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
4.3.1.1.2 Hasil Klasifikasi Pengujian 2 .......................................................... 85
4.3.1.1.3 Hasil Klasifikasi Pengujian 3 .......................................................... 88
4.3.1.1.4 Hasil Klasifikasi Pengujian 4 .......................................................... 91
4.3.1.1.5 Hasil Klasifikasi Pengujian 5 .......................................................... 94
4.3.1.1.6 Hasil Klasifikasi Pengujian 6 .......................................................... 97
4.3.1.1.7 Hasil Klasifikasi Pengujian 7 ........................................................ 100
4.3.1.1.8 Hasil Klasifikasi Pengujian 8 ........................................................ 103
4.3.1.1.9 Hasil Klasifikasi Pengujian 9 ........................................................ 106
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 4.13 Hasil Akurasi Salah Pengujian 3 ......................................................... 90
Tabel 4.14 Keterangan Pembagian Dataset Pengujian 4 ...................................... 90
Tabel 4.15 Hasil Akurasi Benar Pengujian 4 ........................................................ 92
Tabel 4.16 Hasil Akurasi Salah Pengujian 4 ......................................................... 93
Tabel 4.17 Keterangan Pembagian Dataset Pengujian 5 ...................................... 94
Tabel 4.18 Hasil Akurasi Benar Pengujian 5 ........................................................ 95
Tabel 4.19 Hasil Akurasi Salah Pengujian 5 .......................................................... 96
Tabel 4.20 Keterangan Pembagian Dataset Pengujian 6 ...................................... 97
Tabel 4.21 Hasil Akurasi Benar Pengujian 6 ........................................................ 98
Tabel 4.22 Hasil Akurasi Salah Pengujian 6 ......................................................... 99
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
Tabel 4.27 Hasil Akurasi Benar Pengujian 8 ...................................................... 104
Tabel 4.28 Hasil Akurasi Salah Pengujian 8 ....................................................... 105
xii
Tabel 4.29 Keterangan Pembagian Dataset Pengujian 9 ..................................... 106
Tabel 4.30 Hasil Akurasi Benar Pengujian 9 ...................................................... 107
Tabel 4.31 Hasil Akurasi Salah Pengujian 9 ....................................................... 108
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 4.6 Hasil Pengujian 2 .............................................................................. 77
Gambar 4.7 Hasil Pengujian 3 .............................................................................. 78
Gambar 4.8 Hasil Pengujian 4 .............................................................................. 78
Gambar 4.9 Hasil Pengujian 5 ............................................................................... 79
xiv
Gambar 4.10 Hasil Pengujian 6 ............................................................................ 79
Gambar 4.11 Hasil Pengujian 7 ............................................................................ 80
Gambar 4.12 Hasil Pengujian 8 ............................................................................ 81
Gambar 4.13 Hasil Pengujian 9 ............................................................................ 81
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 4.17 Hasil Klasifikasi Benar Pengujian 2................................................. 86
Gambar 4.18 Hasil Klasifikasi Salah Pengujian 2 ................................................. 87
Gambar 4.19 Hasil Klasifikasi Benar Pengujian 3 ................................................ 89
Gambar 4.20 Hasil Klasifikasi Salah Pengujian 3 ................................................ 90
Gambar 4.21 Hasil Klasifikasi Benar Pengujian 4 ................................................ 92
Gambar 4.22 Hasil Klasifikasi Salah Pengujian 4 ................................................. 93
Gambar 4.23 Hasil Klasifikasi Benar Pengujian 5................................................. 95
Gambar 4.24 Hasil Klasifikasi Salah Pengujian 5 ................................................. 96
Gambar 4.25 Hasil Klasifikasi Benar Pengujian 6 ................................................ 98
Gambar 4.26 Hasil Klasifikasi Salah Pengujian 6 ................................................. 99
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
Gambar 4.6 Hasil Pengujian 2
Dari pengujian 2 dengan data testing sebanyak 18 data dan data training
sebanyak 162 data, terlihat dari confusion matrix bahwa terdapat 16 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
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
Gambar 4.7 Hasil Pengujian 3
Dari pengujian 3 dengan data testing sebanyak 18 data dan data training
sebanyak 162 data, terlihat dari confusion matrix bahwa terdapat 16 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 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%
d. Pengujian 4
Gambar 4.8 Hasil Pengujian 4
Dari pengujian 4 dengan data testing sebanyak 18 data dan data training
sebanyak 162 data, terlihat dari confusion matrix bahwa terdapat 16 data testing
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
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%
e. Pengujian 5
Gambar 4.9 Hasil Pengujian 5
Dari pengujian 5 dengan data testing sebanyak 18 data dan data training
sebanyak 162 data, terlihat dari confusion matrix bahwa terdapat 16 data testing
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
Gambar 4.10 Hasil Pengujian 6
80
Dari pengujian 6 dengan data testing sebanyak 18 data dan data training
sebanyak 162 data, terlihat dari confusion matrix bahwa terdapat 16 data testing
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
Gambar 4.11 Hasil Pengujian 7
Dari pengujian 7 dengan data testing sebanyak 18 data dan data training
sebanyak 162 data, terlihat dari confusion matrix bahwa terdapat 14 data testing
kategori produktivitas TINGGI diklasifikasi oleh model sebagai produktivitas
TINGGI dengan demikian model benar dalam mengklasifikasikan. Dan terdapat 2
data testing dengan kategori produktivitas TINGGI diklasifikasikan oleh model
sebagai produktivitas RENDAH, dan 2 data testing dengan kategori produktivitas
RENDAH diklasifkasikan oleh model sebagai produktivitas TINGGI dengan ini
model salah dalam mengklasifikasikan dan didapati akurasi sebesar 77,78%
81
h. Pengujian 8
Gambar 4.12 Hasil Pengujian 8
Dari pengujian 8 dengan data testing sebanyak 18 data dan data training
sebanyak 162 data, terlihat dari confusion matrix bahwa terdapat 16 data testing
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
Gambar 4.13 Hasil Pengujian 9
Dari pengujian 2 dengan data testing sebanyak 18 data dan data training
sebanyak 162 data, terlihat dari confusion matrix bahwa terdapat 16 data testing
kategori produktivitas TINGGI diklasifikasi oleh model sebagai produktivitas
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
model salah dalam mengklasifikasikan dan didapati akurasi sebesar 94,44%
j. Pengujian 10
Gambar 4.14 Hasil 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
Pada gambar 4.16 merupakan perwakilan hasil testing dataset produktivitas
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 %
4.3.1.1.2 Hasil Klasifikasi Pengujian 2
Berikut adalah hasil klasifikasi benar dan salah terhadap prediksi
produktivitas tanaman padi ke dalam kategori produktivitas tinggi dan produktivitas
rendah pada pengujian 2.
Tabel 4.8 Keterangan Pembagian Dataset Pengujian 2
Dataset Produktivitas Tanaman Padi
Dataset Data Training Data Testing
180 Data 162 Data 18 Data
86
1. Hasil Klasifikasi benar terhadap produktivitas padi pada pengujian 2
Gambar 4.17 Hasil Klasifikasi Benar Pengujian 2
Pada gambar 4.17 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 4.9 Hasil Akurasi Benar Pengujian 2
Produktivitas Tanaman
Padi
Hasil
Confusion Matrix
Data
Testing
Klasifikasi
Benar
Actual Prediksi True Accuracy
18 Data
16 Data
TINGGI
TINGGI
Akurasi =
16+0
(16+1)+(1+0) × 100
87
= 16
18
= 88,89 %
2. Hasil Klasifikasi salah terhadap produktivitas padi pada pengujian 2
Gambar 4.18 Hasil Klasifikasi Salah Pengujian 2
Pada gambar 4.18 merupakan perwakilan hasil testing dataset produktivitas
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 :
Tabel 4.10 Hasil Akurasi Salah Pengujian 2
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 %
4.3.1.1.3 Hasil Klasifikasi Pengujian 3
Berikut adalah hasil klasifikasi benar dan salah terhadap prediksi
produktivitas tanaman padi ke dalam kategori produktivitas tinggi dan produktivitas
rendah pada pengujian 3.
Tabel 4.11 Keterangan Pembagian Dataset Pengujian 3
Dataset Produktivitas Tanaman Padi
Dataset Data Training Data Testing
180 Data 162 Data 18 Data
89
1. Hasil Klasifikasi benar terhadap produktivitas padi pada pengujian 3
Gambar 4.19 Hasil Klasifikasi Benar Pengujian 3
Pada gambar 4.19 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 4.12 Hasil Akurasi Benar Pengujian 3
Produktivitas Tanaman
Padi
Hasil
Confusion Matrix
Data
Testing
Klasifikasi
Benar
Actual Prediksi True Accuracy
18 Data
16 Data
TINGGI
TINGGI
Akurasi =
16+0
(16+1)+(1+0) × 100
90
= 16
18
= 88,89 %
2. Hasil Klasifikasi salah terhadap produktivitas padi pada pengujian 3
Gambar 4.20 Hasil Klasifikasi Salah Pengujian 3
Pada gambar 4.20 merupakan perwakilan hasil testing dataset produktivitas
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 :
Tabel 4.13 Hasil Akurasi Salah Pengujian 3
Produktivitas
Tanaman Padi
Hasil
Confusion Matrix
Data Klasifikasi Actual Prediksi False Accuracy
91
Testing Salah
18 Data
2 Data
TINGGI
RENDAH
Akurasi =
1+1
(16+1)+(1+0) × 100
= 2
18
= 11,11 %
4.3.1.1.4 Hasil Klasifikasi Pengujian 4
Berikut adalah hasil klasifikasi benar dan salah terhadap prediksi
produktivitas tanaman padi ke dalam kategori produktivitas tinggi dan produktivitas
rendah pada pengujian 4.
Tabel 4.14 Keterangan Pembagian Dataset Pengujian 4
Dataset Produktivitas Tanaman Padi
Dataset Data Training Data Testing
180 Data 162 Data 18 Data
92
1. Hasil Klasifikasi benar terhadap produktivitas padi pada pengujian 4
Gambar 4.21 Hasil Klasifikasi Benar Pengujian 4
Pada gambar 4.21 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 4.15 Hasil Akurasi Benar Pengujian 4
Produktivitas Tanaman
Padi
Hasil
Confusion Matrix
Data
Testing
Klasifikasi
Benar
Actual Prediksi True Accuracy
18 Data
16 Data
TINGGI
TINGGI
Akurasi =
0+16
(0+1)+(1+16) × 100
93
= 16
18
= 88,89 %
2. Hasil Klasifikasi salah terhadap produktivitas padi pada pengujian 4
Gambar 4.22 Hasil Klasifikasi Salah Pengujian 4
Pada gambar 4.22 merupakan perwakilan hasil testing dataset produktivitas
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 :
Tabel 4.16 Hasil Akurasi Salah Pengujian 4
Produktivitas
Tanaman Padi
Hasil
Confusion Matrix
Data Klasifikasi Actual Prediksi False Accuracy
94
Testing Salah
18 Data
2 Data
RENDAH
TINGGI
Akurasi =
1+1
(0+1)+(1+16) × 100
= 2
18
= 11,11 %
4.3.1.1.5 Hasil Klasifikasi Pengujian 5
Berikut adalah hasil klasifikasi benar dan salah terhadap prediksi
produktivitas tanaman padi ke dalam kategori produktivitas tinggi dan produktivitas
rendah pada pengujian 5.
Tabel 4.17 Keterangan Pembagian Dataset Pengujian 5
Dataset Produktivitas Tanaman Padi
Dataset Data Training Data Testing
180 Data 162 Data 18 Data
95
1. Hasil Klasifikasi benar terhadap produktivitas padi pada pengujian 5
Gambar 4.23 Hasil Klasifikasi Benar Pengujian 5
Pada gambar 4.23 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 4.18 Hasil Akurasi Benar Pengujian 5
Produktivitas Tanaman
Padi
Hasil
Confusion Matrix
Data
Testing
Klasifikasi
Benar
Actual Prediksi True Accuracy
18 Data
16 Data
TINGGI
TINGGI
Akurasi =
0+16
(0+0)+(2+16) × 100
96
= 16
18
= 88,89 %
2. Hasil Klasifikasi salah terhadap produktivitas padi pada pengujian 5
Gambar 4.24 Hasil Klasifikasi Salah Pengujian 5
Pada gambar 4.24 merupakan perwakilan hasil testing dataset produktivitas
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 :
Tabel 4.19 Hasil Akurasi Salah Pengujian 5
Produktivitas
Tanaman Padi
Hasil
Confusion Matrix
Data Klasifikasi Actual Prediksi False Accuracy
97
Testing Salah
18 Data
2 Data
TINGGI
RENDAH
Akurasi =
2+0
(0+0)+(2+16) × 100
= 2
18
= 11,11 %
4.3.1.1.6 Hasil Klasifikasi Pengujian 6
Berikut adalah hasil klasifikasi benar dan salah terhadap prediksi
produktivitas tanaman padi ke dalam kategori produktivitas tinggi dan produktivitas
rendah pada pengujian 6.
Tabel 4.20 Keterangan Pembagian Dataset Pengujian 6
Dataset Produktivitas Tanaman Padi
Dataset Data Training Data Testing
180 Data 162 Data 18 Data
98
1. Hasil Klasifikasi benar terhadap produktivitas padi pada pengujian 6
Gambar 4.25 Hasil Klasifikasi Benar Pengujian 6
Pada gambar 4.25 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 4.21 Hasil Akurasi Benar Pengujian 6
Produktivitas Tanaman
Padi
Hasil
Confusion Matrix
Data
Testing
Klasifikasi
Benar
Actual Prediksi True Accuracy
18 Data
16 Data
TINGGI
TINGGI
Akurasi =
16+0
(16+2)+(0+0) × 100
99
= 16
18
= 88,89 %
2. Hasil Klasifikasi salah terhadap produktivitas padi pada pengujian 6
Gambar 4.26 Hasil Klasifikasi Salah Pengujian 6
Pada gambar 4.26 merupakan perwakilan hasil testing dataset produktivitas
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 :
Tabel 4.22 Hasil Akurasi Salah Pengujian 6
Produktivitas
Tanaman Padi
Hasil
Confusion Matrix
Data Klasifikasi Actual Prediksi False Accuracy
100
Testing Salah
18 Data
2 Data
TINGGI
RENDAH
Akurasi =
0+2
(16+2)+(0+0) × 100
= 2
18
= 11,11 %
4.3.1.1.7 Hasil Klasifikasi Pengujian 7
Berikut adalah hasil klasifikasi benar dan salah terhadap prediksi
produktivitas tanaman padi ke dalam kategori produktivitas tinggi dan produktivitas
rendah pada pengujian 7.
Tabel 4.23 Keterangan Pembagian Dataset Pengujian 7
Dataset Produktivitas Tanaman Padi
Dataset Data Training Data Testing
180 Data 162 Data 18 Data
101
1. Hasil Klasifikasi benar terhadap produktivitas padi pada pengujian 7
Gambar 4.27 Hasil Klasifikasi Benar Pengujian 7
Pada gambar 4.27 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 4.24 Hasil Akurasi Benar Pengujian 7
Produktivitas Tanaman
Padi
Hasil
Confusion Matrix
Data
Testing
Klasifikasi
Benar
Actual Prediksi True Accuracy
18 Data
14 Data
TINGGI
TINGGI
Akurasi =
14+0
(14+2)+(2+0) × 100
102
= 14
18
= 77,78 %
2. Hasil Klasifikasi salah terhadap produktivitas padi pada pengujian 7
Gambar 4.28 Hasil Klasifikasi Salah Pengujian 7
Pada gambar 4.28 merupakan perwakilan hasil testing dataset produktivitas
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 :
Tabel 4.25 Hasil Akurasi Salah Pengujian 7
Produktivitas
Tanaman Padi
Hasil
Confusion Matrix
Data Klasifikasi Actual Prediksi False Accuracy
103
Testing Salah
18 Data
4 Data
TINGGI
RENDAH
RENDAH
TINGGI
Akurasi =
2+2
(14+2)+(2+0) × 100
= 4
18
= 22,22 %
4.3.1.1.8 Hasil Klasifikasi Pengujian 8
Berikut adalah hasil klasifikasi benar dan salah terhadap prediksi
produktivitas tanaman padi ke dalam kategori produktivitas tinggi dan produktivitas
rendah pada pengujian 8.
Tabel 4.26 Keterangan Pembagian Dataset Pengujian 8
Dataset Produktivitas Tanaman Padi
Dataset Data Training Data Testing
180 Data 162 Data 18 Data
104
1. Hasil Klasifikasi benar terhadap produktivitas padi pada pengujian 8
Gambar 4.29 Hasil Klasifikasi Benar Pengujian 8
Pada gambar 4.29 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 4.27 Hasil Akurasi Benar Pengujian 8
Produktivitas Tanaman
Padi
Hasil
Confusion Matrix
Data
Testing
Klasifikasi
Benar
Actual Prediksi True Accuracy
18 Data
16 Data
TINGGI
TINGGI
Akurasi =
16+0
(16+2)+(0+0) × 100
105
= 16
18
= 88,89 %
2. Hasil Klasifikasi salah terhadap produktivitas padi pada pengujian 8
Gambar 4.30 Hasil Klasifikasi Salah Pengujian 8
Pada gambar 4.30 merupakan perwakilan hasil testing dataset produktivitas
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 :
Tabel 4.28 Hasil Akurasi Salah Pengujian 8
Produktivitas
Tanaman Padi
Hasil
Confusion Matrix
Data Klasifikasi Actual Prediksi False Accuracy
106
Testing Salah
18 Data
2 Data
RENDAH
TINGGI
Akurasi =
2+0
(16+2)+(0+0) × 100
= 2
18
= 11,11 %
4.3.1.1.9 Hasil Klasifikasi Pengujian 9
Berikut adalah hasil klasifikasi benar dan salah terhadap prediksi
produktivitas tanaman padi ke dalam kategori produktivitas tinggi dan produktivitas
rendah pada pengujian 9.
Tabel 4.29 Keterangan Pembagian Dataset Pengujian 9
Dataset Produktivitas Tanaman Padi
Dataset Data Training Data Testing
180 Data 162 Data 18 Data
107
1. Hasil Klasifikasi benar terhadap produktivitas padi pada pengujian 9
Gambar 4.31 Hasil Klasifikasi Benar Pengujian 9
Pada gambar 4.31 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 4.30 Hasil Akurasi Benar Pengujian 9
Produktivitas Tanaman
Padi
Hasil
Confusion Matrix
Data
Testing
Klasifikasi
Benar
Actual Prediksi True Accuracy
18 Data
17 Data
TINGGI
TINGGI
Akurasi =
16+1
(16+1)+(0+1) × 100
108
= 17
18
= 94,44 %
2. Hasil Klasifikasi salah terhadap produktivitas padi pada pengujian 9
Gambar 4.32 Hasil Klasifikasi Salah Pengujian 9
Pada gambar 4.32 merupakan perwakilan hasil testing dataset produktivitas
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 :
Tabel 4.31 Hasil Akurasi Salah Pengujian 9
Produktivitas
Tanaman Padi
Hasil
Confusion Matrix
Data Klasifikasi Actual Prediksi False Accuracy
109
Testing Salah
18 Data
1 Data
RENDAH
TINGGI
Akurasi =
1+0
(16+1)+(0+1) × 100
= 1
18
= 5,55 %
4.3.1.1.10 Hasil Klasifikasi Pengujian 10
Berikut adalah hasil klasifikasi benar dan salah terhadap prediksi
produktivitas tanaman padi ke dalam kategori produktivitas tinggi dan produktivitas
rendah pada pengujian 10.
Tabel 4.32 Keterangan Pembagian Dataset Pengujian 10
Dataset Produktivitas Tanaman Padi
Dataset Data Training Data Testing
180 Data 162 Data 18 Data
110
1. Hasil Klasifikasi benar terhadap produktivitas padi pada pengujian 10
Gambar 4.33 Hasil Klasifikasi Benar Pengujian 10
Pada gambar 4.33 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 4.33 Hasil Akurasi Benar Pengujian 10
Produktivitas Tanaman
Padi
Hasil
Confusion Matrix
Data
Testing
Klasifikasi
Benar
Actual Prediksi True Accuracy
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
Gambar 4.34 Hasil Klasifikasi Salah Pengujian 10
Pada gambar 4.34 merupakan perwakilan hasil testing dataset produktivitas
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 :
Tabel 4.34 Hasil Akurasi Salah 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
%
Pengujian 2 162 18 16 Data 2 Data 89,89
%
11,11
%
Pengujian 3 162 18 16 Data 2 Data 88,89
%
11,11
%
Pengujian 4 162 18 16 Data 2 Data 88,89
%
11,11
%
Pengujian 5 162 18 16 Data 2 Data 88,89
%
11,11
%
Pengujian 6 162 18 16 Data 2 Data 88,89
%
11,11
%
Pengujian 7 162 18 14 Data 4 Data 77,78
%
22,22
%
Pengujian 8 162 18 16 Data 2 Data 88,89
%
11,11
%
113
Pengujian 9 162 18 17 Data 1 Data 94,44
%
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%
2 Pengujian ke 2 89,89%
3 Pengujian ke 3 88,89%
4 Pengujian ke 4 88,89%
5 Pengujian ke 5 88,89%
6 Pengujian ke 6 88,89%
7 Pengujian ke 7 77,78%
8 Pengujian ke 8 88,89%
9 Pengujian ke 9 94,44%
10 Pengujian ke 10 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
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
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.
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.
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 Telukjambe Timur 1.518.333.333 4.891.666.667 1210
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 Telukjambe Timur 2.156.666.667 9.166.666.667 1325
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
16 SEDANG TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
17 SEDANG RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
18 SEDANG TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
19 TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
20 TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
21 SEDANG SEDANG SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
22 RENDAH SEDANG SEDANG SEDANG SEDANG TINGGI TINGGI RENDAH
23 SEDANG TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG 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
28 SEDANG TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
29 SEDANG TINGGI SEDANG SEDANG SEDANG TINGGI TINGGI RENDAH
30 RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
31 TINGGI TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG 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
39 TINGGI TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
40 TINGGI TINGGI RENDAH RENDAH SEDANG RENDAH SEDANG RENDAH
41 TINGGI TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
42 TINGGI TINGGI TINGGI SEDANG TINGGI TINGGI TINGGI RENDAH
43 SEDANG TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
44 TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
45 SEDANG TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
46 SEDANG TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI SEDANG
47 TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI SEDANG
48 TINGGI TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
49 RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
50 RENDAH SEDANG RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
51 TINGGI TINGGI SEDANG SEDANG RENDAH SEDANG SEDANG RENDAH
52 RENDAH RENDAH SEDANG SEDANG SEDANG TINGGI TINGGI RENDAH
53 SEDANG TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
54 SEDANG TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
55 TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
56 RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
57 RENDAH TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
58 TINGGI RENDAH SEDANG SEDANG SEDANG SEDANG SEDANG 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
63 SEDANG TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG 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
67 SEDANG TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
68 SEDANG RENDAH SEDANG RENDAH SEDANG SEDANG SEDANG RENDAH
69 TINGGI TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
70 SEDANG TINGGI RENDAH SEDANG SEDANG RENDAH RENDAH RENDAH
71 SEDANG TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG 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
79 SEDANG RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
80 SEDANG TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
81 SEDANG RENDAH SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
82 SEDANG TINGGI SEDANG SEDANG SEDANG TINGGI TINGGI RENDAH
83 SEDANG RENDAH RENDAH SEDANG SEDANG SEDANG SEDANG RENDAH
84 SEDANG RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
85 TINGGI TINGGI TINGGI SEDANG TINGGI TINGGI TINGGI RENDAH
86 SEDANG RENDAH TINGGI SEDANG TINGGI TINGGI TINGGI RENDAH
87 RENDAH RENDAH SEDANG RENDAH TINGGI SEDANG SEDANG SEDANG
88 RENDAH RENDAH SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
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
94 RENDAH TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
95 RENDAH TINGGI RENDAH RENDAH SEDANG SEDANG SEDANG RENDAH
96 SEDANG TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
97 SEDANG RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
98 TINGGI TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
99 TINGGI TINGGI RENDAH RENDAH SEDANG RENDAH RENDAH RENDAH
100 RENDAH RENDAH RENDAH RENDAH SEDANG RENDAH RENDAH RENDAH
101 TINGGI RENDAH SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
102 RENDAH SEDANG TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
103 SEDANG RENDAH TINGGI SEDANG TINGGI TINGGI TINGGI RENDAH
104 SEDANG RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
105 TINGGI TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
106 SEDANG TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
107 TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
108 SEDANG TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
109 SEDANG TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
110 SEDANG RENDAH RENDAH RENDAH SEDANG RENDAH RENDAH RENDAH
111 SEDANG TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
112 SEDANG TINGGI TINGGI SEDANG SEDANG SEDANG SEDANG RENDAH
113 TINGGI RENDAH SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
114 RENDAH TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
115 TINGGI RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
116 RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
117 RENDAH RENDAH SEDANG SEDANG TINGGI TINGGI TINGGI RENDAH
118 TINGGI RENDAH SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
119 SEDANG RENDAH SEDANG TINGGI SEDANG TINGGI TINGGI RENDAH
120 TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
121 SEDANG TINGGI RENDAH RENDAH SEDANG SEDANG SEDANG RENDAH
122 SEDANG TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH 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
126 TINGGI TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
127 RENDAH SEDANG RENDAH RENDAH RENDAH RENDAH RENDAH 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
131 RENDAH TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
132 TINGGI SEDANG TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
133 TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
134 RENDAH RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
135 TINGGI TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
136 SEDANG TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
137 SEDANG TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
138 SEDANG TINGGI TINGGI SEDANG SEDANG TINGGI TINGGI RENDAH
139 RENDAH SEDANG RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
140 RENDAH SEDANG RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
141 TINGGI SEDANG SEDANG SEDANG RENDAH SEDANG SEDANG RENDAH
142 RENDAH TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
143 RENDAH TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
144 RENDAH TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
145 TINGGI RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
146 SEDANG RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
147 RENDAH TINGGI SEDANG TINGGI SEDANG SEDANG TINGGI RENDAH
148 TINGGI TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
149 TINGGI RENDAH SEDANG SEDANG SEDANG TINGGI SEDANG RENDAH
150 TINGGI RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
151 TINGGI TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
152 TINGGI TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
153 SEDANG RENDAH SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
154 TINGGI RENDAH SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
155 TINGGI TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
156 TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
157 RENDAH TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
158 TINGGI TINGGI RENDAH RENDAH RENDAH SEDANG SEDANG SEDANG
159 RENDAH TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
160 TINGGI RENDAH RENDAH TINGGI SEDANG RENDAH RENDAH RENDAH
161 TINGGI SEDANG SEDANG TINGGI SEDANG SEDANG SEDANG RENDAH
162 TINGGI RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
163 SEDANG TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
164 SEDANG TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
165 SEDANG TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
166 RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
167 TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
168 SEDANG TINGGI SEDANG SEDANG SEDANG TINGGI TINGGI RENDAH
169 RENDAH TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
170 RENDAH TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
171 RENDAH TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
172 SEDANG TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
173 SEDANG TINGGI SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
174 SEDANG TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
175 SEDANG RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
176 TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
177 RENDAH SEDANG SEDANG SEDANG SEDANG TINGGI TINGGI RENDAH
178 RENDAH RENDAH SEDANG SEDANG SEDANG SEDANG SEDANG RENDAH
179 RENDAH TINGGI TINGGI TINGGI SEDANG TINGGI TINGGI TINGGI
180 TINGGI RENDAH TINGGI TINGGI TINGGI TINGGI TINGGI RENDAH
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 RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH TINGGI RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH SEDANG RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH SEDANG RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH TINGGI RENDAH RENDAH TINGGI RENDAH TINGGI
RENDAH SEDANG RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH TINGGI RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH TINGGI RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH SEDANG RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH SEDANG RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH 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
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH 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 RENDAH RENDAH
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
TINGGI RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH TINGGI RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
RENDAH RENDAH RENDAH RENDAH RENDAH RENDAH TINGGI
Top Related