IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK KLASIFIKASI PRODUKSI PERKEBUNAN TEH (STUDI KASUS: KEC. RANCABALI, BANDUNG)

HADADI, RIGEN WILDANU (2020) IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK KLASIFIKASI PRODUKSI PERKEBUNAN TEH (STUDI KASUS: KEC. RANCABALI, BANDUNG). S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) 01 Cover.pdf Download (263kB) | Preview
	Text (BAB I) 02 Bab 1.pdf Restricted to Registered users only Download (192kB)
	Text (BAB II) 03 Bab 2.pdf Restricted to Registered users only Download (252kB)
	Text (BAB III) 04 Bab 3.pdf Restricted to Registered users only Download (120kB)
	Text (BAB IV) 05 Bab 4.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) 06 Bab 5.pdf Restricted to Registered users only Download (23kB)
	Text (DAFTAR PUSTAKA) 07 Daftar Pustaka.pdf Restricted to Registered users only Download (143kB)
	Text (LAMPIRAN) 08 Lampiran.pdf Restricted to Registered users only Download (222kB)

Abstract

Tea is one of Indonesia's leading commodities. Most of the provinces in Java are centers of tea development, including West Java, Central Java, East Java, and DIY. Rancabali Subdistrict located in Bandung Regency is a case study research location chosen by the author. Tea is a mainstay commodity of the Rancabali District, this is supported by natural conditions and climatic conditions that have great potential for the development of tea plantations. The subdistrict, which has an area of around 14697.55 ha, is located at an altitude of 1,000 meters above sea level - 1,500 meters above sea level making it suitable to be used as a tea producing area. The determination of the classification of tea plantation production is very possible. One of them uses the K-Means Clustering algorithm. This method will be used by the authors to classify the production of tea plantations. The K-Means Clustering method is one of the methods in the classification or grouping function. To do this classification, we need software such as QGIS as a tool used for processing Landsat 8 Satellite Imagery from Clipping, Stacking, to Normalized Difference Vegetation Index (NDVI). The Python programming language is also used as a tool for calculating formulas from the K-Means Clustering algorithm and visualizing classification data. Implementing the K-Means Clustering algorithm will help plantation managers maximize the production of tea plantations and make it easier to monitor the conditions of tea plantation land. The results of the classification of tea plantations in the Rancabali District are grouped into 3 clusters with an accuracy of 67% and 41% of Kappa Score. This method can be used to group an area that still has the potential to be used as a tea plantation. Key words: Classification, K-Means Clustering, NDVI, Production, Tea Teh meruakan salah satu komoditas unggulan Negara Indonesia. Sebagian besar provinsi di pulau Jawa merupakan sentra pengembangan teh, diantaranya Jawa Barat, Jawa Tengah, Jawa Timur, dan DIY. Kecamatan Rancabali yang berada di Kabupaten bandung merupakan tempat studi kasus penelitian yang dipilih oleh penulis. Teh menjadi komoditas andalan Kec. Rancabali, hal ini didukung dengan kondisi alam dan keadaan iklim yang memiliki potensi besar untuk pengembangan perkebunan teh. Kecamatan yang memiliki luas sekitar 14697.55 ha ini berada di ketinggian 1.000 mdpl – 1.500 mdpl sehingga cocok untuk dijadikan sebagai daerah penghasil teh. Penentuan klasifikasi produksi perkebunan teh sangat mungkin dilakukan. Salah satunya menggunakan algoritma K-Means Clustering. Metode ini akan digunakan oleh penulis untuk melakukan klasifikasi produksi panen perkebunan teh. Metode K-Means Clustering adalah salah satu metode dalam fungsi klasifikasi atau pengelompokan. Untuk melakukan klasifikasi tersebut, dibutuhkan software diantaranya QGIS sebagai tools yang digunakan untuk pengolahan Citra Satelit Landsat 8 mulai dari Clipping, Stacking, hingga Normalized Difference Vegetation Index (NDVI). Bahasa pemrograman Python juga digunakan sebagai tools untuk kalkulasi formula dari algoritma K-Means Clustering dan visualisasi data hasil klasifikasi. Dengan mengimplementasikan algoritma K-Means Clustering ini, akan membantu pengelola perkebunan dalam memaksimalkan produksi perkebunan teh serta memudahkan dalam memantau kondisi lahan perkebunan teh. Hasil klasifikasi produksi perkebunan teh pada Kec. Rancabali dikelompokkan pada 3 cluster dengan hasil akurasi sebesar 67% dengan Kappa Score 41%. Metode ini dapat digunakan untuk mengelompokkan suatu daerah yang masih berpotensi untuk dijadikan sebagai lahan perkebunan teh. Kata kunci: K-Means Clustering, Klasifikasi, NDVI, Produksi, Teh

Actions (login required)

View Item