Implementasi Algoritma K-Means untuk Klasterisasi Data Hasil Tangkapan Ikan di Karimunjawa
DOI:
10.33395/jmp.v13i1.13928Keywords:
algoritma k-means, data mining, nelayan Karimunjawa, perikananAbstract
Penelitian ini berfokus pada implementasi algoritma K-Means untuk klasterisasi data hasil tangkapan ikan di Karimunjawa. Tujuan utama adalah untuk mengidentifikasi jenis ikan yang paling banyak ditangkap dan area penangkapan yang paling produktif. Data yang digunakan mencakup tanggal, nama nelayan, jumlah ikan (kg), jenis ikan, area penangkapan ikan, dan metode penangkapan ikan, yang dikumpulkan selama tahun 2020. Analisis klasterisasi menghasilkan tiga klaster utama: Klaster 0 dengan total 315,9 kg terdiri dari Cumi, Kakak Tua, Jinahak, Baronang, Panti, dan Tambak Jeron; Klaster 1 dengan total 856,9 kg terdiri dari Teri, Tengiri, Tambak Jeron, Udul, Panti, dan Pari; Klaster 2 dengan total 1383,2 kg terdiri dari Todak. Selain itu, area penangkapan yang produktif juga diklasterisasi menjadi tiga: Klaster 0 mencakup Karimunjawa Timur, Klaster 1 mencakup Karimunjawa Barat, dan Klaster 2 mencakup Karimunjawa Utara. Hasil evaluasi menggunakan metrik pengukuran menunjukkan bahwa Silhouette Score positif sebesar 0,48 mengindikasikan bahwa klaster yang dihasilkan cenderung terpisah dengan baik, meskipun masih ada ruang untuk perbaikan. Davies-Bouldin Index yang rendah sebesar 0,83 menunjukkan bahwa klaster yang dihasilkan cukup terpisah satu sama lain, meskipun tidak sempurna. Metode Elbow memberikan indikasi jumlah klaster optimal, membantu dalam pemilihan konfigurasi yang tepat untuk analisis klaster. Penelitian ini memberikan wawasan berharga tentang distribusi tangkapan ikan di Karimunjawa, yang dapat digunakan untuk meningkatkan strategi penangkapan dan manajemen perikanan. Implementasi dan analisis dilakukan menggunakan Google Colab dengan bahasa pemrograman Python.
