Perbandingan Algoritma K-Medoids Dan K-Means Dalam Pengelompokan Kecamatan Berdasarkan Produksi Padi Dan Palawija Di Jember

Abstract View: 340, PDF Download: 238

Authors

  • Akhmad Safrin Sadad Khan Matematika, Universitas Jember
  • Mohamat Fatekurohman Matematika, Universitas Jember https://orcid.org/0000-0003-3312-5558
  • Yuliani Setia Dewi Matematika, Universitas Jember

DOI:

https://doi.org/10.32665/statkom.v2i2.2301

Keywords:

K-Means, K-Medoid, Davies Bouldin Index, Tanaman pangan

Abstract

Latar   Belakang: Pengelolaan tanaman pangan sangat penting untuk mendukung ketahanan pangan. Dataset menunjukkan variasi hasil panen padi dan tanaman pokok lainnya. Variasi hasil panen tersebut memerlukan pengelompokan wilayah berdasarkan hasil panen. Algoritma yang umum digunakan dalam analisis clustering adalah K-means dan K-medoids. Terdapat pada kedua algoritma tersebut yiatu K-means kompleksitas waktu lebih cepat dan K-medoids lebih tahan dengan data outlier. Sehingga perbandingan kedua algoritma dapat membantu pemilihan algoritma yang lebih baik dalam kasus tertentu

Tujuan: memperoleh hasil perbandingan cluster terbaik dengan menggunakan algoritma  K-means dan K-medoids di Kabupaten Jember berdasarkan produksi padi dan palawija dan mengetahui hasil clustering dengan algoritma pengelompokan terbaik Kecamatan Jember berdasarkan produksi padi dan palawija.

Metode: Algoritma clustering yang digunakan yaitu K-means dan K-medoids. Metode evaluasi menggunakan Davies Bouldien Index. Sumber data berasal dari data sekunder dari BPS Kabupaten Jember tahun 2020.

Hasil: Diperoleh algoritma terbaik yaitu K-means dengan DBI 0,648 lebih kecil dibandingan K-medoids 0,886 dibagi menjadi 6 klaster yaitu klaster satu sebanyak 1 kecamatan, klaster dua sebanyak 3 kecamatan, klaster tiga sebanyak 2 kecamatan, klaster klaster empat sebanyak 3 kecamatan, klaster lima sebanyak 8 kecamatan dan klaster 6 sebanyak 14 kecamatan.

Kesimpulan: K-means dengan 6 cluster menjadi algoritma terbaik untuk pengelompokan produksi tanaman pangan di Kabupaten Jember.

References

Arhami, M., Kom, M., & Muhammad Nasir, S. T. (2020). Data Mining-Algoritma dan Implementasi. Penerbit Andi.

Arifien, Y., Putra, R. P., Wibaningwati, D. B., Anasi, P. T., Masnang, A., Rizki, F. H., ... & Indrawati, E. (2022). Pengantar Ilmu Pertanian. Get Press.

Arora, P., & Varshney, S. (2016). Analysis of k-means and k-medoids algorithm for big data. Procedia Computer Science, 78, 507-512. https://doi.org/10.1016/j.procs.2016.02.095

Badan Perencanaan Pembangunan Kabupaten Jember. (2015). PENYUSUNAN MASTERPLAN PERTANIAN.

Efendi, E. (2016). Implementasi sistem pertanian berkelanjutan dalam mendukung produksi pertanian. Warta Dharmawangsa, (47). https://doi.org/10.46576/wdw.v0i47.231

Fimawahib, L., Bakti, I. R., & Supriyanto, A. (2022). Algoritma K-Medoids untuk Pengelompokan Produksi Padi dan Beras sebagai Upaya Optimalisasi Ketahanan Pangan di Provinsi Riau. SATIN-Sains dan Teknologi Informasi, 8(2), 13-24. https://doi.org/10.33372/stn.v8i2.877

Han, J., Pei, J., & Tong, H. (2022). Data mining: concepts and techniques. Morgan kaufmann.

Holmes, D. E., & Jain, L. C. (Eds.). (2011). Data Mining: Foundations and Intelligent Paradigms: Volume 1: Clustering, Association and Classification (Vol. 23). Springer Science & Business Media.

Jollyta, D., Siddik, M., Mawengkang, H., & Efendi, S. (2021). Teknik Evaluasi Cluster Solusi Menggunakan Python Dan Rapidminer. Deepublish.

Meiriza, A., & Ali, E. (2023). Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Program BPJS Ketenagakerjaan. Indonesian Journal of Computer Science, 12(2). https://doi.org/10.33022/ijcs.v12i2.3184

P Pretty, J. (2008). Agricultural sustainability: concepts, principles and evidence. Philosophical Transactions of the Royal Society B: Biological Sciences, 363(1491), 447-465.

Setyawati, A. W. (2017). Implementasi Algoritma Partitioning Around Medoid (PAM) untuk Pengelompokan Sekolah Menengah Atas di DIY Berdasarkan Nilai Daya Serap Ujian Nasional. Fakultas Sains dan Teknologi, Universitas Sanata Darma, Yogyakarta.

Sholikhah, N. A. (2022). Studi Perbandingan Clustering Kecamatan di Kabupaten Bojonegoro Berdasarkan Keaktifan Penduduk Dalam Kepemilikan Dokumen Kependudukan. Jurnal Statistika dan Komputasi, 1(1), 42-53. https://doi.org/10.32665/statkom.v1i1.443

Surya, P., & Laurence Aroquiaraj, I. (2019). Performance analysis of K-means and K-medoid clustering algorithms using agriculture dataset. Journal of Emerging Technologies and Innovative Research (JETIR), 6(1). https://ssrn.com/abstract=3345800

Talakua, M. W., Leleury, Z. A., & Taluta, A. W. (2017). Analisis cluster dengan menggunakan metode k-means untuk pengelompokkan Kabupaten/Kota di provinsi maluku berdasarkan indikator indeks pembangunan manusia tahun 2014. BAREKENG: Jurnal Ilmu Matematika dan Terapan, 11(2), 119-128. https://doi.org/10.30598/barekengvol11iss2pp119-128

Tan, P. N., Steinbach, M., & Kumar, V. (2013). Data mining cluster analysis: basic concepts and algorithms. Introduction to data mining, 487, 533.

Tendean, T., & Purba, W. (2020). Analisis Cluster Provinsi Indonesia Berdasarkan Produksi Bahan Pangan Menggunakan Algoritma K-Means. Jurnal Sains dan Teknologi, 1(2), 5-11. https://doi.org/10.34013/saintek.v1i2.31

Umagapi, I. T., Umaternate, B., Hazriani, H., & Yuyun, Y. (2023). Uji Kinerja K-Means Clustering Menggunakan Davies-Bouldin Index Pada Pengelompokan Data Prestasi Siswa. Prosiding SISFOTEK, 7(1), 303-308.

Wijayanto, S., & Fathoni, M. Y. (2021). Pengelompokkan Produktivitas Tanaman Padi di Jawa Tengah Menggunakan Metode Clustering K-Means. JUPITER (Jurnal Penelitian Ilmu dan Teknik Komputer), 13(2), 212-219.

Downloads

Published

2023-12-31

How to Cite

Khan, A. S. S., Fatekurohman, M., & Dewi, Y. S. (2023). Perbandingan Algoritma K-Medoids Dan K-Means Dalam Pengelompokan Kecamatan Berdasarkan Produksi Padi Dan Palawija Di Jember. Jurnal Statistika Dan Komputasi, 2(2), 67–75. https://doi.org/10.32665/statkom.v2i2.2301

Issue

Vol. 2 No. 2 (2023): Jurnal Statistika dan Komputasi

Section

Articles

License

Copyright (c) 2023 Jurnal Statistika dan Komputasi

Creative Commons License

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

Authors who publish in this Journal agree to the following terms:

  1. The author retains copyright and grants the Journal right of first publication with the work simultaneously licensed under a creative commons attribution license that allows others to share the work within an acknowledgement of the work’s authorship and initial publication of this Journal.
  2. Authors can enter into a separate, additional contractual arrangement for the non-exclusive distribution of the Journal’s published version of the work (e.g. acknowledgement of its initial publication in this Journal).
  3. Authors are permitted and encouraged to post their work online (e.g. in institutional repositories or on their websites) before and during the submission process, as it can lead to productive exchanges and earlier and more extraordinary citations of published works.
Abstract View: 340, PDF Download: 238