Implementation of the K-Means Clustering Method in Grouping Indonesia’s Provinces Based on Food Crop Productivity
DOI:
https://doi.org/10.21831/pspmm.v9i1.321Keywords:
Bahan Pangan, Clustering, Ketahanan Pangan, K-Means, ProduktivitasAbstract
Produktivitas bahan pangan menjadi tolak ukur yang krusial dalam menentukan kesejahteraan dan ketahanan pangan suatu bangsa. Oleh sebab itu penelitian ini bertujuan untuk melihat bagaimana pengelompokan provinsi di Indonesia berdasarkan produktivitas bahan pangan. Data yang digunakan dalam penelitian ini adalah data sekunder yang bersumber dari Badan Pusat Statistik yang berisikan produktivitas bahan pangan di Indonesia berdasarkan 34 provinsi pada tahun 2015. Ada tujuh variabel yang akan digunakan dalam penelitian ini yaitu produktivitas padi, produktivitas jagung, produktivitas kedelai, produktivitas kacang tanah, produktivitas kacang hijau, produktivitas ubi kayu dan produktivitas ubi jalar. Untuk melakukan pengelompokan, dengan bantuan program RStudio digunakan analisis K-Means clustering, dimana analisis ini dapat mengelompokkan objek-objek yang melibatkan pengiraan yang efisien dan tidak memerlukan banyak parameter. Dari hasil penelitian diperoleh dua cluster, yakni cluster 1 untuk provinsi dengan produktivitas bahan pangan tinggi dan cluster 2 untuk provinsi dengan produktivitas bahan pangan rendah. Cluster 1 terdiri dari 20 provinsi, sedangkan cluster 2 terdiri dari 14 provinsi antara lain Provinsi Riau, Kepulauan Bangka Belitung, Kepulauan Riau, DKI Jakarta, Bali, Nusa Tenggara Timur, Kalimantan Barat, Kalimantan Tengah, Kalimantan Utara, Sulawesi Utara, Sulawesi Tenggara, Maluku Utara, Papua Barat, dan Papua.
References
Z. Maulana, J. P. Andilolo, M. A. Nasution, A. Abri, and A. Amiruddin, “Analisis Keragaman Agronomi Tanaman Jagung Buah,” Jurnal Ilmiah Ecosystem, vol. 23, no. 2, pp. 554–565, Aug. 2023, doi: 10.35965/eco.v23i2.3460.
I. M. Nur, A. N. L. Syifa, M. Kharis, and S. Heidy Permatasari, “IMPLEMENTASI METODE FUZZY C-MEANS DALAM PENGELOMPOKKAN HASIL PANEN PADI DI PROVINSI BALI,” VARIANCE: Journal of Statistics and Its Applications, vol. 5, no. 1, pp. 13–24, Sep. 2023, doi: 10.30598/variancevol5iss1page13-24.
M. Masitha, S. Solikhun, D. Suhendro, I. S. Damanik, and M. Fauzan, “Implementasi K-Means Clustering Untuk Mengelompokkan Hasil Kacang Kedelai Berdasarkan Provinsi,” Prosiding Seminar Nasional Riset Dan Information Science (SENARIS), vol. 2, pp. 192–199, 2020.
T. Tendean and W. Purba, “Analisis Cluster Provinsi Indonesia Berdasarkan Produksi Bahan Pangan Menggunakan Algoritma K-Means,” Jurnal Sains dan Teknologi), vol. 1, no. 2, pp. 5–11, 2020.
I. Sanela, A. Nazir, F. Syafria, E. Haerani, and L. Oktavia, “Penerapan Metode Clustering Dengan K-Means Untuk Memetakan Potensi Tanaman Padi di Sumatera,” Journal of Computer System and Informatics (JoSYC) , 2023, doi: 10.47065/josyc.v5i1.4523.
I. Hakim, M. Rafid, and F. Anggraini, “Pemanfaatan Machine Learning dengan Algoritma X-Means untuk Pemetaan Luas Panen, Produktivitas, dan Produksi Padi,” Building of Informatics, Technology and Science (BITS), vol. 4, no. 3, Dec. 2022, doi: 10.47065/bits.v4i3.2654.
A. Ula, “VISI SUSTAINABLE DEVELOPMENT GOALS (SDGs) TERHADAP KEBIJAKAN DIVERSIFIKASI PANGAN LOKAL DALAM MENGATASI KELAPARAN,” Jurnal Sains Edukatika Indonesia (JSEI), vol. 3, no. 2, pp. 58–64, 2021.
M. Gading Sadewo, A. Perdana Windarto, and A. Wanto, “KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) PENERAPAN ALGORITMA CLUSTERING DALAM MENGELOMPOKKAN BANYAKNYA DESA/KELURAHAN MENURUT UPAYA ANTISIPASI/ MITIGASI BENCANA ALAM MENURUT PROVINSI DENGAN K-MEANS,” KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer), vol. 2, no. 1, 2018, [Online]. Available: http://ejurnal.stmik-budidarma.ac.id/index.php/komik
S. Sugiyono, Metode Penelitian Pendidikan Pendekatan Kuantitatif, Kualitatif, Dan R&D, vol. 4, no. 5. Alfa Beta, 2023. doi: 10.55314/tsg.v4i5.597.
R. A. Johnson and D. W. Wichern, Applied Multivariate Statistical Analysis. 2015.
S. Skansi, “Introduction to Deep Learning From Logical Calculus to Artificial Intelligence,” 2018. [Online]. Available: http://www.springer.com/series/7592
Badan Pusat Statistik Kalimantan Barat, “Statistik Indonesia 2022,” Badan Pusat Statistik, Laporan Statistik, 2022. Accessed: Jan. 10, 2024. [Online]. Available: https://www.bps.go.id/id/publication/2022/02/25/0a2afea4fab72a5d052cb315/statistik-indonesia-2022.html
A. R. Lashiyanti, I. Rasyid Munthe, F. A. Nasution, and E. P. Korespondensi, “Optimisasi Klasterisasi Nilai Ujian Nasional dengan Pendekatan Algoritma K-Means, Elbow, dan Silhouette,” Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI, vol. 6, no. 1, pp. 14–20, 2023.
S. Safruddin, J. W. Sitopu, A. A. Manurung, I. Satria, and A. Wanto, “Pengelompokkan Produksi Tanaman Jagung di Sumatera Utara Menggunakan Algoritma K-Medoids,” Jurnal Media Informatika Budidarma, vol. 7, no. 1, 2021, doi: 10.30865/mib.v7i1.5562.
J. Wijaya and M. S. Manurung, “PENGGEROMBOLAN KABUPATEN/KOTA DI SUMATERA UTARA BERDASARKAN PRODUKTIVITAS TANAMAN PANGAN Regency/City Clustering in North Sumatra Based on Food Crop Productivity,” JOURNAL OF ANALYTICAL RESEARCH, vol. 2, no. 2, 2023, doi: https://doi.org/10.4590/jarsic.v2i2.23.
D. Satrio Wicaksono, P. A. Kusumasari, H. M. Fajar, R. Fajritia, and I. G. A. P. Anggraini, “Implementasi Geographically Weighted Regression (GWR) pada Determinasi Faktor Produksi Beras di Indonesia Tahun 2021 (Geographically Weighted Regression (GWR)’s Implementation on Factor Determination of Rice Production in Indonesia 2021),” Seminar Nasional Official Statistics, 2023.
A. Idris and M. Hizbul, “Ketahanan Pangan, Air, Energi Dan Pertanian: Analisis Sebaran Spasial Dan Clustering Provinsi Di Indonesia,” TheJournalish: Social and Government, vol. 4, no. 5, 2023, doi: 10.55314/tsg.v4i5.597.
A. H. Harahap, “Faktor-Faktor yang Mempengaruhi Produktivitas Padi di Pulau Sumatera, Jawa dan Sulawesi.,” ITB, Bogor, 2013.
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
