Article Sidebar

Submitted
Aug 15, 2023
Published
Oct 29, 2023
Download
PDF
Statistic
Read Counter : 0 Download : 0

Main Article Content

Abstract

Abstrak. Pemetaan produksi perikanan tangkap di Indonesia merupakan salah satu aspek penting dalam memahami dan mengelola sumber daya perikanan secara efektif. Metode DBSCAN (Density-Based Spatial Clustering Algorithm with Noise) telah digunakan dalam penelitian ini untuk mengelompokkan provinsi-provinsi di Indonesia berdasarkan tingkat produksi perikanan tangkap. Tujuan dari penelitian ini adalah untuk mengidentifikasi pola dan pemetaan dalam produksi perikanan tangkap di berbagai wilayah. Dalam penelitian ini, data produksi perikanan tangkap dari tahun 2017 hingga 2019 digunakan sebagai data. Langkah pertama adalah menentukan parameter DBSCAN, yaitu nilai epsilon dan MinPts, yang penting untuk menggambarkan kepadatan data dan menentukan batas cluster. Selanjutnya, dilakukan pemilihan titik awal data secara acak dalam perhitungan jarak menggunakan metode euclidean. Dari hasil pemetaan menggunakan metode DBSCAN, terbentuklah cluster-cluster yang mencerminkan tingkat produksi perikanan tangkap yang serupa di provinsi-provinsi yang berdekatan. Cluster-cluster ini membantu dalam mengidentifikasi wilayah-wilayah dengan tingkat produksi perikanan yang rendah, sedang, dan tinggi. Noise, yaitu data yang tidak termasuk dalam cluster apapun, juga diidentifikasi sebagai provinsi-provinsi dengan karakteristik produksi perikanan tangkap yang yang tinggi. Silhouette coefficient digunakan sebagai metrik evaluasi untuk mengukur kualitas pembentukan cluster. Nilai silhouette coefficient memberikan indikasi sejauh mana data dalam cluster berdekatan dengan data dalam cluster lainnya. Semakin tinggi nilai silhouette coefficient, semakin baik pembentukan cluster tersebut.


Kata kunci: pemetaan,produksi perikanan tangkap, DBSCAN, clustering, silhouette


 


Abstract. The mapping of capture fisheries production in Indonesia is an important aspect of understanding and effectively managing fisheries resources. The DBSCAN (Density-Based Spatial Clustering Algorithm with Noise) method has been used in this research to cluster the provinces in Indonesia based on their levels of capture fisheries production. The objective of this study is to identify patterns and mapping of capture fisheries production in various regions. In this research, capture fisheries production data from 2017 to 2019 is utilized. The first step is to determine the DBSCAN parameters, namely the epsilon value and MinPts, which are important in representing data density and determining cluster boundaries. Subsequently, random initial data points are selected for distance calculations using the Euclidean method. Based on the mapping using the DBSCAN method, clusters are formed that reflect similar levels of capture fisheries production in neighboring provinces. These clusters help in identifying regions with low, moderate, and high levels of fisheries production. Noise, which refers to data points that do not belong to any clusters, is also identified, indicating provinces with distinct characteristics of high capture fisheries production. The Silhouette coefficient is used as an evaluation metric to measure the quality of cluster formation. The Silhouette coefficient value indicates how closely data within a cluster is related to data in other clusters. A higher Silhouette coefficient value indicates better cluster formation.


Keywords:mapping, capture fisheries, DBSCAN, clustering, silhouette

Keywords

mapping, capture fisheries, DBSCAN, clustering, silhouette pemetaan,produksi perikanan tangkap, DBSCAN, clustering, silhouette

Article Details

References

  1. [1] Badan Pusat Statistik. (2022). Produksi Perikanan Tangkap Umum Menurut Lokasi di Indonesia 2017-2019. https://www.bps.go.id/indicator/56/1519/1/produksi-perikanan-tangkap-di-perairan-umum-menurut-lokasi.html. Diakses pada tanggal 12 November 2022.
  2. [2] Fajriana. (2021). Analisis Algoritma K-Medoids pada Sistem Clusterisasi Produksi Perikanan Tangkap Kabupaten Aceh Utara. Jurnal Edukasi dan Penelitian Informatika, 7(2), 92-101.
  3. [3] Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3), 37-54.
  4. [4] Isnarwaty, Putri, D., Irhamah. 2016. Text Clustering pada Akun TWITTER Layanan Ekspedisi JNE, J&T, dan Pos Indonesia Menggunakan Metode Density-Based Spatial Clustering of Applications with Noise (DBSCAN) dan K-Means. Jurnal Sains dan Seni ITS. 8(2): 137-144.
  5. [5] Kaufman, L. dan Rousseeuw, P. J. (2005). “Validation of Clusters”. In Finding Groups in Data: An Introduction to Cluster Analysis. Wiley-Interscience, New York. hal. 91-101.
  6. [6] Khurin’in, A.I. (2021). Pengelompokan Kabupaten/Kota di Provinsi Jawa Barat Berdasarkan Tingkat Sebaran Pengangguran Menggunakan Metode Density-Based Spatial Clustering Algoruthm with Noise (DBSCAN). Univ. Islam Negeri Sunan Ampel Surabaya, Surabaya.
  7. [7] Kementerian Kelautan dan Perikanan. (2020). Statistik Perikanan Tangkap Indonesia 2019. Jakarta: KKP.
  8. [8] Rahmawati, dan Faisal, Muliady. (2019). Analisis Cluster untuk Pengelompokan Desa Berdasarkan Indikator Penyakit Diare. Jurnal SAINTIFIK. 5(1): 75-80.
  9. [9] Rohalidyawati, Windy, Rahmawati, R., Mustafid. (2020). Segmentasi Pelanggan E-Money Dengan Menggunakan Algoritma DBSCAN Density-Based Spatial Clustering Application with Noise di Provinsi DKI Jakarta. Jurnal Gaussian. 9(2): 162-169.
  10. [10] Safitri, Diah, Wuryandari, T., Rahmawati, R. 2017. Metode DBSCAN Untuk Pengelompokkan Kabupaten/Kota di Provinsi Jawa Tengah. Jurnal Statistika. 5(1): 1-6.
  11. [11] Siti-Isfandari, N., & Syawaludin, M. (2020). Pemetaan sebaran hasil tangkapan ikan pelagis di perairan Selat Bali menggunakan metode analisis spasial ArcGIS dan data satelit. Jurnal Kelautan: Indonesian Journal of Marine Science and Technology, 13(1), 46-54.
  12. [12] Walpole, R. E. (1995). Introduction to statistics. Macmillan Publishing Company.
  13. [13] Zhang, X., Sun, Y., Liu, J., Zhang, Y., & Sun, Y. 2019. Density-based clustering for imbalanced data based on a novel iterative method. Information Sciences, 484, 348-367.