Memuat
Memuat
K-Means (kmeans) untuk Pertanian Presisi
0 kali dilihat
Memprediksi zona pengelolaan lahan dari kesuburan tanah dan kelembapan tanah menggunakan K-Means (kmeans) serta menilai kinerja modelnya. kmeans membagi data menjadi k klaster dengan meminimalkan jarak titik ke pusat klaster. Cocok untuk segmentasi data numerik ketika jumlah klaster dapat diperkirakan, misalnya segmentasi pelanggan atau wilayah.

Memprediksi zona pengelolaan lahan dari kesuburan tanah dan kelembapan tanah menggunakan K-Means (kmeans) serta menilai kinerja modelnya.
| Peran | Variabel | Satuan |
|---|---|---|
| Utama | Zona pengelolaan lahan | zona |
| Pendukung 1 | Kesuburan tanah | skor |
| Pendukung 2 | Kelembapan tanah | % |
K-means membagi data Field management zone, Soil fertility, dan Soil moisture menjadi 4 klaster dengan rata-rata silhouette 0.557 dan indeks Calinski-Harabasz 327.0; klaster terkecil memuat 23.3% observasi.
Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.
kmeans membagi data menjadi k klaster dengan meminimalkan jarak titik ke pusat klaster. Cocok untuk segmentasi data numerik ketika jumlah klaster dapat diperkirakan, misalnya segmentasi pelanggan atau wilayah.
Laporkan alasan pemilihan k (silhouette atau siku), ukuran dan profil tiap klaster. Tekankan bahwa klaster adalah temuan eksploratif yang bergantung pada fitur dan skala.
Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.
rng(8);
mu = [0 0; 4 4; 0 5; 5 0];
X = [];
for k = 1:4
X = [X; mvnrnd(mu(k,:), eye(2), 100)];
end
X = zscore(X);
soil_fertility = X(:, 1);
soil_moisture = X(:, 2);
ks = 2:8;
sil = zeros(size(ks)); sse = zeros(size(ks));
for i = 1:numel(ks)
[idx, ~, sumd] = kmeans(X, ks(i), 'Replicates', 10, 'Start', 'plus');
sil(i) = mean(silhouette(X, idx));
sse(i) = sum(sumd);
fprintf('k = %d silhouette = %.3f SSE = %.1f\n', ks(i), sil(i), sse(i));
end
[~, ib] = max(sil);
kbest = ks(ib);
[field_management_zone, C] = kmeans(X, kbest, 'Replicates', 10, 'Start', 'plus');
fprintf('Chosen k = %d, cluster sizes: %s\n', kbest, mat2str(accumarray(field_management_zone, 1)'));
figure;
subplot(1,2,1); plot(ks, sse, '-o'); xlabel('k'); ylabel('Total within-cluster SSE');
subplot(1,2,2); gscatter(soil_fertility, soil_moisture, field_management_zone); hold on;
plot(C(:,1), C(:,2), 'kx', 'MarkerSize', 12, 'LineWidth', 2);Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.
Paket 1
Rp 350.000
belum termasuk PPN 11%
Waktu pengerjaan: 3 hari kerja
Output: Berkas MATLAB + gambar hasil
Yang Anda terima
Paket 2 · paling dipilih
Rp 950.000
belum termasuk PPN 11%
Waktu pengerjaan: 7 hari kerja
Output: Kode + analisis + bahan interpretasi
Termasuk semua item Paket 1, ditambah
Paket 3
Rp 2.100.000
belum termasuk PPN 11%
Waktu pengerjaan: 12-15 hari kerja
Output: Kode + analisis + pendampingan hingga siap dipresentasikan
Termasuk semua item Paket 1 & 2, ditambah
Cocok. K-Means (kmeans) lazim dipakai pada jenjang ini di bidang Pertanian Presisi. Analisis kami sesuaikan dengan pertanyaan penelitian, data Anda sendiri, dan ketentuan dosen pembimbing.
Bukan. Lembar hasil dihitung dari data sintetis sebagai ilustrasi jenis keluaran MATLAB. Untuk pesanan Anda, metode yang sama dijalankan pada data penelitian Anda sendiri.
Itu tujuan paketnya. Setiap skrip diberi komentar, dan Paket 3 mencakup dua sesi pendampingan serta latihan tanya jawab supaya Anda bisa menjelaskan metode dan hasilnya saat seminar dan sidang.
Tiap proyek punya tiga paket: Paket 1 (kode dan penjelasan) Rp 350.000, Paket 2 (analisis data Anda dan interpretasi) Rp 950.000, dan Paket 3 (pendampingan lengkap) Rp 2.100.000, belum termasuk PPN 11%. Data yang besar, metode tambahan, atau tenggat ketat menyesuaikan penawaran setelah konsultasi singkat.
Lembar hasil memakai data sintetis sebagai ilustrasi. MATLAB adalah merek dagang The MathWorks, Inc.
Kembali ke portofolio MATLAB