Prediksi Kenaikan Rata-Rata Volume Perikanan Tangkap dengan Teknik Data Mining

Peningkatan jumlah permintaan terhadap kebutuhan sumber daya alam semakin meningkat. Salah satunya sumber daya alam yang berada di laut dan pesisir. Kondisi perikanan tangkap di Indonesia saat ini belum optimal. Hal tersebut ditunjukkan dengan peningkatan volume produksi perikanan tangkap yang sangat lambat.Tujuan penelitian ini membuat klasifikasi data untuk prediksi kenaikan volume rata-rata perikanan tangkap dengan teknik data mining. Teknik data mining diterapkan untuk mengetahui pola data dari dataset perikanan tangkap, sehingga hasil klasifikasi dapat diterapkan untuk mengevaluasi faktor-faktor yang berpengaruh terhadap volume perikanan tangkap. Algoritma klasifikasi yang digunakan yaitu Decision Tree, Naive Bayes, Neural Network, dan Support Vector Machine. Hasil klasifikasi diuji dengan confussion matrix dan kurva ROC untuk mengetahui tingkat performance masing-masing algoritma dalam mengklasifikasikan data. Tingkat performance ditunjukkan dengan nilai akurasi.Nilai akurasi tersebut diperoleh dengan pengujian hasil klasifikasi terhadap data training dan data testing. Perbandingan nilai akurasi antar algoritma yang digunakan dapat diketahui algoritma terbaik dalam membuat klasifikasi data perikanan tangkap.

[1]  Glenn J. Myatt.  Making Sense of Data I: A Practical Guide to Exploratory Data Analysis and Data Mining , 2006 .

[2]  Lior Rokach,et al.  Data Mining And Knowledge Discovery Handbook , 2005 .

[3]  Carlo Vercellis,et al.  Business Intelligence , 2009 .

[4]  Daniel R. Monintja.  Pemanfaatan Sumberdaya Pesisir dalam Bidang Perikanan Tangkap , 2009 .

[5]  David L. Olson,et al.  Advanced Data Mining Techniques , 2008 .

[6]  Sumeet Dua,et al.  Data Mining and Machine Learning in Cybersecurity , 2011 .

[7]  Zdravko Markov,et al.  Data mining the Web , 2007 .

[8]  Kusrini,et al.  Algoritma Data Mining , 2009 .

[9]  Daniel T. Larose,et al.  Data mining methods and models , 2006 .

[10]  Max Bramer,et al.  Principles of Data Mining , 2016, Undergraduate Topics in Computer Science.

[11]  Rinda Noviyanti.  Kondisi Perikanan Tangkap Di Wilayah Pengelolaan Perikanan (WPP) Indonesia , 2011 .

[12]  D. Bengen.  Ekosistem dan Sumberdaya Pesisir dan Laut serta Pengelolaan secara Terpadu dan Berkelanjutan , 2009 .

[13]  Carlo Vercellis,et al.  Business Intelligence: Data Mining and Optimization for Decision Making , 2009 .

[14]  Florin Gorunescu,et al.  Data Mining - Concepts, Models and Techniques , 2011, Intelligent Systems Reference Library.

[15]  Qiang Yang,et al.  SVM: Support Vector Machines , 2011 .

[16]  Efraim Turban,et al.  Business Intelligence: Second European Summer School, eBISS 2012, Brussels, Belgium, July 15-21, 2012, Tutorial Lectures , 2013 .

[17]  C. Lo,et al.  An Intelligent Demand Forecasting Model with Back Propagation Neural Network for Fish Product , 2011 .

[18]  Shu-Hsien Liao,et al.  Expert system methodologies and applications - a decade review from 1995 to 2004 , 2005, Expert Syst. Appl..

[19]  Xindong Wu,et al.  The Top Ten Algorithms in Data Mining , 2009 .

[20]  R. Suganya,et al.  Data Mining Concepts and Techniques , 2010 .

[21]  Ian H. Witten,et al.  Data mining: practical machine learning tools and techniques, 3rd Edition , 1999 .