KLASTERING VARIETAS PADI MENGGUNAKAN MODIFIKASI METODE K-MEANS BERBASIS ORDERED WEIGHTED AVERAGING (OWA)
|
|
- Bambang Sugiarto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Program Studi MMT-ITS, Surabaya 7 Agustus 200 KLASTERING VARIETAS PADI MENGGUNAKAN MODIFIKASI METODE K-MEANS BERBASIS ORDERED WEIGHTED AVERAGING (OWA) Millatul Ulya, Budi Santosa, dan Nani Kurniati Jurusan Teknik Industri, FTI Institut Teknologi Sepuluh Nopember qumil2307@gmail.com ABSTRAK Metode k-means berbasis Ordered Weighted Averaging (OWA) telah dikembangkan oleh Cheng dkk (2009) untuk menyelesaikan kasus klasifikasi dengan cara mengintegrasikan k-means dan OWA. K-means sebenarnya merupakan suatu metode klastering, dan OWA adalah operator agregasi. Dengan OWA, kompleksitas data eksperimental yang akan diklasterkan dapat dikurangi dan OWA juga dapat mempertimbangkan keterkaitan antar kriteria dari data yang dianalisis. Dalam penelitian ini, modifikasi k-means berbasis OWA akan diimplementasikan dalam klastering data varietas padi, yang berisi 9 varietas padi dengan 8 atribut yang mewakili sifat fisikokimia beras yang dihasilkan. Penelitian ini mengaplikasikan modifikasi k-means berbasis OWA pada klastering data set padi dengan tujuan untuk mengetahui jumlah klaster yang sesuai untuk data varietas padi dan mengukur performansinya serta membandingkan performansi tersebut dengan metode klastering yang lain. Ukuran performansi yang digunakan adalah silhouette value (nilai siluet) dan Sum of Squares Error (SSE). Metode pembanding yang digunakan adalah k-means (tanpa OWA) dan hierarchical clustering. Penelitian dilakukan dalam 6 eksperimen yaitu klastering data padi tersebut menjadi 3, 4, 5, 6, 7, dan 8 klaster. Hasil penelitian ini menunjukkan bahwa data set varietas padi tersebut lebih sesuai diklasterkan menjadi 7 klaster, karena nilai siluet pada 7 klaster lebih besar dan positif dan nilai SSEnya paling kecil dibanding yang lain. Berdasarkan Nilai SSE dan nilai siluetnya, modifikasi k-means OWA (α = 0.8) lebih baik dari pada metode k-means dan hierarchical clustering dalam klastering data set padi. Kata kunci : klastering, k-means, OWA, varietas padi. PENDAHULUAN Beras merupakan makanan pokok sebagian besar penduduk dunia, termasuk penduduk Indonesia. Pemerintah telah menerbitkan standar mutu (SNI) beras giling agar beras yang diperdagangkan memenuhi standar. Standar mutu atau SNI tersebut belum berlaku efektif dan kurang spesifik di Indonesia (Indrasari dkk, 2009). SNI beras giling belum efektif karena tidak semua komponen mutu yang ada di SNI digunakan sebagai dasar dalam perdagagan beras. SNI ini juga kurang spesifik, karena belum memuat semua sifat-sifat penentu mutu beras. Menurut Damardjati dkk (995), sifat-sifat yang menentukan mutu beras antara lain: ) sifat fisik dan sifat giling, 2) cita rasa dan sifat tanak, dan 3) sifat gizi. SNI beras giling hanya memuat sifat fisik dan sifat fisik saja, namun belum menampung cita rasa, sifat tanak dan sifat gizi dari beras. Hal ini disebabkan adanya perbedaan preferensi
2 Program Studi MMT-ITS, Surabaya 7 Agustus 200 konsumen tentang cita rasa, sifat tanak dan sifat gizi beras yang mereka konsumsi, sehingga sulit untuk distandarkan secara nasional. Konsumen di setiap daerah mempunyai preferensi yang berbeda-beda terhadap mutu beras. Penampilan beras dan cita rasa (Damardjati,995) serta kepulenan nasi merupakan faktor utama pilihan konsumen berdasarkan etnis (Setyono dkk, 2008). Penampilan beras, cita rasa, dan kepulenan nasi dapat direpresentasikan oleh sifat fisikokimia beras. Banyaknya varietas padi yang dikembangkan oleh pemerintah menghasilkan banyak pula data tentang sifat fisikokimia beras. Banyaknya data tersebut masih memungkinkan untuk diolah agar diketahui pola datanya sehingga dapat digunakan sebagai bahan pertimbangan dalam pengembangan varietas baru yang disukai konsumen. Pendekatan data mining dimungkinkan dapat digunakan untuk mengetahui pola atau hubungan dalam data tersebut. Salah satu tugas data mining adalah klastering yang bertujuan untuk mengelompokkan data/obyek yang mirip ke dalam satu klaster (Santosa, 2007). Sehingga data varietas padi dapat diklasterkan menjadi beberapa klaster yang diharapkan dapat diketahui pola tersembunyi dari data tersebut. Metode klastering yang umum digunakan adalah k-means. Cheng dkk (2009) telah mengembangkan k-means berbasis OWA untuk kasus klasifikasi, dan metode ini dapat dimodifikasi untuk menyelesaikan kasus klastering. Yager (988) menyatakan OWA operator dapat mengurangi kompleksitas data dengan memadukan nilai-nilai multi attribut ke nilai-nilai agregat yang berupa nilai tunggal. Masing-masing varietas padi memiliki banyak sifat fisikokimia yang mempengaruhi preferensi konsumen dalam memilih beras. Sifat-sifat fisikokimia tersebut merupakan suatu kriteria yang harus dipenuhi dalam menentukan varietas mana yang akan dipilih. Kasus ini mirip dengan kasus pengambilan keputusan multikriteria (Multicriteria Decision Making/MCDM), dimana keputusan beras dari varietas mana yang akan dipilih oleh konsumen tersebut didasarkan pada multikriteria. Menurut Yager (2004), Ordered Weighted Averaging (OWA) sangat berguna untuk proses MCDM yang sering kali memerlukan keterkaitan antar kriteria yang ada. Sehingga modifikasi metode k-means OWA ini sangat sesuai untuk digunakan dalam menyelesaikan kasus klastering data varietas padi. Penelitian ini mengaplikasikan modifikasi k-means berbasis OWA pada klastering data set padi dengan tujuan untuk mengetahui jumlah klaster yang sesuai untuk data varietas padi dan mengukur performansinya serta membandingkan performansi tersebut dengan metode klastering yang lain. Ukuran performansi yang digunakan adalah silhouette value (nilai siluet) dan Sum of Squares Error (SSE). Metode pembanding yang digunakan adalah k-means (tanpa OWA) dan hierarchical clustering. Penelitian dilakukan dalam 6 eksperimen yaitu klastering data padi tersebut menjadi 3, 4, 5, 6, 7, dan 8 klaster. METODE Implementasi modifikasi metode k-means OWA dilakukan pada proses klastering data set varietas padi. Modifikasi k-means berbasis OWA diharapkan dapat menyelesaikan kasus klastering padi dengan jumlah klaster yang sesuai dan bagus performansinya. Untuk mengetahui jumlah klaster yang sesuai pada data padi ini, maka dalam penelitian ini akan diimplementasikan pada 6 eksperimen (3 klaster, 4 klaster, 5 klaster, 6 klaster, 7 klaster dan 8 klaster), kemudian dihitung performansinya untuk mengetahui berapa jumlah klaster yang sesuai untuk data set padi tersebut. ISBN : A-24-2
3 Program Studi MMT-ITS, Surabaya 7 Agustus 200 Data set padi Data set ini terdiri dari 9 varietas padi dan memiliki 8 atribut yaitu: kadar amilosa (%), beras kepala (%), beras putih (%), butir beras (mm), bentuk beras (mm), suhu gelatinisasi (ºC), pengapuran beras (%) dan kadar protein (%). Data set padi Pengurutan atribut / variabel (ordering attributes) dengan expert judgment (logical screening) Penghitungan nilai agregat (aggregated value) dengan OWA Menghitung bobot OWA Klastering nilai agregat dengan k-means (3, 4, 5, 6, 7, dan 8 klaster) Hasil klastering dari data set padi Penghitungan performansi modifikasi metode: SSE, silhouette value dan silhouette plot Gambar. Tahapan Implementasi Modifikasi Metode k-means Berbasis OWA dalam Klastering Data Set Padi Pengurutan atribut (Ordering attributes) Proses pengurutan atau perankingan atribut ini dilakukan berdasarkan pada expert judgment mengenai sifat-sifat fisikokimia beras yang menentukan preferensi konsumen terhadap beras yang mereka konsumsi. Penggunaan expert judgment termasuk dalam kategori logical screening untuk memilih variabel mana yang akan digunakan dalam pengelompokan atau pengklasteran (Huberty,994) Pendekatan ini digunakan untuk memilih variabel mana yang berhubungan secara teoritis dengan pengelompokan yang kita inginkan menurut pengetahuan spesifik yang subyektif (judgment dari ahli/praktisi). Berdasarkan sintesis beberapa expert judgment dari jurnaljurnal penelitian sebelumnya yang meneliti tentang mutu beras, hubungan antara varietas/galur padi dengan mutu beras serta preferensi konsumen dalam memilih beras, maka urutan variabel dalam data ini adalah: kadar amilosa (%), suhu gelatinisasi (ºC), beras kepala (%), beras putih (%), butir beras (mm), bentuk beras (mm), pengapuran beras (%) dan kadar protein (%). Menghitung bobot OWA Evaluasi dan perbandingan dengan metode klastering lain Penentuan bobot OWA pada tahap ini menggunakan persamaan OWA yang telah dikembangkan oleh Fuller & Majleder (200) pada persamaan (), (2) dan (3). Jumlah variabel (n ) yang digunakan adalah 8 dan nilai α adalah > 0.5 j n j ln ln ln n n j j w j wn w w j w wn,dan n n () ISBN : A-24-3
4 Program Studi MMT-ITS, Surabaya 7 Agustus 200 w n n n nw n n nw, w w2... wn disp( W ) ln n ( 0.5), Jika n w n n n w, n nw (2) (3) Menghitung nilai agregat dengan operator OWA Jumlah atribut pada data set padi adalah n atribut. Dari langkah 2 dan 3, kita peroleh urutan atribut dan bobot OWA. Untuk menghitung nilai agregat, kita kalikan nilai-nilai urutan atribut dengan bobot OWA yang sesuai, itu dapat dinyatakan sebagai persamaan (4) f ( a, a2,..., an ) i w b i i di mana bi adalah elemen terbesar ke-i dalam koleksi dari agregated objects {a,, an} dan wi adalah bobot variabel ke-i. Mengklasterkan nilai agregat dengan k-means Klastering nilai agregat dilakukan pada 6 eksperimen, yaitu diklasterkan menjadi: 3, 4, 5, 6, 7, dan 8 klaster. Hal ini dilakukan untuk mengetahui berapa jumlah klaster yang sesuai untuk data set padi tersebut berdasarkan nilai siluet dan plot siluet yang diperoleh dari hasil klastering. Pengukuran Performansi Performansi metode klastering dapat diukur dari silhouette value yaitu untuk mengetahui seberapa baik pemisahan hasil klastering yang telah dilakukan. Menurut Martinez & Martinez (2 005), nilai siluet dapat mengestimasikan jumlah klaster yang sesuai pada data set. Kita notasikan ci adalah klaster yang berisi i data (obyek). ai adalah rata-rata dissimilarity dari data ke-i ke semua anggota pada klaster yang sama atau c(i). Untuk setiap klaster yang lain, kita notasikan c, maka kita hitung d ( i, c) mewakili ratarata dissimilarity dari data ke-i ke semua obyek pada klaster c. Kita notasikan bi sebagai minimum dari rata-rata dissimilarity d ( i, c). Maka, nilai siluet ( silhouette value atau silhouette width) dapat dirumuskan sebagai berikut: bi ai swi (5) max a i, b i Kita juga dapat mencari rata-rata nilai siluet dengan merata-rata nilai sik untuk semua observasi sebagai berikut: n sw sw i (6) n i Nilai siluet terletak antara - dan (- < swi < ). Nilai siluet positif yang besar dari swi menunjukkan bahwa data/obyek ke-i terklaster dengan baik. Nilai negatif yang besar dari swi menunjukkan adanya klastering yang jelek, dan jika nilai dari swi mendekati nol mengindikasikan bahwa data/obyek ke-i terletak antara dua klaster. Jika max nilai siluet < 0.25, menunjukkan bahwa tidak ada klaster yang terdefinisi di dalam data tersebut, (4) ISBN : A-24-4
5 Program Studi MMT-ITS, Surabaya 7 Agustus 200 bahkan mungkin prosedur klastering yang digunakan tidak dapat menemukan klasterklasternya (Izenman, 2008). Performansi metode klastering juga dapat dilihat dari nilai Sum Square Error (SSE) dari klaster yang dihasilkan. Nilai SSE merepresentasikan homegenitas intra klaster, semakin kecil nilai SSE maka semakin homogen data dalam satu klaster. Jadi metode yang terbaik akan memiliki SSE yang paling kecil. Nilai Sum of Squares Error sesuai persamaan (7). SSE y ir c ( r 2 ) (7) Semua tahapan mulai menghitung bobot OWA sampai pada tahap membandingkan performansi dilakukan dengan bantuan perangkat lunak Matlab 7.0. HASIL DAN DISKUSI Klastering data varietas dan galur padi menggunakan modifikasi metode k- means berbasis OWA ( α = 0.8) dengan jumlah klaster 7 (tujuh) adalah solusi yang terbaik pada kasus klastering ini, karena memberikan nilai Sum of Squares Error (SSE) paling kecil dan rata-rata nilai siluet paling besar dibanding metode klastering lainnya. Rekapitulasi pengukuran performansi modifikasi k-means berbasis OWA dapat dilihat Pada Tabel. Tabel. Rekapitulasi Nilai Rata-rata Siluet dan SSE pada Implementasi k-means Berbasis OWA pada Data Varietas Padi Eksperimen Rata-rata nilai siluet SSE 3 klaster (α = 0.6) klaster (α = 0.7) klaster (α = 0.6) klaster (α = 0.6) klaster (α = 0.8) klaster Semua plot siluet mengandung nilai siluet negatif Gambar 2. Nilai Siluet Klastering Varietas Padi menjadi 7 Klaster dengan Modifikasi k- means Berbasis OWA pada α = 0.8 Berdasarkan Tabel di atas, dapat dilihat kolom rata-rata nilai siluet untuk menentukan berapa jumlah klaster yang sesuai pada data set padi. Dari 6 eksperimen yang dilakukan, maka klastering 7 klaster pada α = 0.8 memberikan rata-rata nilai siluet paling, yaitu dan SSEnya juga cukup rendah (terendah kedua setelah SSE 6 klaster) yaitu Plot siluet menunjukkan nilai positif pada semua klaster (lihat ISBN : A-24-5
6 Program Studi MMT-ITS, Surabaya 7 Agustus 200 Gambar ). Nilai SSE terendah adalah pada klastering 6 klaster, namun nilai siluetnya justru paling rendah. Sehingga, jumlah klaster yang paling sesuai untuk data set padi adalah 7 klaster dengan menggunakan modifikasi k-means berbasis OWA pada orness (α) 0.8. Namun, metode ini tetap harus dibandingkan dengan metode klastering yang lain untuk mengetahui apakah performansinya lebih baik atau tidak dibanding metode yang lain, seperti k-means (tanpa OWA) dan hierachical clustering. Tabel 2 membuktikan bahwa metode k-means berbasis OWA memberikan nilai Sum of Squares Error (SSE) yang paling kecil, yaitu Nilai SSE yang semakin kecil menunjukkan bahwa homogenitas intra klaster semakin. Sehingga metode klastering terbaik adalah yang memiliki SSE terkecil. Jika dilihat dari nilai rata-rata siluet, metode k-means berbasis OWA (pada α = 0.8) tetap memberikan nilai siluet yang paling dibanding yang lain. Dengan demikian, metode k-means berbasis OWA (pada α = 0.8) merupakan metode klastering yang terbaik dalam klastering data padi dari pada 4 metode klastering pembanding yang digunakan dalam penelitian ini. Tabel 2. Nilai Rata-rata Siluet dan SSE pada Masing-masing Metode Klastering dalam Klastering Data Padi menjadi 7 Klaster Metode Klastering Rata-rata Nilai Siluet SSE k-means berbasis OWA pada α = k-means tanpa OWA jarak Cityblock k-means tanpa OWA jarak Euclidean Hierarchical clusterig Single Linkage Hierarchical clusterig Complete Linkage Hasil klastering data set padi menjadi 7 klaster dapat dilihat pada Tabel. Sedangkan keseluruhan interpretasi hasil klastering diringkas pada Tabel 2. Pada Tabel tersebut dapat dilihat perbedaan padi dari masing-masing klaster berdasarkan delapan sifat fisikokimia berasnya. Sehingga akan mudah diketahui mana klaster yang berisi varietas padi yang lebih memenuhi preferensi konsumen beras Indonesia secara umum. Tabel 3 Hasil klastering data varietas padi dengan k-means berbasis OWA Klaster Jumlah Anggota Klaster Anggota 2 padi Singkarak, Cisokan, Cikapundung, IR70, IR , B6058-Mr , IR , B536-20d-Mr-4-3, IR , B5332-3d-Mr--, IR , B6679-Mr padi Tondano, PB36, Serayu, Ciherang hibrida, B644-5-Mr5-, B6228-Mr , IR , B569-5g-Sm-8, B5462f-Kn , IR krad-6-Mr-9, S804b-Pn , B6256-Mr-0-p, B469g-Ng-3-5-3, B7093-4e, BP , BP2268-5E-2-3, BP2280-E-2-2, H34, H36, H43, H57, H padi Bogolestari, Cisadane, Barito, IR20, 627/0krad , B4354g-Pn-3, B480f-30- Ng-4-2, B427f-Kn-4, B636-3-Tb-0--5, S487b-75, B5975-Mr , Pn-f-8, B5986-Pn-7-4-2, B7093-4e,BP356-G-KN-4, BP2276-2E-28-2, IR , S4527E-PN-2-3-KN-0, IR , H padi Bengawan Solo, Batang Pane, B54e-7b-3-0-3, B4632h-Kp-, B4363h-Sm , B7004d-Mr-0-, H padi Fatmawati, Kalimutu, IR64, Jatiluhur, Arias, Ciapus, IR , B Mr-5-4, B6058-Mr , IR , B677-Mr-5-2, IR , B6350-Mr-6-, IR , IR , IR , IR , IR , B6555-Mr , B6058-Mr , B5689f-Sm-33-3, B4460h-Mr-6, B5540e-Tb-6, B6780-Mr-36-3, IR , B533g-Sm-57-, B6350-Mr-6--2, IR , RUTT5669B padi Cimandiri, Batang Agam, Kapuas, Progo, Rojolele, Cendrawati, Hawarabatu, Mekongga, Maros, Gadis Jambe, Citarum, Ciherang, Memberamo, Cigeulis, B5446g- Sm-7--2, B6256-Mr-6-7-p. ISBN : A-24-6
7 Program Studi MMT-ITS, Surabaya 7 Agustus padi Ciujung, Semeru, Cipunegara, Sadang, PB56, PB50, Rendah Padang, Way Apo Buru, Cilosari, S499b-28, B Mr-2-3, B5440e-Tb-6, H27. Tabel 4 Rekapitulasi Hasil Klastering Data Varietas Padi Sifat fisikokimia Klaster Kadar amilosa *) Tinggi Sedang Suhu gelatinisasi **) Beras kepala ***) Mutu III Mutu III dan IV Mutu IV Mutu V Mutu II dan III Mutu V Mutu III, IV, dan V Beras putih (%) % Panjang beras ****) Panjang Bentuk beras ****) Medium Medium Medium Medium Medium Medium Medium Pengapuran beras *****) Sedang Sedang Sedang Sedang Sedang Sedang Sedang Kadar protein (%) Keterangan: *) Kategori kadar amilosa menurut Khush dkk (979) dalam Arief dan Asnawi (999) **) Kategori suhu gelatinisasi menurut Suismono dkk (2003) ***) Kategori mutu beras menurut SNI beras giling (Badan Standarisasi Nasional, 999) ****) Kategori dan bentuk beras menurut Juliano (993) *****) Kategori persen pengapuran beras menurut Allidawati dan Bambang (993) Berdasarkan tabel di atas, terlihat bahwa klaster 4, 5 dan 7 memiliki karakteristik beras yang relatif sama, hanya berbeda pada persen beras kepala. Ketiga klaster ini berisi varietas dan galur padi yang sangat disukai konsumen indonesia secara umum karena menghasilkan beras yang pulen, butir beras dan berbentuk serta rasa nasi enak. Perbedaan terdapat pada persen beras kepala saja. Perbedaan ini tidak murni disebabkan karena faktor genetik saja, namun juga sangat dipengaruhi proses pengeringan dan penggilingan padi. Beras dari varietas pada klaster 4 yang saat ini masih ditanam oleh petani adalah beras Bengawan Solo dan Batang Pane. Sedangkan pada klaster 6, berisi beras yang saat ini banyak sekali ditanam oleh petani Jawa Timur, Jawa Barat dan Jawa Tengah yaitu Ciherang, Memberamo, Cigeulis, Rojolele, Mekongga dan Maros (Ruskandar, 2009). Sebaliknya pada klaster 7, m eskipun termasuk dalam beras yang sesuai preferensi konsumen secara umum, namun beras dari klaster ini sudah tidak ditanam lagi, kecuali varietas Way Apo Buru yang tahun 2008 masih ditanam sekitar 4.37% dari sentra produksi padi di Jawa Timur (Ruskandar, 2009). Klaster 3 juga memiliki karakteristik beras yang hampir sama dengan klaster 4, 6 dan 7. Namun pada klaster ini, kadar amilosa dan persen beras kepala lebih homogen dari pada ketiga klaster tersebut. Jadi dapat dikatakan bahwa semua beras pada klaster 3 memiliki sifat yang sama yaitu berasnya pulen, dan serta rasanya enak. Meski secara umum beras klaster 3 sesuai dengan preferensi konsumen indonesia, beras ini tidak dapat ditemui lagi karena sudah jarang ditanam oleh petani. Klaster merupakan klaster yag berisi beras pera, butir beras dan serta rasanya enak (bagi konsumen yang menyukai beras pera). Beras dari klaster ini merupakan beras yang juga disukai oleh sebagian etnis di Indonesia. Secara umum, masyarakat Indonesia lebih menyukai beras yang pulen dari pada beras pera. Namun, ada juga etnis atau konsumen di daerah tertentu yang justru menyukai beras pera seperti konsumen beras di Sumatera Barat dan Aceh. Sedangkan konsumen di pulau Jawa dan Sulawesi umumnya menyukai beras yang pulen (Allidawati dan Bambang, 993). Klaster 5 dengan anggota 29 macam padi merupakan klaster yang berisi varietas beras yang pulen dan pera, butir beras sampai dan bentuknya medium, namun rasanya kurang enak. Berdasarkan hasil penelitian uji mutu organoleptik oleh ISBN : A-24-7
8 Program Studi MMT-ITS, Surabaya 7 Agustus 200 Allidawati dan Bambang (993), sebagian besar galur padi pada klaster 5 tersebut kurang disukai oleh konsumen, kecuali 9 padi yaitu: Fatmawati, Kalimutu, IR64, Jatiluhur, Arias, Ciapus, B6350-Mr-6-, IR , RUTT5669B yang memiliki rasa enak. Sembilan padi yang memiliki rasa nasi enak tersebut termasuk satu klaster dengan varietas padi yang yang kurang enak karena memiliki kemiripan pada bentuk berasnya yang sama-sama medium. KESIMPULAN Klastering data set padi menghasilkan 7 klaster. Klaster yang berisi padi dengan beras yang pulen,,, dan rasanya enak serta saat ini masih ditanam oleh para petani adalah klaster 4 dan 6. Sedangkan klaster yang berisi padi dengan beras yang pera,,, dan rasanya enak adalah klaster. Modifikasi metode k- means berbasis OWA memberikan silhouette value yang terbaik yaitu pada α = 0.8 dengan nilai rata-rata siluet dan sum of squares error yang terkecil yaitu dibandingkan metode klastering yang lain dalam mengklasterkan data set padi. DAFTAR PUSTAKA Allidawati dan Bambang, K. (993), Metode Uji Mutu Beras dalam Program Pemuliaan Padi, dalam Padi: Buku 2, Eds: Ismunadji dkk., Balitbang Pertanian, Pusat Penelitian dan Pengembangan Tanaman Pangan, Bogor. Badan Standarisasi Nasional (999), Standar Nasional Beras Giling No, Badan Standarisasi Nasional, Jakarta. Cheng, C.H., Wang, J.W. dan Wu, M.C. (2009), OWA-Weighted Based Clustering Method for Classification Problem, Expert Systems with Application 26, Damardjati, D.S. (995), Karakterisasi Sifat dan Standarisasi Mutu Beras sebagai Landasan Pengembangan Agribisnis dan Agroindustri Padi di Indonesia, Badan Litbang Pertanian. Fuller, R. dan Majlender, P. (200), An Analytic Approach for Obtaining Maximal Entropy OWA Operator Weights, Fuzzy Sets and Systems, 24, Huberty (994), Applied Discriminant Analysis. Wiley Interscience. New York. Indrasari, S.D., Purwani, E.Y., Widowati, S. dan Damardjati, D.S. (2009), Peningkatan Mutu Nilai Tambah Beras Melalui Mutu Fisik, Cita Rasa, dan Gizi, dalam Padi Inovasi dan Teknologi Buku 2, Eds: Daradjat dkk, Balai Besar Penelitian Tanaman Padi, Subang Izenman, A.J. (2008), Modern Multivariate Statistical Techniques, Regression, Classification, and Manifold Learning, Springer Science&Business Media, USA. Juliano, B.O. (993), Rice in Human Nutrition, Collaboration IRRI dan FAO, Roma Khush dkk (979), Rice Grain Quality Evaluation and Improvement at IRRI, dalam Arief, R.W. dan Asnawi, R. (999), Pengaruh Varietas dan Sistem Tanam Terhadap Kandungan Amilosa dan Sifat Organoleptik Gabah, Jurnal Penelitian ISBN : A-24-8
9 Program Studi MMT-ITS, Surabaya 7 Agustus 200 Sains dan Teknologi, Vol,5 Nomor, Fakultas MIPA Universitas Lampung. Martinez, A.L. dan Martinez, A.R. (2005), Exploratory Data Analysis with MATLAB, CRC Press Company, USA. Ruskandar, A. (2009), Varietas Ciherang Makin Mendominasi, Warta Penelitian dan Pengembangan Pertanian, Vol.3, No.6. Santosa, B. (2007), Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis, Graha Ilmu, Jakarta. Setyono, A., Bram, K., Jumali dan Prihadi W. (2008), Evaluasi Mutu Beras di Beberapa Wilayah Sentra Produksi Padi, dalam Prosiding Seminar Nasional Padi 2008, Eds: Setyono dkk, Balai Besar Penelitian Tanaman Padi, Subang. Suismono, A.S., Indrasari, S.D., Wibowo, P. dan Las (2003), Evaluasi Mutu beras Berbagai Varietas Padi di Indonesia, Balai Penelitian Tanaman Padi, Sukamandi. Yager, R.R. ( 988), On Ordered Weighted Averaging Aggregation Operators in Multicriteria Decision Making, IEEE Transactions on SMC, 8, Yager, R.R. (2004), Modeling prioritized multi criteria decision making, IEEE Transactions on System, Man, and Cybernetics Part B: Cybernetics, 23(6), ISBN : A-24-9
BAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan makanan pokok sebagian besar penduduk dunia, termasuk penduduk Indonesia. Bangsa Indonesia telah menjadi bangsa yang terbesar mengkonsumsi beras di
Lebih terperinciMODIFIKASI K-MEANS BERBASIS ORDERED WEIGHTED AVERAGING (OWA) UNTUK KASUS KLASTERING
AGROINTEK Volume 5, No.2 Agustus 2011 107 MODIFIKASI K-MEANS BERBASIS ORDERED WEIGHTED AVERAGING (OWA) UNTUK KASUS KLASTERING Millatul Ulya Jurusan Teknologi Industri Pertanian, Fakultas Pertanian, Universitas
Lebih terperinciMutu beras mendapat perhatian penting dalam perakitan
TEKNIK PENGUJIAN TAMPILAN BERAS UNTUK PADI SAWAH, PADI GOGO, DAN PADI PASANG SURUT Ade Santika 1 dan Gusnimar Aliawati 2 Mutu beras mendapat perhatian penting dalam perakitan varietas unggul padi. Perbaikan
Lebih terperinciBeras merupakan bahan pangan pokok bagi sebagian
Ade Santika dan Rozakurniati: Evaluasi mutu beras ketan dan beras merah pada beberapa galur padi gogo 1 Buletin Teknik Pertanian Vol. 15, No. 1, 2010: 1-5 TEKNIK EVALUASI MUTU BERAS KETAN DAN BERAS MERAH
Lebih terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
Lebih terperinciKARAKTERISASI MUTU GABAH, MUTU FISIK, DAN MUTU GILING BERAS GALUR HARAPAN PADI SAWAH
KARAKTERISASI MUTU GABAH, MUTU FISIK, DAN MUTU GILING BERAS GALUR HARAPAN PADI SAWAH Zahara Mardiah dan Siti Dewi Indrasari Balai Besar Penelitian Tanaman Padi, Sukamandi ABSTRAK Permintaan beras berkualitas
Lebih terperinciDormansi biji atau benih padi penting untuk diketahui.
TEKNIK PENGUJIAN MASA DORMANSI BENIH PADI (Oryza sativa L.) Ade Santika 1 Dormansi biji atau benih padi penting untuk diketahui. Dengan adanya dormansi, benih tidak akan berkecambah di lapangan sebelum
Lebih terperinciPENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERSENTASE RUMAH TANGGA MENURUT KUALITAS FISIK AIR MINUM DENGAN MENGGUNAKAN K-MEANS CLUSTER
PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERSENTASE RUMAH TANGGA MENURUT KUALITAS FISIK AIR MINUM DENGAN MENGGUNAKAN K-MEANS CLUSTER Artanti Indrasetianingsih Dosen Program Studi Statistika, FMIPA
Lebih terperinciKLUSTERING DENGAN K-MEANS BERBASIS LVQ DAN K-MEANS BERBASIS OWA
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 2, No. 1, April 2015, hlm. 29-33 KLUSTERING DENGAN K-MEANS BERBASIS LVQ DAN K-MEANS BERBASIS OWA Dian Eka Ratnawati 1, Indriati 2 1,2 Program Studi
Lebih terperinciPeranan dan Dominasi Varietas Unggul Baru dalam Peningkatan Produksi Padi di Jawa Barat
Peranan dan Dominasi Varietas Unggul Baru dalam Peningkatan Produksi Padi di Jawa Barat Indah Nurhati 1, S. Ramdhaniati 1, dan N. Zuraida 2 1 Balai Pengkajian Teknologi Pertanian Jawa Barat 2 Balai Besar
Lebih terperinciPREFERENSI KONSUMEN KALIMANTAN SELATAN TERHADAP BERAS DAN RASA NASI VARIETAS UNGGUL
PREFERENSI KONSUMEN KALIMANTAN SELATAN TERHADAP BERAS DAN RASA NASI VARIETAS UNGGUL Rina D.Ningsih dan Khairatun Nafisah Balai Pengkajian Teknologi Pertanian (BPTP) Kalimantan Selatan Jl. P. Batur Barat
Lebih terperinciProduktivitas Galur Harapan Padi di Lahan Pasang Surut dan Rawa Lebak. Bambang Kustianto
Produktivitas Galur Harapan Padi di Lahan Pasang Surut dan Rawa Lebak Bambang Kustianto Balai Besar Penelitian Tanaman Padi Jl. Raya 9 Sukamandi, Subang, Jawa Barat ABSTRACT. Productivity of Rice Promising
Lebih terperinciI. PENDAHULUAN. Padi merupakan bahan pangan pokok bagi penduduk Indonesia dan merupakan
I. PENDAHULUAN A. Latar Belakang Padi merupakan bahan pangan pokok bagi penduduk Indonesia dan merupakan komoditas pangan unggulan Provinsi Lampung. Produksi padi yang dihasilkan di Provinsi Lampung secara
Lebih terperinciABSTRACT. Key words : performance, grain quality, 12 rice genotypes, low land rice irrigation
KERAGAAN MUTU GABAH DAN BERAS 12 GENOTIPE PADI SAWAH BERPENGAIRAN TEKNIS (PERFORMANCE OF GRAIN QUALITY OF 12 RICE GENOTYPES ON LOW LAND RICE IRRIGATION ) Bambang Sutaryo dan Tri Sudaryono Balai Pengkajian
Lebih terperinciO4-97 '()*+,-. :(,-6+3+) Z(4+H:+,L4()9+=+0 '(=+,-4 <6(4L) 9+)?(4+)L=6(,4+ _+);+ '(=+,-49+=+0 Y9+,+ _(,1-3+
012345673758984313872894048 728483 83 3 0!"#!$%&$ 8" '()*+,-. '()+01+.+) 2+34-5(,0()4+67 8(9+3 '+97 9()*+) :+;+)* 7*(, 4(,.+9+; :+)9-)*+)?7)(,+= :+=67-0@ 5(,-0 9+)?+*)(67-0 A$BCD 9 1E& D$E
Lebih terperinciUNJUK KERJA MESIN PENGGILING PADI TIPE SINGLE PASS 1
UNJUK KERJA MESIN PENGGILING PADI TIPE SINGLE PASS 1 Hanim Zuhrotul A 2, Nursigit Bintoro 2 dan Devi Yuni Susanti 2 ABSTRAK Salah satu faktor yang mengakibatkan kehilangan hasil pada produk pertanian tanaman
Lebih terperinciI. PENDAHULUAN. Di Indonesia, beras tetap menjadi sumber utama gizi dan energi bagi lebih dari
I. PENDAHULUAN A. Latar Belakang dan Masalah Di Indonesia, beras tetap menjadi sumber utama gizi dan energi bagi lebih dari 90% penduduknya dengan tingkat konsumsi rata-rata 141 kg/kapita/tahun. Walaupun
Lebih terperinciLAPORAN PRAKTIKUM Mata Kuliah Pasca Panen Tanaman PENGGILINGAN PADI. Disusun oleh: Kelompok 3
LAPORAN PRAKTIKUM Mata Kuliah Pasca Panen Tanaman PENGGILINGAN PADI Disusun oleh: Kelompok 3 Arya Widura Ritonga Najmi Ridho Syabani Dwi Ari Novianti Siti Fatimah Deddy Effendi (A24051682) (A24051758)
Lebih terperinciDalam rangka pengamanan pengadaan beras
INDRASARI ET AL.: KUALITAS BERAS GILING DAN NILAI DUGA DERAJAT SOSOH GABAH Kualitas Beras Giling dan Nilai Duga Derajat Sosoh Gabah Beberapa Varietas Padi Siti Dewi Indrasari, Jumali, dan Aan A. Daradjat
Lebih terperinciBAB I PENDAHULUAN. dengan ketersediaan lahan sawah yang mencapai 8,1 juta ha, lahan tegal/kebun
BAB I PENDAHULUAN 1.1. LATAR BELAKANG Indonesia merupakan negara yang dikenal sebagai negara agraris. Baik dari sisi ekonomi maupun penyerapan tenaga kerja, sektor pertanian memiliki peranan yang relatif
Lebih terperinciPREFERENSI PETANI KABUPATEN BANGKA SELATAN TERHADAP BEBERAPA VARIETAS UNGGUL PADI SAWAH
PREFERENSI PETANI KABUPATEN BANGKA SELATAN TERHADAP BEBERAPA VARIETAS UNGGUL PADI SAWAH Irma Audiah Fachrista 1 *, Issukindarsyah 1, Dede Rusmawan 1, Hanik Anggraeni Dewi 2 1 Balai Pengkajian Teknologi
Lebih terperinciOleh : Rahanimi Pembimbing : Dr. M Isa Irawan, M.T
PERAMALAN JUMLAH MAHASISWA PENDAFTAR PMDK JURUSAN MATEMATIKA MENGGUNAKAN METODE AUTOMATIC CLUSTERING DAN RELASI LOGIKA FUZZY (STUDI KASUS di INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA) Oleh : Rahanimi
Lebih terperinciSKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Sistem Informasi OLEH :
IMPLEMENTASI SISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMA BERAS MISKIN MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING ( STUDI KASUS KEL. JAMSAREN KOTA KEDIRI) SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat
Lebih terperinciBAB 1 PENDAHULUAN. pokok sebagian besar penduduk di Indonesia. karbohidrat lainnya, antara lain: (1) memiliki sifat produktivitas tinggi, (2) dapat
18 BAB 1 PENDAHULUAN 1.1. Latar Belakang Meningkatnya angka pertumbuhan jumlah penduduk di Indonesia merupakan salah satu tantangan berat yang harus dihadapi oleh sektor pertanian karena dengan pertambahan
Lebih terperinciLOGIKA FUZZY DALAM PENENTUAN BOBOT KRITERIA PADA PEMILIHAN VARIETAS PADA UNGGUL
Jurnal POROS TEKNIK, Volume 7 No. 2, Desember 2015 : 54-105 ISSN 2085-5761 (Print) LOGIKA FUZZY DALAM PENENTUAN BOBOT KRITERIA PADA PEMILIHAN VARIETAS PADA UNGGUL Nurmahaludin (1), Gunawan Rudi Cahyono
Lebih terperinciMETODE ADAPTIVE-SECTING DIVISIVE CLUSTERING DENGAN PENDEKATAN GRAF HUTAN YANG MINIMUM
METODE ADAPTIVE-SECTING DIVISIVE CLUSTERING DENGAN PENDEKATAN GRAF HUTAN YANG MINIMUM Achmad Maududie 1), Wahyu Catur Wibowo 2) 1) Program Studi Sistem Informasi, Universitas Jember 2) Fakultas Ilmu Komputer,
Lebih terperinciPEMILIHAN SUPPLIER DENGAN PENDEKATAN POSSIBILITY FUZZY MULTI-OBJECTIVE PROGRAMMING
PEMILIHAN SUPPLIER DENGAN PENDEKATAN POSSIBILITY FUZZY MULTI-OBJECTIVE PROGRAMMING Oleh : Heny Nurhidayanti 1206 100 059 Dosen Pembimbing : Drs. Sulistiyo, MT Jurusan Matematika Fakultas Matematika dan
Lebih terperinciKLASTERISASI KOMPETENSI GURU MENGGUNAKAN HASIL PENILAIAN PORTOFOLIO SERTIFIKASI GURU DENGAN METODE DATA MINING
KLASTERISASI KOMPETENSI GURU MENGGUNAKAN HASIL PENILAIAN PORTOFOLIO SERTIFIKASI GURU DENGAN METODE DATA MINING Ari Kurniawan, Mochamad Hariadi S2 Teknik Elektro (Telematika), Institut Teknologi Sepuluh
Lebih terperinciKK : 2.4% Ket: ** ( sangat nyata) tn (tidak nyata) Universitas Sumatera Utara
Lampiran 1. Data pengamatan tinggi tanaman padi (cm) pada umur 3 MST pada P0V1 60.90 60.33 59.33 180.57 60.19 P0V2 53.33 59.00 58.33 170.67 56.89 P0V3 62.97 61.33 60.97 185.27 61.76 P1V1 61.57 60.03 59.33
Lebih terperinciSistem Pendukung Keputusan Mahasiswa Berprestasi Menggunakan Metode TOPSIS
Sistem Pendukung Keputusan Mahasiswa Berprestasi Menggunakan Metode TOPSIS Sri Rahmawati Fitriatien Universitas PGRI Adi Buana Surabaya (Fakultas Keguruan dan Ilmu Pendidikan, Program Studi Pendidikan
Lebih terperinciSELEKSI POTENSI HASIL BEBERAPA GALUR HARAPAN PADI GOGO DI DESA SIDOMULYO KABUPATEN KULON PROGO
SELEKSI POTENSI HASIL BEBERAPA GALUR HARAPAN PADI GOGO DI DESA SIDOMULYO KABUPATEN KULON PROGO Sutardi, Kristamtini dan Setyorini Widyayanti Balai Pengkajian Teknologi Pertanian Yogyakarta ABSTRAK Luas
Lebih terperinciPreferensi Konsumen terhadap Beras Merah sebagai Sumber Pangan Fungsional
Preferensi Konsumen terhadap Beras Merah sebagai Sumber Pangan Fungsional Siti Dewi Indrasari 1 dan Made Oka Adnyana 2 Ringkasan Balai Besar Penelitian Tanaman Padi, Badan Penelitian dan Pengembangan Pertanian
Lebih terperinciPENGARUH JENIS ALAT GILING DAN VARIETAS TERHADAP KUALITAS BERAS DI SULAWESI SELATAN ABSTRACT
PENGARUH JENIS ALAT GILING DAN VARIETAS TERHADAP KUALITAS BERAS DI SULAWESI SELATAN Wanti Dewayani, A. Darmawidah, Nasruddin Razak dan Djafar Baco Balai Pengkajian Teknologi Pertanian Sulawesi Selatan
Lebih terperinciPerhimpunan Teknik Pertanian Indonesia Yogyakarta, 5-6 September 2014
Perhimpunan Teknik Pertanian Indonesia Yogyakarta, 5-6 September 2014 PERUBAHAN SIFAT FISIK DAN TINGKAT KECERAHAN BERAS GILING (ORYZA SATIVA L.) PADA BERBAGAI PENGGILINGAN BERAS Budidarmawan Idris 1, Junaedi
Lebih terperinciVarietas Unggul Mendukung Usahatani Padi di Lahan Lebak. Morphological Characterization and Content of Sugar Some Sweet Potato Germplasm Local Lampung
Prosiding Seminar Nasional Swasembada Pangan Politeknik Negeri Lampung 29 April 2015 ISBN 978-602-70530-2-1 halaman 125-130 Varietas Unggul Mendukung Usahatani Padi di Lahan Lebak Morphological Characterization
Lebih terperinciPENGGUNAAN METODE PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI
PENGGUNAAN PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI Entin Martiana S.Kom,M.Kom, Nur Rosyid Mubtada i S. Kom, Edi Purnomo Jurusan Teknik Informatika
Lebih terperinciDeskripsi Padi Varietas Cigeulis Informasi Ringkas Bank Pengetahuan Padi Indonesia Sumber: Balai Besar Penelitian Tanaman Padi
Deskripsi Padi Varietas Cigeulis Informasi Ringkas Bank Pengetahuan Padi Indonesia Sumber: Balai Besar Penelitian Tanaman Padi 2008 Nama Varietas Tahun Tetua Rataan Hasil Pemulia Golongan Umur tanaman
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciPERBANDINGAN PENERAPAN METODE SAW DAN TOPSIS DALAM SISTEM PEMILIHAN LAPTOP
PERBANDINGAN PENERAPAN METODE SAW DAN TOPSIS DALAM SISTEM PEMILIHAN LAPTOP SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer ( S.Kom ) Pada Program Studi Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN. Berbagai wilayah di Indonesia memiliki lahan pertanian yang dapat ditanami
BAB I PENDAHULUAN A. Latar Belakang Berbagai wilayah di Indonesia memiliki lahan pertanian yang dapat ditanami berbagai tanaman komoditas pangan sehingga dapat menghasilkan bermacammacam produk pangan.
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN A. PROSES PENGOLAHAN BERAS PRATANAK Gabah yang diperoleh dari petani masih bercampur dengan jerami kering, gabah hampa dan kotoran lainnya sehingga perlu dilakukan pembersihan.
Lebih terperinciPEMANFAATAN BERAS MERAH DAN JAGUNG DALAM PEMBUATAN MIE SEBAGAI BAHAN PANGAN FUNGSIONAL
PEMANFAATAN BERAS MERAH DAN JAGUNG DALAM PEMBUATAN MIE SEBAGAI BAHAN PANGAN FUNGSIONAL Ernawati Nasution 1, Etti Sudaryati 2, Asfriyati 3 1,2,3 Fakultas Kesehatan Masyarakat, Universitas Sumatera Utara,
Lebih terperinciI. PENDAHULUAN. sektor-sektor yang berpotensi besar bagi kelangsungan perekonomian
I. PENDAHULUAN A. Latar Belakang dan Masalah Memasuki era perdagangan bebas, Indonesia harus mampu mengantisipasi persaingan ekonomi yang semakin ketat di segala bidang dengan menggali sektor-sektor yang
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan algoritma hierarchical clustering dan k-means untuk pengelompokan desa tertinggal.
Lebih terperinciEVALUASI KINERJA SUPPLIER DENGAN INTEGRASI METODE DEMATEL, ANP DAN TOPSIS (STUDI KASUS: PT. XYZ)
EVALUASI KINERJA SUPPLIER DENGAN INTEGRASI METODE DEMATEL, ANP DAN TOPSIS (STUDI KASUS: PT. XYZ) Rista Dwi Novianto 1) dan Suparno 2) Program Studi Magister Manajemen Teknologi Bidang keahlian Manajemen
Lebih terperinciPERKEMBANGAN HARGA PRODUSEN GABAH DAN HARGA BERAS DI PENGGILINGAN
BPS PROVINSI LAMPUNG No. 11/10/18/Th. III, 1 Oktober 2015 PERKEMBANGAN HARGA PRODUSEN GABAH DAN HARGA BERAS DI PENGGILINGAN A. RATA-RATA HARGA GABAH (GKP) DI PETANI NAIK 11,69 PERSEN Selama September 2015,
Lebih terperinciCLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS
CLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS Diana Triastuty, I Ketut Eddy Purnama, dan Surya Sumpeno Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS Keputih, Sukolilo,
Lebih terperinciPENENTUAN PRODUK KERAJINAN UNGGULAN DENGAN MENGGUNAKAN MADM-TOPSIS
PENENTUAN PRODUK KERAJINAN UNGGULAN DENGAN MENGGUNAKAN MADM-TOPSIS Fera Tri Wulandari 1), Fajar Budi Hartono 2) Abstrak : Pemilihan produk unggulan diharapkan dapat membantu pihak perindustrian dan perdagangan
Lebih terperinciPengaruh Ketinggian Tempat Terhadap Mutu Fisik Beberapa Beras Aromatik
Pengaruh Ketinggian Tempat Terhadap Mutu Fisik Beberapa Beras Aromatik Beras aromatik adalah beras yang popular saat ini baik di dalam dan luar negeri karena mutu yang baik dan aroma yang wangi. Banyak
Lebih terperinciTabel 6 Daftar peubah karakteristik
6 Tabel 6 Daftar peubah karakteristik Kode. Keterangan X1 Hasil gabah (kg/ha) X2 Umur saat akar tembus lilin (HST) X3 Jumlah akar tembus X4 Panjang akar tembus (cm) X5 Berat akar (gr) X6 Laju asimilasi
Lebih terperinciPrediksi Persediaan Ikan Teri Menggunakan Exponential Smoothing Berbasis Ordered Weighted Aggregation
Jurnal Ilmiah NERO Vol. 1 No. 1 2014 Prediksi Persediaan Ikan Teri Menggunakan Exponential Smoothing Berbasis Ordered Weighted Aggregation Bain Khusnul Khotimah 1, Moh. Laili 2, Budi Dwi Satoto 3 1,2)
Lebih terperinciABSTRAK. Kata kunci: padi, konfigurasi penggilingan, susut penggilingan, rendemen giling PENDAHULUAN
Konfigurasi Mesin Penggilingan Padi Untuk Menekan Susut dan Meningkatkan Rendemen Giling (Rice Milling Machine Configuration to Reduce Losses and Increase Milling Yield) Rokhani Hasbullah, Anggitha Ratri
Lebih terperinciDETEKSI OUTLIER BERBASIS KLASTER PADA DATA SET DENGAN ATRIBUT CAMPURAN NUMERIK DAN KATEGORIKAL TESIS DWI MARYONO
DETEKSI OUTLIER BERBASIS KLASTER PADA DATA SET DENGAN ATRIBUT CAMPURAN NUMERIK DAN KATEGORIKAL TESIS DWI MARYONO 5107201006 LATAR BELAKANG MASALAH Deteksi Outlier Data Set Numerik : distance-based, density-based,
Lebih terperinciHASIL DAN PEMBAHASAN. Sifat Mekanik (Kuat Tekan) Beras Gambar 2. Kerapatan enam varietas beras
HASIL DAN PEMBAHASAN Sifat Mekanik (Kuat Tekan) Beras Kerapatan (gram/cm3) 1.4 1.2 1..8.6.4.2. Varietas Beras Gambar 2. Kerapatan enam varietas beras Berdasarkan hasil pengukuran massa dan volume setiap
Lebih terperinciANALISIS KARAKTERISTIK KONSUMEN BERAS DI KECAMATAN PEKANBARU KOTA KOTA PEKANBARU. Asgami Putri
ANALISIS KARAKTERISTIK KONSUMEN BERAS DI KECAMATAN PEKANBARU KOTA KOTA PEKANBARU Asgami Putri ABSTRAK Penelitian ini bertujuan mengetahui karakteristik konsumen yang membeli beras baik beras unggul nasional
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-521
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-521 Analisa Perbandingan Metode Hierarchical Clustering, K-means dan Gabungan Keduanya dalam Cluster Data (Studi kasus : Problem Kerja Praktek Jurusan
Lebih terperinciExplorasi dan Mutu Beras Genotip Padi Merah di Kabupaten Pasaman Barat Sumatera Barat
Prosiding Semirata FMIPA Universitas Lampung, 2013 Explorasi dan Mutu Beras Genotip Padi Merah di Kabupaten Pasaman Barat Sumatera Barat Azwir Anhar Jurusan Biologi FMIPA UNP anharazwir@yahoo.com Abstrak.
Lebih terperinciANALISA PEMILIHAN ALTERNATIF PROYEK MANAJEMEN AIR DI PT X DENGAN METODE MULTI CRITERIA DECISION MAKING (MCDM)
ANALISA PEMILIHAN ALTERNATIF PROYEK MANAJEMEN AIR DI PT X DENGAN METODE MULTI CRITERIA DECISION MAKING (MCDM) Ema Dwi Saputri 1) dan Putu Artama Wiguna 2) 1,2) Program Studi Magister Manajemen Teknologi
Lebih terperinciO4-97 '()*+,-. :(,-6+3+) Z(4+H:+,L4()9+=+0 '(=+,-4 <6(4L) 9+)?(4+)L=6(,4+ _+);+ '(=+,-49+=+0 Y9+,+ _(,1-3+
012345673758984313872894048 728483 83 3 0!"#!$%&$ 8" '()*+,-. '()+01+.+) 2+34-5(,0()4+67 8(9+3 '+97 9()*+) :+;+)* 7*(, 4(,.+9+; :+)9-)*+)?7)(,+= :+=67-0@ 5(,-0 9+)?+*)(67-0 A$BCD 9 1E& D$E
Lebih terperinciIMPLEMENTASI DETEKSI OUTLIER PADA ALGORITMA HIERARCHICAL CLUSTERING
IMPLEMENTASI DETEKSI OUTLIER PADA ALGORITMA HIERARCHICAL CLUSTERING Yoga Bhagawad Gita 1, Ahmad Saikhu 2 1,2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember
Lebih terperinciPENENTUAN JUMLAH CLUSTER OPTIMAL PADA MEDIAN LINKAGE DENGAN INDEKS VALIDITAS SILHOUETTE
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 05, No. 2 (2016), hal 97 102. PENENTUAN JUMLAH CLUSTER OPTIMAL PADA MEDIAN LINKAGE DENGAN INDEKS VALIDITAS SILHOUETTE Nicolaus, Evy Sulistianingsih,
Lebih terperinciUJI DAYA HASIL BEBERAPA GALUR HARAPAN PADI SAWAH DI SUBAK DANGIN UMAH GIANYAR BALI
UJI DAYA HASIL BEBERAPA GALUR HARAPAN PADI SAWAH DI SUBAK DANGIN UMAH GIANYAR BALI AANB. Kamandalu dan S.A.N. Aryawati Balai Pengkajian Teknologi Pertanian Bali ABSTRAK Uji daya hasil beberapa galur harapan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Multi Criteria Decision Making (MCDM) adalah suatu metode pengambilan keputusan untuk menetapkan alternatif terbaik dari sejumlah alternatif berdasarkan beberapa kriteria tertentu.
Lebih terperinciAPLIKASI ANALISIS KLASTER PADA DATA SIMULASI INDEKS GEOMAGNET LOKAL
Seminar Nasional Statistika I Institut Teknologi Sepuluh Nopember, 7 November 009 APLIKASI ANALISIS KLASTER PADA DATA SIMULASI INDEKS GEOMAGNET LOKAL John Maspupu Pusfatsainsa LAPAN, Jl. Dr. Djundjunan
Lebih terperinciDi Indonesia sumbangan beras terhadap total
Evaluasi Karakteristik Mutu Giling, Mutu Tanak, dan Kandungan Protein-Besi Kompleks pada Beberapa Genotipe Padi Siti Dewi Indrasari 1, Aan A. Daradjat 1, Ida Hanarida 2, dan Komari 3 1 Balai Besar Penelitian
Lebih terperinciModel Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur M.Fariz Fadillah Mardianto,
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 ANALISA PERBANDINGAN METODE HIERARCHICAL CLUSTERING, K-MEANS DAN GABUNGAN KEDUANYA DALAM MEMBENTUK CLUSTER DATA (STUDI KASUS : PROBLEM KERJA PRAKTEK JURUSAN
Lebih terperinciKAJIAN PENGGUNAAN RICE MILLING UNIT (RMU) KELILING TERHADAP MUTU BERAS YANG DIHASILKAN 1
KAJIAN PENGGUNAAN RICE MILLING UNIT (RMU) KELILING TERHADAP MUTU BERAS YANG DIHASILKAN 1 Mahargono Kobarsih 2, Rob. Mudjisihono 3, B. Purwadi 4, dan Fevi Sugiyanto 5 ABSTRAK Penelitian tentang kajian penggunaan
Lebih terperinciKLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS
KLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS Nunik Mariastuti Wijilestari, Moch. Hariadi Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 60
Lebih terperinciKERAGAAN BEBERAPA GALUR HARAPAN PADI SAWAH UMUR SANGAT GENJAH DI NUSA TENGGARA TIMUR
KERAGAAN BEBERAPA GALUR HARAPAN PADI SAWAH UMUR SANGAT GENJAH DI NUSA TENGGARA TIMUR Charles Y. Bora 1 dan Buang Abdullah 1.Balai Pengkajian Teknologi Pertanian Nusa Tenggara Timur. Balai Besar Penelitian
Lebih terperinciKeragaan Beberapa Varietas Unggul Baru (VUB) Inpari di Subak Dlod Sema Badung Bali
Keragaan Beberapa Varietas Unggul Baru (VUB) Inpari di Subak Dlod Sema Badung Bali I.B.K. Suastika, dan Putu Suratmini Balai Pengkajian Teknologi Pertanian (BPTP) Bali Jl. By Pass Ngurah Rai Denpasar Bali
Lebih terperinciADOPSI PETANI PADI SAWAH TERHADAP VARIETAS UNGGUL PADI DI KECAMATAN ARGAMAKMUR, KABUPATEN BENGKULU UTARA, PROVINSI BENGKULU
ADOPSI PETANI PADI SAWAH TERHADAP VARIETAS UNGGUL PADI DI KECAMATAN ARGAMAKMUR, KABUPATEN BENGKULU UTARA, PROVINSI BENGKULU Andi Ishak, Dedi Sugandi, dan Miswarti Balai Pengkajian Teknologi Pertanian Bengkulu
Lebih terperinciII. TINJAUAN PUSTAKA Penelitian Terdahulu
II. TINJAUAN PUSTAKA 2.1. Definisi dan Jenis Beras Secara garis besar jenis beras yang ada dapat digolongkan ke dalam dua kelompok besar, yaitu beras pera dan beras pulen. Beras pulen umumnya dihasilkan
Lebih terperinciPERKEMBANGAN HARGA PRODUSEN GABAH DAN HARGA BERAS DI PENGGILINGAN
BPS PROVINSI LAMPUNG No. 11/09/18/Th. V, 4 September 2017 PERKEMBANGAN HARGA PRODUSEN GABAH DAN HARGA BERAS DI PENGGILINGAN A. RATA-RATA HARGA GABAH (GKP) DI PETANI NAIK 0,90 PERSEN Selama Agustus 2017,
Lebih terperinci: tahan terhadap wereng coklat biotipe 1, 2, 3 dan Sumatera Utara Ketahanan terhadap penyakit
LAMPIRAN 52 Lampiran 1. Deskripsi Varietas Aek Sibundong Nomor pedigri : BP1924-1E-5-2rni Asal persilangan : Sitali/Way Apo Buru//2*Widas Golongan : Cere Umur tanaman : 108-125 hari Bentuk tanaman : Tegak
Lebih terperinciPENGUJIAN MUTU BERAS
PENGUJIAN MUTU BERAS RINI YULIANINGSIH Good Equipment Good Paddy Rice Skilled Miller Jika Anda memilik padi berkualitas tinggi dengan unit penggiling yang bagus dan dioperasikan oleh tenaga yang ahli Jika
Lebih terperinciBalai Besar Penelitian Tanaman Padi
PERAKITAN VARIETAS PADI UNGGUL BASMATI Breeding for Basmati-like rice varieties Buang Abdullah Sularjo, Cahyono, Indarjo, Yusuf, Erna herlina Balai Besar Penelitian Tanaman Padi PENDAHULUAN Mutu/kualitas
Lebih terperinciBAB III PEMBAHASAN. survei yang dilakukan BPS pada 31 Oktober Langkah selanjutnya yang
BAB III PEMBAHASAN Data yang digunakan dalam skripsi ini merupakan data sekunder yang diperoleh dari buku saku Ikhtisar Data Pendidikan Tahun 2016/2017. Data tersebut dapat dilihat pada Lampiran 1. Data
Lebih terperinciFuzzy C-means Clustering menggunakan Cluster Center Displacement
Fuzzy C-means Clustering menggunakan Cluster Center Displacement Fitri Hidayah Sundawati 1), Jadi Suprijadi 2), Titi Purwandari 3) 1) Mahasiswa Statistika Terapan, UniversitasPadjadjaran-Indonesia 2) Pengajar
Lebih terperinciPENGGUNAAN METODE TOPSIS DALAM RANCANGAN SISTEM PENUNJANG KEPUTUSAN UNTUK MENENTUKAN LOKASI USAHA BARU (Studi Kasus : ARENA DISC Yogyakarta)
ISSN : 0-80 Seminar Nasional Teknologi Informasi dan Multimedia 0 STMIK AMIKOM Yogyakarta 6-8Februari 0 PENGGUNAAN METODE TOPSIS DALAM RANCANGAN SISTEM PENUNJANG KEPUTUSAN UNTUK MENENTUKAN LOKASI USAHA
Lebih terperinciVarietas Padi Unggulan. Badan Litbang Pertanian. Gambar 1. Varietas Inpari 19 di areal persawahan KP. Sukamandi, Jawa Barat.
AgroinovasI Varietas Padi Unggulan Gambar 1. Varietas Inpari 19 di areal persawahan KP. Sukamandi, Jawa Barat. Padi..semua sudah tak asing lagi dengan jenis tanaman pangan yang satu ini. Bila sudah diubah
Lebih terperinciBAB I. PENDAHULUAN. A. Latar Belakang
BAB I. PENDAHULUAN A. Latar Belakang Indonesia dikenal sebagai negara Agraris dimana sebagian besar penduduknya berprofesi sebagai petani. Hal ini di dukung dengan kenyataan bahwa di Indonesia tersedia
Lebih terperinciPERKEMBANGAN HARGA PRODUSEN GABAH DAN HARGA BERAS DI PENGGILINGAN
BPS PROVINSI LAMPUNG No. 11/03/18/Th. V, 1 Maret 2017 PERKEMBANGAN HARGA PRODUSEN GABAH DAN HARGA BERAS DI PENGGILINGAN A. RATA-RATA HARGA GABAH (GKP) DI PETANI TURUN 5,84 PERSEN Selama Februari 2017,
Lebih terperinciPenerapan Metode Simple Additive Weighting (SAW) pada Sistem Pendukung Keputusan Pemilihan Lokasi untuk Cabang Baru Toko Pakan UD.
Penerapan Metode Simple Additive Weighting (SAW) pada Sistem Pendukung Keputusan Pemilihan Lokasi untuk Cabang Baru Toko Pakan UD. Indo Multi Fish 1 Nalsa Cintya Resti 1 Sistem Informasi, Universitas Nusantara
Lebih terperinciPENINGKATAN PRODUKTIVITAS PADI GOGO DAN PENDAPATAN PETANI LAHAN KERING MELALUI PERUBAHAN PENERAPAN SISTEM TANAM TANAM DI KABUPATEN BANJARNEGARA
PENINGKATAN PRODUKTIVITAS PADI GOGO DAN PENDAPATAN PETANI LAHAN KERING MELALUI PERUBAHAN PENERAPAN SISTEM TANAM TANAM DI KABUPATEN BANJARNEGARA Tota Suhendrata dan Setyo Budiyanto Balai Pengkajian Teknologi
Lebih terperinciI. PENDAHULUAN. Indonesia berhasil meningkatkan produksi padi secara terus-menerus. Selama
I. PENDAHULUAN A. Latar Belakang Produksi padi nasional terus menerus mengalami peningkatan sepanjang empat tahun terakhir. Pada saat dunia mengalami penurunan produksi pangan, Indonesia berhasil meningkatkan
Lebih terperinciJURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
JURNA TEKNIK, (2014) 1-6 1 AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciLAMPIRAN U1 U2 U3 T2 T3 T1 T3 T1 T2 T1 T2 T3 U4 U5 U6 T1 T3 T2 T1 T3 T2 T2 T3 T1 U7 U8 U9 T3 T1 T2 T2 T1 T3 T3 T1 T2
LAMPIRAN Lampiran 1. Bagan Penelitian U U1 U2 U3 T2 T3 T1 T3 T1 T2 T1 T2 T3 U4 U5 U6 T1 T3 T2 T1 T3 T2 T2 T3 T1 U7 U8 U9 T3 T1 T2 T2 T1 T3 T3 T1 T2 Keterangan: U T1 T2 T3 : : Padi Sawah : Padi Gogo : Rumput
Lebih terperinciBAB II. TINJAUAN PUSTAKA
BAB II. TINJAUAN PUSTAKA 2.1 Kondisi Usahatani Padi di Indonesia Padi merupakan komoditi pangan utama masyarakat Indonesia. Pangan pokok adalah pangan yang muncul dalam menu sehari-hari, mengambil porsi
Lebih terperinciPENGGUNAAN METODE FUZZY TIME SERIES UNTUK MERAMALKAN HASIL PRODUKSI PADI KABUPATEN MAJALENGKA
PENGGUNAAN METODE FUZZY TIME SERIES UNTUK MERAMALKAN HASIL PRODUKSI PADI KABUPATEN MAJALENGKA Khanty Intan Lestari 1, Tine Soemartini 2, Resa Septiani Pontoh 3. Mahasiswa Program Studi Statistika Universitas
Lebih terperinciTINJAUAN PUSTAKA. berat kering beras adalah pati. Pati beras terbentuk oleh dua komponen yang
II. TINJAUAN PUSTAKA 2.1 Beras Beras diperoleh dari butir padi yang telah dibuang kulit luarnya (sekam), merupakan bahan makanan pokok bagi sebagian besar masyarakat Indonesia. Sebagian besar butir beras
Lebih terperinciStudi Komersialisasi Benih Padi Sawah Varietas Unggul. Study on Commercialization of Released Lowland Rice Variety
Studi Komersialisasi Benih Padi Sawah Varietas Unggul Study on Commercialization of Released Lowland Rice Variety Setia Hadi 1*, Tati Budiarti 1 dan Haryadi 2 Diterima 16 Februari/Disetujui 5 April 25
Lebih terperinciDukat Fakultas Pertanian Unswagati Cirebon
PENGARUH UMUR PANEN DAN KULTIVAR PADI (Oryza sativa L.) TERHADAP MUTU FISIK BERAS GILING Dukat Fakultas Pertanian Unswagati Cirebon ABSTRAK Penelitian bertujuan mengetahui pengaruh interaksi umur panen
Lebih terperinciKode Pos Tel./Fax / ) Balai Pengkajian Teknologi Pertanian Jawa Barat,
PREFERENSI RESPONDEN TERHADAP KARAKTER GABAH, BERAS, DAN NASI VARIETAS UNGGUL BARU PADI (Studi Kasus Responden Pegawai Negeri Sipil pada Lembaga Penelitian dan Diseminasi) Wage R. R. 1), Iskandar I. 2),
Lebih terperinciMETODE PENELITIAN. Kata Kunci analytical hierarchy process, analytic network process, multi criteria decision making, zero one goal programming.
PENENTUAN MULTI CRITERIA DECISION MAKING DALAM OPTIMASI PEMILIHAN PELAKSANA PROYEK Chintya Ayu Puspaningtyas, Alvida Mustika Rukmi, dan Subchan Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. MCDM (Multiple Criteria Decision Making) Multi-Criteria Decision Making (MCDM) adalah suatu metode pengambilan keputusan untuk menetapkan alternatif terbaik dari sejumlah alternatif
Lebih terperinciPERBAIKAN INISIALISASI K-MEANS MENGGUNAKAN GRAF HUTAN YANG MINIMUM. Achmad Maududie 1 Wahyu Catur Wibowo 2. Abstrak
PERBAIKAN INISIALISASI K-MEANS MENGGUNAKAN GRAF HUTAN YANG MINIMUM Achmad Maududie 1 Wahyu Catur Wibowo 2 1 Program Studi Sistem Informasi, Universitas Jember 2 Fakultas Ilmu Komputer, Universitas Indonesia,
Lebih terperinciPengolahan Data. Algoritma C4.5 Menghitung entropi : Data Training (75%) = 220 data Data Testing (25%) = 73 data
Algoritma C4.5 Menghitung entropi : engolahan Data Data Training (75%) = 220 data Data Testing (25%) = 73 data Entropi (y) = -p 1 log 2 p 1 p 2 log 2 p 2... p n log 2 p n Entropi IK -28/220*OG 2 (28/220)-156/220*OG
Lebih terperinciKEPUTUSAN MENTERI PERTANIAN NOMOR : 130/Kpts/SR.120/3/2006 TENTANG
KEPUTUSAN MENTERI PERTANIAN NOMOR : 130/Kpts/SR.120/3/2006 TENTANG PELEPASAN GALUR PADI KETAN PUTIH B10299B-MR-116-2-4-1-2 SEBAGAI VARIETAS UNGGUL DENGAN NAMA CIASEM DENGAN RAHMAT TUHAN YANG MAHA ESA MENTERI
Lebih terperinciVarietas Unggul Baru Padi Gogo Toleran Naungan untuk Budidaya Padi sebagai Tanaman Sela di Perkebunan
Varietas Unggul Baru Padi Gogo Toleran Naungan untuk Budidaya Padi sebagai Tanaman Sela di Perkebunan Aris Hairmansis, Supartopo, Yullianida, Anggiani Nasution, Santoso, Suwarno Balai Besar Penelitian
Lebih terperinci