Seleksi Benih Padi Unggul Dengan Penerapan Metode Fuzzy dan K-Means Clustering
-
Bedi Suprapty(1*)
Politeknik Negeri Samarinda
-
Rheo Malani(2)
Politeknik Negeri Samarinda
-
Achmad Fanany Onnilta Gaffar(3)
Politeknik Negeri Samarinda
(*) Corresponding Author
Abstrak
Penelitian ini bertujuan mengembangkan metode seleksi benih padi unggul menggunakan pendekatan Fuzzy dan K-Means Clustering, dengan studi kasus di Kabupaten Kutai Kartanegara, Provinsi Kalimantan Timur, yang merupakan salah satu daerah penghasil padi utama di Indonesia. Metode Fuzzy digunakan untuk menangani ketidakpastian dalam penilaian karakteristik benih, memungkinkan setiap atribut benih (seperti tinggi tanaman, kadar amilosa, berat butir, dan hasil panen) memiliki nilai keanggotaan dalam kategori tertentu. Proses fuzzifikasi ini memberikan fleksibilitas dalam mengevaluasi kualitas benih secara bertahap, yang selanjutnya dikonversi melalui proses defuzzifikasi untuk memperoleh nilai akhir yang menentukan kualitas benih. K-Means Clustering berperan dalam mengelompokkan benih berdasarkan karakteristik yang telah diberikan nilai keanggotaan. Algoritma ini membagi data benih ke dalam beberapa cluster, seperti kualitas rendah, sedang, dan tinggi, dengan menghitung jarak antara karakteristik benih dan centroid tiap cluster. Proses iteratif ini menghasilkan kelompok benih dengan karakteristik yang serupa, sehingga memudahkan dalam rekomendasi varietas unggul. Evaluasi dilakukan menggunakan metrik akurasi clustering dan validasi siluet score untuk memastikan kohesi dan perbedaan antar cluster. Hasil penelitian menunjukkan bahwa metode ini efektif dalam mengidentifikasi benih padi unggul dengan akurasi tinggi. Rekomendasi varietas meliputi benih padi biasa seperti Mengkongga dan Ciherang, serta varietas unggul seperti Inpari 32, Inpari 48, Padjajaran Agritan, Inpari IR Nutri Zinc, dan Pamera, yang sesuai dengan kondisi spesifik di Kabupaten Kutai Kartanegara. Implementasi metode ini diharapkan dapat membantu petani dalam memilih benih berkualitas tinggi, sehingga mendukung peningkatan produktivitas panen di wilayah penelitian.
##plugins.generic.usageStats.downloads##
Referensi
Tripathi Vikas, Verma Devvret, and Upadhyay Rajesh, “Prediction of Crop Yield in Precision Agriculture Using Machine Learning Methods,” Webology, vol. 18, no. 4, pp. 2244-2257. 2021, doi: 10.29121/web/v18i4/126.
J. Xu, J. Han, K. Xiong, and F. Nie, “Robust and Sparse Fuzzy K-Means Clustering,” Conference: International Joint Conference on Artificial Intelligence. July, 2016. [Online]. Available: https://www.researchgate.net/publication/314152643.
C.-T. Chang, J. Z. C. Lai, and M.-D. Jeng, “A Fuzzy K-means Clustering Algorithm Using Cluster Center Displacement,” Journal of Information Science and Engineering, vol. 27, no. 3, pp. 995-1009. 2011. [Online]. Available: https://api.semanticscholar.org/CorpusID:9861018.
M. Bakir and Ö. Atalik, “Application of Fuzzy AHP and Fuzzy MARCOS Approach for the Evaluation of E-Service Quality in the Airline Industry,” Decision Making: Applications in Management and Engineering, vol. 4, no. 1, pp. 127–152. Mar. 2021, doi: 10.31181/dmame2104127b.
T. M. Al-Shami, J. C. R. Alcantud, and A. Mhemdi, “New Generalization of Fuzzy Soft Sets: (a, b)-Fuzzy Soft Sets,” AIMS Mathematics, vol. 8, no. 2, pp. 2995–3025. 2023, doi: 10.3934/math.2023155.
V. Herlinda, D. Darwis, dan Darnoto, “Analisis Clustering Untuk Recredesialing Fasilitas Kesehatan Menggunakan Metode Fuzzy C-Means,” Jurnal Teknologi dan Sistem Informasi (JTSI), vol. 2, no. 2, pp. 94–99. 2021. [Online]. Available: https://jim.teknokrat.ac.id/index.php/sisteminformasi/article/viewFile/890/359.
M. Harahap, A. W. D. R. Zamili, M. A. Arvansyah, E. F. Saragih, S. Rajen, and A. M. Husein, “K-Means Clustering Algorithm Approach in Clustering Data on Cocoa Production Results in the Sumatra Region,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 6, no. 6, pp. 905–910, Dec. 2022, doi: 10.29207/resti.v6i6.4199.
S. Dasgupta, N. Frost, M. Moshkovitz, and C. Rashtchian, “Explainable k-Means and k-Medians Clustering,” Proceedings of the 37th International Conference on Machine Learning. 2020. [Online]. Available: http://proceedings.mlr.press/v119/moshkovitz20a/moshkovitz20a.pdf
K. P. Sinaga and M. S. Yang, “Unsupervised K-means clustering algorithm,” IEEE Access, vol. 8, pp. 80716–80727, 2020, doi: 10.1109/ACCESS.2020.2988796.
R. I. Armianti, A. Fanany, O. Gaffar, A. Bramanto, W. Putra, and P. Korespondensi, “Penerapan K-Means Clustering Untuk Seleksi Frame Dominan Berbasis NTSC Pada Obyek Bergerak,” vol. 7, no. 4. Agustus, 2020, doi: 10.25126/jtiik.202072184.
##submission.copyrightStatement##
##submission.license.cc.by4.footer##Penulis yang mengirimkan naskah harus memahami dan menyetujui bahwa jika diterima untuk diterbitkan, penulis memiliki hak cipta dan memberikan jurnal hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Creative Commons Attribution (CC-BY) 4.0 License yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepenulisan karya dan publikasi awal dalam jurnal ini.
