LAPORAN KERJA PRAKTIK

PERUM PERHUTANI DIVISI REGIONAL JAWA TENGAH

(Studi Kasus: Perbandingan Cluster Metode K-Means dengan Metode K-

Medoids untuk Produksi Getah Pinus Berdasarkan Jumlah Pohon dan Luas
Lahan pada Tahun 2018 dan 2019 di Jawa Tengah)

Disusun Oleh:
Indra Gunawan
17611064

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2020

i
 LEMBAR PENGESAHAN

LAPORAN KERJA PRAKTIK*

PERUM PERHUTANI DIVISI REGIONAL JAWA TENGAH

Perbandingan Cluster Metode K-Means dengan Metode K-Medoids untuk

Produksi Getah Pinus Berdasarkan Jumlah Pohon dan Luas Lahan pada
Tahun 2018 dan 2019 di Jawa Tengah

Disusun oleh:

Nama : Indra Gunawan

Nomor Mahasiswa : 17611064

LAPORAN KERJA PRAKTIK INI TELAH DISEMINARKAN

PADA TANGGAL: 13 April 2020

Nama Dosen Penguji dan Pembimbing:

1. Dosen Penguji Arum Handini Primadani [Link]. Si., [Link]. …….…

2. Dosen Pembimbing Achmad Fauzan [Link], [Link]. ……….

Mengetahui,
Ketua Prodi Statistika

……………………………………….
Dr. Edy Widodo, [Link].

*Dokumen ini ditandatangani secara digital pada masa pandemi Covid-19 untuk
dipergunakan sebagaimana mestinya.

ii
 LEMBAR PENGESAHAN PEMBIMBING LAPANGAN

LAPORAN KERJA PRAKTIK

PERUM PERHUTANI DIVISI REGIONAL JAWA TENGAH

Perbandingan Cluster Metode K-Means dengan Metode K-Medoids untuk

Produksi Getah Pinus Berdasarkan Jumlah Pohon dan Luas Lahan pada
Tahun 2018 dan 2019 di Jawa Tengah

Disusun oleh:

Nama : Indra Gunawan

Nomor Mahasiswa : 17611064

Menyetujui, Yogyakarta, 8 mei 2020

Dosen Pembimbing Lapangan Penyusun

(Aista Apriliana)
(Indra Gunawan)

Mengetahui,
Expert Madya Kesisteman dan IT

(Iskak Pratomo)

iii
 1 KATA PENGANTAR

Assalamu’alaikum [Link]

Assalamu’alaikum Warahmatullahi Wabarakatuh

Alhamdulillah penulis ucapkan kepada Allah SWT karena berkat limpahan
Rahmat, Taufik, Hidayah, serta Inayah-Nya Penulis dapat menyelesaikan Laporan
Kerja Praktik dengan judul yaitu “Studi Kasus: Perbandingan Cluster Metode
K-Means dengan Metode K-Medoids untuk Produksi Getah Pinus
Berdasarkan Jumlah Pohon dan Luas Lahan pada Tahun 2018 dan 2019 di
Jawa Tengah” ini dengan baik. Shalawat serta salam penulis haturkan kepada
Nabi Muhammad SAW beserta keluarga, sahabat, dan umatnya.
Laporan ini disusun sebagai bentuk tanggung jawab pelaksanaan kegiatan
kerja praktek yang telah dilaksanakan di Perum Perhutani Divisi Regioanl Jawa
Tengah yang beralamat di Jl. Pahlawan No.15-17, Mugassari, Kecamatan
Semarang Sel., Kota Semarang, Jawa Tengah 50249 pada tanggal 20 Januari
2019 — 20 Februari 2020.
Dalam penyusunan laporan ini, penulis mendapat bantuan dari berbagai
pihak, oleh sebab itu, penulis ingin mengungkapkan rasa terima kasih kepada :
1. Bapak Prof. Riyanto, [Link]., [Link]., Ph.D. selaku Dekan Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Islam Indonesia.
2. Bapak Dr. Edy Widodo, [Link],. [Link]. selaku ketua prodi Statistika dan
dosen pembimbing akademik saya yang turut memberikan saran-saran
membangun.
3. Ibu Arum Handini Primadani [Link]., [Link]. selaku dosen penguji selama
waktu seminar laporan KP yang telah memberikan masukan dan saran.

iv
 4. Bapak Achmad Fauzan, [Link],. [Link]. sebagai dosen pembimbing yang
telah membimbing, mengarahkan, serta mendukung saya sehingga laporan
ini dapat selesai.
5. Kedua orang tua peneliti yang telah memberikan dukungan serta semangat
agar tidak mudah mengeluh pada semua rintangan yang dilalui penulis.
6. Bapak Kepala Perum Perhutani Divisi Regional Jawa Tengah yang
mengizinkan kegiatan kerja praktek dan membimbing selama proses di
lapangan.
7. Bapak Iskak selaku Kepala Bagian, Pak Haris, Pak Handoyo, Bu Arista,
Bu Endah, Bu Rini, Bu Wid, Bu Evi dan segenap karyawan di kantor
Perum Perhutani Provinsi Divisi Regional Jawa Tengah atas pertolongan
dan bimbingan tentang kinerja selama kegiatan kerja praktek.
8. Rintaldi Ghazian Hindami, Yuda Khoirul Zikri, Freditasari Purwa
Hidayat, Silva Rizqi Fernanda, dan Mahasiswa Statistika angkatan 2017
yang senantiasa memberi semangat dan motivasi.
9. Semua pihak yang telah membantu yang tidak dapat penulis sebutkan satu
persatu. Semoga Allah SWT selalu memberi rahmat dan anugerah-Nya
kepada mereka semua tanpa henti. Aamiin.
Penulis telah berusaha dengan maksimal sesuai dengan kemampuannya
untuk melakukan dan menyajikan yang terbaik selama Kerja Praktek dan dalam
laporan ini, namun penulis juga menyadari masih banyak kekurangan dan
kesalahan dalam berbagai hal. Oleh karena itu penulis mengharapkan saran dan
kritik membangun demi kesempurnaan di masa mendatang.
Wassalamu’alaikum Wr. Wb.

Yogyakarta, 8 April 2020

v
 Indra Gunawan

vi
 DAFTAR ISI

HALAMAN SAMPUL...........................................................................................i
LEMBAR PENGESAHAN...................................................................................ii
LEMBAR PENGESAHAN PEMBIMBING LAPANGAN..............................iii
KATA PENGANTAR...........................................................................................iv
DAFTAR ISI.........................................................................................................vi
DAFTAR TABEL...............................................................................................viii
DAFTAR GAMBAR.............................................................................................ix
DAFTAR LAMPIRAN..........................................................................................x
ABSTRAK.............................................................................................................xi
1 BAB I PENDAHULUAN..............................................................................1
1.1 Latar Belakang Masalah............................................................................1
1.2 Rumusan Masalah.....................................................................................2
1.3 Batasan Masalah........................................................................................2
1.4 Tujuan Penelitian.......................................................................................2
1.5 Manfaat Penelitian.....................................................................................3
2 BAB II TINJAUAN INSTANSI...................................................................4
2.1 Perhutani....................................................................................................4
2.2 Struktur Organisasi....................................................................................5
2.3 Ruang Lingkup Kerja Instansi...................................................................6
2.4 Dokumentasi dan Lokasi Instansi.............................................................7
3 BAB III LANDASAN TEORI......................................................................9
3.1 Pengertian Getah Pinus.............................................................................9
3.2 Clustering..................................................................................................9
3.3 Konsep dasar Clustering.........................................................................10
3.4 Syarat Clustering.....................................................................................11
3.5 Algoritma K-means.................................................................................12
3.6 Clustering K-Medoids.............................................................................15
3.7 Menentukan Cluster Terbaik...................................................................16

vii
4 BAB IV METODOLOGI PENELITIAN.................................................18
4.1 Tempat dan Waktu Penelitian.................................................................18
4.2 Data dan Sumber Data.............................................................................18
4.3 Definisi Variabel.....................................................................................18
4.4 Metode Penelitian....................................................................................18
5 BAB V HASIL DAN PEMBAHASAN......................................................21
5.1 Deskripsi Pelaksanaan KP.......................................................................21
5.2 Analisis Deskriptif...................................................................................22
5.3 Uji Multikolinearitas...............................................................................23
5.4 Analisis Cluster K-Means.......................................................................24
5.4.1 Penerapan Cluster pada Data 2018............................................24
5.4.2 Penerapan Cluster pada Data 2019............................................26
5.5 Analisis Cluster K-Medoids....................................................................28
5.5.1 Penerapan Cluster pada Data 2018............................................28
5.5.2 Penerapan Cluster pada Data 2019............................................29
5.6 Perbandingan Validasi Cluster................................................................31
6 BAB VI........................................................................................................35
6.1 Kesimpulan..............................................................................................35
6.2 Saran........................................................................................................36
DAFTAR PUSTAKA...........................................................................................37

viii
 DAFTAR TABEL

Tabel 5.1. Analisis Deskriptif Tahun 2018 dan 2019...........................................22

Tabel 5.2. Analisis Cluster K-Means 2018...........................................................25
Tabel 5.3. Analisis Cluster K-Means 2019...........................................................27
Tabel 5.4. Analisis Cluster K-Medoids 2018........................................................29
Tabel 5.5. Analisis Cluster K-Medoids 2019........................................................31
Tabel 5.6. Perbandingan Cluster K-Means dan K-Medoids Tahun 2018..............31
Tabel 5.7. Perbandingan Cluster K-Means dan K-Medoids Tahun 2019.............32
Tabel 5.8. Variansi Cluster...................................................................................34

ix
 DAFTAR GAMBAR

Gambar 2.1. Struktur Organisasi Divisi Regional..................................................5

Gambar 2.2. Kantor Perum Perhutani....................................................................7
Gambar 2.3. Ruang Kerja Kesisteman dan IT........................................................7
Gambar 2.4. Foto Penyerahan Plakat Bersama Dosen Pembimbing Lapangan.....8
Gambar 3.1. Contoh K-means Clustering............................................................15
Gambar 4.1. Diagram Alir Penelitian...................................................................19
Gambar 5.1. Foto Kantor Divre Perum Perhutani Unit I Jawa Tengah...............21
Gambar 5.2. Foto Suasana Kantor Divisi Regional Perum Perhutani..................22
Gambar 5.3. Plot WCSS dan Silhoutte untuk Menentukan Cluster Data 2018....24
Gambar 5.4. Plot Gap Statistik untuk Menentukan Cluster Data 2018................24
Gambar 5.5. Plot WCSS dan Silhoutte untuk Menentukan Cluster Data 2019....26
Gambar 5.6. Plot Gap Statistik untuk Menentukan Cluster Data 2019................26
Gambar 5.7. Plot WCSS dan Silhoutte untuk Menentukan Cluster Data 2018....28
Gambar 5.8. Plot WCSS untuk Menentukan Cluster Data 2018..........................28
Gambar 5.9. Plot WCSS dan Silhoutte untuk Menentukan Cluster Data 2019....30
Gambar 5.10. Plot Gap Statistik untuk Menentukan Cluster Data 2019..............30
Gambar 5.11. Plot Cluster Tahun 2018...............................................................32
Gambar 5.12. Plot Cluster Tahun 2019...............................................................33

x
 DAFTAR LAMPIRAN

Lampiran 1 Data Luas Lahan dan Jumlah Pohon pinus 2018 dan 2019..............39
Lampiran 2 Program R.........................................................................................39
Lampiran 3 Surat Keterangan Penerimaan KP....................................................43

xi
 ABSTRAK

Studi Kasus: Perbandingan Cluster Metode K-Means dengan Metode K-

Medoids untuk Produksi Getah Pinus Berdasarkan Jumlah Pohon dan Luas
Lahan pada Tahun 2018 dan 2019 di Jawa Tengah

Indra Gunawan1a, Achmad Fauzan1b

1
Prodi Statistika, FMIPA UII
a
17611064@[Link], bachmadfauzan@[Link]

Provinsi Jawa Tengah memiliki keberagaman olahan untuk meningkatkan

ekonominya, seperti yang dikelola oleh Perum Perhutani Regional Jawa Tengah.
produksi getah pinus memilki peluang yang sangat besar untuk meningkatkan
ekonomi karena banyaknya kebutuhan dari olahan tersebut yang banyak digunakan
untuk di kehidupan sehari-hari. Tujuan dari penelitian kali ini yaitu untuk mengetahui
pengelompokan perbulan berdasarkan luas lahan dan jumlah pohon untuk meningkat
kan hasil produksi getah pinus. Pengelompokan tersebut menggunakan algoritma K-
Means Cluster Analysis dan K-Medoids Cluster Analysis Dihasilkan 2 cluster untuk
tahun 2018 baik menggunakan K-Means dan K-Medoids itu memilki cluster yang
sama dengan 4 bulan yang masuk ke cluster 1 dan 8 bulan yang masuk ke cluster 2.
Sedangkan, untuk tahun 2019 adanya perbedaan cluster dengan menggunakan metode
K-Means terdapat 3 cluster yang terdiri dari masing-masing cluster yaitu 4 bulan. Dan
untuk K-Medoids yaitu memiliki 4 cluster dengan cluster 1 terdapat 4 bulan , cluster
2 terdapat 4 bulan , cluster 2 terdapat 2 bulan , dan cluster ke 4 terdapat 2 bulan. D ari
hasil pengelompokan kedua metode tersebut diperoleh metode yang terbaik
dengan perbandingan menggunakan variansi cluster. K-Medoids tahun 2019
adalah metode terbaik untuk mencluster data tahun 2019 dibandingkan K-Means
karena memiliki nilai variansi terkecil yaitu 0,033753192. Dalam perbandingan
untuk tahun 2018 antara K-Means dan K-Medoids memiliki nilai cluster yang
sama yaitu 0,06044941 maka 2 metode tersebut sama-sama terbaik untuk
menclusterkan data tahun 2018.
Kata Kunci: K-Means , K-Medoids, Produksi Getah Pinus

xii
 1 BAB I
PENDAHULUAN

1.1 Latar Belakang Masalah

Perum Perhutani Divisi Regional Jawa Tengah memiliki beberapa
produksi yang mereka kelola, produksi dibagi 2 yaitu produksi kayu dan non
kayu. Produksi kayu sebagai contohnya yaitu olahan dari kayu jati yang memiliki
kayu yang berkualitas dengan ketahanan yang cukup lama. Sedangkan, Produksi
non kayu sebagai contohnya yaitu minyak kayu putih, produksi karet, madu, dll.
Dari produksi yang ingin dibahas yaitu produksi non kayu yaitu produksi getah
karet dari getah pinus.
 Pinus mekusii merupakan satu-satunya jenis pinus yang tumbuh asli di
Indonesia. Pinus termasuk dalam jenis pohon serba guna yang terus menerus
dikembangkan dan diperluas penanamannya pada masa mendatang untuk
penghasil kayu, produksi getah, dan konservasi lahan. Produksi getah pinus
sendiri bisa menghasilkan banyak manfaat seperti di bidang kesehatan dari
minyak getah pinus sendiri bisa untuk mengobati bronchitis, nyeri otot, dll. Di
bidang industi bisa digunakan sebagaian bahan untuk pembuatan sabun,
permukaan ban, dll. Di Pulau Jawa, pinus atau tusam dikenal sebagai penghasil
kayu, resin dan gondorukem yang dapat diolah lanjut sehingga memiliki nilai
ekonomi yang lebih tinggi. [ CITATION Mul14 \l 1033 ]
Berdasarkan latar belakang ini, peneliti ingin melakukan pengelompokan
produksi getah pinus berdasarkan jumlah pohon dan luas lahan pada tahun 2018 dan
2019. Pada tahun 2018 peniliti menggunakan K means cluster dan tahun 2019
menggunakan K medoids claster pada variabel luas lahan , jumlah pohon pinus ,
jumlah produksi getah , dan jumlah produksi gondorukem. K-Means salah satu
algoritma klastering dengan metode partisi (partitioning method) yang berbasis
titik pusat (centroid) selain algoritma k-Medoids yang berbasis obyek. Algoritma
ini memiliki kemiripan dengan Algoritma K-Means Clustering, tetapi terdapat
beberapa perbedaan utama, dimana apabila pada Algoritma K-Means Clustering,
nilai tengah dihitung dengan rata-rata (mean) dan perhitungan jarak dihitung dari
1
data pada masing-masing mean, sedangkan pada algoritma ini, data akan
digunakan sebagai nilai tengah / disebut dengan medoid, dan perhitungan jarak
dihitung dari jarak antar masing-masing data.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan diatas maka rumusan
masalah dalam penelitian ini adalah
1. Bagaimana hasil pengklasteran hasill produksi bulanan di Provinsi Jawa
Tengah?
2. Bagaimana menentukan karakteristik cluster yang terbentuk dengan
metode K-Means dan K-Medoids?
3. Bagaimana hasil cluster terbaik antara metode K–Means dan K-Medoids ?

1.3 Batasan Masalah

Batasan masalah yang digunakan untuk memberi batasan beberapa masalah
yang akan diangkat dan tidak menyimpang dari permasalahan penelitian. Dalam
penelitian ini yang menjadi batasan masalah sebagai berikut :
1. Penelitian dilakukan di Kantor Divre Perum Perhutani Regional Jawa
Tengah.
2. Data diperoleh dari Kantor Divre Perum Perhutani Regional Jawa Tengah.
3. Data akan dioleh dengan menggunakan software Microsoft Excel 2013
untuk merekap dan mendeskripsikan data dalam format csv, dan RStudio
untuk melakukan Cluster K-Means dan K-Medoids.

1.4 Tujuan Penelitian

Tujuan dilaksanakannya penelitian ini adalah sebagai berikut :
1. Untuk mengetahui hasil pengklasteran hasill produksi bulanan di
Provinsi Jawa Tengah.
2. Untuk mengetahui karakteristik cluster yang terbentuk.
3. Untuk mengetahui metode mana yang terbaik antara K–Means dan K-
Medoids

2
1.5 Manfaat Penelitian
Manfaat yang diperoleh antara lain sebagai berikut :
1. Perum Perhutani Divisi Regional Jawa Tengah
Penelitian ini akan memberikan solusi pengelompokan hasil
produksi bulanan Gondorukem di Jawa Tengah untuk tahun 2018 dan
2019.
2. Bagi Lembaga Pendidikan (Jurusan Statistika, Fakultas MIPA UII)
Penelitian ini sebagai bahan informasi dana pengembangan bagi
penelitian berikutnya.
3. Bagi Peneliti
Penelitian ini akan memperluas wawasan dan pengetahuan tentang
hasil produksi sebuah olahan getah pinus dan berbagai macam
manfaatnya.

3
 2 BAB II
TINJAUAN INSTANSI

2.1Perhutani
Perhutani adalah Badan Usaha Milik Negara berbentuk Perusahaan
Umum (Perum) yang memiliki tugas dan wewenang untuk mengelola
sumberdaya hutan negara di pulau Jawa dan Madura. Peran strategis
Perhutani adalah mendukung sistem kelestarian lingkungan, sistem sosial
budaya dan sistem perekonomian masyarakat perhutanan. Dalam
mengelola perusahaan, Perhutani menghargai seluruh aturan mandatory
dan voluntary guna mencapai Visi dan Misi perusahaan. Perhutani optimis
akan keberhasilan masa depan pengelolaan sumberdaya hutan dan
lingkungan berdasarkan kondisi hutan yang ada, kekuatan Visi yang ingin
dicapai dan konsistensi penarapan standar internasional pengelolaan hutan
sebagai pendukung bisnis yang berkelanjutan.[ CITATION Per10 \l 1033 ]
VISI: 
Menjadi Perusahaan Pengelolaan Hutan Terkemuka Di Dunia Dan
Bermanfaat Bagi Masyarakat
MISI:
1. Mengelola sumberdaya hutan secara Lestari.
2. Peduli kepada kepentingan masyarakat dan lingkungan.
3. Mengoptimalkan bisnis kehutanan dengan prinsip Good Corporate
Governance.
TATA NILAI:
1. Integritas
2. Unggul
3. Inovasi
4. Fokus pada Pelanggan

4
 2.2Struktur Organisasi

Gambar 2.1. Struktur Organisasi Divisi Regional

Perum Perhutani Divre Jateng memiliki 20 unit satuan kerja yang
tersebar di wilayah Jawa Tengah, yang meliputi 20 Kesatuan Pemangkuan
Hutan (KPH), 149 Bagian Kesatuan Pemangkuan Hutan (BKPH) dan 610
Resort Pemangkuan Hutan (RPH) pada 32 wilayah kabupaten/kota di
wilayah propinsi Jawa Tengah. Luas kawasan hutan Perum Perhutani
Divisi Regional Jawa Tengah adalah 635.746,79 ha terdiri dari Hutan
Produksi 367.345,66 ha (57,78%), Hutan Produksi Terbatas 183.935,01 ha
(28,93%) dan Hutan Lindung 84.466,12 ha (13,29%). Luas kawasan hutan
Perum Perhutani Divre Jateng terbagi di 2 wilayah propinsi, yaitu Propinsi
Jawa Tengah : 626.740,25 ha (98,58%) dan Propinsi Jawa Timur 9.006,54
ha ( 1,42%)
Dalam perencanaan pengelolaan hutan yang dikelola oleh KPH,
terdapat 4 Seksi Perencanaan Hutan (SPH) yang wilayah kerjanya sama
dengan Rayon di KPH yakni:
 SPH I di Pekalongan (wilayah kerjanya KPH Rayon I)
 SPH II di Yogyakarta (wilayah kerjanya KPH Rayon II)
 SPH III di Salatiga (wilayah kerjanya KPH Rayon III)
5
 SPH IV di Rembang (wilayah kerjanya KPH Rayon IV)
Dalam melaksanakan kegiatan pengelolaan hutan, Perum
Perhutani Divisi Regional Jawa Tengah dipimpin oleh seorang Kepala
Divisi Regional, dibantu oleh Sekretaris Divisi Regional dan 7 orang
Kepala Biro yaitu :
1. Biro Perencanaan Sumber Daya Hutan (SDH)
2. Biro Pembinaan Sumber Daya Hutan (SDH)
3. Biro Perlindungan Sumber Daya Hutan (SDH) & Kelola Sosial
4. Biro Produksi
5. Biro Keuangan
6. Biro Sumber Daya Manusia (SDM), Umum & Sarpra
7. Pengendali Kinerja, Pelaporan Manajemen dan Tekonologi Informasi
(PKPMTI)
2.3Ruang Lingkup Kerja Instansi
Wilayah kerja Divisi Regional Jawa Tengah terbagi dalam 20 (dua
puluh) Kesatuan Pemangkuan Hutan (KPH) dengan 148 Bagian Kesatuan
Pemangkuan Hutan (BKPH) dan 589 Resort Pemangkuan Hutan (RPH), 4
Seksi Perencanaan Hutan Wilayah (PHW), 2 Kesatuan Bisnis Mandiri
(KBM), 4 Pabrik Gondorukem dan Terpentin (PGT), 1 Pabrik Derivat
Gondorukem Terpentin (PDGT), 1 Pabrik Minyak Kayu Putih (PMKP),
dan 1 Industri Kayu (IK PMU).
Pengelolaan produksi di Divisi Regional Jawa Tengah meliputi kayu
(Jati, Pinus, Damar, Mahoni, Sonokeling, dll), non kayu (getah pinus, daun
kayu putih, damar/kopal), agroforestry (jagung, padi, kopi, tebu, cengkeh,
karet) serta pengembangan ekowisata. Dalam menyelenggarakan
pengelolaan hutan, Perum Perhutani berpegang pada prinsip-prinsip
Pengelolaan Hutan Lestari (PHL). Pengelolaan hutan yang menjamin
keberlanjutan fungsi dan manfaat sumberdaya hutan dengan
memperhatikan keberlanjutan fungsi ekonomi, social, dan lingkungan
secara seimbang.

6
 Divisi Regional Jawa Tengah memperoleh sertifikat Pengelolaan
Hutan Pelestarian Lingkungan (PHPL) yang berlaku hingga 17 mei 2021,
selain itu 4 KPH di wilayah Divisi Regional Jawa Tengah sebagai
pemegang sertifikat FM-FSC yaitu KPH Cepu, KPH Randublatung, KPH
Kebonharjo, dan KPH [Link] melibatkan peran serta
masyarakat dalam mengelola hutan. Divisi Regional Jawa Tengah
bekerjasama dengan 1.934 Lembaga Masyarakat Desa Hutan (LMDH)
serta memberikan kontribusi berupa Program Kemitraan dan Bina
Lingkungan, sharing hasil produksi sumberdaya hutan, serta penyerapan
tenaga kerja masyarakat desa hutan.

2.4Dokumentasi dan Lokasi Instansi

Nama Instansi : Divisi Regional Perum Perhutani Unit I Jawa Tengah

Alamat : Jln. Pahlawan No. 15-17 Semarang (50243)
Telp. / Fax : (024)8413631 / (024)8443142

Gambar 2.2. Kantor Perum Perhutani

7
 Gambar 2.3. Ruang Kerja Kesisteman dan IT

Gambar 2.4. Foto Penyerahan Plakat Bersama Dosen Pembimbing Lapangan

8
 3 BAB III
LANDASAN TEORI

3.1 Pengertian Getah Pinus

Pinus mekusii merupakan satu-satunya jenis pinus yang tumbuh asli di
Indonesia. Pinus termasuk dalam jenis pohon serba guna yang terus menerus
dikembangkan dan diperluas penanamannya pada masa mendatang untuk
penghasil kayu, produksi getah, dan konservasi lahan. Di Pulau Jawa, pinus
atau tusam dikenal sebagai penghasil kayu, resin dan gondorukem yang
dapat diolah lanjut sehingga memiliki nilai ekonomi yang lebih tinggi.
Tanaman pinus ini memiliki peranan yang penting, sebab selain sebagai
tanaman pioner, bagian kulit pinus dapat dimanfaatkan sebagai bahan bakar
dan abunya digunakan untuk bahan campuran pupuk, karena mengandung
kalium, ekstrak daun pinus mempunyai potensi sebagai bioherbisida untuk
mengontrol  pertumbuhan gulma pada tanaman. Selain itu, keistimewaan
dari pohon pinus yaitu menghasilkan getah yang diolah lebih lanjut akan
mempunyai nilai ekonomi yang tinggi.[ CITATION Mul14 \l 1033 ] Getah
yang dihasilkan oleh pinus yaitu gondorukem dan terpentin yang
dipergunakan dalam industri batik, plastik, sabun, tinta cetak, bahan plitur,
dan sebagainya, sedangkan terpentin digunakan sebagai bahan pelarut cat.
3.2 Clustering
Clustering adalah pengelompokkan data-data menjadi beberapa
cluster sehingga objek di dalam satu cluster memiliki banyak kesamaan dan
memiliki banyak perbedaan dengan objek di cluster lain. Perbedaan dan
persamaannya biasanya berdasarkan nilai atribut dari objek tersebut dan
dapat juga berupa perhitungan jarak. Objek yang di dalam cluster mirip satu
sama dengan yang lainnya, dan mempunyai perbedaan dengan objek dari
cluster yang lain. (Han dan Kamber, 2016).
Terdapat dua pendekatan utama yaitu clustering dengan pendekatan partisi
(non hirarki) dan clustering dengan pendekatan hirarki. Clustering dengan

9
pendekatan non hirarki mengelompokkan data dengan memilah-milah data
yang dianalisa ke dalam cluster-cluster yang ada dimulai dengan
menentukan terlebih dahulu jumlah cluster yang diinginkan (dua, tiga, atau
yang lain). Setelah jumlah cluster ditentukan, maka proses cluster dilakukan
dengan tanpa mengikuti proses
hirarki. Metode ini biasa disebut “K-Means Cluster”. K-means cluster
sangat efektif dan efisien jika digunakan untuk mengelompokkan objek
yang berjumlah besar. Pada clustering dengan pendekatan hirarki
pengelompokan dengan dua atau lebih obyek yang mempunyai kesamaan
paling dekat. Kemudian diteruskan pada obyek yang lain dan seterusnya
hingga cluster akan membentuk semacam ‘pohon’ dimana terdapat
tingkatan (hirarki) yang jelas antar obyek, dari yang paling mirip hingga
yang paling tidak mirip. Alat yang membantu untuk memperjelas proses
hirarki ini disebut “dendogram”. (Han dan Kamber, 2016).
3.3 Konsep dasar Clustering
Hasil clustering yang baik akan menghasilkan tingkat kesamaan yang
tinggi dalam satu kelas dan tingkat kesamaan yang rendah antar kelas.
Kesamaan yang dimaksud merupakan pengukuran secaranumeric terhadap
dua buah objek. Nilai kesamaan antar kedua objek akan semakin tinggi jika
kedua objek yang dibandingkan memiliki kemiripan yang tinggi. Begitu
juga dengan sebaliknya. Kualitas hasil clustering sangat bergantung pada
metode yang dipakai. Dalam clustering dikenal empat tipe data. Keempat
tipe data pada tersebut ialah:
1. Variabel berskala interval
2. Variabel biner
3. Variabel nominal, ordinal, dan rasio
4. Variabel dengan tipe lainnya.
Metode clustering juga harus dapat mengukur kemampuannya sendiri
dalam usaha untuk menemukan suatu pola tersembunyi pada data yang
sedang diteliti. Terdapat berbagai metode yang dapat digunakan untuk
mengukur nilai kesamaan antar objek-objek yang dibandingkan. Salah
10
satunya ialah dengan weighted Euclidean Distance. Euclidean distance
menghitung jarak dua buah point dengan mengetahui nilai dari masing-
masing atribut pada kedua poin tersebut. Berikut formula yang digunakan
untuk menghitung jarak dengan Euclidean distance:
n
Distance( p , q)=∑ µk ∨pk −qk ∨r ¿1 /r ¿ (3.0)
k

Keterangan:
n = Jumlah record data
k = Urutan field data
r=2
µk = Bobot field yang diberikan user.
3.4 Syarat Clustering
Menurut Han dan Kamber, 2012, syarat sekaligus tantangan yang
harus dipenuhi oleh suatu algoritma clustering adalah:
1. Skalabilitas
Suatu metode clustering harus mampu menangani data dalam jumlah
yang besar. Saat ini data dalam jumlah besar sudah sangat umum
digunakan dalam berbagai bidang misalnya saja suatu database. Tidak
hanya berisi ratusan objek, suatu database dengan ukuran besar bahkan
berisi lebih dari jutaan objek.
2. Kemampuan analisa beragam bentuk data
Algortima klasteriasi harus mampu dimplementasikan pada berbagai
macam bentuk data seperti data nominal, ordinal maupun gabungannya.
3. Menemukan cluster dengan bentuk yang tidak terduga
Banyak algoritma clustering yang menggunakan metode Euclidean atau
Manhattan yang hasilnya berbentuk bulat. Padahal hasil clustering
dapat berbentuk aneh dan tidak sama antara satu dengan yang lain.
Karenanya dibutuhkan kemampuan untuk menganalisa cluster dengan
bentuk apapun pada suatu algoritma clustering.

11
4. Kemampuan ntuk dapat menangani noise
Data tidak selalu dalam keadaan baik. Ada kalanya terdapat data yang
rusak, tidak dimengerti atau hilang. Karena system inilah, suatu
algortima clustering dituntut untuk mampu menangani data yang rusak.
5. Sensitifitas terhadap perubahan input
Perubahan atau penambahan data pada input dapat menyebabkan terjadi
perubahan pada cluster yang telah ada bahkan bisa menyebabkan
perubahan yang mencolok apabila menggunakan
algoritma clustering yang memiliki tingkat sensitifitas rendah.
6. Mampu melakukan clustering untuk data dimensi tinggi
Suatu kelompok data dapat berisi banyak dimensi ataupun atribut.
Untuk itu diperlukan algoritma clustering yang mampu menangani data
dengan dimensi yang jumlahnya tidak sedikit.
7. Interpresasi dan kegunaan
Hasil dari clustering harus dapat diinterpretasikan dan berguna.

3.5 Algoritma K-means

Algoritma K-means merupakan salah satu algoritma dengan partitional,
karena K-Means didasarkan pada penentuan jumlah awal kelompok dengan
mendefinisikan nilai centroid awalnya[ CITATION Mad12 \l 1033 ].
Algoritma k-means menggunakan proses secara berulang-ulang untuk
mendapatkan basis data cluster, dibutuhkan jumlah cluster awal yang
diinginkan sebagai masukan dan menghasilkan titik centroid akhir sebagai
output, metode k-means akan memilih pola k sebagai titik awal centroid
secara acak atau random, jumlah iterasi untuk mencapai cluster centroid
akan dipengaruhi oleh calon cluster centroid awal secara random, sehingga
didapat cara dalam pengembangan algoritma dengan menentukan centroid
cluster yang dilihat dari kepadatan data awal yang tinggi agar mendapatkan
kinerja yang lebih tinggi. [ CITATION HUN05 \l 1033 ]

12
 Dalam penyelesaiannya, algoritma k-means akan menghasilkan titik
centroid yang dijadikan tujuan dari algoritma k-means, setelah iterasi k-means
berhenti, setiap objek dalam dataset menjadi anggota dari suatu cluster, nilai
cluster ditentukan dengan mencari seluruh objek untuk menemukan cluster
dengan jarak terdekat ke objek, algoritma k-means akan mengelompokan item
data dalam suatu dataset ke suatu cluster berdasarkan jarak terdekat
[ CITATION Ban13 \l 1033 ]. Nilai centroid awal yang dipilih secara acak
yang menjadi titik pusat awal, akan dihitung jarak dengan semua data
menggunakan rumus Euclidean Distance, data yang memiliki jarak pendek
terhadap centroid akan membuat sebuah cluster, proses ini berkelanjutan
sampai tidak terjadi perubahan pada setiap kelompok [ CITATION Agr13 \l
1033 ].
Algoritma K-means merupakan metode non heirarchial yang pada
awalnya mengambil sebagian dari banyaknya komponen dari populasi untuk
dijadikan pusat cluster awal, pada step ini pusat cluster dipilih secara acak
dari sekumpulan populasi data, berikutnya k-means menguji masing-masing
komponen di dalam populasi data dan menandai komponen tersebut ke salah
satu pusat cluster yang telah didefinisikan tergantung dari jarak minimum
antar komponen dengan tiap-tiap pusat cluster.

Posisi pusat cluster akan dihitung kembali sampai semua komponen

data digolongkan ke dalam tiap-tiap pusat cluster dan terakhir akan terbentuk
posisi pusat cluster baru, algoritma k-means pada dasarnya melakukan 2
proses yakni proses pendeteksian lokasi pusat tiap cluster dan proses
pencarian anggota dari tiap-tiap [Link] proyek akhir ini ukuran jarak
adalah jarak Euclidean untuk menandai adanya persamaan antar tiap cluster
dengan jarak minimum dan mempunyai persamaan atau kemiripan yang lebih
tinggi. Euclidean Matrix antara titik a=(a1,a2,a3,a4,....,an) dan titik
b=(b1,b2,b3,b4,....,bn) adalah
n
d ( a , b )= √∑
i=1
(bi −ai )2 (3.0)

13
Proses awal dalam algoritma k-means adalah populasi data kriteria pemasok
PT. TMMIN yang merupakan data yang diproses dan input parameter k,
jumlah dari cluster harus ada di dalam algoritma nanti algoritma k-means :
1. Tentukan Jumlah K cluster.
2. Inisialisasi k pusat cluster sebagai seed points, Pusat ini dapat
diperoleh secara acak.
3. Untuk setiap data kriteria pemasok PT. TMMIN, cari data yang lebih
dekat dengan pusat cluster dan tandai titik data tersebut di pusat
cluster yang terdekat dan posisi pusat cluster dihitung kembali dengan
rata-rata anggota dari setiap cluster.
4. Cek semua data sekali lagi dan taruh setiap data yang terdekat dengan
pusat cluster (pusat cluster tidak dihitung lagi). Jika anggota dari tiap
pusat cluster tidak berubah, berhenti dan jika masih berubah kembali
ke Step ke-2)
Dari algoritma diatas dapat diambil dua operasi yang penting
sepanjang dilakukan proses clustering dengan algoritma k-means yakni
menghitung jarak antar obyek data dengan pusat cluster dan menghitung
rata-rata dari pusat cluster tersebut, selama ada proses iterasi untuk
menentukan pusat cluster baru dengan menghitung jarak dari setiap obyek
data, disini dapat diketahui bahwa jika ada dua obyek yang memiliki tingkat
kedekatan / kemiripan yang sama dengan melihat ukuran jarak sama, maka
bisa dimungkinkan dua obyek tersebut dikelompokkan bersama-sama ke
dalam pusat cluster. Ketika menghitung rata-rata pada setiap cluster, semua
obyek di dalam cluster dijumlahkan dan dibagi dengan total jumlah obyek
yang terkait di masing- masing pusat cluster.
Hasil dari proses clustering yang menggunakan Metode K-Means
Clustering dapat digambarkan seperti di bawah ini :

14
 Gambar 3.5. Contoh K-means Clustering
([Link]

3.6 C
lustering K-Medoids
Algoritma K-Medoids atau sering disebut juga dengan algoritma PAM
(Partitioning Around Medoid) dikembangkan oleh Leonard Kaufman dan
Peter J. Rousseeuw, dimana merupakan algoritma yang mirip dengan k-
means karena kedua algoritma ini partitional yang memecah dataset menjadi
kelompok – kelompok. Perbedaan dari algoritma k-means dengan algoritma
KMedoids terletak pada penentuan pusat cluster, dimana algoritma k-means
menggunakan nilai rata – rata (means) dari setiap cluster sebagai pusat
cluster dan algoritma K-Medoids menggunakan objek data sebagai
perwakilan (medoids) sebagai pusat cluster (Kaur, dkk., 2014). Algoritma
KMedoids digunakan untuk mengatasi kelemahan dari algoritma k-means
yang sangat sensitive terhadap pencilan (outlier) karena objek – objek ini
sangat jauh letaknya/karakteristiknya dari mayoritas data lainnya, sehingga
jika dimasukkan ke suatu cluster data semacam ini bisa mendistorsi nilai rata-
rata (mean) cluster tersebut.
Algoritma K-Medoids merupakan teknik partisi klasik dari clustering
yang melakukan klasterisas dataset objek n ke dalam k cluster yang dikenal
sebagai a priori (Abhishek & Purnima, 2013). Algoritma ini beroperasi pada
prinsip untuk meminimalkan jumlah kesamaan antara setiap objek dan titik

15
referensi yang sesuai. Algoritma K-Medoids dapat dilakukan dengan langkah
– langkah sebagai berikut (Bhat, 2014):
1. Inisialisasi pusat cluster sebanyak k (jumlah
cluster).
2. Hitung setiap objek ke cluster terdekat
menggunakan persamaan ukuran jarak Euclidian Distance. Perhitungan
Euclidian Distance menggunakan persamaan (2.1)
3. Setelah menghitung jarak Euclidian Distance,
inisialisasikan pusat cluster baru secara acak pada masing – masing
objek sebagai kandidat non medoids.
4. Hitung jarak setiap objek yang berada pada
masing – masing cluster dengan kandidat non medoids.
5. Hitung total simpangan (S) dengan menghitung
total distance baru – total distance lama. Jika S < 0 maka tukar objek
dengan data cluster non medoids untuk membentuk sekumpulan k objek
baru sebagai medoids.
6. Ulangi langkah c – e hingga tidak terjadi
perubahan pada medoid, sehingga di dapatkan cluster beserta anggota
cluster masing – masing.

3.7 M
enentukan Cluster Terbaik
Untuk mengetahui metode mana yang mempunyai kinerja terbaik, dapat
digunakan rata-rata simpangan baku dalam Cluster ( v w) dan simpangan baku
antar Cluster ( v b ). [CITATION Bun96 \l 1033 ]

nc
1 2
v c2= ∑ ( di −d́ i ) (3.0)
n c −1 i=1
Keterangan:
v c2 = variansi pada cluster
c = 1..k, dimana k = jumlah cluster

16
 nc = jumlah data pada cluster c
d́ i = data ke – i pada suatu cluster
di = rata-rata dari data pada suatu cluster
Rumus simpangan baku dalam Cluster ( v w):
k
1
v w= ∑ ( n −1 ) × v i2
N −k i=1 i
(3.0)

Keterangan:
vw = variansi within cluster
k = jumlah cluster
ni = jumlah data pada suatu cluster
N = data ke – i pada suatu cluster
vi2 = variansi pada suatu cluster
Simpangan baku antar Cluster ( v b)

k
1 2
v b= ∑ ni ( d́ i− d́ ) (3.0)
k−1 i=1
Keterangan:
v c2 = variansi pada cluster
k = jumlah cluster
ni = jumlah data pada suatu cluster
d́ i = data ke – i pada suatu cluster
d́ = rata-rata dari data pada suatu cluster
Variansi dari suatu kluster
vw
v= (3.0)
vb
Keterangan :
v = variansi
vw = variansi within cluster
vb = variansi between cluster

17
 4 BAB IV
METODOLOGI PENELITIAN

4.1 Tempat dan Waktu Penelitian

Peneliti melakukan kerja praktik di Perum Perhutani Divisi Regional Jawa
Tengah. Kegiatan kerja praktik ini dilaksanakan mulai tanggal 20 Januari 2020
sampai dengan 20 Februari 2020.

4.2 Data dan Sumber Data

Peneliti memperoleh data dari Perum Perhutani Divisi Regional Jawa
Tengah merupakan data sekunder. Untuk penelitian Variabel yang digunakan oleh
peneliti yaitu : (1) Luas Lahan Pohon Pinus Tahun 2018-2019 dan (2) Jumlah
Pohon Pinus Tahun 2018-2019 pada Provinsi Jawa Tengah.

4.3 Definisi Variabel

Variabel pertama yaitu Luas Lahan Pohon Pinus Tahun 2018-2019 adalah
variabel luas lahan yang ditanami pohon pinus dengan satuan m3. Lalu, Jumlah
Pohon Pinus Tahun 2018-2019 adalah jumlah pohon pinus pada lahan yang
disediakan dengan satuan pohon.

4.4 Metode Penelitian

Metode penelitian yang akan dilakukan adalah Analisis cluster dengan
menggunakan Metode K-Means dan Metode K-Medoids pada analisis jumlah
produksi getah pinus berdasarkan luas lahan dan jumlah pohon pinus tahun 2018-
2019 di Jawa Tengah.

18
 Mulai

Input data

Analisis Deskriptif

Uji Multikolinearitas

Penentuan Cluster Menggunakan Metode

WCSS, Silhoutte, dan Gap Statistic

Analisis K-Means dan K-Medoids

Perbandingan K-Means dan K-Medoids

Kesimpulan Metode Terbaik

Selesai

Gambar 4.6. Diagram Alir Penelitian

Tahapan – tahapan yang digambarkan pada flowchart tersebut adalah
sebagai berikut :
1. Proses penelitian dilakukan yaitu menginputkan data jumlah pohon pinus dan
luas lahan pada tahun 2018-2019 di Jawa Tengah.
2. Melakukan analisis deksriptif menggunakan software R untuk
mengetahui nilai min, max, mean, Q1, median , dan Q3. Analisis deskriptif
bisa digunakan untuk melihat apakah terdapat outlier yang berada pada data.
19
3. Selanjutnya, menguji apakah terdapat multikolinearitas pada data
yang akan di teliti. Uji multikolinearitas berguna untuk menguji hubungan
linear antar variabel independen dalam model. Prasyarat yang harus terpenuhi
dalam model regresi adalah tidak adanya multikolinearitas.
4. Menentukan jumlah cluster menggunakan 3 metode yaitu WCSS,
Silhoutte , dan Gap Statistic. Peneliti menentukan jumlah cluster dengan
berbagai metode untuk mendapatkan hasil yang optimum.
5. Hasil dari penentuan cluster tadi akan mendaptakan sebuah output
yang membagi dalam sebuah kelompok dengan rata-rata. Terdapat berbagai
kriteria cluster tergantung dari datanya yaitu tinggi, sedang , dan rendah.
6. Membandingkan hasil cluster dari metode K-Means dan K-
Medoids untuk mengetahui bulan mana saja yang memilki nilai produksi
yang rendah, sedang, dan tinggi pada setiap tahunnya. Lalu, untuk
mengetahui bulan mana saja yang memiliki kriteria cluster yang sama pada
setiap tahunnya.
7. Menyimpulkan metode mana yang terbaik antara metode K-Means
dan K-Medoids dengan menggunakan variansi cluster. Variansi cluster terdiri
dari VW (Variance Withins/variansi didalam cluster) dan VB (Variansi
Betweens/variansi antar cluster) . dimana jika variansi terkecil dibandingkan
dengan yang lain merupakan metode terbaik.

20
 5 BAB V
HASIL DAN PEMBAHASAN

5.1 Deskripsi Pelaksanaan KP

Penelitian dilaksanakan di Divisi Regional Kantor Perum Perhutani Unit I
Semarang Jawa Tengah selama satu bulan mulai dari tanggal 20 Januari 2020
sampai 20 Februari 2020. Kantor Divisi Regional Perhutani merupakan
perusahaan umum (Perum) milik BUMN yang menangani bidang perlindungan
dan pengelolaan sumberdaya hutan untuk mendukung kelestarian lingkungan
hutan, sistem sosial budaya dan sistem perekonomian masyarakat perhutanan.
Selama melaksanakan kerja praktik peneliti ditempatkan pada bidang
Perencanaan, Pengembangan Bisnis dan Pemasaran yaitu pada Divisi Kesisteman
dan IT bagian Pelaporan.

Gambar 5.7. Foto Kantor Divre Perum Perhutani Unit I Jawa Tengah
Di awal minggu pertama pelaksanaan kerja praktik, peneliti diperkenalkan
dengan lingkungan kerja pada unit tersebut dan lingkungan kantor kerja peneliti.
Peneliti juga diperkenalkan dengan deskripsi dan sistem kerja pada bidang divisi
Kesisteman dan IT. Waktu dan hari kerja kantor peneliti mengikuti aturan
pemerintah selama 8 jam di lima hari kerja.

21
 Gambar 5.8. Foto Suasana Kantor Divisi Regional Perum Perhutani
Pada minggu selanjutnya hal yang dilakukan peneliti selama menjalani kerja
praktik adalah membantu tugas dan melakukan penginputan data pelaporan untuk
rekapitulasi laporan bulanan dari bidang Perencanaan, Pengembangan Bisnis dan
Pemasaran. Peneliti juga diminta membuat visualisasi data dan menginput kan
data. Selama kerja praktik juga peneliti membantu kegiatan ataupun acara yang
sedang dilakukan Kantor agar kegiatan dapat berjalan dengan lancar. Lingkungan
kantor yang nyaman dan karyawan kantor juga sangat ramah serta fasilitas kantor
yang lengkap cukup menunjang para karyawan dan peneliti merasa nyaman dalam
melakukan pekerjaannya.

5.2 Analisis Deskriptif

Analsis deskriptif yang dibantu dengan program R. Yang pertama yaitu
mengenai jumlah pohon pinus dan luas lahan di Jawa Tengah tahun 2018. Berikut
adalah analsis deskriptifnya :
Tabel 5.1. Analisis Deskriptif Tahun 2018 dan 2019
Variabel

Hasil Luas Lahan Jumlah Pohon Luas Lahan Jumlah Pohon

2018 Pinus 2018 2019 Pinus 2019

Min. 70.767 2.723 64.122 3.524

1st Qu. 78.462 10.558 64.129 10.122
Median 86.199 20.825 71.727 16.971
Mean 81.733 21.634 71.889 19.618
3rd Qu. 86.821 31.394 75.129 26.136
22
 Max. 86.281 42.210 82.161 42.144

Berdasarkan tabel 5.1, dapat diketahui bahwa pada variabel Luas Lahan
2018 memiliki nilai minimum, quartil 1, nilai tengah, rata-rata, quartil 3 dan nilai
maksimum masing-masing sebesar 70.767; 78.462; 86.199; 81.733; 86.821;
86.281. Untuk variabel Jumlah Pohon Pinus 2018 memiliki nilai minimum, quartil
1, nilai tengah, rata-rata, quartil 3 dan nilai maksimum masing-masing sebesar
2.723; 10.558; 20.825; 21.634; 31.394; 42.210.
Berdasarkan tabel 4.1, dapat diketahui bahwa pada variabel Luas Lahan
2019 memiliki nilai minimum, quartil 1, nilai tengah, rata-rata, quartil 3 dan nilai
maksimum masing-masing sebesar 64.122 ; 64.129 ; 71.727 ; 71.889; 75.129;
82.161. Untuk variabel Jumlah Pohon Pinus 2019 memiliki nilai minimum, quartil
1, nilai tengah, rata-rata, quartil 3 dan nilai maksimum masing-masing sebesar
3.524; 10.122 ; 16.971 ; 19.618 ; 26.136 ; 42.144.

5.3 Uji Multikolinearitas

Uji multikolonieritas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi antar variabel bebas (independent). Model regresi yang
baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika variabel
independen saling berkorelasi, maka variabel-variabel ini tidak ortogonal.
Variabel ortogonal adalah variabel independen yang nilai korelasi antar sesama
variabel independen sama dengan nol.
Nilai VIF (variance inflation factor) adalah untuk mengukur seberapa besar
ragam dari dugaan koefisien regresi akan meningkat apabila antar peubah jelas
terdapat masalah multikolinier. Berdasarkan tabel diperoleh dua nilai VIF untuk
variabel luas lahan (X1) yaitu 1.783627 dan untuk variabel jumlah pohon (X2)
sebsar 1.783627. sehingga dapat disimpulkan bahwa asumsi tidak adanya
multikolinearitas telah terpenuhi, karena jika nilai VIF < 10 maka data terbebas
dari multikolinearitas.
Sedangkan, pada data satunya yaitu tahun 2019 output yang di peroleh
peneliti dua nilai VIF untuk variabel luas lahan (X1) yaitu 1.783627 dan untuk
variabel jumlah pohon (X2) sebsar 1.783627. sehingga dapat disimpulkan bahwa
23
asumsi tidak adanya multikolinearitas telah terpenuhi, karena jika nilai VIF < 10
maka data terbebas dari multikolinearitas. Berdasarkan output nilai VIF variabel
pada pada tahun 2018 dan 2019 tidak terdapat multikolinearitas artinya data
terpenuhi untuk analisis selanjutnya.

5.4 Analisis Cluster K-Means

5.4.1 Penerapan Cluster pada Data 2018
Peneliti akan memulai analisis dengan metode K-Means. Metode K-Means
digunakan sebagai alternatif metode cluster untuk data dengan ukuran yang besar
karena memiliki kecepatan yang lebih tinggi dibandingkan metode hirarki.
Banyaknya cluster yang akan dibentuk (k) pada proses peng-cluster-an dengan
metode K-Means adalah dengan menggunakan 3 metode untuk menentukan nilai
clusteringnya yaitu WCSS, Silhoutte, Gap Statistics.

Gambar 5.9. Plot WCSS dan Silhoutte untuk Menentukan Cluster Data 2018

Gambar 5.10. Plot Gap Statistik untuk Menentukan Cluster Data 2018

24
 Berdasarkan gambar 5.3, ketika titik cluster di angka 2 menunjukkan
pergerakan yang mulai landai, tidak seperti perubahaan titik cluster angka – angka
sebelumnya yang menunjukkan perubahan yang cukup curam. Setelah melakukan
pendekatan WCSS, maka di dapatkan jumlah cluster sebanyak 2 kelompok. Untuk
penentuan nilai K pada metode silhouette, dilihat dari garis tertinggi atau
melihatnya dengan melihat garis yang paling optimum. Dari gambar 5.3, diketahui
nilai K yang optimum adalah 2. Maka di dapatkan jumlah cluster sebanyak 2
kelompok.
Bisa dilihat pada gambar 5.4, Untuk penentuan nilai K optimum metode
GAP Statistic / gap_stat dilihat dari garis yang dihubungkan dengan garis putus-
putus. Maka di dapatkan jumlah cluster sebanyak 2 kelompok pada metode Gap
Statistic. Berdasarkan penentuan nilai k atau jumlah cluster bisa terdapat perbedaan
pada masing-masing metode maka penentuannya adalah menggunakan nilai k yang
paling besar dan karena semua metode memiliki nilai k optimum yang sama maka
jumlah clusternya adalah 2. Berikut adalah output clusteringnya :
Tabel 5.2. Analisis Cluster K-Means 2018

Cluste Rata-Rata
r Luas lahan Jumlah Pohon
1 74185.93 13750047
2 81432.21 16921740

Berdasarkan tabel 5.2, masing – masing cluster K-Means dapat di ketahui nilai
rata – ratanya, dapat di interpretasikan sebagai berikut:
1. Cluster 1 : Terdapat 4 bulan yang termasuk di dalam cluster ini yaitu pada
bulan Januari, Februari, Maret, dan Oktober. Pada tingkatan ini di
kategorikan rendah karena rata-rata luas lahan dan jumlah pohon memiliki
rata-rata lebih kecil dibandingkan cluster 2.
2. Cluster 2 : Terdapat 8 bulan yang termasuk di dalam cluster ini yaitu pada
bulan April, Mei, Juni, Juli, Agustus, September, November, dan
Desember. Pada tingkatan ini di kategorikan tinggi dibandingan kan
dengan cluster 1 karena memiliki rata-rata luas lahan dan jumlah pohon
paling tinggi.

25
5.4.2 Penerapan Cluster pada Data 2019
Penelitian selanjutnya cluster untuk data 2019 yang memiliki variabel
sama pada data tahun 2018. Disini peneliti menggunakan 3 metode yang sama
pada tahun 2018 yaitu WCSS, Silhoutte, Gap Statistics.

Gambar 5.11. Plot WCSS dan Silhoutte untuk Menentukan Cluster Data 2019

Gambar 5.12. Plot Gap Statistik untuk Menentukan Cluster Data 2019
Berdasarkan gambar 5.5, ketika titik cluster di angka 3 menunjukkan
pergerakan yang mulai landai, tidak seperti perubahaan titik cluster angka – angka
sebelumnya yang menunjukkan perubahan yang cukup curam. Setelah melakukan
pendekatan WCSS, maka di dapatkan jumlah cluster sebanyak 3 kelompok. Bisa
dilihat pada gambar 5.5, Untuk penentuan nilai K pada metode silhouette, dilihat
dari garis tertinggi atau melihatnya dengan melihat garis yang paling optimum.
Dari gambar 5.5, diketahui nilai K yang optimum adalah 3. Maka di dapatkan
jumlah cluster sebanyak 3 kelompok.
Bisa dilihat pada gambar 5.6, Untuk penentuan nilai K optimum metode
GAP Statistic / gap_stat dilihat dari garis yang dihubungkan dengan garis putus-
26
putus. Maka di dapatkan jumlah cluster sebanyak 4 kelompok pada metode Gap
Statistic. Berdasarkan penentuan nilai k atau jumlah cluster bisa terdapat perbedaan
pada masing-masing metode maka penentuannya adalah menggunakan nilai k yang
paling besar dan karena semua metode memiliki nilai k optimum yang sama maka
jumlah clusternya adalah 3. Berikut adalah output clusteringnya :
Tabel 5.3. Analisis Cluster K-Means 2019
Rata-Rata
Cluster
Luas Lahan Jumlah Pohon
1 66132.99 13161407
2 79816.01 16677896
3 71422.21 14338917

Berdasarkan tabel 5.6, masing – masing cluster K-Means dapat di ketahui nilai
rata – ratanya, dapat di interpretasikan sebagai berikut:
1. Cluster 1 : terdapat 4 bulan yang termasuk di dalam cluster
ini yaitu pada bulan Juli, Oktober, November dan Desember. Pada
tingkatan ini di kategorikan rendah dibandingan kan dengan cluster 2
dan 3 karena memiliki rata-rata luas lahan dan jumlah pohon yang lebih
rendah dari pada cluster 2 dan 3.
2. Cluster 2 : terdapat 4 bulan yang termasuk di dalam cluster
ini yaitu pada bulan Maret, April, Mei, dan Juni. Pada tingkatan ini di
kategorikan tinggi dibandingan kan dengan cluster 1 dan 3 karena
memiliki rata-rata luas lahan dan jumlah pohon yang lebih tinggi dari
pada cluster 1 dan 3.
3. Cluster 3 : terdapat 4 bulan yang termasuk di dalam cluster
ini yaitu pada bulan Januari, February, Agustus, dan September. Pada
tingkatan ini di kategorikan sedang dibandingan kan dengan cluster 1
dann 2 karena memiliki rata-rata luas lahan dan jumlah pohon yang
lebih tinggi dari cluster 1 dan lebih rendah dari cluster 3.

27
5.5 Analisis Cluster K-Medoids
5.5.1 Penerapan Cluster pada Data 2018
Selanjutnya analisis dengan metode K-Medoids, metode ini varian dari
metode K-Means yang merupakan cluster non hirarki. Banyaknya cluster yang
akan dibentuk (k) pada proses peng-cluster-an dengan metode K-Medoids adalah
dengan menggunakan 3 metode untuk menentukan nilai clusteringnya yaitu
WCSS, Silhoutte, Gap Statistics.

Gambar 5.13. Plot WCSS dan Silhoutte untuk Menentukan Cluster Data 2018

Gambar 5.14. Plot WCSS untuk Menentukan Cluster Data 2018

Berdasarkan gambar 5.7, ketika titik cluster di angka 2 menunjukkan
pergerakan yang mulai landai, tidak seperti perubahaan titik cluster angka – angka
sebelumnya yang menunjukkan perubahan yang cukup curam. Setelah melakukan
pendekatan WCSS, maka di dapatkan jumlah cluster sebanyak 2 kelompok. Metode
Silhouette menggunakan pendekatan nilai rata-rata untuk menduga kualitas dari
cluster yang terbentuk. Semakin tinggi nilai rata-ratanya maka akan semakin
[Link] saran dari metode Silhouette, Untuk penentuan nilai K pada

28
metode silhouette , dilihat dari garis tertinggi atau melihatnya dengan melihat
garis yang paling optimum. Dari gambar 5.7, diketahui nilai K yang optimum
adalah 3. Maka di dapatkan jumlah cluster sebanyak 2 kelompok.
Bisa dilihat pada gambar 5.8, pada metode ini diperoleh hasil k = 2 adalah
yang optimal untuk membentuk klaster. Maka di dapatkan jumlah cluster sebanyak
2 kelompok. Sehingga jika dibandingkan dengan metode sebelumnya maka dapat
ditarik keputusan nilai k yang optimal untuk membentuk klaster adalah 2. Berikut
adalah output clusteringnya:
Tabel 5.4. Analisis Cluster K-Medoids 2018
Rata-Rata
Cluster
Luas Lahan Jumlah Pohon
1 74186. 13750047.
2 81432. 16921740.

Berdasarkan tabel 5.4, masing – masing cluster K-Medoids dapat di ketahui nilai
rata – ratanya, dapat di interpretasikan sebagai berikut:
1. Cluster 1 : terdapat 4 bulan yang termasuk di dalam cluster ini yaitu pada
bulan Januari, Februari, Maret, dan Oktober. Pada tingkatan ini di
kategorikan rendah dibandingan kan dengan cluster 2 karena memiliki
rata-rata luas lahan dan jumlah pohon yang lebih rendah dari pada cluster
2.
2. Cluster 2 : terdapat 8 bulan yang termasuk di dalam cluster ini
yaitu pada bulan April, Mei, Juni, Juli, Agustus, September, November,
dan Desember. Pada tingkatan ini di kategorikan rendah dibandingan kan
dengan cluster 1 karena memiliki rata-rata luas lahan dan jumlah pohon
yang lebih tinggi dari pada cluster 1.
5.5.2 Penerapan Cluster pada Data 2019
Penelitian selanjutnya cluster untuk data 2019 yang memiliki variabel
sama pada data tahun 2018. Disini peneliti menggunakan 3 metode yang sama
pada tahun 2018 karen peniliti ingin membandingankannya.

29
 Gambar 5.15. Plot WCSS dan Silhoutte untuk Menentukan Cluster Data 2019

Gambar 5.16. Plot Gap Statistik untuk Menentukan Cluster Data 2019
Berdasarkan gambar 5.9, ketika titik cluster di angka 3 menunjukkan
pergerakan yang mulai landai, tidak seperti perubahaan titik cluster angka – angka
sebelumnya yang menunjukkan perubahan yang cukup curam . Setelah melakukan
pendekatan WCSS, maka di dapatkan jumlah cluster sebanyak 3 kelompok. Metode
Silhouette menggunakan pendekatan nilai rata-rata untuk menduga kualitas dari
cluster yang terbentuk. Semakin tinggi nilai rata-ratanya maka akan semakin baik.
Berdasarkan saran dari metode Silhouette, Untuk penentuan nilai K pada metode
silhouette , dilihat dari garis tertinggi atau melihatnya dengan melihat garis yang
paling optimum. Dari gambar 5.9, diketahui nilai K yang optimum adalah 3. Maka
di dapatkan jumlah cluster sebanyak 4 kelompok.
Bisa dilihat pada gambar 5.10, pada metode ini lebih kelihatan di titik mana
untuk menentukan nilai cluster yaitu pada angka 3. Karena hasil dari metode tersebut
berbeda maka dicarilah nilai k optimumnya yaitu pada angka 3 di metode gap
statistic, maka di dapatkan jumlah cluster sebanyak 3 kelompok.
30
 Tabel 5.5. Analisis Cluster K-Medoids 2019
Cluste Rata-Rata
r Luas Lahan Jumlah Pohon
1 71422. 14338917.
2 79816. 16677896.
3 64126. 12928623
4 68140. 13394191

Berdasarkan tabel 5.5, masing – masing cluster K-Medoids dapat di ketahui nilai
rata – ratanya, dapat di interpretasikan sebagai berikut:
1. Cluster 1 : terdapat 4 bulan yang termasuk di dalam cluster
ini yaitu pada bulan Januari, Februari, Agustus, dan September. Pada
tingkatan ini di kategorikan Tinggi dibandingan kan dengan cluster 3 dan
4 karena memiliki rata-rata luas lahan dan jumlah pohon yang lebih tinggi
dan lebih rendah dibandingan dengan rata-rata cluster 2.
2. Cluster 2 : terdapat 4 bulan yang termasuk di dalam cluster
ini yaitu pada bulan Maret, April, Mei, dan Juni. Pada tingkatan ini di
kategorikan sangat tinggi dibandingan kan dengan cluster 1, 3 dan 4
karena memiliki rata-rata luas lahan dan jumlah pohon yang lebih tinggi.
3. Cluster 3 : terdapat 2 bulan yang termasuk di dalam cluster
ini yaitu pada bulan Juli dan October. Pada tingkatan ini di kategorikan
sangat rendah dibandingan kan dengan cluster 3 dan 4 karena memiliki
rata-rata luas lahan dan jumlah pohon yang lebih rendah dan lebih rendah
dibandingan dengan rata-rata cluster 2.
4. Cluster 4 : terdapat 2 bulan yang termasuk di dalam cluster
ini yaitu pada bulan November dan Desember. Pada tingkatan ini di
kategorikan rendah dibandingan kan dengan cluster 1 karena memiliki
rata-rata luas lahan dan jumlah pohon yang lebih tinggi dari pada cluster 1.

5.6 Perbandingan Validasi Cluster

Tabel 5.6. Perbandingan Cluster K-Means dan K-Medoids Tahun 2018
Cluste K-Means K-Medoids
r
1 Januari, February, Januari, February, Maret, dan
31
 Maret, dan October October
2 April, Mei, Juni, April, Mei, Juni, Juli, Agustus,
Juli, Agustus, September, November, dan
September, Desember.
November, dan
Desember.

Tabel 5.6, adalah tabel perbandingan antara cluster menggunakan metode

K- Means dan cluster Menggunakan Metode K- Medoids. Pada metode K-Means
dan K-Medoids sama sekali tidak terdapat perbedaan dalam artian bahwa cluster 1
dan cluster 2 memiliki anggota yang sama.

Gambar 5.17. Plot Cluster Tahun 2018

Pada gambar diatas adalah scatterplot cluster pada tahun 2018.
Berdasarkan plot tersebut nilai rata-rata cluster 2 memilki nilai paling tinggi
dibandingkan pada cluster 1. Segitiga hijau adalah cluster 2 sedangkan lingkaran
biru yaitu cluster 1.
Tabel 5.7. Perbandingan Cluster K-Means dan K-Medoids Tahun 2019
Cluster K-Means K-Medoids
1 Juli, Oktober, November Januari, February, Agustus,
dan Desember dan September.
2 Maret, April, Mei, dan Maret, April, Mei, dan Juni.
Juni.
3 Januari, February, Juli dan October.
Agustus, dan September.
4 November dan Desember.

32
 Tabel 5.7, adalah perbandingan antara cluster menggunakan metode K-
Means dan Cluster Menggunakan Metode K- Medoids. Metode K-Means
memiliki 3 cluster sedangkan K-Medoids memiliki 4 cluster. Pada cluster 1 untuk
di metode K-Means memiliki terdapat perbedaan di cluster 1 untuk di metode K-
Medoids, namun cluster 1 metode K-Medoids memiliki kesamaan pada metode k
means cluster 3. Lalu di cluster 2 tidak terdapat perbedaan anggota bulannya.
Sedangkan cluster 3 di metode K-Means memiliki perbedaan dengan cluster 3 K-
Medoids yaitu hanya terdapat bulan juli dan oktober , lalu di cluster 4 terdapat
bulan November dan desember.

Gambar 5.18. Plot Cluster Tahun 2019

Pada gambar diatas adalah scatterplot cluster pada tahun 2019. Plot
tersebut menggambrkan nilai dari cluster taahun 2019 baik menggunakan K-
Means ataupun K-Medoids. Cluster 1 digamarkan lingkaran bir, cluster 2
digambar kan segitiga hijau, cluster 3 kotak merah, lalu cluster 4 tanda “+” ungu.
Berdasarkan plot tersebut nilai rata-rata cluster 2 memilki nilai paling tinggi
dibandingkan pada cluster 1, 3 ,dan 4. Bisa disimpulkan untuk plot tahun 2018
dan 2019 memilki nilai rata-rata yang paling tinggi yaitu pada cluster 2.
Tabel 5.8. Variansi Cluster
2018
Jumlah Jumlah
K-Means Luas PohonK-Medoids Luas Pohon
14840441, 14840441,1
Vw 1 4,38435E+11 Vw 4 4,38435E+11
141680085,
Vb 141680086 2,71432E+13 Vb 5 2,71432E+13

33
 0,1047461 0,10474613
Vw/Vb 3 0,016152684 Vw/Vb 3 0,016152684
0,0604494 0,06044940
Var 1   Var 9  
2019
Jumlah Jumlah
K-Means Luas Pohon K-Medoids Luas Pohon
9669303,3 2425917617 8863439,94
Vw 1 7 Vw 3 197377870,9
131343434,
Vb 123877466 8,06436E+12 Vb 2 8,4161E+12
0,0780553 0,06748293
Vw/Vb 9 0,003008197 Vw/Vb 1 2,34524E-05
0,0405317 0,03375319
Var 9   Var 2  

Dari hasil semua cluster menggunakan metode K-means dan K-Medoids

maka dilakukan validasi cluster untuk kedua metode menggunakan nilai variansi
cluster. Jika dalam suatu kelompok menunjukan variansi antar anggota dengan
nilai variansi semakin kecil maka hasilnya akan semakin baik. Sedangkan untuk
nilai variansi antar kelompok semakin besar maka hasil akan semakin baik. Nilai
variansi cluster yang merupakan pembagian dari variansi antar anggota dalam
suatu kelompok dan variansi antar kelompok, dimana nilai variansi cluster akan
semakin baik ketika nilainya semakin kecil. Dari Tabel 5.8 menunjukan bahwa
nilai variansi cluster untuk tahun 2018 Metode terbaik untuk tahun 2018 yaitu
metode K-Medoids karena memiliki nilai variansi 0,060449409 lebih kecil
daripada metode K-Means yang memiliki nilai variansi 0,06044941 Kemudian,
pada tahun 2019 dengan metode K- Medoids karena memiliki variansi sebesar
0,033753192 dibandingkan K-means tahun 2019 yang sebesar 0,04053179. jadi
kesimpulannya K-Medoids lebih Baik digunakan untuk untuk data luas lahan dan
jumlah pohon karena memiliki nilai variansi cluster yang kecil.. Sedangkan, untuk
tahun 2019 dengan metode K-means sebesar 0,04053179 sedangkan nilai variansi
cluster dengan metode K- Medoids adalah sebesar 0,033753192. Hal ini
menunjukan bahwa metode K-medoids lebih baik dari pada metode K-means
karena metode K-medoids memiliki nilai variansi cluster lebih kecil khususnya
pada pengelompokan luas lahan dan jumlah pohon pinus di Jawa Tengah.
34
 Berdasarkan hasil yang telah didapatkan klastering untuk tahun 2018 dan 2019
memilki kesamaan yaitu pada metode K-Means dengan jumlah klastering 2. Lalu,
terdapat perbedaan untuk klustering 2018 dan 2019 pada metode K-Medoids
dengan jumlah cluster 3 untuk 2018 dan 4 untuk cluster 2019.

6 BAB VI

KESIMPULAN DAN SARAN

6.1 Kesimpulan
Hasil studi kasus Kerja Praktik tentang pengelompokkan non – hirarki
clustering yaitu dengan metode K-Means dan K-Medoids peneliti mengambil
kesimpulan sebagai berikut:
1. Hasil pengelompokan menggunakan algoritma K-means dengan
menggunakan metode WCSS, Silhoutte, dan Gap Statistic untuk
menentukan jumlah clusternya. Pada tahun 2018 yaitu kelompok 1 terdiri
dari 4 bulan , sedangkan kelompok 2 terdiri dari 8 bulan. Hasil
pengelompokan menggunakan algoritma K-Medoids yaitu sama dengan
hasil pengelompokan dengan metode K-Means. Hasil pengelompokan
menggunakan algoritma K-means dengan menggunakan metode WCSS,
Silhoutte, dan Gap Statistic untuk menentukan jumlah clusternya. Pada
tahun 2019 yaitu kelompok 1 terdiri dari 4 bulan , kelompok 2 terdiri dari
4 bulan , sedangkan kelompok 3 terdiri dari 4 bulan. Hasil
pengelompokan menggunakan algoritma K-Medoids yaitu kelompok 1
terdiri dari 4 bulan , kelompok 2 terdiri dari 4 bulan , kelompok 3 terdiri
dari 2 bulan, sedangkan kelompok 3 terdiri dari 2 bulan.
2. Berdasarkan hasil pengelompokan bulan untuk tahun 2018 menggunakan
metode K-Means dan K-Medoids memiliki 2 tingkat karakteristik cluster

35
 yaitu rendah dan tinggi. Sedangkan untuk tahun 2019 pada metode K-
Means memiliki 3 tingkat karakteristik cluster yaitu rendah, sedang dan
tinggi. Kemudian untuk metode K-Medoids memiliki 4 tingkat
karakteristik cluster yaitu sangat rendah, rendah, tinggi dan sangat
tinggi . untuk tahun 2018 memilki kesamaan tingkatan cluster yaitu pada
bulan April, Mei dan Juni. 3 bulan tersebut termasuk kedalam cluster
tinggi artinya memiliki nilai produksi yang maksimal karena jumlah
pohon dan luas lahan berada paling luas dan paling banyak pada bulan-
bulan itu.
3. Dari perbandingan menggunakan nilai variansi cluster menunjukan nilai
variansi cluster untuk tahun 2018 Metode terbaik yaitu metode K-
Medoids karena memiliki nilai variansi 0,060449409 lebih kecil daripada
metode K-Means yang memiliki nilai variansi 0,06044941. Kemudian,
pada tahun 2019 dengan metode K- Medoids karena memiliki variansi
sebesar 0,033753192 dibandingkan K-means tahun 2019 yang sebesar
0,04053179. Jadi, metode K-Medoids lebih Baik digunakan untuk untuk
data luas lahan dan jumlah pohon tahun 2018 dan 2019 karena memiliki
nilai variansi cluster yang kecil.

6.2 Saran
Berdasarkan peneltian didapatkan saran sebagai berikut:
1. Untuk hasil cluster yang rendah baik
menggunakan metode K-Means ataupun K-Medoids harapannya Perum
Perhutani yang menanungi badan-badan dibawah yang mengelola untuk
lebih diperhatikan lagi untuk terkait pohonnya dan lahannya karena
pada musim tersebut terjadi hujan terus-menerus yang mengakitbatkan
tanah bisa saja longsor dan pohon tidak memproduksi getah secara
maksimal.
2. Saran penelitian selanjutnya sebaiknya
menggunakan variabel-variabel lain terkait dengan produksi getah agar
dapat memudahkan analisis sehingga dapat membandingkan tidak
hanya pada segi luas lahan dan jumlah pohon saja akan tetapi juga

36
 dilihat bedasarkan berapa kali pengambilan getah perbulan, diameter
pohon, dll.

DAFTAR PUSTAKA

Abhishek, P. &. (2013). New Approach for K-Means and K-Medoids Algoritm.
International Journal of Computer Application Technology and Research,
vol. 2.
Agrawal, A. &. (2013). Global KMeans (GKM) Clustering Algorithm. A Survey
International Journal of Computer Applications, LIX (2), pp.20-24.
Bangoria, B. M. (2013). A Survey on Efficient Enhanced K-Means Clustering
Algorithm. International Journal for Scientific Research & Development,
I(9),pp.1698-700.
Bunkers, d. (1996). Definition of Climate Regions in the Northern Plains Using an
Objecting Cluster Modification Technique. [Link], 130-146.
HUNG, C. W. (2005). An Efficient k-Means Clustering Algorithm Using Simple
Partitioning. JOURNAL OF INFORMATION SCIENCE AND
ENGINEERING, XXI(1), pp.1157-77.
Johnson, R. A., & Bhattacharyya, G. K. (2010). Statistics Principles & Methods.
USA: John Wiley & Sons.
Kaur, N. U. (2014). K-Medoids Clustering Alghoritma. International Journal of
Computer Application and Technology, 42-45.
Madhulatha, T. (2012). An Overview On Clustering Methods. IOSR Journal of
Engineering, II(4), pp.719-725.
Mulyani, S. (2014, January 10). Blognya Srimulyani. Diambil kembali dari
Blogspot: [Link]

37
Perhutani. (2010). Sejarah Perum Perhutani. Diambil kembali dari
[Link]: [Link]
perhutani/

38
Lampiran 1 Data Luas Lahan dan Jumlah Pohon pinus 2018 dan 2019

2018 2019
Bulan Luas Jumlah Luas Jumlah
Lahan Pohon Lahan Pohon
70766.7 1378912 71672.7 1434314
January
3 1 6 3
70845.0 1379755 71692.7 1433778
February
3 6 6 6
78461.2 1239036 72786.2 1667763
March
4 2 1 6
78461.8 1707166 82155.7 1667743
April
9 7 3 4
78567.8 1708987 82161.1 1667831
May
7 0 3 3
86266.0 1707178 82160.9 1667820
June
8 0 8 0
86281.1 1710203 64122.4 1290359
July
8 4 2 2
83776.9 1702562 71761.5 1434903
August
8 0 7 1
Septembe 82874.6 1697657 70561.7 1432570
r 6 8 6 9
76670.7 1502314 64129.0 1295365
October
2 8 6 4
Novembe 78096.8 1700076 66721.5 1339035
r 7 4 9 1
77132.1 1603560 69558.8 1339803
December
8 8 9 1

Lampiran 2 Program R
##Analsis Deskriptif##
#2018
indra= [Link]("D:/Kuliah/Semester 6/KP/[Link]",sep=";")
indra
summary(indra)
#2019
indra1= [Link]("D:/Kuliah/Semester 6/KP/[Link]",sep=";")
indra1
summary(indra1)##uji multikolinear##
library(nortest)
indra= [Link]("D:/Kuliah/Semester 6/KP/[Link]",sep=";")
indra
regresi= lm(bulan~luas+[Link], data = indra)
summary(regresi)
library(car)
vif(regresi)
library(nortest)
indra1= [Link]("D:/Kuliah/Semester 6/KP/[Link]",sep=";")
indra1
regresi= lm(bulan~luas+[Link], data = indra1)
summary(regresi)
library(car)
vif(regresi)

## analisis cluster non hierarki - K means##

library(factoextra)
library(gridExtra)
#input data
indra= [Link]("D:/Kuliah/Semester 6/KP/DATA
PKL/[Link]",sep=";")
indra
indra1 = indra[,c(2:3)]
rownames(indra1) <- indra$bulan
#correlation distance
distance <- get_dist(indra1) #jarak antara obyek yang satu dengan
yang lain
distance
fviz_dist(distance, gradient=list(low="green", mid="white",
hight="red"))
#determining optimal clusters
fviz_nbclust(indra1, kmeans, method = "wss")
fviz_nbclust(indra1, kmeans, method = "silhouette")
fviz_nbclust(indra1, kmeans, method = "gap_stat")
#kmeans clustering
klaster <- kmeans(indra1, centers=3, nstart = 25)
klaster
klaster$cluster
klaster$centers

40
klaster$totss
klaster$withinss #jarak antara klaster
klaster$[Link] #total jarak antara klaster
klaster$betweenss #jarak antara anggota dari 1 klaster
klaster$size #anggota masing2 beberapa klaster
str(klaster)
k=[Link](klaster$cluster)
k
fviz_cluster(klaster, data=indra1)
[Link] = [Link](indra1, klaster$cluster)
View([Link])
k1.1 = subset([Link], [Link] == 1)
k1.2 = subset([Link], [Link] == 2)
k1.3 = subset([Link], [Link] == 3) #2019
meank1.1 = sapply(k1.1, mean)
meank1.2 = sapply(k1.2, mean)
meank1.3 = sapply(k1.3, mean)#2019
[Link] = rbind(meank1.1, meank1.2)
[Link] = rbind(meank1.1, meank1.2,meank1.3)#2019
[Link]
barplot(t([Link][,-6]), beside = TRUE)

## analisis cluster non hierarki - K Medoids##

library(fpc)
library(tidyverse) # data manipulation
library(cluster) # clustering algorithms
library(factoextra) # clustering algorithms & visualization
data<-[Link]("D:/Kuliah/Semester 6/KP/DATA
PKL/[Link]",sep=";")
data ##melihat data teratas
data$bulan<-NULL ##Menghilangkan Variabel
summary([Link](data)) ###mengitung missing value
[Link](data) ###menghilangkan missing value
boxplot(data) ###membuat boxplot
##cluster dengan fungsi pamk
[Link] <-pamk(data)
[Link]

41
[Link]$nc ###menampilkan jumlah cluster yang
terbentuk
fviz_nbclust(data, pam, method = "wss")
fviz_nbclust(data, pam, method = "silhouette")
fviz_nbclust(data, pam, method = "gap_stat")
[Link](123)
gap_stat <- clusGap(data, FUN = pam,
[Link] = 10, B = 12) # metode gap statistic
fviz_gap_stat(gap_stat)
[Link] <- pam(data, 4)
summary([Link])
#[Link]$[Link]
[Link]$diss
data<-[Link]("D:/Kuliah/Semester 5/KP/DATA
PKL/[Link]",sep=";")
[Link](data$bulan,[Link]$clustering)
fviz_cluster([Link])
data%>%
mutate(Cluster = [Link]$cluster) %>%
group_by(Cluster) %>%
summarise_all("mean")

library(ggplot2)###membuat scatterplot
indra1= [Link]("D:/Kuliah/Semester 6/kp/lap/[Link]",sep=";")
indra1
tahun_2018=indra1[1:4,]
tahun_2018
ggplot(tahun_2018, aes(x = [Link], y = [Link]))+
geom_point(aes(color = Cluster, shape = Cluster, size=3))+
scale_color_manual(values = c("blue", "green"))+
labs(title="Plot Cluster 2018")+labs(x="Luas Lahan", y="Jumlah
Pohon")

tahun_2019=indra1[5:11,]
tahun_2019
ggplot(tahun_2019, aes(x = [Link], y = [Link]))+
geom_point(aes(color = Cluster, shape = Cluster,size=3))+

42
 scale_color_manual(values = c("blue", "green","red","purple"))+
labs(title="Plot Cluster 2019")+labs(x="Luas Lahan", y="Jumlah
Pohon")
ggplot()

Lampiran 3 Surat Keterangan Penerimaan KP

43
44