghasil padi terbesar kedua setelah

Kabupaten Indramayu di peringkat pertama dan Kabupaten Subang di peringkat

ketiga, dengan penghasilan padi mencapai 1.070.505 ton GKP (Gabah Kering

Panen) atau setara dengan beras 647.655 ton, yakni sekitar 71,85% dari target

produksi 1.489.781 ton GKP (Badan Pusat Statistik Jawa Barat, 2015).

Berdasarkan data tersebut Kabupaten Karawang perlu adanya suatu model

yang mampu mengklasifikasikan beberapa informasi yang masuk pada Dinas

Pertanian dan Kehutanan Kabupaten Karawang tentang tingkat produktivitas

tanaman padi yang ada di wilayah Kabupaten Karawang sehingga mampu

memberikan informasi kepada petani dalam mempersiapkan budidaya padi.

Kesalahan dalam menentukan tingkat produktivitas tanaman padi oleh

petani berakibat fatal antara lain mengalami gagal panen, produksi menurun hingga

mengalami kerugian. Hal ini berimbas pada kurangnya pasokan beras yang ada di

2

Kabupaten Karawang sehingga mengakibatkan harga beras yang semakin melonjak

tinggi.

Naïve Bayes adalah teknik pengklasifikasian dengan menggunakan metode

probabilitas dan statistik yang diciptakan oleh ilmuwan inggris Thomas Bayes.

Algoritma ini mengasumsikan bahwa atribut bersifat independen (tidak ada kaitan

antar atribut). Naïve Bayes merupakan salah satu algoritma yang terdapat pada

teknik kalsifikasi, yaitu memprediksi peluang dimasa depan berdasarkan

pengalaman dimasa sebelumnya sehingga dikenal sebagai teorema bayes. Naïve

Bayes Classifier bekerja sangat baik dibanding dengan model classifier lainnya.

Hal ini dibuktikan pada jurnal Xhemali, Daniela, Chris J. Hinde, and Roger G.

Stone. “Naive Bayes vs. decision trees vs. neural networks in the classification of

training web pages.” (2009), mengatakan bahwa “Naïve Bayes Classifier memiliki

tingkat akurasi yg lebih baik dibanding model classifier lainnya”.

Dari uraian permasalahan yang ada penulis terdorong untuk berkontribusi

dalam memberikan solusi pada permasalahan tersebut dalam bentuk tugas akhir

yaitu melakukan analisa pada data yang telah didapatkan. Pada penelitian ini data

yang digunakan sebagai dataset adalah data dari dinas pertanian dan kehutanan

Kabupaten Karawang dari tahun 2010 sampai dengan tahun 2015. Adapun judul

penelitian yang akan dilakukan adalah :

“ KLASIFIKASI TINGKAT PRODUKTIVITAS TANAMAN PADI DI

KABUPATEN KARAWANG MENGGUNAKAN METODE NAÏVE BAYES

DAN K-FOLD CROSS VALIDATION “.

3

1.2 Identifikasi Masalah

Berdasarkan latar belakang yang telah disampaikan, maka yang menjadi

permasalahannya adalah tinggi rendahnya produktivitas tanaman padi di suatu

daerah yang berada pada Kabupaten Karawang sangat berpengaruh terhadap

ketersediaan bahan pangan padi mengingat Kabupaten Karawang merupakan

penyumbang padi tertinggi yang ada di Indonesia.

1.3 Rumusan Masalah

Berdasarkan latar belakang dan identifikasi masalah yang telah

disampaikan, maka perumusan masalah dalam penelitian ini adalah

1. Bagaimana mengimplementasikan metode Naïve Bayes untuk Klasifikasi

tingkat produktivitas padi di Kabupaten Karawang dengan skema K-Fold

Validation?

1.4 Batasan Masalah

Agar pembahasan penelitian ini terarah dan tidak terlalu luas maka

pembahasan penetitian ini perlu dibatasi, yaitu:

1. Data yang diproses berupa data historis yang didapat dari Dinas Pertanian

dan Kehutanan Kabupaten Karawang dari Tahun 2010 sampai Tahun 2015.

2. Skema untuk pengolahan data menggunakan K-Fold Validation.

1.5 Tujuan dan Manfaat

Adapun tujuan dan manfaat dari penelitian ini adalah sebagai berikut:

1.5.1 Tujuan

Adapun tujuan penelitian ini adalah:

4

1. Mendapatkan hasil klasifikasi yang mampu untuk menjadi acuan dalam

memilih daerah yang cocok untuk tanaman padi.

1.5.2 Manfaat

Manfaat yang didapat dari penelitian ini, yaitu:

1. Bagi Penulis

Dapat menambah pengetahuan dan pengalaman dari ilmu yang didapat di

perkuliahan khususnya dari mata kuliah Data Mining

2. Bagi Kabupaten Karawang

Hasil klasifikasi metode Naïve Bayes mampu memberikan informasi yang

bermanfaat bagi pihak pemerintah Kabupaten Karawang dalam menentukan

daerah mana yang cocok untuk mengolah tanaman padi berdasarkan

produktivitasnya.

3. Bagi Akademik

Sebagai tolak ukur pemahaman dan penguasaan materi yang telah diajarkan.

Dapat menjadikan batu loncat untuk penelitian selanjutnya.

1.6 Sistematika Penulisan

Penulisan laporan penelitian ini dibagi kedalam 5 (lima) bab. Setiap bab

dibagi menjadi sub bab-sub bab. Adapun sistematika dari masing-masing bab

tersebut adalah sebagai berikut :

5

Bab 1 : Pendahuluan

Pada bab ini berisikan tentang latar belakang, identifikasi masalah,

rumusan masalah, tujuan dan manfaat, batasan masalah dan sistematika

penulisan.

Bab 2 : Tinjauan Pustaka

Tinjauan pustaka memuat penjelasan ringkas tentang teori sebelumnya

yang berkaitan dengan penelitian yang sudah dilakukan dan menyajikan

landasan teori yang berhubungan dengan pembuatan laporan ini, yakni

meliputi teori prediksi, produktivitas padi, metode naïve bayes untuk hasil

produktivitas padi di Kabupaten Karawang.

Bab 3 : Metodologi Penelitian

Bab III ini berisi tentang penerapan konsep dari Bab II untuk menganalisa

sesuai dengan tahapan penyelesaian masalah dengan penerapan algoritma

yang telah ditentukan.

Bab 4 : Hasil dan Pembahasan

Dalam Bab IV ini berisi tentang penjelasan tentang hasil dari penggunaan

metode atau algoritma dalam penyelesaian masalah terkait dalam

penelitian ini. Juga berisi tentang implementasi sistem (sitem

komputerisasi) berdasarkan dari perancangan yang telah dibuat.

Bab 5 : Kesimpulan dan Saran

Kesimpulan merupakan ringkasan dari temuan-temuan yang diperoleh

berdasarkan pembahasan yang dilakukan.

6

BAB II

TINJAUAN PUSTAKA

2.1 Kajian Pustaka

Sebelum melakukan penelitian penulis terlebih dahulu melakukan tinjauan

pustaka dari penelitian lain dan penelitian tentang klasifikasi tingkat produktivitas

tanaman padi maupun penelitian yang menggunakan metode Naïve Bayes ini

bukanlah penelitian yang pertama kalinya. Sebelumnya sudah ada penelitian yang

membahas mengenai beberapa yang menggunakan metode Naïve Bayes ini.

Berikut adalah beberapa penelitian tersebut.

Penelitian yang pertama adalah penelitian yang dilakukan oleh Alfa Saleh

yang berjudul “Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi

Besarnya Penggunaan Listrik Rumah Tangga”. Metode yang digunakan pada

penelitian ini adalah Algoritma Naive Bayes. Data yang digunakan adalah data

penggunaan listrik rumah tangga sebanyak 60 data. Tool yang digunakan untuk

implementasi sistem adalah weka. Penelitian ini menghasilkan bukti bahwa

algoritma Naive Bayes bisa diterapkan dalam pengklasifikasian besarnya

penggunaan listrik rumah tangga. Yang menghasilkan presentasi sebesar 78,3333%

dari 60 data training yang diuji terdapat 13 data yang tidak dapat diklasifikasikan

dengan baik selebihnya sebanyak 47 data dapat diklasifikasikan dengan baik.

Penelitian yang kedua adalah penelitian yang dilakukan oleh Hera Wasianti

dan Dwi Wijayanti. Penelitian yang berjudul “Sistem Pendukung Keputusan untuk

Menentukan Kelayakan Calon Tenaga Kerja Indonesia Menggunakan Metode

Naïve Bayes” . Metode yang digunakan pada penelitian ini adalah Algoritma

7

Klasifikasi Naive Bayesi dan Objek penelitian ini di PT.Karyatama Mitra Sejati

Yogyakarta. Data yang diperoleh adalah data pendaftar tenaga kerja di PT.

Karyatama Mitra Sejati Yogyakarta pada tahun 2012/2013 sebanyak 542 data

dengan 362 data training dan 180 dijadikan data tes. Dari penelitian ini

menghasilkan tingkat akurasi sebesar 73,89 % dengan tingkat error sebesar 26,11

%.

Penelitian yang ketiga adalah peneltian yang dilakukan oleh Arief Jananto,

yang berjudul “Data Mining Untuk Mencari Perkiraan Waktu Studi Mahasiswa”.

Teknik yang digunakan merupakan teknik klasifikasi dan menggunakan algoritma

Naive Bayes, tujuan dari penelitian tersebut adalah mengklasifikasi kelulusan

mahasiswa Udinus Fakultas Ilmu Komputer angkatan tahun 2009. Hasil dari

penelitian ini dengan menggunakan metode klasifikasi Naive Bayes dan dataset

berupa data mahasiswa Universitas Stikubank Semarang Fakultas Sistem Informasi

angkatan tahun 2008, mendapatkan hasil tingkat kesalahan prediksi berkisar 20%

sampai dengan 50% dengan data training dan testing yang diambil secara random.

Namun rata-rata tingkat kesalahan berkisar 20 % hingga 34%. Sedangkan untuk

akurasi kelulusan sebesar 254 mahasiwa di prediksi lulus tepat waktu sedangkan 4

mahasiswa di prediksi tidak tepat waktu. Tinggi rendahnya tingkat kesalahan dapat

disebabkan oleh jumlah record data dan tingkat konsistensi dari data training yang

digunakan.

Penelitian yang terakhir yang dilakukan oleh Betha Nurina Sari yang

berjudul “Prediksi Produktivitas Tanaman Padi di Kabupaten Karawang

menggunakan Bayesian Network”. Data yang digunakan pada penelitian ini yaitu

data produktivitas tanaman padi sawah selama 10 tahun 2010-2015 dari Dinas

8

Pertanian dan Kehutanan kabupaten Karawang. Tahap implementasi Bayesian

Network dalam penelitian ini melalui dua proses yaitu proses pembelajaran struktur

dan parameter dengan menggunakan software CaMML 1.41, dan untuk

mengevaluasi tingkat akurasi maupun log loss pada penggunaan Bayesian Network

maka digunakanlah Confusion Matrix. Hasil dari penelitan tersebut yaitu tingkat

akurasi yang tinggi diatas 90 %.

2.1 Tabel Ringkasan penelitian terkait

Peneliti Judul Metode Tahun Hasil Penelitian

Alfa Saleh Implementasi

Metode

Klasifikasi

Naïve Bayes

Dalam

Memprediksi

Besarnya

Penggunaan

Listrik Rumah

Tangga

Klasifikasi

Naïve Bayes

2015 Algoritma Naïve

Bayes bisa

diterapkan dalam

pengklasifikasian

besarnya

penggunaan listrik

rumah tangga.

Yang

menghasilkan

presentasi sebesar

78,3333% dari 60

data training yang

diuji terdapat 13

data yang tidak

dapat

9

diklasifikasikan

dengan baik

selebihnya

sebanyak 47 data

dapat

diklasifikasikan

dengan baik

Hera

Wasianti

dan Dwi

Wijayanti

Sistem

Pendukung

Keputusan

untuk

Menentukan

Kelayakan

Calon Tenaga

Kerja

Indonesia

Menggunakan

Metode Naïve

Bayes

Klasifikasi

Naïve Bayes

2014 Penggunaan

metode Naïve

Bayes mampu

mengklasifikasikan

Calon tenaga kerja

dengan tingkat

akurasi sebesar

73,89 % dengan

tingkat kesalahan

sebesar 26,11 %

Arief

Jananto

Data Mining

Untuk Mencari

Perkiraan

Klasifikasi

Naïve Bayes

2013 hasil tingkat

kesalahan prediksi

berkisar 20%

sampai dengan

10

Waktu Studi

Mahasiswa

50% dengan data

training dan testing

yang diambil

secara random.

Namun rata-rata

tingkat kesalahan

berkisar 20 %

hingga 34%.

Sedangkan untuk

akurasi kelulusan

sebesar 254

mahasiwa di

prediksi lulus tepat

waktu sedangkan 4

mahasiswa di

prediksi tidak tepat

waktu

Betha

Nurina Sari

Prediksi

Produktivitas

Tanaman Padi

di Kabupaten

Karawang

menggunakan

Bayesian

Network

2017 Bayesian Network

mampu

menghasilkan

tingkat akurasi di

atas 90 %

11

Bayesian

Network

Berikut adalah perbedaan penelitian yang penulis teliti dengan penelitian

sebelumnya adalah :

a. Data yang digunakan oleh penulis dalam penelitian ini adalah data

produktivitas tanaman padi di Kabupaten Karawang tahun 2010-2015 yang

diperoleh dari seorang peneliti UNSIKA Karawang.

b. Data yang dianalisa dan diproses oleh penulis akan dijadikan untuk

memprediksi tingkat produktivitas tanaman padi di Kabupaten Karawang

dengan parameter yang digunakan berupa rata-rata curah hujan, luas tanam,

produksi, luas panen, luas baku sawah, luas sawah, beserta hama-hamanya

dengan mengubah bentuk numerik kedalam bentuk nominal misalkan curah

hujan pada wilayah tertentu mempunyai nilai 15-10.000 m3 kemudian data

tersebut dirubah kebentuk interval 15-500 = rendah, 501-2000 = sedang,

2001-3000 = tinggi, 3001- 10.000 = sangat tinggi, begitupun dengan nilai

atribut lainnya.

c. Metode yang digunakan penulis dalam penelitian ini adalah algoritma

klasifikasi Naive Bayes, yang digunakan untuk memprediksi tingkat

produktivitas tanaman padi di Kabupaten Karawang. Untuk melihat tingkat

keakurasian data yang diteliti penulis menggunakan tools Rapidminer dan

SPSS untuk mengolah data yang missing dalam atribut.

12

2.2 Pengertian Data Mining

Menurut Chapman (2014), “Data mining membantu menemukan struktur

yang mendasari dalam data, untuk mengubah data menjadi informasi, dan informasi

menjadi pengetahuan. Penggalian data adalah ekstraksi informasi yang implisit,

sebelumnya tidak diketahui, dan berpotensi berguna dari data. Model yang

diekstraksi secara otomatis memberikan wawasan tentang perilaku pelanggan dan

dalam proses menghasilkan data, tetapi juga dapat diterapkan, misalnya, secara

otomatis mengklasifikasikan objek atau dokumen atau gambar ke dalam kategori

tertentu, untuk memperkirakan variabel target numerik, untuk memprediksi nilai

masa depan dari seri waktu yang diamati. dan banyak tugas lain di mana data

membantu untuk membuat keputusan yang lebih baik atau bahkan untuk

mengotomatisasi keputusan dan proses. ”

Sedangkan menurut Julian (2015), “Data mining berbicara tentang

memecahkan masalah dengan menganalisis data yang ada dalam database. Saat ini,

hal itu memenuhi syarat sebagai ilmu pengetahuan dan teknologi untuk menjelajahi

data untuk menemukan pola yang sudah ada yang tidak diketahui.”

2.2.1 Proses Knowledge Discovery in Database

Menurut Julian (2015), “Banyak orang membedakan DM sebagai sinonim

dari proses Knowledge Discovery in Databases (KDD), sementara yang lain

melihat DM sebagai langkah utama KDD. Ada berbagai definisi KDD. Misalnya,

ada yang mendefinisikannya sebagai proses trivial mengidentifikasi pola yang

valid, baru, berpotensi berguna, dan pada akhirnya dapat dipahami dalam data”

13

Pada KDD ini mengadopsi hybridization (hibridisasi) yang banyak

digunakan dalam beberapa tahun terakhir yang mengkategorikan tahapan-tahapan

ini menjadi enam langkah (Julian, 2015) :

1. Spesifikasi Masalah/Problem Specification

Merancang dan mengatur domain aplikasi, pengetahuan awal yang relevan

yang diperoleh oleh para ahli dan tujuan akhir yang dikejar oleh pengguna

akhir.

2. Pemahaman masalah/Problem Understanding

Pemahaman data yang dipilih untuk pendekatan dan pengetahuan ahli yang

terkait untuk mencapai tingkat kehandalan yang tinggi.

3. Pemrosesan Data/Data Preprocessing

Tahap ini mencakup operasi untuk Data Cleaning (seperti menangani

pnoise dan data yang tidak konsisten), Data Integration (di mana beberapa

sumber data dapat digabungkan menjadi satu), Data Transformation (di

mana data diubah dan dikonsolidasikan ke dalam bentuk yang sesuai untuk

spesifik Tugas DM ) dan Data reduction, termasuk pemilihan dan ekstraksi

fitur dan contoh dalam database. Fase ini akan menjadi fokus studi di

seluruh buku.

4. Penambangan Data/Datamining

Ini adalah proses penting di mana metode yang digunakan untuk

mengekstrak pola data yang valid. Langkah ini termasuk pilihan tugas DM

yang paling sesuai, (seperti klasifikasi, regresi, clustering dan asosiasi)

5. Evaluasi/Evaluation

14

Memperkirakan dan menafsirkan pola-pola yang ditambang berdasarkan

ukuran-ukuran yang menarik

6. Hasil Eksploitasi/Result Exploitation

Tahap terakhir mungkin melibatkan menggunakan pengetahuan secara

langsung, menggabungkan pengetahuan ke dalam sistem lain untuk proses

lebih lanjut atau hanya melaporkan pengetahuan yang ditemukan melalui

alat visualisasi.

2.2.2 Data Preprocessing

Langkah selanjutnya adalah mempertanyakan data yang akan digunakan.

Data masukan harus disediakan dalam jumlah, struktur, dan format yang sesuai

dengan setiap tugas DM dengan sempurna. Sayangnya, database dunia nyata sangat

dipengaruhi oleh faktor-faktor negatif seperti kehadiran noise, MV, data yang tidak

konsisten dan berlebihan dan ukuran besar baik dalam dimensi, contoh dan fitur.

Dengan demikian, data berkualitas rendah akan mengarah pada kinerja DM

berkualitas rendah (Julian, 2015).

Rincian lebih lanjut akan diberikan, yang bertujuan untuk memberikan

ringkasan singkat tentang teknik pra-pemrosesan data. Sub bagian disajikan

disajikan sesuai dengan jenis dan serangkaian teknik yang termasuk dalam setiap

kategori (Julian, 2015) :

1. Persiapan Data/Data Preparation

Persiapan data merupakan langkah wajib, untuk mengkonversi data yang

tidak berguna sebelumnya menjadi data baru yang sesuai dengan proses

DM. Pertama-tama, jika data tidak disiapkan, algoritma DM mungkin tidak

menerima untuk beroperasi atau pasti akan melaporkan kesalahan selama

15

dalam waktu prosesnya. Dalam kasus mungkin algoritma akan berfungsi

tetapi hasil yang ditawarkan tidak akan masuk akal atau tidak dianggap

sebagai pengetahuan yang akurat. Berikut adalah masalah menmdasar

dalam persiapan data :

a) Pembersihan Data/Data Cleaning

pembersihan data, termasuk operasi yang mengoreksi data buruk,

menyaring beberapa data yang salah dari kumpulan data dan

mengurangi detail data yang tidak perlu. Tugas pembersihan data

lainnya melibatkan deteksi ketidaksesuaian dan data kotor (fragmen

data asli yang tidak masuk akal). Tugas yang terakhir lebih terkait

dengan pemahaman data asli dan umumnya membutuhkan audit

manusia.

b) Transformasi Data/Data Transformation

Pada tahap ini data dikonversi atau dikonsolidasikan sehingga hasil

proses penambangan dapat diterapkan atau mungkin lebih efisien.

Subtugas dalam transformasi data adalah smoothing, konstruksi

fitur, agregasi atau peringkasan data, normalisasi, diskritisasi dan

generalisasi. Sebagian besar dipisahkan sebagai tugas independen,

karena fakta bahwa transformasi data, disebut sebagai data umum

preprocessing. keluarga dari teknik.

c) Integrasi Data/Data Integration

Ini terdiri dari penggabungan data dari beberapa data stores. Proses

ini harus dilakukan dengan hati-hati untuk menghindari redundansi

dan ketidak konsistenan dalam kumpulan data yang dihasilkan.

16

d) Normalisasi Data/Data Normalization

Unit pengukuran yang digunakan dapat mempengaruhi analisis data.

Semua atribut harus dinyatakan dalam unit pengukuran yang sama

dan harus menggunakan skala atau rentang umum. Normalisasi data

mencoba untuk memberikan semua atribut dengan bobot yang sama

dan itu sangat berguna dalam metode pembelajaran statistik.

e) Missing Data Imputation

Ini adalah bentuk pembersihan data, di mana tujuannya adalah untuk

mengisi variabel yang mengandung MV dengan beberapa data

intuitif. Dalam sebagian besar kasus, menambahkan perkiraan yang

wajar dari nilai data yang sesuai, lebih baik dari pada

membiarkannya kosong.

f) Identifikasi Noise/Noise Identification

Data noise adalah data yang mengandung error, yaitu nilai suatu

atribut tidak benar, atau nilai outlier, yang menyimpang dari yang

diharapkan. Data noise terjadi karena kesalahan komputer atau

manusia. Tujuan utamanya adalah untuk mendeteksi kesalahan acak

atau varians dalam variabel yang diukur.

2.2.3 Tugas Data Mining

Daftar berikut menunjukkan tugas Data mining yang paling umum (Daniel,

2014) :

1. Description

Kadang-kadang peneliti dan analis hanya mencoba menemukan cara untuk

mendeskripsikan pola dan tren yang ada dalam data. Misalnya, lembaga

17

survei dapat mengungkap bukti bahwa mereka yang diberhentikan

cenderung tidak mendukung calon presiden saat ini. Deskripsi pola dan tren

sering menyarankan penjelasan yang mungkin untuk pola dan tren tersebut.

Model penambangan data harus setransparan mungkin. Yaitu, hasil dari

model penambangan data harus menggambarkan pola-pola yang jelas yang

sesuai dengan interpretasi dan penjelasan intuitif.

2. Estimation

Estimasi adalah memperkirakan nilai dari variabel target numerik

menggunakan satu set variabel prediktor numerik dan / atau kategori. Model

dibangun menggunakan catatan yang lengkap, yang memberikan nilai

variabel target, serta prediktor. Kemudian, untuk pengamatan baru,

perkiraan nilai variabel target dibuat, berdasarkan nilai-nilai prediktor.

Estimasi hampir sama dengan klasifikasi, kecuali variable target. Estimasi

lebih kearah numeric dari pada kearah kategori. Sebagai contoh, dalam

memperkirakan pembacaan tekanan darah sistolik (tekanan darah pada saat

terjadi kontraksi otot jantung) pasien rumah sakit, berdasarkan usia pasien,

jenis kelamin, indeks massa tubuh, dan kadar natrium darah. Hubungan

antara tekanan darah sistolik dan variabel prediktor dalam set pelatihan akan

memberi kita model estimasi. Kemudian dapat menerapkan model tersebut

ke kasus-kasus baru. Contoh lain, Mengestimasi nilai rata-rata (IPK) dari

seorang mahasiswa pascasarjana, berdasarkan IPK mahasiswa tersebut.

3. Prediction

18

Prediksi serupa dengan klasifikasi dan estimasi, kecuali untuk prediksi,

hasilnya terletak di masa depan. Contoh tugas prediksi dalam bisnis dan

penelitian, sebagai berikut :

a) Memprediksi harga saham 3 bulan ke depan.

b) Memprediksi persentase peningkatan kematian lalu lintas tahun

depan jika batas kecepatan dinaikkan.

c) Memprediksi apakah molekul tertentu dalam penemuan obat akan

menghasilkan obat baru yang menguntungkan bagi perusahaan

farmasi.

d) Memprediksi pemenang Seri Dunia musim gugur ini, berdasarkan

perbandingan statistik tim.

Setiap metode dan teknik yang digunakan untuk klasifikasi dan estimasi

juga dapat digunakan, dalam keadaan yang sesuai, untuk prediksi.

4. Classification

Klasifikasi mirip dengan estimasi, kecuali bahwa variabel target adalah

kategori dari pada numerik. Dalam klasifikasi, ada target variabel kategori,

seperti braket pendapatan, yang, misalnya, dapat dipartisi menjadi tiga kelas

atau kategori : pendapatan tinggi, pendapatan menengah, dan pendapatan

rendah. Model data mining memeriksa serangkaian besar catatan/dataset,

setiap catatan yang berisi informasi tentang variabel target serta satu set

variabel input atau variabel prediktor.

5. Clustering

Clustering mengacu pada pengelompokan record, pengamatan, atau kasus

ke dalam kelas objek serupa. Cluster adalah kumpulan record yang mirip

19

satu sama lain, dan berbeda dengan record dalam kelompok lain. Clustering

berbeda dari klasifikasi karena tidak ada variabel target untuk

pengelompokan. Tugas pengelompokan tidak mencoba mengklasifikasikan,

memperkirakan, atau memprediksi nilai variabel target. Algoritma

pengelompokan berusaha mengelompokkan seluruh kumpulan data ke

dalam subkelompok atau gugus.

6. Association

Tugas asosiasi untuk data mining adalah untuk menemukan atribut mana

yang “berjalan bersama”. Tugas asosiasi berusaha untuk mengungkap

aturan untuk mengukur hubungan antara dua atau lebih atribut.

2.2.4 Supervised Learning

Dalam komunitas data mining, metode prediksi sering disebut sebagai

supervised learning. Metode supervised dianggap mencoba menemukan hubungan

antara atribut input (kadang-kadang disebut variabel atau fitur) dan atribut target

(kadang-kadang disebut kelas). Hubungan yang dicari diwakili dalam struktur yang

disebut model. Umumnya, model menggambarkan dan menjelaskan pengalaman,

yang tersembunyi dalam data, dan yang dapat digunakan dalam prediksi nilai

atribut target, ketika nilai atribut input diketahui. Supervised learning hadir di

banyak domain aplikasi, seperti keuangan, obat-obatan dan teknik. Dalam skenario

supervised learning, satu set pelatihan diberikan dan tujuannya adalah untuk

membentuk deskripsi yang dapat digunakan untuk memprediksi contoh yang tidak

terlihat (Julian, 2015). Klasifikasi, regresi dan time series masuk dalam kategori

supervised learning.

20

2.2.5 Unsupervised Learning

Dalam Unsupervised learning tidak ada guru (label dalam data) hanya data

input yang tersedia. Dengan demikian tujuan dari unsupervised leaning adalah

menemukan keteraturan, ketidakberesan, hubungan, persamaan dan asosiasi dalam

masukan. Dengan unsuprvised learning, adalah mungkin untuk belajar model yang

lebih besar dan lebih kompleks dari pada dengan supervised learning. Clustering

masuk dalam kategori unsupervised learning (Julian, 2015).

2.2.6 Algoritma Naive Bayes

Dalam pembelajaran machine learning, klasifikasi dianggap sebagai

tuntunan dari metode supervised learning, yaitu menyimpulkan fungsi dari data

pelatihan berlabel. Data pelatihan terdiri dari satu set contoh pelatihan, di mana

setiap contoh adalah pasangan yang terdiri dari objek input (biasanya vektor dan

nilai output yang diinginkan (biasanya label kelas). Dengan demikian, tugas dari

algoritma klasifikasi adalah untuk menganalisis data pelatihan dan menghasilkan

fungsi yang disimpulkan, yang dapat digunakan untuk mengklasifikasikan contoh

baru. Sub-kelas umum klasifikasi adalah klasifikasi probabilistik, Algoritma

klasifikasi probabilistik menggunakan inferensi statistik untuk menemukan kelas

terbaik untuk contoh yang diberikan (Charu, 2015).

Salah satu algoritma klasifikasi probabilistik adalah naive bayes classifier,

algoritma naive bayes merupakan penggolongan probabilistik sederhana

berdasarkan penerapan teorema bayes dengan asumsi independensi yang kuat,

dengan kata lain algoritma naive bayes mengasumsikan bahwa keberadaan nilai

tertentu dari suatu atribut tidak terkait dengan kehadiran nilai atribut lainnya

(Markus, 2014). Klasifikasi naive bayes sangat cocok ketika dimensi input tinggi,

21

dan memiliki kinerja yang sebanding dengan beberapa metode klasifikasi lainnya

seperti decission tree dan neural network classifier (Charu, 2015).

Berikut adalah persamaan dari teorema bayes :

𝑝(𝐻|𝐷) =p(𝐻) p(𝐷|𝐻)

p(𝐷)

Keterangan :

P : Probabilitas

D : Data dengan class yang belum diketahui.

H : Hipotesis data merupakan class spesifik.

p(𝐻|𝐷) : Probabilitas hipotesis H berdasarkan kondisi D

(posterior probability).

p(𝐻) : Probabilitas hipotesis H (prior probability).

p(𝐷|𝐻) : Probabilitas D berdasarkan kondisi pada hipotesis H.

p(𝐷) : Probabilitas D.

2.2.6.1 Langkah Penyelesaian Naive Bayes

Dalam menyelesaikan permasalahan yang ada algoritma naive bayes dalam

perhitungannya terdiri dari beberapa langkah perhitungan, yaitu :

1. Mulai

2. Baca data training

a) Mencari nilai p(𝐻) untuk setiap kelas.

b) Mencari nilai p(𝐷|𝐻) untuk setiap kriteria dari setiap kelas.

c) Mencari nilai probabilitas paling besar dari kelas (hasil

p(𝐻) x hasil p(𝐷|𝐻) )

22

3. Menampilkan hasil probabilitas (probabilitas nilai kelas terbesar dijadikan

acuan).

Selesai.

2.2.7 Cross Validation

Skema cross validation untuk mengevaluasi supervised learning yang

menggunakan semua data berlabel. Data dibagi menjadi sejumlah himpunan bagian

tertentu dan model diuji pada setiap subset setelah melatihnya pada himpunan

bagian yang tersisa, hasil evaluasi pengujian individu dirata-ratakan untuk

mendapatkan hasil akurasi keseluruhan yang secara statistik lebih dapat

diandalakan dari pada hasil tunggal yang dikumpulkan dari satu set (Markus, 2014).

Dalam data mining, metode yang paling umum digunakan dalam pengujian data

adalah two fold cross validation dan k-fold cross-validation (Daniel, 2014).

2.2.7.1 Two Fold Cross Validation

Dalam two fold cross validation data dipartisi, menggunakan penugasan

acak, ke dalam satu set pelatihan dan satu set data uji. Set data uji harus memiliki

variabel target yang dihilangkan. Dengan demikian, satu-satunya perbedaan

sistematis antara kumpulan data pelatihan dan set data uji adalah bahwa data

pelatihan mencakup variabel target dan data uji tidak (Daniel, 2014).

2.2.7.2 K-Fold Cross Validation

Dalam k-fold cross validation, data asli dipartisi kedalam subset/bagian.

Model ini kemudian dibangun menggunakan data dari subset K-1 (2,3,4,5, dst), dan

terdapat bagian lain didalam subset yang digunakan untuk set tes. Bagian subset

(dataset) harus lebih banyak dari pada set tes, dilakukan secara iteratif sampai

memiliki model yang berbeda. Hasil dari masing-masing model K (akurasi)

23

kemudian digabungkan menggunakan rata-rata untuk mendapatkan hasil akurasi

dari keseluruhan data. K-fold cross-validation yang sering digunakan adalah 10-

fold cross validation. Manfaat menggunakan k-fold cross-validation adalah setiap

record muncul dalam set tes tepat satu kali, kekurangannya adalah bahwa tugas

validasi yang diperlukan dibuat lebih sulit (Daniel, 2014). Berikut adalah skema

dari K-Fold cross validation :

Gambar 2.1 Proses K-Fold Cross Validation

Sumber : Julian, 2015.

2.2.8 Confusion Matrix

Evaluasi untuk mengukur kinerja model digunakan confusion matrix,

karena confusion matrix merupakan alat yang berguna untuk menganalisa seberapa

baik pengklasifikasi dapat mengenali tupel atau fitur dari kelas yang berbeda (Han,

Kamber, & Pei, 2011). Confusion Matrix dapat menunjukkan rincian kinerja

pengklasifikasi dengan memberika informasi jumlah fitur suatu kelas yang

diklasifikasikan dengan tepat dan tidak tepat.

24

Confusion matrix memberikan penilaian kinerja model klasifikasi

berdasarkan jumlah objek yang diprediksi dengan benar dan salah. Pengukuran

akurasi dengan confusion matrix merupakan matrix 2 dimensi yang

menggambarkan perbandingan antara hasil prediksi dengan kenyataan.

Tabel 2.2 Confusion Matrix

Confusion Matrix Class Actual

Positive Negative

Class Predicted Positive True Positive

(TP)

False Positive

(FP)

Negative False Positive

(FP)

True Positive

(TP)

2.3 Pengertian Produktivitas

Nurmala, dkk (2012), Produktivitas adalah kemampuan tanah untuk

menghasilkan produksi tanaman tertetu dalam keadaan pengolahan tanah tertentu.

Produktivitas merupakan perwujudan dari keseluruhan faktor-faktor (tanah dan non

tanah) yang berpengaruh terhadap hasil tanaman yang lebih berdasarkan pada

pertimbangan ekonomi.

Menurut Dewan Produktivitas Nasional (2009) dalam Farizal (2015)

menjelaskan bahwa produktivitas mengandung arti sebagai perbandingan antara

hasil yang dicapai (output) dengan keberhasilan sumber daya yang digunakan

(input), dengan kata lain bahwa produktivitas mempunyai dua dimensi. Dimensi

pertama adalah efektivitas yang mengarah kepada keberhasilan pencapaian target

berkaitan dengan kualitas, kuantitas dan waktu. Yang kedua yaitu efisiensi yang

25

berkaitan dengan upaya membandingkan input dengan realisasi penggunaan atau

bagaimana pekerjaan tersebut dilaksanakan.

2.4 Pengertian Padi

Padi (Oryza sativa L) adalah salah satu komoditas tanaman pangan yang

utama di Indonesia. Beras masih dipandang sebagai produk kunci bagi kestabilan

perekonomian dan politik (Purnamaningsih, 2006). Tanaman ini berasal dari dua

benua yaitu Asia dan Afrika Barat tropis dan subtropis. Sejarah membuktikan

bahwa tanaman padi sudah ada sejak 3000 tahun SM di Zhejiang (Cina). Fosil butir

padi dan gabah ditemukan di Hastinapur Uttar Pradesh India sekitar 100-800 SM.

Selain Cina dan India, ada beberapa negara asal padi yaitu Bangladesh, Burma,

Vietnam, dan Thailand.

Tanaman padi termasuk golongan graminae, yaitu sejenis rumput yang

berumpun. Dalam 1 bibit dapat tumbuh anakan hingga 20 lebih anakan. Sebagian

besar masyarakat Indonesia menjadikan tanaman padi menjadi sumber makanan

pokok. Tanaman padi merupakan tanaman yang berumur pendek. Pada umumnya

setelah dipanen padi tidak akan tumbuh lagi tetapi akan mati. Iklim yang cocok bagi

tanaman padi yaitu tumbuh dicuaca yang panas dan mengandung uap air. Tanaman

padi membutuhkan curah hujan yang ideal yaitu rata-rata 200 mm/bulan.

Keragaman jumlah produksi tanaman padi salah satunya dipengaruhi oleh

keragaman curah hujan (Rouw, 2008). Tanaman padi dapat tumbuh dengan baik

pada suhu diatas 230 celsius. Tinggi tempat penanaman yang baik yaitu 0–1500

mdpl. Tanaman padi membutuhkan penyinaran oleh sinar matahari minimal selama

6 jam tiap harinya. Sinar matahari diperlukan dalam proses fotosintesis tanaman

padi.

26

2.4.1 Faktor yang mempengaruhi produktivitas tanaman padi

Berdasarkan data yang diperoleh dari Dinas Pertanian dan Kehutanan

Kabupaten Karawang (2010 – 2015) bahwa yang mempengaruhi produktivitas padi

di kabupaten karawang meliputi beberapa hal, antara lain sebagai berikut:

1. Luas Sawah

Luas sawah adalah lahan pertanian yang berpetak-petak dan dibatasi oleh

pematang (galengan), saluran untuk menahan atau menyalurkan air, yang

biasanya ditanami padi sawah tanpa memandang dari mana diperolehnya

atau status lahan tersebut. Termasuk disini lahan yang terdaftar di pajak

hasil bumi, iuran pembangunan daerah, lahan bengkok, lahan serobotan,

lahan rawa yang ditanami padi dan lahan-lahan bukaan baru. Lahan sawah

mencakup pengairan, tadah hujan, sawah pasang surut, rembesan, lebah dan

lain sebagainya (BPS, 2018).

2. Luas Baku Sawah

Luas Baku Sawah adalah suatu lahan yang tersedi untuk ditanami padi atau

tanaman lainnya dimana luas baku sawah berpengaruh terhadap luas tanam

dan luas panen dan informasi tentang luas baku sawah tersebut sangat

dibutuhkan dalam pembangunan lahan pertanian (Departemen Pertanian,

2010).

3. Luas Tanam

Luas tanam adalah luas tanaman yang betul-betul ditanam (sebagai tanaman

baru) baik penanaman yang bersifat normal maupun penanaman pengganti

karena terserang organisme pengganggu atau sebab lain (BPS, 2018).

27

4. Luas Panen

Luas panen adalah luasan tanaman yang dikumpulkan atau dihasilkan

setelah tanaman tersebut sudah cukup berumur (BPS, 2018).

5. Produksi

Produksi adalah Hasil dari penjumlahan yang dihasilkan oleh suatu produk

(BPS, 2018).

6. Curah Hujan

Curah Hujan adalah ketinggian air hujan yang terkumpul dalam penakaran

hujan pada tempat yang datar, tidak menyerap, tidak meresap dan tidak

mengalir (BMKG, 2018).

7. Hari Hujan

Hari hujan adalah hari dimana intensitas curah hujan lebih atau sama dengan

0.5mm dalam sehari (BMKG, 2018).

8. Organisme pengganggu tanaman

Organisme pengganggu tanaman dalah organisme yang secara langsung

dapat menyebabkan kerusakan atau penurunan hasil panen dari tanaman

atau suatu budidaya (Ristekdikti, 2014).

28

2.5 Kerangka Berfikir

Kerangka Pemikiran merupakan garis besar dari langkah-langkah penelitian

yang dilakukan. Langkah-langkah tersebut disusun sedemikian rupa sebagai acuan

untuk tahap-tahap yang dilakukan dalam proses penelitian.

Mulai

Pengolahan Awal

(Preprocessing) Data

Perhitungan naïve bayes

Skema Pengujian

Selesai

Pengumpulan Data/Studi

Pustaka

Akurasi

Gambar 2.2 Kerangka Pemikiran

45

BAB III

METODOLOGI PENELITIAN

3.1 Pendahuluan

Metodologi penelitian adalah kumpulan dari beberapa proses yang

terorganisir mengenai tahapan dan prosedur yang digunakan oleh pelaku suatu

disiplin ilmu yang menceritakan bagaimana sebuah penelitian dilaksanakan (Zarlis,

2015). Hakekatnya metodologi penelitian merupakan operasionalisasi dari

epistemologi yang mengkaji perihal urutan langkah-langkah yang ditempuh supaya

pengetahuan yang diperoleh memenuhi ciri-ciri ilmiah.

3.2 Kebutuhan Hardware dan Software

Untuk Kebutuhan hardware dan software pada penelitian ini adalah segala

sesuatu baik tools yang akan digunakan dalam memproses data ataupun untuk

mengimplementasikan sebuah sistem prediksi produktivitas tanaman padi di

Kabupaten Karawang. Berikut adalah kebutuhan hardware dan software pada

penelitian ini:

Tabel 3.1 Kebutuhan Hardware dan Software

Hardware Software

Laptop Toshiba Satellite L40

Series (Processor Core i5 2.4

Ghz, RAM 4 Gb, HDD 500

Gb).

Microsoft Excel 2016

IBM SPSS Statitics ver.22

Rapid Miner.

Microsoft Visio 2007

46

3.3 Metode Pengumpulan Data

Pada tahapan ini merupakan suatu tahapan dimana penulis melakukan

pengumpulan data untuk kebutuhan penelitian yang akan dilakukan, seperti studi

literatur yaitu mengumpulkan data dan menganalisis dokumen-dokumen baik

dokumen tertulis (jurnal/e-journal, buku/e-book, artikel, report research) maupun

elektronik (internet). Bahan utama yang akan dijadikan dataset untuk bahan untuk

penelitian ini yaitu data produktivitas tanaman padi di Kabupaten Karawang yang

didalamnya terdapat beberapa faktor yang mempengaruhi produktivitas padi di

Kabupaten Karawang dan sudah terbagi dalam beberapa class.

Data yang diperoleh untuk penelitian ini merupakan jenis data yang

tergolong dalam bentuk data sekunder, yang didapatkan dari Dinas Kehutanan dan

Pertanian Kabupaten Karawang pada tahun 2010-2015 dan data tersebut merupakan

data penelitian yang sudah dilakukan oleh peneliti sebelumnya, dengan jumlah data

sebanyak 180 record.

Gambaran bentuk data asli untuk data penelitian ini bisa dilihat pada Tabel

3.1 di bawah ini.

Tabel 3.2 Bentuk data asli

Tahun Kecamatan Rata-rata

curah hujan

Rata rata

hari hujan

Luas Tanam

2010 Karawang

Barat

1.028.333.333

1.116.666.667

4542

47

2011 Teluk Jambe

Timur

0

0

2873

2012 Karawang

Timur

6.491.666.667

3.666.666.667

1847

2013 Majalaya 9.308.333.333

1.333.333.333

4900

2014 Klari 258.5

2.941.666.667

5110

2015 Teluk Jambe

Barat

4.354.166.667

8.583.333.333

6432

Pada tabel 3.2 diatas merupakan sebuah gambaran secara garis besarnya dari

keseluruhan jumlah 180 record data dan jumlah variable classnya sebanyak 13

variabel.

3.4 Preprocessing Data

Pengolahan awal (preprocessing) terhadap data merupakan langkah

selanjutnya setelah mengetahui atribut yang akan digunakan. Hal ini dilakukan

untuk mendapatkan data yang tepat dan dapat diolah dengan cepat untuk

menghasilkan ketepatan klasifikasi yang lebih baik.

Pada penelitian ini akan dilakukan perubahan dari nilai numerik kontinyu

ke dalam bentuk interval dikarenakan dataset yang diperoleh kebanyakan masih

berupa data numerik. Tahapan ini berfungsi pada atribut agar mudah dimengerti

dan juga akan dilakukan proses penanganan missing values pada dataset, hal ini

48

dilakukan agar menghasilkan kualitas data masukan yang tidak menimbulkan

kesalahan pada saat mining.

3.4.1 Penggantian Nilai Atribut

Seperti yang sudah dijelaskan sebelumnya tentang gambaran dataset yang

akan digunakan pada penelitian ini, bahwa dataset yang diperoleh dari peneliti

sebelumnya sebagian besar masih berupa nilai numerik kontinyu maka dari itu perlu

dilakukannya sebuah perubahan data dalam bentuk interval atau disebut dengan

teknik deskritisasi. Berikut Ini adalah tabel variabel yang akan dirubah ke dalam

bentuk interval:

Tabel 3.3 Variabel yang akan di rubah ke Interval

No Nama Variabel Bentuk

1 Curah Hujan Interval

2 Rata-rata hari hujan Interval

3 Luas tanam Interval

4 Produksi Interval

5 Luas panen Interval

6 Luas baku sawah Interval

7 Luas sawah Interval

8 Penggerak batang Interval

9 Tikus Interval

10 Wereng batang cokelat Interval

49

11 Siput murbai Interval

12 Bakteri hawar daun Interval

13 Hama putih palsu Interval

14 Blasit Interval

15 Produktivitas Interval

Untuk variabel produktivitas kita bisa mengetahui dari rumus berikut ini:

Produktivitas = 𝑃𝑟𝑜𝑑𝑢𝑘𝑠𝑖

𝐿𝑢𝑎𝑠 𝑃𝑎𝑛𝑒𝑛

Untuk kategori produktivitasnya ditentukan dengan ketentuan sebagai berikut:

a. Tinggi : Produktivitas > 5769

b. Rendah : Produktivitas < 5768

Ketentuan rata-rata tingkat produktivitas tanaman padi tersebut merujuk

pada jurnal yang ditulis oleh Irawan dengan judul “Dinamika Produktivitas dan

Kualitas Budidaya Padi Sawah”. Untuk rata-rata yang melebihi dari ketentuan nilai

tersebut dirubah kedalam kategori “Tinggi”, dan untuk rata-rata yang kurang dari

rata-rata akan dirubah ke dalam kategori “Rendah”. Untuk melihat data yang telah

di rubah tersebut bisa dilihat pada tabel 3.3 di bawah ini.

Tabel 3.4 Data setelah dirubah

Tahun Kecamatan Rata-rata

curah hujan

Rata rata

hari hujan

Luas Tanam

50

2010 Karawang

Barat

Tinggi

Tinggi

Rendah

2011 Teluk Jambe

Timur

Sedang Rendah

Tinggi

2012 Karawang

Timur

Tinggi

Tinggi

Sedang

2013 Majalaya Rendah

Rendah

Tinggi

2014 Klari Tinggi

Sedang

Rendah

2015 Teluk Jambe

Barat

Sedang

Tinggi

Rendah

Data set tersebut merupakan sebuah gambaran dari data set asli yang

berjumlah 180 data dan mempunyai variabel classnya sebanyak 13 variabel.

3.4.2 Missing Values

Missing values merupakan informasi yang tidak tersedia untuk sebuah objek

(kasus). Missing values terjadi karena informasi untuk sesuatu tentang objek tidak

diberikan, sulit dicari, atau memang informasi tersebut tidak ada. Penanganan

missing values pada penelitian ini karena dataset yang akan digunakan mengandung

missing values. Missing values pada dasarnya tidak bermasalah bagi keseluruhan

data, toleransi missing values dari keseluruhan data sebesar 5 %. Namun jika

presentase data yang hilang tersebut cukup besar, maka diperlukan penanganan

51

terhadap data yang missing (Daniel, 2014). Beberapa teknik untuk mengganti nilai

yang hilang adalah sebagai berikut (Daniel, 2014) :

1. Ganti nilai yang hilang dengan beberapa konstanta, yang ditentukan oleh

analis.

2. Ganti nilai yang hilang dengan mean (untuk variabel numerik) atau (untuk

variabel kategori).

3. Ganti nilai yang hilang dengan nilai yang dihasilkan secara acak dari

pengamatan distribusi variabel.

4. Ganti nilai-nilai yang hilang dengan nilai yang dihitung berdasarkan

karakteristik lain dari catatan.

3.4.3 Penanganan Missing Values

Pada tahap ini missing values akan ditangani menggunakan mean dan akan

diproses dengan tool IBM SPSS Statistics ver.22. SPSS adalah sistem yang

komprehensif untuk menganalisis data. SPSS dapat mengambil data dari hampir

semua jenis file dan menggunakannya untuk menghasilkan laporan tabulasi, grafik,

plot distribusi dan tren, statistik deskriptif, dan analisis statistik yang kompleks.

Berikut adalah tahapan dalam mengisi nilai missing values pada SPSS :

3.4.3.1 Pendefinisian Atribut Dengan Nominal

Mendefinisikan setiap atribut dengan angka nol ( 0 ) . Karena atribut

missing yang diperoleh dari peneliti sebelumnya bernilai nol ( 0 ) maka

pendefinisian tersebut diisi dengan angka nol ( 0 ). Untuk tahapan dalam

pendefinisian tersebut di jelaskan pada gambar 3.1 dibawah ini.

52

Gambar 3.1 Pendefinisian atribut missing values

3.4.3.2 Mencari Missing Values

Mencari atribut mana saja yang terdapat missing values menggunakan

dataset numerik. Setelah diketahui atribut yang mengandung missing values, lalu

hal tersebut akan dijadikan acuan dalam mengolah missing values (atribut yang

mengandung nilai missing akan diproses).

1

3

4

2

53

Gambar 3.2 Menampilkan atribut missing pada Missing Values Analyst

Gambar 3.3 Input Variabel ke Categorical Variables

4

3

2

1

6

5

54

3.4.3.3 Proses Penggantian Nilai Missing Values

Selanjutnya mengganti nilai atribut yang mengandung nilai missing

menggunakan mean pada nilai atribut numerik.

Gambar 3.4 Menampilkan Atribut Berisi Nilai Atribut Numerik

Gambar 3.5 Proses Handling Missing Values Dengan Mean

Ini adalah proses terakhir dalam mentransformasi nilai atribut ke bentuk

numerik. Pada tahap ini nilai atribut yang mengandung missing values sudah terisi

1

1

2

3

4

5

6

55

dengan nilai baru berdasarkan mean dari nilai atribut yang sebelumnya terisi. Nilai

atribut yang sudah terisi pada data numerik akan dijadikan acuan dalam mengisi

nilai atribut yang kosong pada dataset kategorikal sesuai dengan ketentuan

transformasi data.

3.4.4 Transformasi Data

Setelah semua atribut missing values telah terisi dengan proses mean maka

proses selanjutnya adalah melakukan transformasi ke bentuk interval dengan

menentukan nilai masing-masing variabelnya berdasarkan rata-rata.

Gambar 3.6 Bentuk Transormasi Data

Gambar di atas adalah bentuk dari data transformasi yang kemudian

dapat diolah dengan metode naïve bayes, proses ini adalah proses terakhir dalam

transormasi data ( diskretisasi ).

3.5 Proses Pengujian

Proses pengujian yang dimaksud pada tahap ini adalah proses pengujian

kinerja metode klasifikasi naïve bayes. Untuk proses pengujian ini menggunakan

56

k-fold cross validation. Metode evaluasi yang umum digunakan adalah 10-fold

cross validation, 10-fold cross validation akan mengulang pengujian sebanyak 10

kali dan hasil pengukuran adalah nilai rata-rata dari 10 kali pengujian.

Mulai

Dataset

Split

Data Training Data Testing

Akurasi

TrainingKlasifikasi

(Naïve Bayes)

Selesai

Gambar 3.7 Proses pengujian menggunakan k-fold cross validation

Berikut ini adalah penjelasan dari poses pengujiannya :

1. Dataset

Dataset yang digunakan pada proses ini adalah dataset produktivitas

tanaman padi sebanyak 180 record yang sudah melewati proses

preprocessing sehingga data tersebut sudah dapat diolah.

Naïve Bayes

57

2. Proses pembagian data dengan k-fold cross validation

Pembagian data training dan data testing pada dataset produktivitas padi

menggunakan metode 10-fold cross validation, dengan artian dataset akan

dibagi menjadi 10 bagian dari 180 data.satu bagian (data testing) digunakan

untuk pengujian dan sisanya digunakan untuk data training. Berikut adalah

penjelasannya :

Tabel 3.5 Pembagian Data Testing

ID Data Testing Jumlah Data

K-1 18 Data

K-2 18 Data

K-3 18 Data

K-4 18 Data

K-5 18 Data

K-6 18 Data

K-7 18 Data

K-8 18 Data

K-9 18 Data

K-10 18 Data

Tabel diatas merupakan pembagian data testing produktivitas

sebanyak 10 kali dengan keseluruhan data sebanyak 180 data. Setelah data

testing dibagi kedalam kelompok sebanyak 10 selanjutnya adalah

menentukan pembagian data training bisa didapatkan dari sisa pembagian

data testing.

58

Tabel 3.6 Pembagian Data Training

ID Data Training Jumlah Data

DTR-1 162 Data

DTR-2 162 Data

DTR-3 162 Data

DTR-4 162 Data

DTR-5 162 Data

DTR-6 162 Data

DTR-7 162 Data

DTR-8 162 Data

DTR-9 162 Data

DTR-10 162 Data

3. Training

Merupakan penentuan data yang akan dijadikan input untuk pengujian

menggunakan metode naïve bayes. Data yang akan dijadikan input adalah

data testing yang telah dibagi sama rata. Data tersebut nantinya akan diuji

berdasarkan data training yang sudah dibagi sama rata juga, sehingga

menghasilkan skema training sebagai berikut :

Tabel 3.7 Skema Training

ID Data

Training

Jumlah Data

Training

ID Data

Testing

Jumlah Data

Testing

59

DTR-1 162 Data K-1,K-2,K-3,K-4,K-

5,K-6,K-7,K-8,K-9

18 Data

DTR-2 162 Data K-1,K-2,K-3,K-4,K-

5,K-6,K-7,K-8,K-9,K-

10

18 Data

DTR-3 162 Data K-1,K-2,K-3,K-4,K-

5,K-6,K-7,K-8,K-9,K-

10

18 Data

DTR-4 162 Data K-1,K-2,K-3,K-4,K-

5,K-6,K-7,K-8,K-9,K-

10

18 Data

DTR-5 162 Data K-1,K-2,K-3,K-4,K-

5,K-6,K-7,K-8,K-9,K-

10

18 Data

DTR-6 162 Data K-1,K-2,K-3,K-4,K-

5,K-6,K-7,K-8,K-9,K-

10

18 Data

DTR-7 162 Data K-1,K-2,K-3,K-4,K-

5,K-6,K-7,K-8,K-9,K-

10

18 Data

DTR-8 162 Data K-1,K-2,K-3,K-4,K-

5,K-6,K-7,K-8,K-9,K-

10

18 Data

DTR-9 162 Data K-1,K-2,K-3,K-4,K-

5,K-6,K-7,K-8,K-9,K-

10

18 Data

DTR-10 162 Data K-1,K-2,K-3,K-4,K-

5,K-6,K-7,K-8,K-9,K-

10

18 Data

Tabel tersebut merupakan kema training dengan menggunakan 10-fold

cross validation, data-data tersebut akan segera bergantian digunakan

sebagai training dan testing.

4. Klasifikasi

Tahap ini merupakan tahapan klasifikasi atau pengujian data testing

terhadap data training yang sudah dibagi menggunakabn metode fold cross

60

validation dengan perhitungan naïve bayes, pada tahap ini juga akan

diketahui akurasi dari masing-masing pengujian. Klasifikasi didasarkan

pada skema training yang sudah ditentukan.

Tabel 3.8 Pengujian Berdasarkan Fold Cross Validation

ID Pengujian ID Data Training ID Data Testing

Pgn-1 DTR-1 K-1

Pgn-2 DTR-2 K-2

Pgn-3 DTR-3 K-3

Pgn-4 DTR-4 K-4

Pgn-5 DTR-5 K-5

Pgn-6 DTR-6 K-6

Pgn-7 DTR-7 K-7

Pgn-8 DTR-8 K-8

Pgn-9 DTR-9 K-9

Pgn-10 DTR-10 K-10

5. Akurasi

Pada tahap ini dilakukan perhitungan rata-rata akurasi berdasarkan

keseluruhan pengujian. Ini dilakukan untuk mengetahui seberapa besar

akurasi dari keseluruhan data, sebagai acuan seberapa baik metode naïve

bayes dalam memprediksi tingkat produktivitas tanaman padi. Tingkat

akurasi menunjukan tingkat kebenaran klasifikasi terhadap kelas. Semakin

61

rendah akurasi berpengarun terhadap tingkat kedalahannya sebaliknya

untuk tingkat akrasi yang tinggi semakin rendah tingkat kesalahannya.

Tingkat akurasi yang baik adalah tingkat presentase yang mendekati angka

100%. Untuk perhitungan akurasinya dapat dihitung sebagai berikut :

Rata-rata Akurasi = ∑ 𝐻𝑎𝑠𝑖𝑙 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝑆𝑒𝑡𝑖𝑎𝑝 𝑃𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛

∑ 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑜𝑡𝑎𝑙 𝑃𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛

62

BAB IV

HASIL DAN PEMBAHASAN

4.1 Dataset

Seperti sudah dijelaskan sebelumnya dataset yang digunakan pada

penelitian ini sebelum diolah untuk diproses menggunakan metode naïve bayes

adalah berbentuk numerik berikut adalah datasetnya :

Gambar 4.1 Dataset Penelitian

4.1.1 Preprocessing Data

Pada tahap ini penulis melakukan pemrosesan data dengan cara mencari

data yang missing terlebih dahulu kemudian menggantinya dengan mencari nilai

meannya menggunakan tool SPSS.

4.1.2 Hasil Pecarian Missing Values

Pada proses ini kita mencari atribut mana saja yang mengandung missing

values. Berikut adalah hasil dari pecarian yang dilakukan dengan menggunakan tool

SPSS :

63

Tabel 4.1 Hasil Pencarian Missing Values

N Missing

Count Percent

RATARATACURAHHUJAN 172 8 4.4

RATARATAHARIHUJAN 167 13 7.2

PENGGEREKBATANG 175 5 2.8

TIKUS 170 10 5.6

WERENGBATANGCOKEL

AT

116 64 35.6

SIPUTMURBAI 78 102 56.7

BAKTERIHAWARDAUN 48 132 73.3

HAMAPUTIHPALSU 36 144 80.0

BLASIT 2 178 98.9

LUASTANAM 180 0 .0

PRODUKSI 180 0 .0

LUASPANEN 180 0 .0

LUASBAKUSAWAH 180 0 .0

LUASSAWAH 180 0 .0

Pada tabel 4.1 terlihat bahwa atribut yang mengandung nilai missing values

ternyata lebih dari satu atribut, hal ini yang mengharuskan data missing tersebut

harus dicari karena akan dilakukan deskritisasi sebelum datanya siap diolah. Oleh

sebab itu diperlukannya sebuah penanganan untuk mengganti nilai values tersebut

yang akan dijelaskan pada penjelasan selanjutnya.

4.1.3 Hasil Penanganan Missing Values

Setelah dilakukannya penanganan atribut yang mengandung missing values

dan mengisinya dengan mencari series mean yang telah disediakan tools SPSS,

maka data atribut yang mengandung missing values telah tersisi dan siap untuk pada

tahap transformasi data. Berikut adalah bentuk dataset sebelum dilakukannya

penanganan terhadap atribut missing values :

64

Tabel 4.2 Data Atribut Mengandung Missing Values

TAHU

N

KECAMATA

N

RATA-RATA

CURAH HUJAN

RATA-RATA HARI

HUJAN

2010 Karawang Barat 1029 1117

2010 Karawang

Timur

1029 1117

2010 Majalaya 8467 4667

2010 Klari 2007 1317

2010 Telukjambe

Barat

222 11

2010 Telukjambe

Timur

222 11

2010 Ciampel 159 1034

2010 Pangkalan 3502 30

2010 Tegalwaru 3502 30

2010 Rengasdengklo

k

1404 5

2010 Jayakerta 1834 0

2010 Kutawaluya 1404 5

2010 Batujaya 1842 0

2010 Tirtajaya 1759 0

2010 Pakisjaya 0 0

2010 Pedes 1862 7084

2010 Cilebar 1404 5

2010 Cibuaya 1359 5334

2010 Cikampek 3369 17

2010 Purwasari 2960 17

2010 Tirtamulya 1881 1609

2010 Jatisari 221 1167

2010 Banyusari 1687 8084

2010 Kota Baru 3249 1392

2010 Cilamaya

Kulon

162 9

2010 Cilamaya

Wetan

0 0

2010 Telagasari 7792 0

2010 Lemahabang 1724 0

2010 Rawamerta 1760 9084

2010 Tempuran 145 6834

65

Tabel 4.3 Hasil Penggantian Atribut Missing Values

TAHU

N

KECAMAT

AN

RATARATACURAHHU

JAN_1

RATARATAHARIHU

JAN_1

2010 Karawang

Barat

1029 1117

2010 Karawang

Timur

1029 1117

2010 Majalaya 8467 4667

2010 Klari 2007 1317

2010 Telukjambe

Barat

222 11

2010 Telukjambe

Timur

222 11

2010 Ciampel 159 1034

2010 Pangkalan 3502 30

2010 Tegalwaru 3502 30

2010 Rengasdeng

klok

1404 5

2010 Jayakerta 1834 3413.853

2010 Kutawaluya 1404 5

2010 Batujaya 1842 3413.853

2010 Tirtajaya 1759 3413.853

2010 Pakisjaya 2213.773 3413.853

2010 Pedes 1862 7084

2010 Cilebar 1404 5

2010 Cibuaya 1359 5334

2010 Cikampek 3369 17

2010 Purwasari 2960 17

2010 Tirtamulya 1881 1609

2010 Jatisari 221 1167

2010 Banyusari 1687 8084

2010 Kota Baru 3249 1392

2010 Cilamaya

Kulon

162 9

2010 Cilamaya

Wetan

2213.773 3413.853

2010 Telagasari 7792 3413.853

2010 Lemahabang 1724 3413.853

2010 Rawamerta 1760 9084

2010 Tempuran 145 6834

66

Dataset set diatas merupakan gambaran dari bentuk dataset asli bisa dilihat

Pada gambar 4.2 diatas terlihat bahwa atribut rata-rata curah hujan dan rata-rata hari

hujan yang sebelumnya mengandung nilai missing dalam hal ini diisi dengan nilai

nol ( 0 ) setelah dilakukan penggantian nilai missing values pada gambar 4.3 maka

secara otomatis nilai yang mengandung missing values akan terisi.

4.1.4 Hasil Transformasi Data

Untuk melakukan transformasi data, penulis menentukan nilai batas interval

yang akan menjadi acuan untuk merubah data kedalam bentuk ketegorikal yaitu

dengan menentukan nilai tinggi, sedang dan rendah. Maka penentuan batasnya

adalah sebagai berikut :

Tabel 4.4 Data Ketentuan Nilai Transformasi Dataset

No Nama Atribut Variabel Keterangan Nilai

1 Rata-rata curah hujan Rendah 0-3000

Sedang 3000-6000

Tinggi 6000-10.000

2 Rata-rata hari hujan Rendah 0-3000

Sedang 3000-6000

Tinggi 6000-10.000

3 Luas tanam Rendah 0-4500

Sedang 4500-9000

Tinggi 9000-14.000

4 Produksi Rendah 0 – 32.500

Sedang 32.500 – 65.000

Tinggi 65.000 – 331.670

67

5 Luas panen Rendah 0-4000

Sedang 4000-8500

Tinggi 8500-13500

6 Luas baku sawah Rendah 0-2100

Sedang 2100-4100

Tinggi 4100-6400

7 Luas sawah Rendah 0-2100

Sedang 2100-4100

Tinggi 4100-6400

8 Penggerek batang Rendah 0-250

Sedang 250-550

Tinggi 550-800

9 Tikus Rendah 0-250

Sedang 250-550

Tinggi 550-800

10 Wereng batang cokelat Rendah 0-400

Sedang 400-800

Tinggi 800-1200

11 Siput murbai Rendah 0-70

Sedang 70-140

Tinggi 140-210

12 Bakteri hawar daun Rendah 0-90

Sedang 90-185

68

Tinggi 185-280

13 Hama putih palsu Rendah 0-60

Sedang 60-120

Tinggi 120-240

14 Blasit Rendah 0-5

Sedang 5-10

Tinggi 10-15

15 Produktivitas Rendah 0-1922

Sedang 1922-3845

Tinggi 3845-5808

Berikut adalah bentuk dataset setelah dilakukan proses transformasi data

yang merupakan gambaran dari keseluruhan proses transformasi:

Gambar 4.2 Bentuk Dataset setelah Transformasi Data

69

4.2 Penghitungan Naïve Bayes

Mulai

Cari nilai p(H)

untuk setiap kelas

Cari nilai p(D|H)

untuk setiap kriteria

dari setiap kelas

Menghitung

keseluruhan hasil dari

p(D|H) sesuai kelas

masing-masing

Mencari nilai

probabilitas paling

besar dari kelas

Hasil

Probabilitas

Data Uji

Gambar 4.3 Flowchart Perhitungan Naive Bayes

Naive bayes merupakan penggolongan probabilistik sederhana berdasarkan

penerapan teorema bayes dengan asumsi independensi yang kuat, dengan kata lain

algoritma naive bayes mengasumsikan bahwa keberadaan nilai tertentu dari suatu

70

atribut tidak terkait dengan kehadiran nilai atribut lainnya. Disini akan dijelaskan

secara merinci perhitungan naive bayes sesuai dengan langkah-langkah pada

flowchart.

Bilamana ingin mengetahui apakah suatu kecamatan dikabupaten Karawang

memiliki tingkat produktivitas yang rendah atau tinggi dengan kondisi pada data

testing, maka persamaan rumus yang akan digunakan adalah sebagai berikut :

𝑝(𝐻|𝐷) =p(𝐻) p(𝐷|𝐻)

p(𝐷)

Data yang akan digunakan pada penelitian ini sejumlah 180 data produktivitas

(dengan asumsi masih terdapat nilai atribut yang hilang pada data), yang tergolong

mempunyai produktivitas tinggi dan rendah. Data tersebut nantinya akan digunakan

untuk bahan perhitungan data testing. Berikut perhitungan manual prediksi

produktivitas tanaman padi dengan metode naive bayes dari satu data testing yang

ada.

1. Data Testing

a) Rata-rata curah hujan = “Sedang”

b) Rata-rata hari hujan = “Sedang”

c) Luas Tanam = “Sedang”

d) Produksi = “Rendah”

e) Luas Panen = “Sedang”

f) Luas Baku Sawah = “Sedang”

g) Luas Sawah = “Sedang”

h) Penggerek Batang = “Rendah”

i) Tikus = “Rendah”

71

j) Wereng Batang Cokelat = “Rendah”

k) Siput Murbai = “Rendah”

l) Bakteri Hawar Daun = “Rendah”

m) Hama Putih Palsu = “Rendah”

n) Blasit = “Rendah”

o) Produktivitas = ( Belum Diketahui )

2. Cari Nilai p(H) untuk setiap kelas

Disini akan dihitung nilai produktivitas “Tinggi” dan “Rendah” pada jumlah

keseluruhan record dataset produktivitas padi.

p(H) :

p( Produktivitas = Tinggi ) = 162

180 = 0,9

p( Produktivitas = Rendah ) = 18

180 = 0,1

3. Cari nilai p(D|H) untuk setiap nilai produktivitas dari setiap kelas

p(D|H) :

a) p(Rata-rata curah hujan = ”Sedang” | Produktivitas = “TINGGI”)

= 59

162 = 0,364198

p(Rata-rata curah hujan = ”Sedang” | Produktivitas = “RENDAH”)

= 10

18 = 0,555556

b) p(Rata-rata hari hujan = ”Sedang” | Produktivitas = “TINGGI”)

= 21

162 = 0,12963

p(Rata-rata hari hujan = ”Sedang” | Produktivitas = “RENDAH”) =

1

18= 0,055556

c) p(Luas Tanam = ”Sedang” | Produktivitas = “TINGGI”)

72

= 61

162 = 0,098765

p(Luas Tanam = ”Sedang” | Produktivitas = “RENDAH”)

= 4

18 = 0,222222

d) p(Produksi = ”Rendah” | Produktivitas = “TINGGI”)

= 51

162 = 0,314815

p(Produksi = ” Rendah” | Produktivitas = “RENDAH”)

= 12

18 = 0,666667

e) p(Luas Panen = ”Sedang” | Produktivitas = “TINGGI”)

= 79

162 = 0,487654

p(Luas Panen = ”Sedang” | Produktivitas = “RENDAH”)

= 9

18 = 0,5

f) p(Luas Baku Sawah = ”Sedang” | Produktivitas = “TINGGI”)

= 64

162 = 0,395062

p(Luas Baku Sawah = ”Sedang” | Produktivitas = “RENDAH”)

= 4

18 = 0,222222

g) p(Luas Sawah = ”Sedang” | Produktivitas = “TINGGI”)

= 66

162 = 0,407407

p(Luas Sawah = ”Sedang” | Produktivitas = “RENDAH”)

= 4

18 = 0,222222

h) p(Penggerek Batang = ”Rendah” | Produktivitas = “TINGGI”)

= 155

162 = 0,95679

p(Penggerek Batang = ”Rendah” | Produktivitas = “RENDAH”)

= 15

18 = 0,833333

i) p(Tikus = ”Rendah” | Produktivitas = “TINGGI”)

= 162

162 = 1

73

p(Tikus = ”Rendah” | Produktivitas = “RENDAH”)

= 17

18 = 0,944444

j) p(Wereng Batang Cokelat = ”Rendah” | Produktivitas = “TINGGI”)

= 154

162 = 0,950617

p(Wereng Batang Cokelat = ”Rendah” | Produktivitas =

“RENDAH”)

= 18

18 = 1

k) p(Siput Murbai = ”Rendah” | Produktivitas = “TINGGI”)

= 162

162 = 1

p(Siput Murbai = ”Rendah” | Produktivitas = “RENDAH”)

= 18

18 = 1

l) p(Bakteri Hawar Daun = ”Rendah” | Produktivitas = “TINGGI”)

= 162

162 = 1

p(Bakteri Hawar Daun = ”Rendah” | Produktivitas = “RENDAH”)

= 18

18 = 1

m) p(Hama Putih Palsu = ”Rendah” | Produktivitas = “TINGGI”)

= 162

162 = 1

p(Hama Putih Palsu = ”Rendah” | Produktivitas = “RENDAH”)

= 18

18 = 1

n) p(Blasit = ”Rendah” | Produktivitas = “TINGGI”)

= 162

162 = 1

p(Blasit = ”Rendah” | Produktivitas = “RENDAH”)

= 18

18 = 1

4. Menghitung keseluruhan hasil dari p(D|H) sesuai kelas masing-masing

Produktivitas “TINGGI” dan “RENDAH” dengan cara mengkalikan (×).

74

a. p(D|Produktivitas Tinggi)

p(Rata-rata Curah Hujan = “Sedang” | Produktivitas = “Tinggi”) ×

p(Rata-rata Hari Hujan = “Sedang” | Produktivitas = “Tinggi”) ×

p(Luas Tanam = “Sedang” | Produktivitas = “Tinggi”) × p(Produksi =

“Rendah” | Produktivitas = “Tinggi”) × p(Luas Panen = “Rendah” |

Produktivitas = “Tinggi”) × p(Luas Baku Sawah = “Rendah” |

Produktivitas = “Tinggi”) × p(Luas Sawah = “Sedang” | Produktivitas

= “Tinggi”) × p(Penggerek Batang = “Rendah” | Produktivitas =

“Tinggi”) × p(Tikus = “Rendah” | Produktivitas = “Tinggi”) ×

p(Wereng Batang Cokelat = “Rendah” | Produktivitas = “Tinggi”) ×

p(Siput Murbai = “Rendah” | Produktivitas = “Tinggi”) × p(Bakteri

Hawar Daun = “Rendah” | Produktivitas = “Tinggi”) × p(Hama Putih

Palsu = “Rendah” | Produktivitas = “Tinggi”) × p(Blasit = “Rendah” |

Produktivitas = “Tinggi”).

p(D|Produktivitas Tinggi)

= 0,364198 × 0,12963 × 0,098765 × 0,314815 × 0,487654 × 0,395062

× 0,407407 × 0,95679 × 1 × 0,950617 × 1 × 1 × 1 × 1

Hasil

= 0.000104792

b. p(D|Produktivitas Rendah)

p(Rata-rata Curah Hujan = “Sedang” | Produktivitas = “Rendah”) ×

p(Rata-rata Hari Hujan = “Sedang” | Produktivitas = “Rendah”) ×

p(Luas Tanam = “Sedang” | Produktivitas = “Rendah”) × p(Produksi

= “Rendah” | Produktivitas = “Rendah”) × p(Luas Panen = “Sedang” |

75

Produktivitas = “Rendah”) × p(Luas Baku Sawah = “Sedang” |

Produktivitas = “Rendah”) × p(Luas Sawah = “Sedang” | Produktivitas

= “Rendah”) × p(Penggerek Batang = “Rendah” | Produktivitas = “

Rendah”) × p(Tikus = “Rendah” | Produktivitas = “Rendah”) ×

p(Wereng Batang Cokelat = “Rendah” | Produktivitas = “Rendah”) ×

p(Siput Murbai = “Rendah” | Produktivitas = “Rendah”) × p(Bakteri

Hawar Daun = “Rendah” | Produktivitas = “Rendah”) × p(Hama Putih

Palsu = “Rendah” | Produktivitas = “Rendah”) × p(Blasit = “Rendah” |

Produktivitas = “Rendah”).

p(D|Produktivitas Rendah)

= 0,555556 × 0,055556 × 0,222222 × 0,666667 × 0,5 × 0,222222 ×

0,222222 × 0,833333 × 0,944444 × 1 × 1 × 1 × 1 × 1

Hasil

= 8,88574E-05

5. Dengan demikian prediksi produktivitas tanaman padi didapatkan dengan

menghitung nilai p(H) × p(D|H) sebagai berikut :

a) p(Produktivitas= Tinggi) × p(D|Produktivitas TINGGI)

0,9 × 0,000104792

= 9,43131E-05

b) p(Produktivitas= Rendah) × p(D|Produktivitas RENDAH)

0,1 × 8,88574E-05

= 8,88574E-05

Dari hasil perhitungan diatas, menggunakan metode naive bayes maka

prediksi produktivitas tanaman padi bernilai “TINGGI”. Karena terlihat bahwa nilai

76

probabilitas tertinggi pada pada kelas (P|Produktivitas Tinggi) yaitu sebesar

9,43131E-05

4.3 Proses Pengujian

Proses pengujian dilakukan tahapan yang telah direncanakan yaitu dengan

metode naïve bayes dengan menggunakan skema 10-fold cross vaidation, dengan artian

dataset akan dibagi menjadi N bagian secara acak. Fold ke-1 adalah ketika bagian ke-

1 menjadi data testing dan sisanya menjadi data training, demikian seterusnya hingga

sampai fold 10 bagian ke-10. Pengujian pada penelitian ini menggunakan tool rapid

miner untuk mrngolah dataset. Berikut adalah gambar model klasifikasi dari pengujian

ini

Gambar 4.4 Model Pengujian

4.3.1 Hasil Pengujian

Berikut ini adalah hasil pengujian dengan skema 10 – fold validation

sebanyak 10 kali pengujian data traning dan data testing.

77

a. Pengujian 1

Gambar 4.5 Hasil Pengujian 1

Dari pengujian 1 dengan data testing sebanyak 18 data dan data training

sebanyak 162 data, terlihat dari confusion matrix bahwa terdapat 15 data testing

kategori produktivitas TINGGI diklasifikasi oleh model sebagai produktivitas

TINGGI dengan demikian model benar dalam mengklasifikasikan. Dan terdapat 1

data testing dengan kategori produktivitas TINGGI diklasifikasikan oleh model

sebagai produktivitas RENDAH, dan 2 data testing diklasifikasikan oleh model

kedalam kelas produktivitas RENDAH tetapi sebenarnya masuk ke dalam kategori

kelas produktivitas TINGGI dengan ini model salah dalam mengklasifikasikan dan

didapati akurasi sebesar 83,33%

b. Pengujian 2







78

sebagai produktivitas RENDAH, dan 1 data testing dengan kategori produktivitas

RENDAH diklasifkasikan oleh model sebagai produktivitas TINGGI dengan ini

model salah dalam mengklasifikasikan dan didapati akurasi sebesar 88,89%

c. Pengujian 3










d. Pengujian 4




79

kategori produktivitas RENDAH diklasifikasi oleh model sebagai produktivitas

RENDAH dengan demikian model benar dalam mengklasifikasikan. Dan terdapat

1 data testing dengan kategori produktivitas TINGGI diklasifikasikan oleh model




e. Pengujian 5




kategori produktivitas RENDAH diklasifikasi oleh model sebagai produktivitas

RENDAH dengan demikian model benar dalam mengklasifikasikan. Dan terdapat

2 data testing dengan kategori produktivitas TINGGI diklasifikasikan oleh model

sebagai produktivitas RENDAH, dengan ini model salah dalam mengklasifikasikan

dan didapati akurasi sebesar 88,89%

f. Pengujian 6


80



dengan kategori produktivitas TINGGI, diklasifikasikan sebagai produktivitas

TINGGI oleh model, dengan demikian diartikan model benar dalam

mengklasifikasikan, sedangkan 2 data testing terdapat pada kategori produktivitas

RENDAH dan di klasifikasikan oleh model pada kelas produktivitas TINGGI,

tetapi aktualnya ada pada kelas produktivitas RENDAH dengan demikian model

salah dalam mengklasifikasikan maka didapati akurasi sebesar 88,89 %

g. Pengujian 7










81

h. Pengujian 8




dengan kategori produktivitas TINGGI, diklasifikasikan sebagai produktivitas

TINGGI oleh model, dengan demikian diartikan model benar dalam

mengklasifikasikan, sedangkan 2 data testing terdapat pada kategori produktivitas

RENDAH dan di klasifikasikan oleh model pada kelas produktivitas TINGGI,

tetapi aktualnya ada pada kelas produktivitas RENDAH dengan demikian model

salah dalam mengklasifikasikan maka didapati akurasi sebesar 88,89 %

i. Pengujian 9





TINGGI dan 1 data testing dengan kategori produktivitas RENDAH diklasifkasikan

oleh model sebagai produktivitas RENDAH dengan demikian model benar dalam

mengklasifikasikan. Dan terdapat 1 data testing dengan kategori produktivitas

82

RENDAH diklasifikasikan oleh model sebagai produktivitas TINGGI, dengan ini


j. Pengujian 10


Dari pengujian 10 dengan data testing sebanyak 18 data dan data training sebanyak

162 data, terlihat dari confusion matrix bahwa terdapat 18 data testing dengan

kategori produktivitas TINGGI, diklasifikasikan sebagai produktivitas TINGGI

oleh model, dengan demikian diartikan model benar dalam mengklasifikasikan,

maka didapati akurasi sebesar 83,33 %

4.3.1.1 Hasil Klasifikasi Produktivitas Tanaman Padi

Berikut adalah hasil dari klasifikasi BENAR dan SALAH terhadap

produktivitas tanaman padi kedalam kategori produktivitas tinggi atau

produktivitas rendah dengan perhitungan metode naive bayes classifier.

4.3.1.1.1 Hasil Klasifikasi Pengujian 1

Berikut adalah hasil klasifikasi benar dan salah terhadap prediksi

produktivitas tanaman padi ke dalam kategori produktivitas tinggi dan

produktivitas rendah pada pengujian 1.

Tabel 4.5 Keterangan Pembagian Dataset Pengujian 1

Dataset Produktivitas Tanaman Padi

Dataset Data Training Data Testing

83

180 Data 162 Data 18 Data

1. Hasil Klasifikasi benar terhadap produktivitas padi pada pengujian 1

Gambar 4.15 Hasil Klasifikasi Benar Pengujian 1

Pada gambar 4.15 merupakan perwakilan hasil testing dataset produktivitas

tanaman padi yang dapat diklasifikasikan benar oleh model.

Berikut banyaknya data testing yang dapat diklasifikasikan benar oleh

model dapat dilihat pada tabel di bawah ini :

Tabel 4.6 Hasil Akurasi Benar Pengujian 1

Produktivitas Tanaman

Padi

Hasil

Confusion Matrix

Data

Testing

Klasifikasi

Benar

Actual Prediksi True Accuracy

84

18 Data

15 Data

TINGGI

TINGGI

Akurasi =

15+0

(15+2)+(1+0) × 100

= 15

18

= 83,33 %

2. Hasil Klasifikasi salah terhadap produktivitas padi pada pengujian 1

Gambar 4.16 Hasil Klasifikasi Salah Pengujian 1


tanaman padi yang dapat diklasifikasikan salah oleh model.

Berikut banyaknya data testing yang dapat diklasifikasikan salah oleh model

dapat dilihat pada tabel di bawah ini :

85

Tabel 4.7 Hasil Akurasi Salah Pengujian 1

Produktivitas

Tanaman Padi

Hasil

Confusion Matrix

Data

Testing

Klasifikasi

Salah

Actual Prediksi False Accuracy

18 Data

3 Data

TINGGI

RENDAH

RENDAH

TINGGI

Akurasi =

2+1

(15+2)+(1+0) × 100

= 3

18

= 16,66 %



produktivitas tanaman padi ke dalam kategori produktivitas tinggi dan produktivitas

rendah pada pengujian 2.





86





Berikut banyaknya data testing yang dapat diklasifikasikan benar oleh model dapat

dilihat pada tabel di bawah ini :



Padi

Hasil

Confusion Matrix

Data

Testing

Klasifikasi

Benar


18 Data

16 Data

TINGGI

TINGGI

Akurasi =

16+0

(16+1)+(1+0) × 100

87

= 16

18

= 88,89 %








Produktivitas

Tanaman Padi

Hasil

Confusion Matrix

Data Klasifikasi Actual Prediksi False Accuracy

88

Testing Salah

18 Data

2 Data

TINGGI

RENDAH

RENDAH

TINGGI

Akurasi =

1+1

(16+1)+(1+0) × 100

= 2

18

= 11,11 %









89









Padi

Hasil

Confusion Matrix

Data

Testing

Klasifikasi

Benar


18 Data

16 Data

TINGGI

TINGGI

Akurasi =

16+0

(16+1)+(1+0) × 100

90

= 16

18

= 88,89 %








Produktivitas

Tanaman Padi

Hasil

Confusion Matrix


91

Testing Salah

18 Data

2 Data

TINGGI

RENDAH

Akurasi =

1+1

(16+1)+(1+0) × 100

= 2

18

= 11,11 %









92









Padi

Hasil

Confusion Matrix

Data

Testing

Klasifikasi

Benar


18 Data

16 Data

TINGGI

TINGGI

Akurasi =

0+16

(0+1)+(1+16) × 100

93

= 16

18

= 88,89 %








Produktivitas

Tanaman Padi

Hasil

Confusion Matrix


94

Testing Salah

18 Data

2 Data

RENDAH

TINGGI

Akurasi =

1+1

(0+1)+(1+16) × 100

= 2

18

= 11,11 %









95









Padi

Hasil

Confusion Matrix

Data

Testing

Klasifikasi

Benar


18 Data

16 Data

TINGGI

TINGGI

Akurasi =

0+16

(0+0)+(2+16) × 100

96

= 16

18

= 88,89 %








Produktivitas

Tanaman Padi

Hasil

Confusion Matrix


97

Testing Salah

18 Data

2 Data

TINGGI

RENDAH

Akurasi =

2+0

(0+0)+(2+16) × 100

= 2

18

= 11,11 %









98









Padi

Hasil

Confusion Matrix

Data

Testing

Klasifikasi

Benar


18 Data

16 Data

TINGGI

TINGGI

Akurasi =

16+0

(16+2)+(0+0) × 100

99

= 16

18

= 88,89 %








Produktivitas

Tanaman Padi

Hasil

Confusion Matrix


100

Testing Salah

18 Data

2 Data

TINGGI

RENDAH

Akurasi =

0+2

(16+2)+(0+0) × 100

= 2

18

= 11,11 %









101









Padi

Hasil

Confusion Matrix

Data

Testing

Klasifikasi

Benar


18 Data

14 Data

TINGGI

TINGGI

Akurasi =

14+0

(14+2)+(2+0) × 100

102

= 14

18

= 77,78 %








Produktivitas

Tanaman Padi

Hasil

Confusion Matrix


103

Testing Salah

18 Data

4 Data

TINGGI

RENDAH

RENDAH

TINGGI

Akurasi =

2+2

(14+2)+(2+0) × 100

= 4

18

= 22,22 %









104









Padi

Hasil

Confusion Matrix

Data

Testing

Klasifikasi

Benar


18 Data

16 Data

TINGGI

TINGGI

Akurasi =

16+0

(16+2)+(0+0) × 100

105

= 16

18

= 88,89 %








Produktivitas

Tanaman Padi

Hasil

Confusion Matrix


106

Testing Salah

18 Data

2 Data

RENDAH

TINGGI

Akurasi =

2+0

(16+2)+(0+0) × 100

= 2

18

= 11,11 %









107









Padi

Hasil

Confusion Matrix

Data

Testing

Klasifikasi

Benar


18 Data

17 Data

TINGGI

TINGGI

Akurasi =

16+1

(16+1)+(0+1) × 100

108

= 17

18

= 94,44 %








Produktivitas

Tanaman Padi

Hasil

Confusion Matrix


109

Testing Salah

18 Data

1 Data

RENDAH

TINGGI

Akurasi =

1+0

(16+1)+(0+1) × 100

= 1

18

= 5,55 %









110





Berikut banyaknya data testing yang dapat diklasifikasikan benar oleh

model dapat dilihat pada tabel di bawah ini



Padi

Hasil

Confusion Matrix

Data

Testing

Klasifikasi

Benar


Akurasi =

111

18 Data 15 Data TINGGI

RENDAH

TINGGI

RENDAH

14+1

(14+2)+(1+1) × 100

= 15

18

= 83,33 %

2. Hasil klasifikasi salah terhadap produktivitas padi pada pengujian 10







Produktivitas

Tanaman Padi

Hasil

Confusion Matrix

112

Data

Testing

Klasifikasi

Salah

Actual Prediksi False Accuracy

18 Data

2 Data

RENDAH

TINGGI

Akurasi =

2+1

(14+2)+(1+1) × 100

= 3

18

= 16,66 %

Dari masing-masing hasil klasifikasi tingkat produktivitas padi diatas didapati

rincian hasil perhitungan model naive bayes classifier untuk memprediksi tingkat

produktivitas padi sebagai berikut :

Tabel 4.35 Rincian Hasil Klasifikasi Produktivitas Padi

Pengujian Data

Training

Data

Testing

Klasifikas

i Benar

(Tes)

Klasifikas

i

Salah (Tes)

Acc

True

Acc

False

Pengujian 1 162 18 15 Data 3 Data 83,33

%

16,66

%


%

11,11

%


%

11,11

%


%

11,11

%


%

11,11

%


%

11,11

%


%

22,22

%


%

11,11

%

113


%

5,55%

Pengujian

10 162 18 15 Data 3 Data 83,33

%

16,66

%

4.3.1.2 Analisa Hasil Klasifikasi Produktivitas Tanaman Padi

Dari beberapa pengujian di atas, data yang diambil untuk menjadi acauan

dalam menilai performa naïve bayes dalam memprediksi produktivitas padi adalah

nilai accuracy. Berikut ini adalah ringkasan dari tigkat akurasi tiap pegujian yang

memiliki nilai berbeda-beda.

Tabel 4.36 Tingkat Akurasi Pengujian

No Pengujian Accuracy

1 Pengujian ke 1 83,33%










Berdasar tabel 4.36 menunjukan bahwa dari beberapa tahap pengujian

terhadap performa klasifikasi metode naïve bayes dalam memprediksi produktivitas

tanaman padi dengan kombinasi pemilihan data traning dan data testing

berdasarkan skema k-fold cross validation memiliki tingkat akurasi yang beragam,

hasil terbaik dari beberapa pengujian didapatkan akurasi sebesar 94,44% pada

114

pengujian ke sembilan dan hasil akurasi terendah yang didapatkan berada pada

pengujian ke tujuh sebesar 77,78%. Hal ini menunjukan bahwa pemilihan data

training dan data testing yang berbeda dan dipilih secara random sangat

berpengaruh dengan tingkat akurasi yang diperoleh terhadap metode naïve bayes

dengan skema k-fold cross validation.

4.3.2 Hasil Rata-Rata Akurasi

Untuk mengetahui rata-rata dari beberapa hasil pengujian dalam hal ini

sebagai titik acuan untuk mengetahui keberhasilan dari metode naïve bayes dalam

memprediksi tingkat produktivitas tanaman padi maka didapatkan perhitungannya

sebagai berikut :

Rata-rata akurasi = ∑ 𝐽𝑢𝑚𝑙𝑎ℎ 𝐻𝑎𝑠𝑖𝑙 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝑆𝑒𝑡𝑖𝑎𝑝 𝑃𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛

∑ 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑜𝑡𝑎𝑙 𝑃𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛

= 83,33+88,89+88,89+88,89+88,89+88,89+77.78+88,89+94,44+83,33

10

= 872,22

10

= 87,22%

Berdasarkan dari pengujian dan setelah dihitung rata-rata akurasi dari

setiap pengujian didapatkan hasil akhir akurasi sebesar 87,22 %. Ini mendefinisikan

dalam penelitian ini, bahwa metode naive bayes termasuk good classification.

115

BAB V

KESIMPULAN

5.1 Kesimpulan

Adapun kesimpulan dari penelitian ini adalah sebagai berikut,

1. Penelitian ini dilakukan dengan tiga tahap, yaitu tahap pemrosesan data,

tahap pengujian dan tahap mencari akurasi model. Tahap pemrosesan data

menggunakan software IBM SPSS Statistic 22 untuk pencarian data missing

dan mengganti nilai missing dengan rata-rata mean. Tahap pengujian

menggunakan software RapidMiner Studio untuk mencari nilai akurasinya

dengan skema k-fold validation dan melakukan pengujiannya sebanyak

sepuluh kali. Hasil dari tiap pengujian yang didapatkan berupa Confusion

matrix dan nilai yang diambil adalah accuracy yang akan dijadikan sebagai

nilai pencarian dari akurasi model dalam mengklasifikasi tingkat

produktivitas padi.

2. Dari pengujian yang dilakukan sebanyak sepuluh kali didapatkan nilai

akurasi dari model dalam memprediksi tingkat produktivitas dengan skema

k-fold validation sebesar 87,22% ini membuktikan bahwa metode naïve

bayes mempuyai klasifikasi yang baik.

3. Hasil dari klasifikasi bisa menjadi acuan pihak pemerintah dalam

menentukan kecamatan mana yang akan dijadikan perhatian khusus dalam

budi daya padi di Kabupaten Karawang.

116

5.2 Saran

Saran untuk penelitian selanjutnya adalah :

1. Penelitian ini dapat dikembangkan dengan metode lain atau kombinasi dari

beberapa metode sehingga didapatkan hasil klasifikasi yang sangat baik.

2. Penelitian terkait klasifikasi tingkat produktivitas padi dapat dikembangkan

lagi dengan penambahan beberapa atribut dan variabelnya sehingga bisa

mempertajam bagian analisinya.

3. Penelitian ini dapat dkembangkan dengan memperluas cakupannya bukan

hanya di tingkat kabupaten saja tetapi diperluas ke tingkat kecamatan juga

agar mempertajam hasil dari klasifikasinya.

117

DAFTAR PUSTAKA

A.S Rosa., M, Shalahudin. 2014. Rekayasa Perangkat Lunak Struktur Dan

Berorientasi Objek. Bandung : Informatika.

Aggarwal, Charu C. 2014. Data Classification Algorithms And Appliacations.

Chapman And Hall/CRC Data Mining and Knowledge Discovery Series.

United States : CRC Press.

B. Irawan, “Dinamika Produktivitas dan Kualitas Budi Daya Padi Sawah”, 2016,

pp. 179–199.

BMKG. Pengertian Hari Hujan, Curah Hujan tersedia di https://bmkg.go.id/

diakses pada tanggal 30 Agustus 2018.

BPS Nasional. Pengertian Luas Sawah, Luas Tanam, Luas Panen, Produksi

tersedia di https://bps.go.id/ diakses pada 30 Agustus 2018.

BPS Provinsi Jawa Barat. Data Produksi Gabah Kering. 2015 tersedia di

https://jabar.bps.go.id/ diakses pada tanggal 30 Agustus 2018.

Davis, Barbara., Radford, Daren. 2014. Going Beyond The Waterfall : Managing

Scope Effectively Across The Project Life Cycle. U.S.A : J.Ross

Publishing.

Dennis, Alan., Wixom, Barbara Haley., Tegarden, David. 2015. Systems Analysis

And Design : An Object-Oriented Approach with UML 5th Edition. United

States : John Wiley And Sons Ins.

Departemen Pertanian. Pengertian Luas Baku Sawah tersedia di

https://bmkg.go.id/

https://bps.go.id/

https://jabar.bps.go.id/

118

https://pertanian.go.id/ diakses pada tanggal 30 Agustus 2018.

Farizal, A. 2009. Kajian Produktivitas Lahan Sawah Terhadap Kesejahteraan

Petani Di Bulupayung Kecamatan Patimunan Kabupaten Cilacap.

Purwokerto:FKIP UMP

Goldfrank, Lewis R., Flomenbaum, N.E., Nelson, L.S., Lewin, N.A., Howland,

M.A,. Hoffman, R.S. 2011. Toxicologic Emergencies Ninth Edition. The

McGraw-Hill Companies, Inc.

Gorunescu, F. (2011). Data Mining: Concepts, Models and Techniques. Berlin:

Springer-Verlag.

Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques

(3rd ed.). San Francisco: Morgan Kaufmann Publishers Inc.

Hofmann, Markus., Klinkenberg, Ralf. 2014. Rapid Miner Data Mining Use

Cases And Business Analytics Applications. Chapman And Hall/CRC Data

Mining and Knowledge Discovery Series. United States : CRC Press.

Indrajani. 2011. Perancangan Basis Data dalam All in 1. Jakarta : PT. Elex Media

Komputindo.

Jananto, A. (2013). Algoritma Naive Bayes untuk Mencari Perkiraan Waktu Studi

Mahasiswa. Teknologi Informasi, 18(1), 9–16.

Larose, Daniel.T., Larose, Chantal.D. 2014. Discovering Knowledge In Data : An

Introduction to Data Mining Second Edition. Canada : John Wiley & Sons,

Inc.

Laroussi, Hesham Mohammed Ma Al. 2015. Implementasi Algoritma Naive Bayes

Sebagai Proses Seleksi Penerima Beasiswa Libyan Embassy Berbasis

https://pertanian.go.id/

119

Web. Skripsi. Fakultas Sains Dan Teknologi. Universitas Islam Negeri

Maulana Malik Ibrahim. Malang.

Luengo, Julian., Garcia, Salvador., Herrera, Francisco. 2015. Data Preprocessing

in Data Mining. Intelegent Systems Reference Library Volume 72.

Switzerland : Springer International Publishing.

Nastiti, Olivia Astuti. 2016. Sistem Pakar Klasifikasi Stroke Dengan Metode

Naive Bayes Classifier Dan Certainty Factor Sebagai Alat Bantu

Diagnosis. Skripsi. Fakultas Sains Dan Teknologi. Universitas Airlangga.

Surabaya.

Nurmala,dkk. 2012. Pengantar Ilmu Pertanian. Yogyakarta:GRAHA ILMU

Osis, Janis., Donins, Uldis. 2017. Topologocal UML Modeling : An Improved

Approach for Domain Modeling and Software Development. Netherlands :

Elsevier Inc.

Prasad, Ram. 2017. Mycoremediation and Environmental Sustainability

Volume 1. Switzerland : Springer International Publishing.

Prasetya, Thomas Wiga Heru. 2016. Klasifikasi Diagnosa Diabetes Mellitus

Dengan Penerapan Metode Naive Bayesian Classifier. Skripsi. Fakultas

Sains Dan Teknologi. Universitas Sanata Dharma. Yogyakarta.

Saleh, A. (2015). 375-1011-1-Sm_2, 2(3), 207–217.

https://doi.org/doi.org/10.24076/citec.2015v2i3.49

Sari, B. N., Permana, H., Trihandoko, K., Jamaludin, A., & Umaidah, Y. (2017).

Prediksi Produktivitas Tanaman Padi di Kabupaten Karawang

Menggunakan Bayesian Networks. Jurnal Infotel, 9(4), 454–460.

https://doi.org/doi.org/10.24076/citec.2015v2i3.49

120

https://doi.org/10.20895/infotel.v9i4.336

Seidl, Martina., Scholz, Marion., Huemer, Christian., Kappel, Gerti. 2015. UML

Classroom : An Introduction to Object-Oriented Modeling. Germany :

Springer International Publishing AG.

Wasiati, H., & Wijayanti, D. (2014). Sistem Pendukung Keputusan Penentuan

Kelayakan Calon Tenaga Kerja Indonesia Menggunakan Metode Naive

Bayes. Jurnal Ilmiah NERO, 1(4), 1–7.

https://doi.org/10.1123/IJNS.V3I2.154

Zainal, Amy Rosshaida, and Aida Mustapha. Behavioural Features for Mushroom

Classification. 2018 IEEE Symposium on Computer Applications &

Industrial Electronics (ISCAIE), IEEE, 2018, 412–15.

https://doi.org/10.1123/IJNS.V3I2.154

TAHUN KECAMATAN RATA-RATA CURAH HUJAN RATA-RATA HARI HUJAN LUAS TANAM

2010 Karawang Barat 1.028.333.333 1.116.666.667 4542

2010 Karawang Timur 1.028.333.333 1.116.666.667 3844

2010 Majalaya 8.466.666.667 4.666.666.667 4496

2010 Klari 2.006.666.667 1.316.666.667 5434

2010 Telukjambe Barat 221.9 10.75 4256

2010 Telukjambe Timur 221.9 10.75 2771

2010 Ciampel 159.25 1.033.333.333 2138

2010 Pangkalan 3.501.666.667 30.035 4869

2010 Tegalwaru 3.501.666.667 30.035 4066

2010 Rengasdengklok 1.404.166.667 5 4016

2010 Jayakerta 1.833.333.333 0 7242

2010 Kutawaluya 1.404.166.667 5 8744

2010 Batujaya 1.841.666.667 0 9862

2010 Tirtajaya 1.758.333.333 0 11316

2010 Pakisjaya 0 0 6182

2010 Pedes 1.861.666.667 7.083.333.333 10312

2010 Cilebar 1.404.166.667 5 10833

2010 Cibuaya 1.359.166.667 5.333.333.333 7892

2010 Cikampek 3.369.166.667 17 1282

2010 Purwasari 2.960.833.333 17 3222

2010 Tirtamulya 1.881.383.333 1.608.333.333 5042

2010 Jatisari 221.5 1.166.666.667 8208

2010 Banyusari 1.686.666.667 8.083.333.333 7600

2010 Kota Baru 3.248.333.333 1.391.666.667 3207

2010 Cilamaya Kulon 162.25 9 9140

2010 Cilamaya Wetan 0 0 10768

2010 Telagasari 7.791.666.667 0 7838

2010 Lemahabang 1.724.166.667 0 7596

2010 Rawamerta 1.760.833.333 9.083.333.333 8388

2010 Tempuran 145 6.833.333.333 12524

2011 Karawang Barat 4.083.333.333 2.166.666.667 4514

2011 Karawang Timur 0 0 3694

2011 Majalaya 18.25 2.083.333.333 4630

2011 Klari 100.5 1.016.666.667 5429

2011 Telukjambe Barat 221.75 10.75 5571

2011 Telukjambe Timur 0 0 2873

2011 Ciampel 1.134.166.667 7.75 2182

2011 Pangkalan 2.559.166.667 11.25 4211

2011 Tegalwaru 0 0 3368

2011 Rengasdengklok 4.083.333.333 2.166.666.667 4098

2011 Jayakerta 0 0 7142

2011 Kutawaluya 0 0 8744

2011 Batujaya 1.234.166.667 4.833.333.333 9862

2011 Tirtajaya 3.833.333.333 2.083.333.333 11316

2011 Pakisjaya 1.234.166.667 4.833.333.333 5883

2011 Pedes 1.160.833.333 4.833.333.333 10276

2011 Cilebar 2.146.666.667 6.583.333.333 10812

2011 Cibuaya 4.083.333.333 2.083.333.333 7892

2011 Cikampek 92.5 8.25 1054

2011 Purwasari 100.5 1.016.666.667 3167

2011 Tirtamulya 9.358.333.333 8.833.333.333 5042

2011 Jatisari 134 7.75 8134

2011 Banyusari 1.749.166.667 8.083.333.333 7628

2011 Kota Baru 1.956.666.667 9.583.333.333 3072

2011 Cilamaya Kulon 8.441.666.667 7.416.666.667 9135

2011 Cilamaya Wetan 20.75 2.083.333.333 10511

2011 Telagasari 18.25 2.083.333.333 7838

2011 Lemahabang 9.683.333.333 4 7596

2011 Rawamerta 9.891.666.667 6.083.333.333 8379

2011 Tempuran 4.566.666.667 2.75 12960

2012 Karawang Barat 6.491.666.667 3.916.666.667 4459

2012 Karawang Timur 6.491.666.667 3.666.666.667 1847

2012 Majalaya 1.529.166.667 9.666.666.667 5078

2012 Klari 1.533.333.333 9.666.666.667 6347

2012 Telukjambe Barat 1.636.666.667 1.066.666.667 4210

2012 Telukjambe Timur 1.636.666.667 1.066.666.667 2151

2012 Ciampel 1.151.666.667 8.416.666.667 819

2012 Pangkalan 1.891.666.667 6.75 4503

2012 Tegalwaru 2.675.833.333 9.583.333.333 3824

2012 Rengasdengklok 1.010.833.333 3.833.333.333 3390

2012 Jayakerta 1.010.833.333 3.833.333.333 7032

2012 Kutawaluya 1.010.833.333 4.083.333.333 13156

2012 Batujaya 1.088.333.333 5.666.666.667 9512

2012 Tirtajaya 1.010.833.333 3.833.333.333 10510

2012 Pakisjaya 1.088.333.333 5.666.666.667 5277

2012 Pedes 103.25 4.666.666.667 9837

2012 Cilebar 110.75 4.333.333.333 10790

2012 Cibuaya 103.25 4.666.666.667 10208

2012 Cikampek 1.533.333.333 9.75 1450

2012 Purwasari 1.400.833.333 9.166.666.667 4531

2012 Tirtamulya 1.533.333.333 9.75 7351

2012 Jatisari 1.179.166.667 7.166.666.667 8134

2012 Banyusari 1.533.333.333 9.75 1142

2012 Kota Baru 1.533.333.333 9.75 1434

2012 Cilamaya Kulon 6.158.333.333 4.583.333.333 9130

2012 Cilamaya Wetan 1.533.333.333 9.75 10436

2012 Telagasari 69.5 5 6771

2012 Lemahabang 69.5 5 7596

2012 Rawamerta 1.284.166.667 6.916.666.667 6537

2012 Tempuran 7.083.333.333 3.5 9929

2013 Karawang Barat 81.75 4.433.333.333 4240

2013 Karawang Timur 98.5 6.208.333.333 3070

2013 Majalaya 9.308.333.333 2.458.333.333 4466

2013 Klari 82.75 2.941.666.667 5110

2013 Telukjambe Barat 125.5 4.891.666.667 4268


2013 Ciampel 1.369.166.667 42.75 872

2013 Pangkalan 2.256.666.667 2.933.333.333 6655

2013 Tegalwaru 2.256.666.667 2.933.333.333 3942

2013 Rengasdengklok 112.25 24 4073

2013 Jayakerta 3.333.333.333 9.75 6671

2013 Kutawaluya 588.75 1.521.666.667 8744

2013 Batujaya 1.151.666.667 54 9862

2013 Tirtajaya 1.159.166.667 47.5 11316

2013 Pakisjaya 8.233.333.333 5.366.666.667 6226

2013 Pedes 1.095.833.333 4.583.333.333 10524

2013 Cilebar 4.346.666.667 9.591.666.667 10790

2013 Cibuaya 1.095.833.333 4.583.333.333 10399

2013 Cikampek 1.659.166.667 5.266.666.667 1356

2013 Purwasari 1.443.333.333 28.5 3242

2013 Tirtamulya 1.528.333.333 5.108.333.333 5042

2013 Jatisari 1.330.833.333 5.016.666.667 8134

2013 Banyusari 7.833.333.333 45.5 6628

2013 Kota Baru 109.5 4.433.333.333 3082

2013 Cilamaya Kulon 4.158.333.333 33.5 9140

2013 Cilamaya Wetan 63.75 2.908.333.333 10841

2013 Telagasari 86 23.75 8200

2013 Lemahabang 4.808.333.333 27.5 7621

2013 Rawamerta 2.729.166.667 100.5 8382

2013 Tempuran 7.991.666.667 2.941.666.667 13493

2014 Karawang Barat 1.515.833.333 6.666.666.667 4087

2014 Karawang Timur 1.515.833.333 6.666.666.667 3098

2014 Majalaya 1.389.166.667 2.666.666.667 4466

2014 Klari 258.5 1.333.333.333 4900

2014 Telukjambe Barat 215.25 9.166.666.667 4452


2014 Ciampel 205 1.108.333.333 1738

2014 Pangkalan 3.314.166.667 1.333.333.333 5094

2014 Tegalwaru 270.25 1.291.666.667 3368

2014 Rengasdengklok 1.709.166.667 5.333.333.333 4022

2014 Jayakerta 38.5 4.583.333.333 7062

2014 Kutawaluya 2.163.333.333 1.016.666.667 8744

2014 Batujaya 2.935.833.333 6.083.333.333 9862

2014 Tirtajaya 197 5.25 11316

2014 Pakisjaya 2.935.833.333 6.083.333.333 7055

2014 Pedes 1.966.666.667 9.083.333.333 10156

2014 Cilebar 1.239.166.667 5.666.666.667 10790

2014 Cibuaya 1.913.333.333 9.166.666.667 8832

2014 Cikampek 257.75 1.333.333.333 1450

2014 Purwasari 257.75 1.333.333.333 3434

2014 Tirtamulya 2.594.166.667 1.333.333.333 5042

2014 Jatisari 207.5 9.916.666.667 8134

2014 Banyusari 139.5 2.916.666.667 7628

2014 Kota Baru 207.5 9.916.666.667 2641

2014 Cilamaya Kulon 2.161.666.667 6.75 9140

2014 Cilamaya Wetan 1.330.833.333 5 10436

2014 Telagasari 138 2.833.333.333 8200

2014 Lemahabang 2.058.333.333 5.833.333.333 7596

2014 Rawamerta 2.153.333.333 10 8382

2014 Tempuran 2.153.333.333 10 12960

2015 Karawang Barat 8.066.666.667 4.916.666.667 4701

2015 Karawang Timur 8.066.666.667 4.916.666.667 3890

2015 Majalaya 2.891.666.667 3.75 5471

2015 Klari 9.941.666.667 8 5415

2015 Telukjambe Barat 4.354.166.667 8.583.333.333 6432

2015 Telukjambe Timur 4.354.166.667 8.75 2538

2015 Ciampel 49 5.833.333.333 1492

2015 Pangkalan 2.081.666.667 9.666.666.667 4671

2015 Tegalwaru 142.25 6.833.333.333 3819

2015 Rengasdengklok 7.408.333.333 3.25 4102

2015 Jayakerta 2.916.666.667 1.333.333.333 7062

2015 Kutawaluya 7.408.333.333 3.25 8744

2015 Batujaya 1.639.166.667 4.416.666.667 9862

2015 Tirtajaya 1.549.166.667 3.583.333.333 11316

2015 Pakisjaya 1.639.166.667 4.416.666.667 5707

2015 Pedes 105.75 6.833.333.333 10312

2015 Cilebar 0 0 10790

2015 Cibuaya 1.004.166.667 4.333.333.333 7321

2015 Cikampek 144.25 9.916.666.667 1554

2015 Purwasari 144.25 9.916.666.667 3377

2015 Tirtamulya 144.25 9.916.666.667 5812

2015 Jatisari 1.019.583.333 4.583.333.333 8134

2015 Banyusari 1.125.833.333 6.666.666.667 7608

2015 Kota Baru 1.004.583.333 4.583.333.333 2579

2015 Cilamaya Kulon 1.133.333.333 7 9124

2015 Cilamaya Wetan 8.508.333.333 5.333.333.333 10414

2015 Telagasari 30 1.833.333.333 8216

2015 Lemahabang 101.75 4.25 7796

2015 Rawamerta 89.25 6.833.333.333 9512

2015 Tempuran 5.808.333.333 2.5 12960

PRODUKSI LUAS PANEN LUAS BAKU SAWAH LUAS SAWAH PENGGEREK BATANG TIKUS WERENG BATANG COKELAT

32327 4533 2243 2243 36 30 24

22927 3845 1847 1847 46 35 12

31165 4446 2233 2233 0 76 99

38495 5434 2392 2392 133 175 342

27403 4198 2108 2108 0 0 119

13218 2064 935 935 0 0 535

10797 1507 852 852 101 83 377

34425 4604 2341 2341 103 74 244

26638 3837 1912 1912 147 92 152

28848 4817 2026 2026 77 44 37

48639 7142 3571 3571 40 145 0

63079 8744 4372 4372 108 78 74

68416 9862 4931 4931 553 499 441

76736 11316 5658 5658 222 247 36

40820 5980 3166 3166 87 211 103

71886 10312 5156 5156 251 173 180

72346 10833 5417 5417 132 36 54

56926 7892 3946 3946 25 143 544

8474 1282 641 641 6 39 74

19037 3222 1611 1611 45 31 377

36769 5062 2521 2521 100 279 644

52203 8096 4104 4104 59 181 1232

45564 7600 3814 3814 121 102 641

23182 2972 1466 1466 146 192 391

60863 9494 4570 4570 73 200 1297

44535 9486 5321 5321 121 156 439

116736 7738 3919 3919 31 94 1240

53571 7596 3798 3798 64 128 808

58469 8382 4191 4191 85 91 170

80430 12554 6467 6467 100 84 235

32851 4514 2243 2243 52 82 41

27736 3694 1847 1847 29 90 20

37643 4794 2233 2233 0 0 0

40977 5429 2392 2392 228 139 131

36190 5646 2108 2108 65 10 12

15933 2672 935 935 63 1 1

14117 2132 852 852 135 65 99

31109 4279 2341 2341 133 66 109

24275 3408 1912 1912 152 16 88

30094 4095 2026 2026 110 42 10

55697 7132 3571 3571 185 182 170

64822 8744 4372 4372 145 57 13

72906 9862 4931 4931 441 711 501

83993 11306 5658 5658 378 381 199

41998 5883 3166 3166 259 255 236

78035 10297 5156 5156 738 424 258

79898 10812 5417 5417 796 379 236

61278 7892 3946 3946 0 164 130

8451 1118 641 641 30 12 6

22176 3167 1611 1611 125 11 180

36545 5042 2521 2521 86 151 52

61499 8134 4104 4104 20 45 122

58501 7628 3814 3814 179 149 192

21340 3010 1466 1466 58 15 72

66253 9108 4570 4570 278 73 128

80808 10433 5321 5321 229 148 173

60218 7838 3919 3919 132 230 116

56659 7596 3798 3798 233 94 60

66515 8379 4191 4191 61 40 15

91037 12960 6467 6467 302 75 35

32596 4476 2243 2243 178 78 0

10755 4551 1847 1847 159 59 0

35216 4466 2233 2233 475 120 5

42075 5105 2392 2392 614 99 14

331670 4643 2108 2108 232 37 0

7610 2151 935 935 116 27 1

6650 1729 852 852 461 9 13

30458 4219 2341 2341 314 0 0

24702 3624 1912 1912 258 0 0

38569 4037 2026 2026 304 162 0

45317 7032 3571 3571 209 123 0

47815 8472 4372 4372 196 77 2

4749 5665 4931 4931 629 529 25

26240 10758 5658 5658 584 211 16

19287 6332 3166 3166 248 186 0

58370 10136 5156 5156 394 33 0

132514 10790 5417 5417 612 74 0

55474 8572 3946 3946 370 15 0

10024 1450 641 641 7 38 0

20672 3222 1611 1611 9 32 0

37174 5042 2521 2521 58 141 14

55211 8134 4104 4104 41 36 0

34476 7628 3814 3814 331 211 0

22736 3017 1466 1466 18 46 0

64003 9130 4570 4570 174 72 76

57625 10436 5321 5321 86 176 0

5845 8930 3919 3919 625 329 0

43617 7596 3798 3798 182 113 10

20568 8382 4191 4191 196 138 4

327293 13463 6467 6467 376 90 8

48280 4240 2201 2201 97 50 0

24242 3070 1744 1744 92 85 0

30870 4466 2233 2233 311 61 0

36393 4754 2445 2445 104 56 0

27852 4084 2378 2378 53 2 0

19053 1555 1135 1135 30 0 0

11164 1263 583 583 75 3 28

39373 4874 2341 2341 80 0 0

21244 4042 1912 1912 68 0 0

22735 4067 2026 2026 189 0 0

52908 6170 3531 3531 160 0 0

66369 8744 4372 4372 479 25 0

45345 9862 4931 4931 120 84 8

88763 11316 5658 5658 98 21 0

44630 6493 3360 3360 113 4 12

77707 10524 5156 5156 266 6 43

82737 10790 5395 5395 175 21 17

77013 10410 4416 4416 170 47 1

12994 1426 725 725 12 16 0

25198 3214 1611 1611 22 17 0

39102 5007 2521 2521 127 38 0

62753 8134 4067 4067 72 93 0

52829 7628 3814 3814 101 71 0

24334 3082 1434 1434 7 21 0

74813 9140 4570 4570 271 73 13

86290 10436 5218 5218 112 85 0

62377 8200 4100 4100 234 78 0

57222 7596 3798 3798 185 103 27

68423 8382 4191 4191 165 76 10

98453 12960 6480 6480 123 80 9

29512 4087 2119 2119 73 175 0

21400 3059 1535 1535 151 143 0

34348 4466 2233 2233 363 130 10

38946 4990 2445 2445 160 132 0

30094 4242 2260 2260 120 41 62

12885 1378 1135 1135 70 37 0

10667 1451 583 583 86 25 13

39444 4951 2341 2341 518 127 37

31431 4143 1912 1912 157 105 0

31872 4594 2026 2026 273 52 0

61496 7062 3531 3531 154 173 0

66953 8744 4372 4372 272 146 0

69939 9862 4931 4931 307 385 0

79565 11316 5658 5658 301 220 73

58168 7291 3360 3360 498 94 119

74616 10156 5156 5156 144 87 4

81955 10870 5395 5395 331 181 52

62138 8388 4416 4416 54 68 10

9739 1402 725 725 31 20 7

24886 3222 1611 1611 118 83 8

36351 5042 2521 2521 259 112 58

64249 8134 4067 4067 288 311 106

57858 7102 3814 3814 231 241 70

21104 2798 1332 1332 94 109 16

73472 9160 4570 4570 245 195 0

83450 10390 5218 5218 291 228 4

69456 8200 4100 4100 414 179 0

54703 7443 3798 3798 237 100 67

62187 8382 4191 4191 113 122 0

92415 12960 6480 6480 177 88 35

13944 3881 1999 1824 73 175 0

19861 2907 1535 1497 151 143 0

33772 4466 2233 2233 363 130 10

39661 5105 2445 2445 160 132 0

35498 4828 2260 2260 120 41 62

7608 1758 1135 1135 70 37 0

9317 1295 583 852 86 25 13

27730 3739 2341 2341 518 127 37

21711 3127 1912 1912 157 105 0

82614 4052 2026 2026 273 52 0

69450 7062 3531 3531 154 173 0

98327 8744 4372 4372 272 146 0

76854 9862 4931 4931 307 385 0

89943 11316 5658 5658 301 220 73

35333 5574 3360 3166 498 94 119

85587 10312 5156 5156 144 87 4

76273 10790 5395 5395 331 181 52

42999 7392 4416 4416 54 68 10

9277 1314 725 725 31 20 7

24481 3222 1611 1611 118 83 8

36935 5042 2521 2521 259 112 58

62664 8307 4067 4067 288 311 106

59300 7683 3814 3814 231 241 70

21037 2579 1434 1332 94 109 16

67886 8891 4570 4570 245 195 0

87769 10339 5218 5218 291 228 4

62327 8200 4100 4100 414 179 0

56941 7596 3798 3798 237 100 67

66527 8382 4191 4191 113 122 0

103243 12960 6480 6480 177 88 35

SIPUT MURBAI BAKTERI HAWAR DAUN HAMA PUTIH PALSU BLASIT PRODUKTIVITAS

0 0 0 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

70 0 42 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

29 0 21 0 Tinggi

70 0 203 0 Tinggi

77 0 219 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

37 0 0 0 Tinggi

0 0 199 0 Tinggi

41 0 16 0 Tinggi

74 0 66 0 Tinggi

69 0 33 0 Tinggi

0 0 0 0 Tinggi

10 0 0 0 Tinggi

0 0 0 0 Tinggi

4 0 45 0 Tinggi

0 0 70 0 Tinggi

29 0 0 0 Tinggi

0 0 0 0 Tinggi

166 0 0 0 Tinggi

115 0 0 0 Sedang

0 0 0 0 Tinggi

0 0 70 0 Tinggi

151 0 0 0 Tinggi

158 0 0 0 Tinggi

26 0 29 0 Tinggi

38 0 0 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

82 0 22 0 Tinggi

37 0 18 0 Tinggi

0 0 0 0 Tinggi

0 0 184 0 Tinggi

0 0 231 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

91 0 242 0 Tinggi

149 0 0 0 Tinggi

136 0 0 0 Tinggi

88 0 0 0 Tinggi

0 0 0 0 Tinggi

6 0 178 0 Tinggi

0 0 161 0 Tinggi

25 0 107 0 Tinggi

0 0 36 0 Tinggi

89 0 31 0 Tinggi

0 0 28 0 Tinggi

81 0 18 0 Tinggi

210 0 0 0 Tinggi

0 0 0 0 Tinggi

0 0 51 0 Tinggi

90 0 0 0 Tinggi

138 0 0 0 Tinggi

19 0 0 0 Tinggi

42 0 0 0 Sedang

5 0 0 0 Tinggi

66 0 29 0 Tinggi

149 0 20 0 Tinggi

61 0 18 0 Sedang

90 0 0 0 Sedang

0 0 66 0 Tinggi

0 0 83 0 Tinggi

0 0 36 0 Tinggi

92 0 0 0 Tinggi

0 0 35 0 Sedang

0 0 0 0 Sedang

85 0 65 0 Sedang

33 0 0 0 Sedang

10 0 0 0 Rendah

110 0 0 0 Tinggi

8 0 0 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

28 0 0 0 Tinggi

0 0 0 0 Tinggi

95 0 0 0 Sedang

0 0 0 0 Tinggi

25 0 0 0 Tinggi

129 0 0 0 Sedang

0 0 0 0 Sedang

42 0 60 0 Rendah

162 0 0 0 Sedang

188 0 0 0 Tinggi

18 0 0 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

14 0 0 0 Tinggi

12 0 0 0 Tinggi

22 0 0 0 Tinggi

0 0 54 16 Tinggi

0 0 48 11 Sedang

0 0 0 0 Sedang

0 0 0 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Sedang

24 0 0 0 Tinggi

191 0 0 0 Tinggi

0 0 0 0 Tinggi

51 0 0 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

13 0 0 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

37 0 0 0 Tinggi

82 0 0 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

91 0 0 0 Tinggi

70 0 0 0 Tinggi

69 38 0 0 Tinggi

61 109 0 0 Tinggi

0 0 0 0 Tinggi

24 28 0 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Tinggi

15 0 0 0 Tinggi

0 110 0 0 Tinggi

0 46 0 0 Tinggi

56 150 0 0 Tinggi

45 117 0 0 Tinggi

0 154 0 0 Tinggi

0 142 0 0 Tinggi

0 274 0 0 Tinggi

0 150 0 0 Tinggi

0 0 0 0 Tinggi

0 57 0 0 Tinggi

0 10 0 0 Tinggi

4 0 0 0 Tinggi

5 8 0 0 Tinggi

0 15 0 0 Tinggi

0 184 0 0 Tinggi

0 114 0 0 Tinggi

0 11 0 0 Tinggi

0 201 0 0 Tinggi

0 144 0 0 Tinggi

0 117 0 0 Tinggi

0 101 0 0 Tinggi

0 92 0 0 Tinggi

0 7 0 0 Tinggi

69 38 0 0 Sedang

61 109 0 0 Tinggi

0 0 0 0 Tinggi

24 28 0 0 Tinggi

0 0 0 0 Tinggi

0 0 0 0 Sedang

15 0 0 0 Tinggi

0 110 0 0 Tinggi

0 46 0 0 Tinggi

56 150 0 0 Tinggi

45 117 0 0 Tinggi

0 154 0 0 Tinggi

0 142 0 0 Tinggi

0 274 0 0 Tinggi

0 150 0 0 Tinggi

0 0 0 0 Tinggi

0 57 0 0 Tinggi

0 10 0 0 Tinggi

4 0 0 0 Tinggi

5 8 0 0 Tinggi

0 15 0 0 Tinggi

0 184 0 0 Tinggi

0 114 0 0 Tinggi

0 11 0 0 Tinggi

0 201 0 0 Tinggi

0 144 0 0 Tinggi

0 117 0 0 Tinggi

0 101 0 0 Tinggi

0 92 0 0 Tinggi

0 7 0 0 Tinggi

RATA-RATA CURAH HUJANRATA-RATA HARI HUJANLUAS TANAMPRODUKSI LUAS PANENLUAS BAKU SAWAHLUAS SAWAHPENGGEREK BATANG

1 SEDANG SEDANG SEDANG RENDAH SEDANG SEDANG SEDANG RENDAH

2 SEDANG SEDANG RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH

3 TINGGI TINGGI RENDAH RENDAH SEDANG SEDANG SEDANG RENDAH

4 TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH

5 RENDAH RENDAH RENDAH RENDAH SEDANG SEDANG SEDANG RENDAH

6 RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH

7 RENDAH SEDANG RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH

8 TINGGI RENDAH SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH

9 TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH

10 SEDANG RENDAH RENDAH RENDAH SEDANG RENDAH RENDAH RENDAH

11 SEDANG TINGGI SEDANG SEDANG SEDANG RENDAH SEDANG RENDAH

12 SEDANG RENDAH TINGGI RENDAH TINGGI TINGGI TINGGI RENDAH

13 SEDANG TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI SEDANG

14 SEDANG TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH

15 TINGGI TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH


17 SEDANG RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH

18 SEDANG TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH



21 SEDANG SEDANG SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH

22 RENDAH SEDANG SEDANG SEDANG SEDANG TINGGI TINGGI RENDAH


24 TINGGI SEDANG RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH

25 RENDAH RENDAH TINGGI SEDANG TINGGI TINGGI TINGGI RENDAH

26 TINGGI TINGGI TINGGI SEDANG TINGGI TINGGI TINGGI RENDAH

27 TINGGI TINGGI SEDANG TINGGI SEDANG SEDANG SEDANG RENDAH


29 SEDANG TINGGI SEDANG SEDANG SEDANG TINGGI TINGGI RENDAH

30 RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH


32 SEDANG TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH

33 RENDAH TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH

34 RENDAH SEDANG SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH

35 RENDAH RENDAH SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH

36 TINGGI TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH

37 SEDANG RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH

38 TINGGI RENDAH SEDANG RENDAH SEDANG SEDANG SEDANG RENDAH


40 TINGGI TINGGI RENDAH RENDAH SEDANG RENDAH SEDANG RENDAH




44 TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH


46 SEDANG TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI SEDANG

47 TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI SEDANG


49 RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH


51 TINGGI TINGGI SEDANG SEDANG RENDAH SEDANG SEDANG RENDAH

52 RENDAH RENDAH SEDANG SEDANG SEDANG TINGGI TINGGI RENDAH







59 TINGGI TINGGI SEDANG TINGGI SEDANG TINGGI TINGGI RENDAH

60 TINGGI RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH

61 TINGGI TINGGI RENDAH SEDANG SEDANG SEDANG SEDANG RENDAH

62 TINGGI TINGGI RENDAH RENDAH SEDANG RENDAH RENDAH RENDAH


64 SEDANG TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG SEDANG

65 SEDANG SEDANG RENDAH TINGGI SEDANG SEDANG SEDANG RENDAH

66 SEDANG SEDANG RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH


68 SEDANG RENDAH SEDANG RENDAH SEDANG SEDANG SEDANG RENDAH


70 SEDANG TINGGI RENDAH SEDANG SEDANG RENDAH RENDAH RENDAH


72 SEDANG TINGGI TINGGI SEDANG SEDANG TINGGI TINGGI RENDAH

73 SEDANG TINGGI TINGGI RENDAH SEDANG TINGGI TINGGI SEDANG

74 SEDANG TINGGI TINGGI RENDAH TINGGI TINGGI TINGGI SEDANG

75 SEDANG TINGGI SEDANG RENDAH SEDANG SEDANG SEDANG RENDAH

76 RENDAH TINGGI TINGGI SEDANG TINGGI TINGGI TINGGI RENDAH

77 RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI SEDANG

78 RENDAH TINGGI TINGGI SEDANG TINGGI SEDANG SEDANG RENDAH



81 SEDANG RENDAH SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH


83 SEDANG RENDAH RENDAH SEDANG SEDANG SEDANG SEDANG RENDAH



86 SEDANG RENDAH TINGGI SEDANG TINGGI TINGGI TINGGI RENDAH

87 RENDAH RENDAH SEDANG RENDAH TINGGI SEDANG SEDANG SEDANG


89 SEDANG TINGGI SEDANG RENDAH SEDANG TINGGI TINGGI RENDAH

90 TINGGI RENDAH TINGGI SEDANG TINGGI TINGGI TINGGI RENDAH

91 RENDAH TINGGI RENDAH SEDANG SEDANG SEDANG SEDANG RENDAH

92 RENDAH TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH

93 TINGGI TINGGI RENDAH RENDAH SEDANG SEDANG SEDANG RENDAH


95 RENDAH TINGGI RENDAH RENDAH SEDANG SEDANG SEDANG RENDAH




99 TINGGI TINGGI RENDAH RENDAH SEDANG RENDAH RENDAH RENDAH

100 RENDAH RENDAH RENDAH RENDAH SEDANG RENDAH RENDAH RENDAH


102 RENDAH SEDANG TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH

103 SEDANG RENDAH TINGGI SEDANG TINGGI TINGGI TINGGI RENDAH







110 SEDANG RENDAH RENDAH RENDAH SEDANG RENDAH RENDAH RENDAH


112 SEDANG TINGGI TINGGI SEDANG SEDANG SEDANG SEDANG RENDAH





117 RENDAH RENDAH SEDANG SEDANG TINGGI TINGGI TINGGI RENDAH


119 SEDANG RENDAH SEDANG TINGGI SEDANG TINGGI TINGGI RENDAH


121 SEDANG TINGGI RENDAH RENDAH SEDANG SEDANG SEDANG RENDAH


123 SEDANG TINGGI RENDAH SEDANG SEDANG SEDANG SEDANG RENDAH

124 RENDAH SEDANG TINGGI SEDANG SEDANG SEDANG SEDANG RENDAH

125 RENDAH TINGGI RENDAH RENDAH SEDANG SEDANG SEDANG RENDAH



128 TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG SEDANG SEDANG

129 RENDAH SEDANG RENDAH RENDAH SEDANG RENDAH RENDAH RENDAH

130 SEDANG TINGGI RENDAH RENDAH SEDANG RENDAH RENDAH RENDAH


132 TINGGI SEDANG TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH


134 RENDAH RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH




138 SEDANG TINGGI TINGGI SEDANG SEDANG TINGGI TINGGI RENDAH



141 TINGGI SEDANG SEDANG SEDANG RENDAH SEDANG SEDANG RENDAH






147 RENDAH TINGGI SEDANG TINGGI SEDANG SEDANG TINGGI RENDAH


149 TINGGI RENDAH SEDANG SEDANG SEDANG TINGGI SEDANG RENDAH




153 SEDANG RENDAH SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH





158 TINGGI TINGGI RENDAH RENDAH RENDAH SEDANG SEDANG SEDANG


160 TINGGI RENDAH RENDAH TINGGI SEDANG RENDAH RENDAH RENDAH

161 TINGGI SEDANG SEDANG TINGGI SEDANG SEDANG SEDANG RENDAH
















177 RENDAH SEDANG SEDANG SEDANG SEDANG TINGGI TINGGI RENDAH


179 RENDAH TINGGI TINGGI TINGGI SEDANG TINGGI TINGGI TINGGI


TIKUS WERENG BATANG COKELATSIPUT MURBAIBAKTERI HAWAR DAUNHAMA PUTIH PALSUBLASIT PRODUKTIVITAS

RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI

TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI

RENDAH RENDAH TINGGI RENDAH RENDAH RENDAH TINGGI


RENDAH RENDAH RENDAH TINGGI RENDAH RENDAH TINGGI













RENDAH SEDANG RENDAH RENDAH RENDAH RENDAH TINGGI




RENDAH TINGGI RENDAH RENDAH TINGGI RENDAH TINGGI



RENDAH TINGGI RENDAH RENDAH RENDAH RENDAH TINGGI


RENDAH TINGGI RENDAH RENDAH RENDAH RENDAH TINGGI

































RENDAH RENDAH RENDAH RENDAH SEDANG RENDAH TINGGI

RENDAH RENDAH RENDAH RENDAH SEDANG RENDAH TINGGI

TINGGI TINGGI TINGGI RENDAH TINGGI RENDAH RENDAH

RENDAH RENDAH RENDAH RENDAH RENDAH SEDANG TINGGI

RENDAH RENDAH RENDAH RENDAH RENDAH SEDANG TINGGI


SEDANG SEDANG RENDAH RENDAH SEDANG TINGGI RENDAH

RENDAH RENDAH RENDAH RENDAH RENDAH SEDANG RENDAH

RENDAH RENDAH RENDAH TINGGI TINGGI TINGGI TINGGI

RENDAH RENDAH SEDANG SEDANG RENDAH RENDAH TINGGI

RENDAH RENDAH RENDAH SEDANG RENDAH RENDAH TINGGI

RENDAH RENDAH SEDANG RENDAH RENDAH RENDAH TINGGI

RENDAH RENDAH RENDAH TINGGI RENDAH RENDAH RENDAH

SEDANG RENDAH SEDANG SEDANG RENDAH RENDAH RENDAH

RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH


















































RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI TINGGI



















































TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI


RENDAH RENDAH TINGGI RENDAH RENDAH RENDAH TINGGI




Documents

KLASIFIKASI TINGKAT PRODUKTIVITAS TANAMAN PADI DI