-M.Uwais (50416657)
-Nada C (55416236)
-Prita F (55416803)
-Reza M (56416262)
Kelas : 4IA10
Judul Jurnal : PENGELOMPOKKAN DATA MINERAL DI INDONESIA MENGGUNAKAN METODE K-MEANS CLUSTERING
ISSN : 2355-9365
Link Persentasi :https://www.youtube.com/watch?v=ipXe0xtD_PY&feature=youtu.be
Link Power Point Persentasi : https://drive.google.com/file/d/16zxhMtIh35xcWw40F_NvC_pzOt5dNUhT/view
Hasil Analisis Jurnal :
BAB
I
PENDAHULUAN
1.1.
Latar Belakang
Mineral merupakan zat anorganik
padat yang terbentuk secara alami oleh alam dan memiliki struktur kimia berbentuk kristal.
Mineral tercipta secara alami namun ada beberapa material yang bukan termasuk mineral yaitu batu
bara dan minyak tidak termasuk mineral karena terbentuk secara organik.selain itu zat-zat dari
makhluk hidup kapur,getah, dan kayu ini juga bukan merupakan bagian dari mineral. Yang termasuk
dalam kategori mineral yaitu berupa emas, perak, tembaga, nikel, besi. Kemudian mineral yang
terdapat dibebatuan atau mineral primer antara lain olivin, piroksen, plagioklas, felsdpar,
kuarsa, muskovit, biotit, dan mika[1].
Indonesia merupakan
negara yang memiliki kekayaan mineral yang melimpah. Berbagai macam mineral ditemukan di wilayah
kedaulatan NKRI, namun kandungan disetiap wilayah berbeda-beda.
Dalam paparan Dirjen Mineral dan Batubara yang disampaikan tahun 2014, nilai ekspor mineral dan batubara dari
tahun 2011 sampai dengan 2014 semakin menurun. Hal tersebut dikarenakan adanya pembatasan eksport
produk mineral dan harga-harga komoditas turun. Disampaikan
pula bahwa kendala yang dihadapi pertambangan Indonesia adalah keterbatasan insfratruktur, energi dan fiskal.
Padahal energi dan Sumber Daya Mineral (ESDM) merupakan salah satu sumber daya
terpenting di Indonesia. Jenis ESDM yang paling banyak digunakan di Indonesia adalah
energi fosil yang merupakan energi yang tak dapat diperbaharui[2].
Pengelolaan data secara umum berkembang secara signifikan dengan kondisi
kemajuan teknologi. Pada beberapa waktu yang lalu, pengelolaan data dilakukan
dengan cara manual dan mengandalkan keterampilan manusia. Saat ini dengan
perkembangan teknologi informasi dan komputer maka pengelolaan data akan lebih
modern yang berbasis elektronik. Perhitungan data yang besar ini memerlukan
algoritma khusus yang dikemas dalam sebuah aplikasi komputerisasi berbasis web,
sehingga bisa diakses dari manapun. Proses yang umum dilakukan untuk pengolahan
data yang besar ini dikenal dengan istilah data mining. Data mining merupakan
sebuah proses untuk menggali informasi yang tersembunyi atau menemukan pola
yang bermanfaat dalam sekumpulan data yang besar[3].
Data mining merupakan metode untuk mencari informasi baru yang berguna
dari sekumpulan data yang berjumlah besar dan dapat membantu dalam mengambil
keputusan. Dalam penelitian ini akan diterapkan metode clustering dengan
algoritma k-means. Metode Clustering merupakan teknik mengelompokan data dengan
melakukan pemisahan data ke dalam sejumlah kelompok menurut karakteristik
tertentu yang diinginkan dimana identitas kelompok dari setiap data belum
diketahui. Dengan pengelompokan tersebut diharapkan dapat mengetahui kelompok
data untuk kemudian diberi identitas sesuai permasalahan yang dihadapi.
Berdasarkan latar belakang dan permasalahan tersebut penulis akan
merancang, “Implementasi Algoritma K-Means Clustering Dalam Menentukan
Komoditas Unggulan Mineral dan Penjualan Mineral Berdasarkan Ekspor dan Impor”.
BAB II
LANDASAN
TEORI
2.1. Mineral
Endapan bahan tambang
dari mineral merupakan suatu kekayaan alam yang berpengaruh dalam perekonomian nasional. Oleh
sebab itu upaya untuk megetahui data, kualitas
dan kuantitas dari
mineral itu hendaknya selalu diusahakan dengan tingkat kepastian yang lebih
tinggi.
2.2. Algoritma K-Means
K-Means adalah teknik
yang cukup sederhana dan cepat dalam proses clustering obyek (clustering). Algoritma K-mean
mendefinisikan centroid atau pusat cluster dari cluster menjadi ratarata point dari cluster tersebut. Setiap
cluster memiliki titik tengah (centroid) yang merupakan nilai rata
rata (mean) dari data-data dalam cluster tersebut [6].
BAB III
HASIL DAN PEMBAHASAN
3.1 Analisa data hasil Clustering
Data
awal yang digunakan yaitu data dari kementrian energi suberdaya mineral dan
batu bara dengan
kategori penjualan ekspor,impor,harga metal,dan produksi barang tambang. Data
tersebut akan dicluster dalam jumlah 3 cluster
Tabel
3.1 Data
Ekspor Mineral 2014
|
Nama Negara
|
Jumlah dalam TON
|
Penjualan (Dollar)
|
|
China
|
10188018.24
|
56707303792
|
|
Taiwan
|
39514.71
|
67504367.5
|
|
Japan
|
902741
|
60253201.69
|
|
Singapore
|
91868
|
158994684.2
|
|
Korea Selatan
|
54899
|
38545236.53
|
|
Malaysia
|
67438.19
|
248198157.4
|
|
Hongkong
|
8
|
9954.16
|
|
India
|
1249
|
595272.68
|
|
USA
|
484
|
1037294.28
|
|
Korea Utara
|
1800
|
13124646
|
|
Pakistan
|
102
|
743729.94
|
|
Thailand
|
97540.05
|
206717097.9
|
|
Vietnam
|
27956
|
79405782.47
|
|
Bangladesh
|
90030
|
686878748.6
|
|
Greece
|
51190
|
699361363.3
|
|
Australia
|
0
|
0
|
|
Philippines
|
9152
|
30293.12
|
|
Spain
|
22047
|
72975.57
|
|
Germany
|
0
|
0
|
Tabel
3.2 Data
Ekspor Mineral 2017
|
Nama Negara
|
Jumlah Dalam TON
|
Penjualan (Dolar)
|
|
China
|
6984920
|
25853103748
|
|
Japan
|
596819.845
|
3880571224
|
|
Korea Selatan
|
7462116.29
|
1.5103E+11
|
|
Singapore
|
33689.82
|
627373862.4
|
|
India
|
58321764.11
|
1.20274E+12
|
|
Philippines
|
433386
|
2493960777
|
|
Hongkong
|
5009
|
1616855.29
|
|
Australia
|
55.63
|
1039978.717
|
|
Thailand
|
7260581.8
|
1.49655E+11
|
|
Liechtenstein
|
0.17
|
202.657
|
|
Pakistan
|
1850.001
|
10645937.19
|
|
Malaysia
|
2116257
|
42104293005
|
|
Spain
|
1107
|
19604683.7
|
|
Taiwan
|
49494
|
350744642.5
|
|
Vietnam
|
30281
|
174914539.3
|
|
Oman
|
31498
|
56420477.52
|
|
UEA
|
153264
|
271131477.3
|
|
Algeria
|
3448
|
277253.68
|
|
Angola
|
126
|
10131.66
|
|
Benin
|
132
|
10614.12
|
|
Cammeron
|
28
|
2251.48
|
|
Canada
|
3276
|
263423.16
|
|
Irak
|
4219
|
323271.65
|
|
Jerman
|
948
|
76228.68
|
|
Jordania
|
75
|
6030.75
|
|
Libya
|
133
|
10694.53
|
|
Nigeria
|
357
|
28706.37
|
|
Sudan
|
25
|
2010.25
|
|
Sweden
|
1051
|
84510.91
|
|
Swiss
|
1093
|
3694879.63
|
|
Belanda
|
9602
|
198682567.6
|
|
Amerika
Serikat
|
5196.63
|
107527576.7
|
|
Polandia
|
19.8
|
409697.442
|
|
Belgia
|
220.55
|
4563574.285
|
|
Italy
|
1110.97
|
22987957.94
|
|
United
Kingdom
|
276.4
|
5719210.756
|
|
Afrika Selatan
|
45.27
|
936717.3333
|
|
Israel
|
45.39
|
939200.3481
|
|
Rusia
|
50
|
1034589.5
|
Kemudian data ekspor pada
tahun 2014 dan 2017 akan dicluster menjadi beberapa pengelompokkan berdasarkan
nama negara sesuai dengan kelompok clusternya.
Ekspor Mineral 2014
Pada tahap ini
sistem akan menampilkan beberapa hasil analisa cluster yang telah dikelompokkan
menjadi 3 cluster
Tabel 3.3 Hasil cluster ekspor
mineral 2014 dengan jumlah 3 cluster
|
2
|
Korea Selatan
|
54899
|
38545236.53
|
|
2
|
Malaysia
|
67438.19
|
248198157.4
|
|
2
|
Hongkong
|
8
|
9954.16
|
|
2
|
India
|
1249
|
595272.68
|
|
2
|
USA
|
484
|
1037294.28
|
|
2
|
Korea Utara
|
1800
|
13124646
|
|
2
|
Pakistan
|
102
|
743729.94
|
|
2
|
Thailand
|
97540.05
|
206717097.9
|
|
2
|
Vietnam
|
27956
|
79405782.47
|
|
3
|
Bangladesh
|
90030
|
686878748.6
|
|
3
|
Greece
|
51190
|
699361363.3
|
|
2
|
Australia
|
0
|
0
|
|
2
|
Philippines
|
9152
|
30293.12
|
|
2
|
Spain
|
22047
|
72975.57
|
|
2
|
Germany
|
0
|
0
|
Tabel 3.4 Rata-rata per cluster
ekspor mineral 2014
|
Cluster
|
Jumlah Dalam TON
|
Penjualan($)
|
|
1
|
10188018.24
|
56707303792
|
|
2
|
82299.93438
|
54702043.34
|
|
3
|
70610
|
693120056
|
Tabel
3.5 Maksimum
cluster ekspor mineral 2014
|
Cluster
|
Jumlah Dalam TON
|
Penjualan($)
|
|
1
|
10188018.24
|
56707303792
|
|
2
|
902741
|
248198157.4
|
|
3
|
90030
|
699361363.3
|
Tabel
3.6 Minimum
cluster ekspor mineral 2014
|
Cluster
|
Jumlah Dalam TON
|
Penjualan($)
|
|
1
|
10188018.24
|
56707303792
|
|
2
|
0
|
0
|
|
3
|
51190
|
686878748.6
|
Tabel 3.7 Hasil cluster ekspor 2017 dengan jumlah 3 cluster
|
Cluster
|
Nama Negara
|
Jumlah dalam TON
|
Penjualan (dolar)
|
|
3
|
China
|
6984920
|
25853103748
|
|
3
|
Japan
|
596819.845
|
3880571224
|
|
1
|
Korea Selatan
|
7462116.29
|
1.5103E+11
|
|
3
|
Singapore
|
33689.82
|
627373862.4
|
|
2
|
India
|
58321764.11
|
1.20274E+12
|
|
3
|
Philippines
|
433386
|
2493960777
|
|
3
|
Hongkong
|
5009
|
1616855.29
|
|
3
|
Australia
|
55.63
|
1039978.717
|
|
1
|
Thailand
|
7260581.8
|
1.49655E+11
|
|
3
|
Liechtenstein
|
0.17
|
202.657
|
|
3
|
Pakistan
|
1850.001
|
10645937.19
|
|
3
|
Malaysia
|
2116257
|
42104293005
|
|
3
|
Spain
|
1107
|
19604683.7
|
|
3
|
Taiwan
|
49494
|
350744642.5
|
|
3
|
Vietnam
|
30281
|
174914539.3
|
|
3
|
Oman
|
31498
|
56420477.52
|
|
3
|
UEA
|
153264
|
271131477.3
|
|
3
|
Algeria
|
3448
|
277253.68
|
|
3
|
Angola
|
126
|
10131.66
|
|
Cluster
|
Nama Negara
|
Jumlah Dalam TON
|
Penjualan (Dollar)
|
|
1
|
China
|
10188018.4
|
56707303792
|
|
2
|
Taiwan
|
39514.71
|
67504367.5
|
|
2
|
Japan
|
902741
|
60253201.69
|
|
2
|
Singapore
|
91868
|
158994684.2
|
|
3
|
Benin
|
132
|
10614.12
|
|
3
|
Cammeron
|
28
|
2251.48
|
|
3
|
Canada
|
3276
|
263423.16
|
|
3
|
Irak
|
4219
|
323271.65
|
|
3
|
Jerman
|
948
|
76228.68
|
|
3
|
Jordania
|
75
|
6030.75
|
|
3
|
Libya
|
133
|
10694.53
|
|
3
|
Nigeria
|
357
|
28706.37
|
|
3
|
Sudan
|
25
|
2010.25
|
|
3
|
Sweden
|
1051
|
84510.91
|
|
3
|
Swiss
|
1093
|
3694879.63
|
|
3
|
Belanda
|
9602
|
198682567.6
|
|
3
|
Amerika
Serikat
|
5196.63
|
107527576.7
|
|
3
|
Polandia
|
19.8
|
409697.442
|
|
3
|
Belgia
|
220.55
|
4563574.285
|
|
3
|
Italy
|
1110.97
|
22987957.94
|
|
3
|
United
Kingdom
|
276.4
|
5719210.756
|
|
3
|
Afrika
Selatan
|
45.27
|
936717.3333
|
|
3
|
Israel
|
45.39
|
939200.3481
|
|
3
|
Rusia
|
50
|
1034589.5
|
Tabel
3.8 Rata-rata
per cluster ekspor 2017
|
Cluster
|
Jumlah Dalam TON
|
Penjualan($)
|
|
1
|
7361349.045
|
150342741384.596
|
|
2
|
58321764.111
|
1202736750570.92
|
|
3
|
290808.596555556
|
2116472569.72504
|
Tabel
3.9 Maksimum
cluster ekspor 2017
|
Cluster
|
Jumlah Dalam TON
|
Penjualan($)
|
|
1
|
7462116.29
|
151030039114.038
|
|
2
|
58321764.111
|
1202736750570.92
|
|
3
|
6984920
|
42104293005.15
|
Tabel
3.10 Minimum cluster ekspor 2017
|
Cluster
|
Jumlah Dalam TON
|
Penjualan($)
|
|
1
|
7260581.8
|
149655443655.154
|
|
2
|
58321764.111
|
1202736750570.92
|
|
3
|
0.17
|
202.657
|
Analisa
:
Hasil
clustering antara data mineral ekspor 2014 dan mineral ekspor 2017 terdapat
banyak perbedaan cluster serta negara yang diekspor semakin bertambah. Pada
tahun 2014 china menempati cluster pertama dengan penjualan yang tinggi,namun
dalam selisih waktu 4 tahun hasil cluster pada tahun 2014 hingga 2017 mengalami
perubahan pada cluster 1,2,dan 3. Pada tahun 2017,Korea Selatan dan Thailand
menempati posisi cluster pertama sedangkan china menempati posisi cluster ke 3.
Artinya penjualan ekspor tertinggi pada tahun 2017 berada pada negara Korea
Selatan dan Thailand.
BAB IV
KESIMPULAN
Berdasarkan tujuan
dari Pengelompokan Data Mineral Di Indonesia
Menggunakan Metode K-Means Clustering maka dapat ditarik kesimpulkan sebagai
berikut:
1. Mengelompokkan data Mineral
menggunakan bahasa R dengan metode K-Means Clustering.
2. Menampilkan hasil analisa K-Means Clustering
dengan menggunakan data penjualan mineral Ekspor dan Impor pada tahun 2014
hingga 2017.
3. Analisis
yang ditampilkan berupa analisis dari data penjualan Ekspor dan Impor pada
tahun 2014 hingga 2017.
4. Mengolah data penjualan Ekspor dan
Impor pada tahun 2014- 2017 secara otomatis serta menampilkan hasil
analisisnya.
DAFTAR PUSTAKA
[1] Hardjono,I.(2012).
MINERALOGI.MINERALOGI
[2] Saadah,
S., Handayani, E. & Jondri. 2012. Model Autoregressive yang Dioptimasi Menggunakan Algoritma Genetika Untuk
Memprediksi Ketersediaan Energi Sumber DayA Mineral di Indonesia. Bandung:
Universitas Telkom
[3] Handayani,
V., Adiwijawa & Kurniati, A. P. 2010. Analisis Clustering Menggunakan Algoritma K-Modes. Bandung:
Universitas Telkom
[4] Prasetyo,
E. 2013. Data Mining-Konsep dan Aplikasi Menggunakan MATLAB. Yogyakarta: ANDI
[5] Turban,
E. 2005. Decision Support Systems and Intelligent System. Yogyakarta: Penerbit Andi
[6] Han,
J., Kamber, M. & Pei, J. 2012. Data Mining Concepts and Techniques (Third
Edition). USA:
Morgan Kaufmann Publishers
[7] Shvets,
O. E. (2014). Methods and Algorithms of Cluster Analysis in the Mining Industry Solution of Tasks for Mineral Rocks
Recognition. 2014 International Conference on Signal Processing and Multimedia
Applications (SIGMAP) , 1-7.
[8] Torabi,
M. A. (2012). Clustering of mineral prospectivity area as an unsupervised classification approach to explore
copper deposit. Arab J Geosci DOI 10.1007/s12517-012- 0615-5, 1-13.
[9] Muningsih,
E. & Kiswati, S. 2015. Penerapan Metode K-MeansUntuk ClusteringProduk Online Shop Dalam Penentuan Stok
Barang. Jurnal Bianglala Informatika Vol. 3
[10] Jianpeng
Qi, Y. Y. (2016). K-Means: An Effective and Efficient K-means Clustering Algorithm. and Cloud Computing (BDCloud),
Social Computing and Networking (SocialCom),
Sustainable Computing and Communications (SustainCom).
[11] Fauzanu,
A., dkk. 2015. Analisis Web Usage Mining Menggunakan Teknik K-Means Clustering dan Association Rule
(Studi Kasus: www.owlexa.com). Bandung: Universitas Telkom
[12] Maksoud,
E. A., dkk. 2015. Brain tumor segmentation based on a hybrid clustering technique (Egyptian Informatics Journal).
Kairo: Cairo University
[13] Yadav,
J. & Sharma, M. 2013. A Review of K-mean Algorithm (International Journal
of Engineering Trends and Technology
(IJETT) Vol. 4 Issue 7). Haryana India: MDU Rohtak
[14] Dhanachandra,
N., dkk. 2015. Image Segmentation usingK-means Clustering Algorithm and Subtractive Clustering Algorithm.
Manipur India: Elsevier
[15] Salman,
R., dkk. 2011. Fast K-Means Algorithm Clustering (International Journal of Computer Networks &
Communications (IJCNC) Vol.3). Virginia: Virginia Commonwealth University
[16] Yadav,
A., & Dhingra, S. 2016. An Enhanced K-Means Clustering Algorithm to Remove Empty Clusters (International Journal
of Engineering Development and Research Volume 4, Issue
4). Sirsa India: Chaudhary Devi Lal University
[17] Navjot,
K. 2012. Efficient K-Means Clustering Algorithm Using Ranking Method in Data Mining (International Journal of
Advanced Research in Computer Engineering & Technology
Vol. 1 Issue 3). Punjab: Lovely Professional University
[18] Oyelade, O., J. 2010.
Application of k-Means Clustering algorithm for prediction of Students’ Academic Performance (International
Journal of Computer Science and Information Security
Vol 7 No. 1). Nigeria: IJCSIS
[19] Rahman,
Tegar, Aulia, Wiranto dan Rini Anggraini.2017. Coal Trade Clustering using KMeans (Case
Study PT Global Bangkit Utama). Vol. 6 No. 1,June 2017
