Klasterisasi Provinsi Di Indonesia Berdasarkan Produktivitas Komoditas Pangan Menggunakan Algoritma K-Means

Aditya Novita, Iin Ernawati, Nurul Chamidah

Abstract


Penelitian ini dilakukan bertujuan untuk klasterisasi provinsi berdasarkan luas panen, produksi, dan produktivitas pangan komoditas di Indonesia. Data bersumber dari website Kementerian Pertanian. Data penelitian ini mencakup data luas panen, produksi, dan produktivitas provinsi di Indonesia pada tahun 2017 hingga 2019. Penelitian dilakukan menggunakan K-Means dalam pengelompokan suatu data dan dievaluasi dengan perhitungan (Sum of Square Error) SSE agar ditemukan klaster yang optimal. Penelitian ini dieksekusi menggunakan Google Colaboratory dan bahasa yang digunakan yaitu pemrograman python. Hasil penelitian klasterisasi provinsi ini dihasilkan klaster optimal pada k=3 dengan selisih nilai SSE sebesar 241.05797006047 . Hasil klasterisasi pada klaster 0 (sedang) berjumlah 29 data dengan karakteristik yaitu provinsi memiliki variabel lebih dominan yang nilainya lebih rendah dari klaster 1 dan lebih tinggi dari klaster 2, pada klaster 1 (tinggi) berjumlah 64 data karakteristik provinsi memiliki variabel lebih dominan nilainya lebih tinggi dari klaster 0 dan 2, pada klaster 2 (rendah) berjumlah 9 data dengan karakteristik provinsi memiliki variabel lebih dominan nilainya lebih rendah dari klaster 0 dan 1.


Keywords


Pangan; Clustering; K-Means; Elbow

References


T. Tendean and W. Purba, “Analisis Cluster Provinsi Indonesia Berdasarkan Produksi Bahan Pangan Menggunakan Algoritma K-Means,” J. Sains Dan Teknol., vol. 1, no. 2, pp. 5–11, 2020.

N. T. Hartanti, “Jurnal Nasional Teknologi dan Sistem Informasi Metode Elbow dan K-Means Guna Mengukur Kesiapan Siswa SMK Dalam Ujian Nasional,” vol. 02, pp. 82–89, 2020.

E. Buulolo, Data Mining Untuk Perguruan Tinggi. 2020.

J. Arta, G. Indrawan, G. R. Dantes, P. Studi, and I. Komputer, “DATA MINING REKOMENDASI CALON MAHASISWA BERPRESTASI DI STMIK DENPASAR MENGGUNAKAN METODE TECHNIQUE FOR OTHERS REFERENCE BY SIMILARITY TO IDEAL SOLUTION.”

M. Iqbal, “KLASTERISASI DATA JAMAAH UMROH PADA AULIYA TOUR & TRAVEL MENGGUNAKAN METODE K-MEANS CLUSTERING PENDAHULUAN Perkembangan teknologi saat ini semakin pesat dan tidak terbendung . Semakin mudahnya mendapatkan informasi dan proses transaksi data yang cepat men,” vol. V, no. 2, pp. 97–104, 2019.

D. D. Darmansah and N. W. Wardani, “Analisis Pesebaran Penularan Virus Corona di Provinsi Jawa Tengah Menggunakan Metode K-Means Clustering,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 1, pp. 105–117, 2021, doi: 10.35957/jatisi.v8i1.590.

Y. Darmi and A. Setiawan, “PENERAPAN METODE CLUSTERING K-MEANS DALAM PENGELOMPOKAN PENJUALAN PRODUK,” vol. 12, no. 2, pp. 148–157, 2016.

Suhartini and R. Yuliani, “Infotek : Jurnal Informatika dan Teknologi Penerapan Data Mining untuk Mengcluster Data Penduduk Miskin Menggunakan Algoritma K- Means di Dusun Bagik Endep Sukamulia Timur Infotek : Jurnal Informatika dan Teknologi Pendahuluan masalah kemiskanan belum bis,” vol. 4, no. 1, pp. 39–50, 2021.

E. Muningsih, “KOMPARASI METODE CLUSTERING K-MEANS DAN K-MEDOIDS DENGAN MODEL FUZZY RFM UNTUK PENGELOMPOKAN PELANGGAN,” vol. 6, no. 2, 2018.

I. W. S. Wijaya, I. G. H. W. KS., I. D. M. A. P. S. Bintara, and I. K. G. R. A. Permana, “Program Menghitung Banyak Bata pada Ruangan Menggunakan Bahasa Python,” TIERS Inf. Technol. J., vol. 2, no. 1, pp. 12–22, 2021, [Online]. Available: http://journal.undiknas.ac.id/index.php/tiers/article/view/2840.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.