Pengelompokkan Produksi Tanaman Jagung di Sumatera Utara Menggunakan Algoritma K-Medoids

(1)

Pengelompokkan Produksi Tanaman Jagung di Sumatera Utara Menggunakan Algoritma K-Medoids

Safruddin^1,*, Joni Wilson Sitopu², Azwar Anas Manurung¹, Indra Satria¹, Anjar Wanto³

1 Program Studi Agroteknologi, Universitas Asahan, Kisaran, Indonesia

2 Universitas Simalungun, Pematangsiantar, Indonesia

3 Program Studi Teknik Informatika, STIKOM Tunas Bangsa, Pematangsiantar, Indonesia

Email: ^1,*safruddin67@gmail.com, ²jwsitopu@gmail.com,³anasazwar63@yahoo.com, ⁴indrasatria87861@gmail.com

5anjarwanto@amiktunasbangsa.ac.id

Email Penulis Korespondensi: safruddin67@gmail.com

Abstrak−Komoditas jagung termasuk dalam komoditas strategis dan memiliki prospek pemasaran yang cerah, khususnya di Sumatera Utara. Oleh sebab itu upaya peningkatan produksi jagung perlu mendapat perhatian yang besar, karena dengan ketersediaan yang mencukupi, diharapkan kebutuhan masyarakat terhadap jagung dapat terpenuhi dan harga jual tetap stabil.

Penelitian ini bertujuan untuk melakukan pengelompokkan produksi tanaman jagung di Sumatera Utara berdasarkan Kabupaten/ Kota, sehingga dapat diketahui kelompok kabupaten/ kota yang dapat dikembangkan menjadi sentra produksi tanaman jagung, guna menekan impor bahan pangan khusus nya tanaman jagung. Penelitian ini menggunakan dataset produksi jagung berdasarkan Kabupaten/ Kota di Sumatera Utara yang terdiri dari 25 kabupaten dan 8 kota tahun 2019-2021 yang diperoleh dari Dinas Tanaman Pangan dan Hortikultura Provinsi Sumatera Utara. Algoritma yang digunakan adalah algoritma K-Medoids dengan tools Rapid Miner Studio. Hasil penelitian ini berupa pengelompokkan produksi tanaman jagung yang terbagi kedalam 5 (lima) kelompok, antara lain: Kelompok 1 merupakan wilayah dengan produksi jagung sangat tinggi yang terdiri dari 1 Kabupaten, Kelompok 2 merupakan wilayah dengan produksi jagung tinggi yang terdiri dari 2 Kabupaten, Kelompok 3 merupakan wilayah dengan produksi jagung sedang yang terdiri dari 4 Kabupaten, Kelompok 4 merupakan wilayah dengan produksi jagung rendah yang terdiri dari 3 Kabupaten dan Kelompok 5 merupakan wilayah dengan produksi jagung sangat rendah yang terdiri dari 15 Kabupaten dan 7 Kota. Berdasarkan hasil ini, dapat diambil kesimpulan bahwa kabupaten Karo, Dairi dan Simalungun dapat dijadikan sebagai sentra produksi tanaman jagung di Sumatera Utara, karena dari 3 kabupaten ini saja sudah menghasilkan produksi jagung sebesar 65,7% dari keseluruhan produksi jagung di Sumatera Utara.

Kata Kunci: Data Mining; Jagung; K-Medoids; Pengelompokkan; Produksi

Abstract−Corn is a strategic commodity with bright marketing prospects, especially in North Sumatra. Therefore efforts to increase corn production need great attention because, with sufficient availability, it is hoped that the community's need for corn can be fulfilled and the selling price remains stable. This study aims to classify corn production in North Sumatra based on districts/cities so that districts/cities can be identified and developed into corn production centers to reduce food imports, specifically corn crops. This research uses a corn production dataset based on districts/cities in North Sumatra consisting of 25 regencies and eight cities in 2019-2021 obtained from the Food Crops and Horticulture Service of North Sumatra Province.

The algorithm used is the K-Medoids algorithm with Rapid Miner Studio tools. The results of this study were grouping corn production which was divided into 5 (five) groups, including Group 1 was an area with very high corn production consisting of 1 Regency, Group 2 was an area with high corn production consisting of 2 Regencies, Group 3 was an area with moderate corn production consisting of 4 regencies, Group 4 is an area with low corn production consisting of 3 regencies, and Group 5 is an area with very low corn production consisting of 15 regencies and seven cities. Based on these results, Karo, Dairi, and Simalungun districts can be used as centers for corn production in North Sumatra because these three districts alone produce corn production of 65.7% of the total corn production in North Sumatra.

Keywords: Data Mining; Corn; K-Medoids; Mapping; Clustering; Production

1. PENDAHULUAN

Jagung merupakan salah satu tanaman pertanian/ perkebunan terbesar dan memainkan peran penting dalam perekonomian dunia [1]–[3]. Selain itu jagung juga termasuk tanaman yang paling banyak ditanam di dunia, tumbuh di lebih dari 170 wilayah secara global. Produksi jagung sangat terkonsentrasi di daerah tertentu seperti Amerika Utara, Asia, dan Amerika Selatan [4]. Jagung menjadi salah satu kebutuhan pangan utama di dunia setelah padi dan terigu serta termasuk kebutuhan yang penting di Indonesia setelah beras/ padi [5]–[8], karena masih banyak masyarakat Indonesia yang mengkonsumsi jagung sebagai bahan pangan pokok mereka [9]–[11].

Komoditas Jagung sebagai salah satu komoditas utama tanaman pangan mempunyai peranan strategis dalam pembangunan pertanian dan perekonomian Indonesia, mengingat fungsi multi guna yang dimiliki komoditas ini, baik untuk konsumsi masyarakat secara langsung maupun dimanfaatkan oleh pihak industri pakan serta industri pangan sebagai bahan baku utama [12]. Organisasi Pangan dan Pertanian (Food and Agriculture Organization/

FAO) mencatat, produksi jagung di Indonesia mencapai 22,5 juta ton pada 2020 [13]. Jumlah itu turun 0,38%

dibandingkan pada tahun sebelumnya yang sebesar 22,58 juta ton. Produksi jagung tertinggi di Indonesia terjadi pada tahun 2018 sebanyak 30,25 juta ton. Hanya saja, produksi tersebut anjlok 25% menjadi 22,59 juta ton pada 2019. Jumlah itu pun kembali merosot setahun setelahnya (tahun 2020). Adapun Kementerian Pertanian mencatat produksi jagung tahun 2021 sebanyak 23 juta ton. Kementan memperkirakan produksi jagung akan melonjak menjadi 35,3 juta ton pada 2024. Menurut kementan, potensi peningkatan produksi jagung di dalam negeri cukup besar. Salah satunya dengan memanfaatkan lahan kering yang belum optimal. Hingga saat ini, lahan tersebut baru

(2)

dimanfaatkan 19%. Selain itu, Kementan menyiapkan sejumlah strategi pengembangan jagung. Beberapa di antaranya adalah perluasan areal tanam, mekanisasi budidaya, penggunaan varietas unggul, serta jaminan sarana prasarana [14].

Gambar 1. Produksi Jagung di Indonesia (Tahun 2010-2020) [13]

Produksi jagung terus digenjot pemerintah agar pasokannya aman dan mencapai surplus untuk ekspor.

Berdasarkan laporan dari Pusat Data dan Sistem Kementrian Pertanian, hasil panen jagung yang baik ialah dengan kadar air 15% [15]. Masih menurut data dari Kementerian Pertanian, setidaknya ada 5 provinsi di Indonesia yang mampu menghasilkan jagung dengan kadar air 15% untuk periode Januari hingga Desember tahun 2020 dengan jumlah yang cukup banyak. Kelima daerah tersebut antara lain: Jawa Timur dengan menghasilkan produksi jagung terbesar sebesar 5,37 juta ton jagung dari lahan tanam seluas 1,19 juta hektare (ha). Urutan kedua provinsi Jawa Tengah dengan produksi jagung sebanyak 3,18 juta ton di atas lahan tanam seluas 614,3 ribu ha. Lampung berada di urutan ketiga dengan produksi jagung 2,83 juta ton diatas luas lahan 474,9 ribu ha. Urutan keempat provinsi Sumatera Utara dengan produksi jagung sebesar 1,83 juta ton dari lahan tanam 206,7 ribu ha dan urutan kelima provinsi Sulawesi Selatan yang mampu menghasilkan produksi jagung sebesar 1,82 juta ton diatas lahan seluas 377,7 ribu ha [16].

Pada Penelitian ini akan membahas produksi jagung di Sumatera Utara. Hal ini penting dilakukan karena didasari dari rencana dan usaha pemerintah provinsi Sumatera Utara untuk terus mendorong peningkatan produksi jagung. Selain untuk bisa memenuhi kebutuhan masyarakat, tetapi juga untuk di ekspor dan menekan ketergantungan impor. Karena masih adanya impor jagung, sering membuat harga di tingkat petani berfluktuasi [17]. Penelitian ini nantinya akan menawarkan informasi kepada pemerintah provinsi sumatera Utara mengenai pengelompokkan kabupaten/ kota mana saja yang berpotensi untuk dikembangkan dan menjadi sentra produksi tanaman jagung di Sumatera Utara, sehingga pemerintah provinsi memiliki acuan dan referensi yang jelas dalam memaksimalkan usaha untuk merealisasikan rencana untuk meningkatkan produksi jagung yang sejalan dengan program dari kementrian pertanian yang sudah dijelaskan sebelumnya. Algoritma yang diusulkan untuk pengelompokkan pada penelitian ini adalah algoritma K-Medoids yang merupakan salah satu teknik dari algoritma Data Mining. Sebagaimana diketahui bahwa Algoritma Data Mining telah banyak digunakan untuk pemecahan masalah komputasi yang berhubungan dengan pengelompokkan [18]–[22]. Algoritma K-Medoids digunakan karena merupakan salah satu algoritma teknik pengelompokkan yang dapat digunakan untuk mengelompokkan dan memetakan objek kedalam cluster-cluster dengan objek yang sama [23]. Algoritma ini memiliki kelebihan tidak sensitif terhadap outlier, mampu meminimalisir noise, dan jika dibandingkan dengan K-Means, algoritma ini mampu lebih baik dan unggul dalam melakukan pengelompokan dataset yang bersifat campuran/heterogen, pemilihan cluster, kompleksitas antar ruang cluster, dan waktu eksekusi [24]–[27].

Penelitian terdahulu yang menjadi rujukan penelitian ini diantaranya: Penelitian untuk melakukan pemetaan kelompok sebaran titik gempa bumi di Mentawai menggunakan algoritma K-Medoids. Penelitian ini menghasilkan peta pola sebaran titik gempa bumi Mentawai tahun 2009- 2019 sebanyak 3 (tiga) cluster yaitu cluster 1 (rendah) yang merupakan kelompok gempa dalam, cluster 2 yang merupakan kelompok gempa sedang dan cluster 3 (tinggi) masuk dalam kelompok gempa dangkal. Terdapat sebaran data untuk data Gempa Mentawai Cluster 3 sebanyak 14%, dimana persebaran titik gempa berada mendekati garis pantai (dangkal) dan dengan kekuatan gempa yang tinggi. Terdapat sebaran data gempa Mentawai Cluster 2 sebesar 12 %, dimana persebaran titik gempa berada di daratan. Terdapat sebaran data sebesar 74% data gempa Mentawai Cluster 1, dimana gempa berada jauh dari garis

(3)

Safruddin, Copyright © 2023, MIB, Page 486 pantai [28]. Penelitian selanjutnya dilakukan untuk mengelompokkan dan memetakan daerah mana saja di Sumatera Utara yang mengalami kenaikan dan penurunan hasil tanaman pangan menggunakan algoritma K- Medoids. Hasil penelitian menunjukkan penerapan algoritma KMedoids menghasilkan nilai DBI (Davies Bouldin Index) sebesar 0,062 dan nilai Silhouette Coefficient sebesar 0,8980, dengan jumlah cluster sebanyak 3 cluster dimana Cluster_0 didominasi tanaman pangan jagung mengalami peningkatan produksi sebesar 5% dan kacang tanah sebesar 5% , Cluster _1 didominasi penurunan jumlah hasil produksi kacang kedelai sebesar 38%, dan Cluster_2 didominasi oleh penurunan hasil kacang hijau sebesar 33% [29]. Selanjutnya penelitian untuk melakukan pemetaan produksi kelapa sawit di Indonesia yang juga menggunakan algoritma K-Medoids. Penelitian ini menghasilkan 3 cluster, yaitu pada cluster 2, ada sebanyak 2 provinsi yang masuk dalam cluster ini yaitu Riau dan Sumatera Utara yang termasuk dalam kategori provinsi dengan daerah produksi tinggi tanaman kelapa sawit (High). Selanjutnya, pada cluster 3 ada sebanyak 5 provinsi yang masuk dalam cluster ini yaitu Sumatera Selatan, Kalimantan Barat, Jambi, Kalimantan Tengah, dan Kalimantan Timur yang masuk dalam kategori provinsi dengan daerah produksi rendah tanaman kelapa sawit (Medium). Selanjutnya, pada cluster 1 ada sebanyak 18 provinsi yang masuk dalam cluster ini yaitu Gorontalo, Jawa Barat, Aceh, Sulawesi Barat, Banten, Sumatera Barat, Bengkulu, Lampung, Maluku, Kep. Bangka Belitung, Kep. Riau, Kalimantan Selatan, Kalimantan Utara, Sulawesi Tengah, Sulawesi Selatan, Sulawesi Tenggara, Papua Barat, dan Papua yang termasuk dalam kategori provinsi dengan daerah produksi rendah (Low) [30].

Hasil penelitian ini diharapkan dapat memberikan kontribusi bagi pemerintah Sumatera Utara, khususnya Pemerintah Daerah pada masing-masing Kabupaten/ Kota di bidang perkebunan/ pertanian tanaman jagung, sebagai referensi dan informasi terhadap pengelompokkan produksi tanaman jagung di 33 Kabupaten/ Kota.

Berdasarkan kontribusi keilmuan, penelitian ini diharapkan menjadi alternatif untuk menyelesaikan masalah pengelompokkan produksi tanaman jagung di provinsi lain, serta dapat digunakan oleh pihak akademisi untuk pengembangan keilmuan lebih lanjut.

2. METODOLOGI PENELITIAN

2.1 Pengumpulan Data

Pengumpulan data dilakukan dengan menggunakan teknik Web Scraping, yaitu pengumpulan data dengan cara mengunduh, mengurai, dan mengatur data dari web secara otomatis [31]. Penelitian ini menggunakan dataset produksi jagung di Sumatera Utara yang terdiri dari 33 Kabupaten/ Kota, dikurangi kota Sibolga karena tidak memiliki produksi jagung. Data bersumber dari dari Dinas Tanaman Pangan dan Hortikultura Provinsi Sumatera Utara dan dapat dilihat pada website Badan Pusat Statistik Sumatera Utara [32]. Dataset disajikan pada tabel 1 berikut.

Tabel 1. Produksi Jagung di Sumatera Utara (Ton) [32]

No Kabupaten / Kota Produksi Jagung (Ton)

2019 2020 2021

1 Asahan 6.641 7.369 5.691

2 Batu Bara 9.974 4.014 1.694

3 Binjai 4.599 4.685 5.066

4 Dairi 265.824 231.825 268.866

5 Deli Serdang 98.123 156.273 86.699

6 Gunungsitoli 656 310 338

7 Humbang Hasundutan 99.029 75.483 102.904

8 Karo 767.305 755.922 757.927

9 Labuahn Batu Utara 3.430 181 453

10 Labuhan Batu 5.735 10.123 655

11 Labuhanbatu Selatan 1.166 374 461

12 Langkat 135.611 121.679 64.849

13 Mandailing Natal 32.252 24.086 1.758

14 Medan 2.231 2.230 2.381

15 Nias 2.812 6.535 2.723

16 Nias Barat 483 100 0

17 Nias Selatan 20.639 15.167 6.572

18 Nias Utara 3.898 720 603

19 Padang Lawas 10.738 3.451 1.230

20 Padang Lawas Utara 7.787 10.069 1.055

21 Padangsidimpuan 1.508 1.834 1.661

22 Pakpak Bharat 11.254 15.424 16.450

23 Pematangsiantar 3.562 5.772 5.411

(4)

No Kabupaten / Kota Produksi Jagung (Ton)

2019 2020 2021

24 Samosir 47.851 30.815 27.260

25 Serdang Bedagai 23.109 30.982 8.733

26 Sibolga 0 0 0

27 Simalungun 234.681 256.944 175.419

28 Tanjungbalai 371 584 125

29 Tapanuli Selatan 25.156 23.793 23.353

30 Tapanuli Tengah 1.091 2.874 114

31 Tapanuli Utara 90.855 128.531 104.288

32 Tebing Tinggi 51 47 213

33 Toba Samosir 42.004 37.251 49.446

Sumatera Utara 1.960.424 1.965.444 1.724.398

Pada tabel 1 dapat dilihat jumlah produksi jagung masing-masing kabupaten/ kota di Sumatera Utara yang terdiri dari 25 kabupaten dan 8 kota, dikurangi Kota Sibolga karena tidak memiliki produksi Jagung. Kota Sibolga tidak dimasukkan kedalam data penelitian, agar tidak mengganggu proses perhitungan dan analisis.

2.2 Metode

Algoritma K-Medoids merupakan varian dari K-means dan lebih kuat terhadap kebisingan dan outlier. K-medoids merupakan metode pengelompokan partisi yang menggunakan titik aktual dalam cluster untuk mewakilinya.

Objek yang mewakili sebuah cluster disebut dengan Medoids. Medoids merupakan objek yang letaknya terpusat di dalam suatu cluster dengan jarak minimum ke titik lain sehingga kuat dan kokoh terhadap data yang menyimpang (outlier). Cluster dibangun dengan menghitung kedekatan yang dimiliki antara medoids dengan objek non medoids [33]. Gambar 2 berikut merupakan flowchart dari algoritma K-Medoids.

Start

Hasil Clustering Inisiasi Pusat

Cluster

Hitung Jarak Euclidean

Jika Total distance baru – total distance

lama < 0

End

Update inisial Cluster

Tidak

Ya n, k

K-Medoids Clustering

Gambar 2. Flowchart Algoritma K-Medoids [34]

Langkah-langkah algoritma K-Medoids Berdasarkan gambar 2 dapat dijelaskan sebagai berikut : 1. Inisialisasi pusat cluster sebanyak nilai k

2. Menentukan data yang ada pada cluster terdekat menggunakan persamaan Euclidean Distance menggunakan persamaan (1).

(5)

d_ij= √∑^p_i=1(x_i− y_i)² (1)

Di mana i = 1,..,n; j=1,..,n dan p adalah banyak variable, serta V adalah matrik varian kovarian.

3. Pilih secara acak data yang terdapat pada masing – masing cluster sebagai kandidat pusat cluster / centroid.

4. Hitung jarak setiap data pada masing – masing cluster dengan kandidat baru.

5. Hitung total simpangan (s) dengan menghitung nilai total distance baru total distance lama. Jika S<0 maka tukar objek dengan data /cluster untuk membentuk sekumpulan k object baru sebagai medoid.

6. Ulangi langkah 3 sampai 5 hingga tidak terjadinya perubahan medoid hingga didapatkan cluster beserta anggota cluster masing-masing

3. HASIL DAN PEMBAHASAN

3.1 Penentuan Cluster

Pada penerapan algoritma K-Medoids menggunakan Rapid miner, terlebih dahulu adalah menentukan nilai K min

(Jumlah cluster minimal) dan nilai K max (Jumlah cluster maksimal). Nilai K min dan K max dapat ditentukan secara acak atau random dan bersifat optional. Pengelompokkan data produksi tanaman jagung yang ditentukan pada makalah ini ada 5 (lima) kelompok, antara lain: Wilayah dengan produksi jagung Sangat Tinggi, Wilayah dengan produksi jagung kategori Tinggi, Wilayah dengan produksi jagung kategori Sedang, Wilayah dengan produksi jagung kategori Rendah dan Wilayah dengan produksi jagung kategori Sangat Rendah.

3.2 Pengelompokkan Produksi Padi dengan Rapid Miner

Proses pengelompokkan produksi tanaman jagung di masing-masing Kabupaten/ Kota provinsi Sumatera Utara dalam bentuk clusterisasi dan hasil dari algoritma K-Medoids dengan menggunakan Rapid Miner Studio dapat dilihat pada Gambar 3, Gambar 4, Gambar 5, Gambar 6 dan Gambar 7.

Gambar 3. Proses K-Medoids Produksi Tanaman Jagung (K min = 5 dan K max = 100)

Gambar 2 menjelaskan proses peng-clusteran X-Means dengan Rapid Miner yang diawali dengan memasukkan data produksi jagung di Sumut, dilanjutkan pemilihan operator K-Medoids dengan nilai K min = 5 dan nilai K max = 100. Selanjutnya dihubungkan ke Apply Model untuk menerapkan model yang sudah dilatih atau dipelajari. Selanjutnya menghubungkan ke Cluster Distance Performance untuk mengevaluasi kinerja model yang memberikan daftar nilai kriteria kinerja secara otomatis sesuai dengan tugas yang diberikan.

Gambar 4. Hasil Cluster Model (K-Medoids) dari Produksi Tanaman Jagung Berdasarkan Kabupaten/ Kota Gambar 4 merupakan cluster model (K-Medoids) dari data Produksi Tanaman Jagung berdasarkan 32 Kabupaten/ Kota di Provinsi Sumatera Utara yang dihasilkan oleh Rapid Miner. Cluster_0: 22 items, Cluster_ 1:

4 items, Cluster_2: 3 items, Cluster_3: 1 items dan Cluster_4: 2 items. Untuk hasil akhir Centroid tabel dapat dilihat pada gambar 4 berikut.

(6)

Gambar 5. Tabel Centroid dari Data Produksi Tanaman Jagung di Sumatera Utara

Hasil detail pengelompokkan data Produksi Tanaman Jagung berdasarkan 32 Kabupaten/ Kota di Provinsi Sumatera Utara dapat dilihat gambar 6 berikut.

Gambar 6. Folder View Pengelompokkan Produksi Tanaman Jagung di Sumatera Utara

Cluster_0 berdasarkan gambar 6 terdiri dari 22 (Dua puluh dua) item dengan rincian 15 kabupaten (Asahan, Batu Bara, Labuhanbatu Utara, Labuhan Batu, Labuhanbatu Selatan, Mandailing Natal, Nias, Nias Barat, Nias Selatan, Nias Utara, Padang Lawas, Padang Lawas Utara, Pakpak Bharat, Serdang Bedagai, Tapanuli Tengah) dan 7 Kota (Binjai, Gunungsitoli, Medan, Padangsidimpuan, Pematangsiantar, Tanjungbalai, Tebing Tinggi). Cluster_1 terdiri dari 4 (empat) Kabupaten (Deli Serdang, Humbang Hasundutan, Langkat dan Tapanuli Utara). Cluster 2 terdiri dari 3 (tiga) Kabupaten (Samosir, Tapanuli Selatan dan Toba Samosir). Cluster_3 hanya terdiri dari 1 (satu) Kabupaten yakni Karo. Sedangkan Cluster_4 terdiri dari 2 (dua) Kabupaten yaitu Dairi dan Simalungun.

Gambar 7. Pengelompokkan Produksi Tanaman Jagung di Sumatera Utara

(7)

sangat rendah) yang terdiri dari 22 (dua puluh dua) wilayah, dengan rincian 15 kabupaten (Asahan, Batu Bara, Labuhanbatu Utara, Labuhan Batu, Labuhanbatu Selatan, Mandailing Natal, Nias, Nias Barat, Nias Selatan, Nias Utara, Padang Lawas, Padang Lawas Utara, Pakpak Bharat, Serdang Bedagai, dan Tapanuli Tengah) dan 7 Kota (Binjai, Gunungsitoli, Medan, Padangsidimpuan, Pematangsiantar, Tanjungbalai, dan Tebing Tinggi).

b. Titik warna jingga merupakan wilayah produksi tanaman jagung yang masuk pada Cluster_1 (Produksi jagung Sedang) yang terdiri dari 4 (empat) Kabupaten, yaitu: Deli Serdang, Humbang Hasundutan, Langkat dan Tapanuli Utara.

c. Titik warna Ungu pada gambar 7 merupakan pengelompokkan wilayah produksi tanaman jagung yang masuk pada Cluster_2 (Produksi jagung rendah) yang terdiri dari 3 (tiga) Kabupaten, yaitu: Samosir, Tapanuli Selatan dan Toba Samosir.

d. Titik warna hitam merupakan pengelompokkan wilayah produksi tanaman jagung yang masuk pada Cluster_3 (Produksi jagung sangat tinggi) yang wilayah nya hanya meliputi Kabupaten Karo.

e. Sedangkan titik warna hijau merupakan wilayah produksi tanaman jagung yang masuk pada Cluster_4 (Produksi jagung tinggi) yang wilayahnya meliputi 2 (dua) kabupaten, yakni Dairi dan Simalungun.

4. KESIMPULAN

Berdasarkan hasil dan pembahasan dapat disimpulkan bahwa algoritma K-Medoids dapat digunakan untuk melakukan pengelompokan wilayah penghasil produksi tanaman jagung di provinsi Sumatera Utara yang tersebar di 32 kabupaten/ Kota. Wilayah Produksi jagung dibagi menjadi 5 (lima) pengelompokkan antara lain:

pengelompokkan 1 merupakan wilayah Produksi jagung sangat rendah yang terdiri dari 22 (dua puluh dua) wilayah, dengan rincian 15 kabupaten dan 7 Kota. pengelompokkan 2 merupakan wilayah Produksi jagung rendah yang terdiri dari 3 (tiga) Kabupaten. pengelompokkan 3 merupakan wilayah Produksi jagung Sedang yang terdiri dari 4 (empat) Kabupaten. Pengelompokkan 4 merupakan wilayah Produksi jagung tinggi yang wilayahnya meliputi 2 (dua) kabupaten dan Pengelompokkan 5 merupakan wilayah Produksi jagung sangat tinggi yang wilayah nya hanya meliputi Kabupaten Karo. Berdasarkan hasil ini, dapat diambil garis besar bahwa kabupaten Karo, Dairi dan Simalungun dapat dijadikan sebagai sentra produksi tanaman jagung di Sumatera Utara, karena dari 3 kabupaten ini saja sudah menghasilkan produksi jagung sebesar 65,7% dari keseluruhan produksi jagung di Sumatera Utara.

UCAPAN TERIMAKASIH

Terima kasih yang sebesar-besarnya diucapkan kepada pihak-pihak yang telah mendukung terlaksananya kolaborasi penelitian ini baik moril maupun materiil, diantara nya: Program Studi Agro teknologi, Universitas Asahan, Kisaran. Universitas Simalungun (USI) dan STIKOM Tunas Bangsa, Pematangsiantar.

REFERENCES

[1] I. Corsato Alvarenga, A. N. Dainton, and C. G. Aldrich, “A review: nutrition and process attributes of corn in pet foods,”

Critical Reviews in Food Science and Nutrition, vol. 62, no. 31, pp. 8567–8576, 2021.

[2] N. Kamariah, R. Rahmi, and J. Jeki, “Respons Pertumbuhan Jagung Ungu (Zea Mays L.) Pada Berbagai Cekaman Salinitas,” Agrotekbis: E-Jurnal Ilmu Pertanian, vol. 10, no. 1, pp. 125–134, 2022.

[3] M. P. Sari, Y. Deliana, and D. Rochdiani, “Integrasi Pasar Jagung di Indonesia,” Jurnal Agrinika : Jurnal Agroteknologi dan Agribisnis, vol. 5, no. 2, pp. 147–160, 2021.

[4] J. Wang and X. Hu, “Research on corn production efficiency and influencing factors of typical farms: Based on data from 12 corn-producing countries from 2012 to 2019,” PLoS ONE, vol. 16, no. 7, pp. 1–17, 2021.

[5] M. I. Rosadi and M. Lutfi, “Identifikasi Jenis Penyakit Daun Jagung Menggunakan Deep Learning Pre-Trained Model,”

Explore IT! - Jurnal Keilmuan Dan Aplikasi Teknik Informatika, vol. 13, no. 2, pp. 35–42, 2021.

[6] D. N. Edi, “Bahan Pakan Alternatif Sumber Energi untuk Subtitusi Jagung pada Unggas (Ulasan),” Jurnal Peternakan Indonesia (Indonesian Journal of Animal Science), vol. 23, no. 1, pp. 43–61, 2021.

[7] A. B. Dahliana and R. Tahir, “Strategi Pemasaran Jagung Hibrida Sebagai Program Unggulan Daerah di Kecamatan Cina, Kabupaten Bone, Provinsi Sulawesi Selatan,” Agro Bali: Agricultural Journal, vol. 4, no. 1, pp. 106–115, 2021.

[8] E. H. Rachmawanto and H. P. Hadi, “Optimasi Ekstraksi Fitur Pada Knn Dalam Klasifikasi Penyakit Daun Jagung,”

Jurnal Dinamik, vol. 22, no. 2, pp. 58–67, 2021.

[9] A. Wanto, “Prediksi Produktivitas Jagung Indonesia Tahun 2019-2020 Sebagai Upaya Antisipasi Impor Menggunakan Jaringan Saraf Tiruan Backpropagation,” SINTECH (Science and Information Technology), vol. 1, no. 1, pp. 53–62, 2019.

[10] Waslah, A. Yani, and L. Bariroh, “Pelatihan Pembuatan Alat Penabur Pupuk Jagung Sederhana untuk Gabungan Kelompok Tani Desa Mojokrapak,” Jumat Pertanian: Jurnal Pengabdian Masyarakat, vol. 2, no. 3, pp. 134–136, 2021.

[11] S. Y. F. Pradapa and A. Kusumawati, “Perbandingan kerupuk gendar beras putih dan kerupuk gendar beras jagung ditinjau dari selera warga bulustalan semarang,” Mabha Jurnal, vol. 2, no. 2, pp. 117–125, 2021.

[12] T. Regi, B. M. H., and H. Amir, “Alokasi Waktu Kerja dan Waktu Luang Petani Jagung di Kecamatan Tilamuta Kabupaten Boalemo,” Jurnal Agrinesia, vol. 6, no. 1, pp. 72–77, 2021.

(8)

[13] FAO, FAO Statistical Yearbook – World Food and Agriculture. Rome, Italy: FAO, 2022.

[14] S. Widi, “Produksi Jagung Indonesia Capai 22,5 Juta Ton pada 2020,” DataIndonesia.id, 2022. [Online]. Available:

https://dataindonesia.id/sektor-riil/detail/produksi-jagung-indonesia-capai-225-juta-ton-pada-2020. [Accessed: 26-Jul- 2022].

[15] Kementan, “Inilah 10 Provinsi Produsen Jagung Terbesar Indonesia,” Kementrian Pertanian Republik Indonesia, 2022.

[Online]. Available: https://www.pertanian.go.id/home/?show=news&act=view&id=4639. [Accessed: 20-Dec-2022].

[16] T. Malasari, “Stok Melimpah, Ini 5 Provinsi Penghasil Jagung Terbesar di Indonesia,” Sariagri, 2022. [Online].

Available: https://pertanian.sariagri.id/103093/stok-melimpah-ini-5-provinsi-penghasil-jagung-terbesar-di-indonesia.

[Accessed: 31-Aug-2022].

[17] E. Siregar, “Sumut targetkan produksi jagung 1,624.357 ton,” ANTARA, 2022. [Online]. Available:

https://www.antaranews.com/berita/2722449/sumut-targetkan-produksi-jagung-1624357-ton. [Accessed: 25-Dec-2022].

[18] N. Arminarahmah, A. D. GS, G. W. Bhawika, M. P. Dewi, and A. Wanto, “Mapping the Spread of Covid-19 in Asia Using Data Mining X-Means Algorithms,” IOP Conf. Series: Materials Science and Engineering, vol. 1071, no. 1, p.

012018, 2021.

[19] F. S. Napitupulu, I. S. Damanik, I. S. Saragih, and A. Wanto, “Algoritma K-Means untuk Pengelompokkan Dokumen Akta Kelahiran pada Tiap Kecamatan di Kabupaten Simalungun,” Building of Informatics, Technology and Science (BITS) Volume, vol. 2, no. 1, pp. 55–63, 2020.

[20] J. Hutagalung, N. L. W. S. R. Ginantra, G. W. Bhawika, W. G. S. Parwita, A. Wanto, and P. D. Panjaitan, “COVID-19 Cases and Deaths in Southeast Asia Clustering using K-Means Algorithm,” Journal of Physics: Conference Series, vol.

1783, no. 1, p. 012027, 2021.

[21] N. A. Febriyati, A. D. GS, and A. Wanto, “GRDP Growth Rate Clustering in Surabaya City uses the K- Means Algorithm,” International Journal of Information System & Technology, vol. 3, no. 2, pp. 276–283, 2020.

[22] M. A. Hanafiah and A. Wanto, “Implementation of Data Mining Algorithms for Grouping Poverty Lines by District/City in North Sumatra,” International Journal of Information System & Technology, vol. 3, no. 2, pp. 315–322, 2020.

[23] I. I. P. Damanik, S. Solikhun, I. S. Saragih, I. Parlina, D. Suhendro, and A. Wanto, “Algoritma K-Medoids untuk Mengelompokkan Desa yang Memiliki Fasilitas Sekolah di Indonesia,” in Prosiding Seminar Nasional Riset Information Science (SENARIS), 2019, vol. 1, no. September, pp. 520–527.

[24] H. Ningrum, E. Irawan, and M. R. Lubis, “Implementasi Metode K-Medoids Clustering Dalam Pengelompokan Data Penyakit Alergi Pada Anak,” Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika), vol. 6, no. 1, pp. 130–139, 2021.

[25] A. A. D. Sulistyawati and M. Sadikin, “Penerapan Algoritma K-Medoids Untuk Menentukan Segmentasi Pelanggan,”

SISTEMASI: Jurnal Sistem Informasi, vol. 10, no. 3, pp. 516–526, 2021.

[26] N. Widiawati, B. N. Sari, and T. N. Padilah, “Clustering Data Penduduk Miskin Dampak Covid-19 Menggunakan Algoritma K-Medoids,” Journal of Applied Informatics and Computing (JAIC), vol. 6, no. 1, pp. 55–63, 2022.

[27] S. Ramadhani, D. Azzahra, and T. Z, “Comparison of K-Means and K-Medoids Algorithms in Text Mining based on Davies Bouldin Index Testing for Classification of Student’s Thesis,” Digital Zone: Jurnal Teknologi Informasi dan Komunikasi, vol. 13, no. 1, pp. 24–33, 2022.

[28] Y. Setiawan, S. A. Suprianto, A. Wijanarko, D. S. Rini, and M. Yusa, “Pemetaan Kelompok Sebaran Titik Gempa Bumi Mentawai Dengan Metode K-Medoids Clustering,” Jurnal Teknoinfo, vol. 16, no. 1, p. 124, 2022.

[29] N. P. Dharshinni and C. Fandi, “Penerapan Metode K-Medoids Clustering Untuk Mengelompokkan Ketahanan Pangan,”

Jurnal Media Informatika Budidarma, vol. 6, no. 4, pp. 2301–2308, 2022.

[30] F. E. Zulfiakhoir, Y. Umaidah, and Purwantoro, “Pemetaan Daerah Produksi Perkebunan Kelapa Sawit Pada Provinsi Indonesia Menggunakan Algoritma K-Medoids,” Jurnal Ilmiah Wahana Pendidikan, vol. 8, no. 16, pp. 195–208, 2022.

[31] S. Han and C. K. Anderson, “Web Scraping for Hospitality Research: Overview, Opportunities, and Implications,”

Cornell Hospitality Quarterly, vol. 62, no. 1, pp. 89–104, 2021.

[32] BPS, “Luas panen, produksi dan rata-rata produksi jagung menurut kabupaten/kota 2019-2021,” Badan Pusat Statistik Provinsi Sumatera Utara, 2022. [Online]. Available: https://sumut.bps.go.id/indicator/53/156/1/luas-panen-produksi- dan-rata-rata-produksi-jagung.html. [Accessed: 06-Dec-2022].

[33] A. Wanto et al., Data Mining : Algoritma dan Implementasi. Medan: Yayasan Kita Menulis, 2020.

[34] D. F. Pramesti, M. T. Furqon, and C. Dewi, “Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Hotspot),” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 1, no. 9, pp. 723–732, 2017.