Penerapan Metode K-Medoids Clustering Untuk Mengelompokkan Ketahanan Pangan
N P Dharshinni*, Ciok Fandi
Fakultas Teknologi dan Ilmu Komputer, Program Studi Teknik Informatika, Universitas Prima Indonesia, Medan, Indonesia Email: 1,*priyadharshinninaidu@gmail.com, 2fandyi336@gmail.com
Email Penulis Korespondensi: priyadharshinninaidu@gmail.com
Abstrak−Pangan merupakan kebutuhan pokok yang harus tercukupi dan mudah dijangkau oleh seluruh masyarakat. Setelah berakhirnya masa pandemi, masih menyebabkan beberapa sektor mengalami penurunan, termasuk sektor pertanian mengalami penurunan yang mengakibatkan hasil panen juga ikut menurun. Permasalahan yang dihadapi beberapa daerah di Indonesia salah satunya daerah Sumatera Utara adalah ketersediaan hasil pangan mengalami penurunan dan kenaikan yang tidak stabil dikarenakan kurangnya informasi tentang pengelompokan ketahanan panen setiap tahunnya. Sehingga mengakibatkan kebutuhan pangan masyarakat disetiap daerah menjadi tidak terpenuhi. Tujuan Penelitian ini adalah mengelompokkan daerah dengan jumlah kenaikan dan penurunan hasil tanaman pangan di Sumatera Utara menggunakan algoritma K-Medoids.
Algoritma K-Medoids termasuk algoritma pengelompokan yang cukup efesien dalam melakukan pengelompokan terhadap data yang kecil dan pencarian titik yang paling representatif dan mampu mengatasi outlier. Sehingga dapat digunakan dalam pengelompokan pengaruh produktivitas dan tingkat ketahanan pangan. Hasil penelitian menunjukkan penerapan algoritma K- Medoids 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%.
Kata Kunci: Ketahanan Pangan; Data Mining; Klustering; K-Medoids; Davies Bouldin Index
Abstract−Food is a basic need that must be fulfilled and easily accessible to the entire community. After the end of the pandemic period, it still caused several sectors to decline, including the agricultural sector, which resulted in crop yields also declining. The problem faced by several regions in Indonesia, one of which is the North Sumatra region, is that the availability of food products has decreased and increased unstably due to the lack of information about the grouping food security every year. This results in the food needs of the people in each region being unfulfilled. The purpose of this study is to group areas with the number of increases and decreases in food crop yields in North Sumatra using the K-Medoids algorithm. The K- Medoids algorithm includes a deflection algorithm that is quite efficient in carrying out the shaking of small datasets and t he search for the most representative points and can overcome outliers. So that it can be used in the floundering of the influence of productivity and the level of food security. The results showed that the application of the K-Medoids algorithm resulted in a DBI (Davies Bouldin Index) value of 0.062 and a Silhouette Coefficient value of 0.8980, with the number of clusters as many as 3 clusters where Cluster_0 dominated by corn food crops experienced an increase in production by 5% and peanuts by 5%, Cluster _1 was dominated by a decrease in the number of soybean production yields by 38%, and Cluster_2 dominated by a decrease in green bean yield by 33%.
Keywords: Food Security; Data Mining; Clustering; K-Medoids; Davies Bouldin Index
1. PENDAHULUAN
Pangan menjadi kebutuhan utama masyarakat yang sudah seharusnya terpenuhi, dan seiring bertambahnya populasi penduduk, kebutuhan akan pangan baik secara kualitas maupun kuantitas harus semakin meningkat.
Indonesia merupakan salah satu negara dengan ketahanan pangan yang masih kurang stabil[1].Ketahanan pangan menjadi faktor yang sangat penting dalam membangun suatu negara, terutama di negara berkembang dikarenakan memiliki dua peran penting, sehingga hal ini menjadi tujuan utama dalam membangun ekonomi suatu negara.
Peran pertama memiliki fungsi pangan sebagai syarat untuk seluruh masyarakat memiliki akses terhadap pangan dengan kualitas yang cukup baik untuk kehidupan sehari-hari, sehat dan juga produktif. Peran kedua memiliki arti fungsi ketahanan pangan yang esensial bagi pengembangan bakat kreatif dan produktif, penentu utama inovasi ilmiah, teknologi dan produktif di bidang ketenagakerjaan dan gizi[2].Selain itu ketahanan pangan juga terdiri dari tiga subsistem: (1) Ketersediaan dan keamanan pangan, (2) Distribusi pasokan pangan dapat menjangkau seluruh wilayah, serta (3) konsumsi pangan yang cukup dan terpenuhinya gizi setiap masyarakat sesuai dengan peraturan dan preferensi kesehatan yang ada[3].
Berlalunya masa pandemi, masih menyebabkan beberapa sektor mengalami penurunan, hal ini berdampak juga terhadap sektor pertanian yang mengalami penurunan hasil panen yang cukup signifikan dan tidak stabil, dampak ini juga mengakibatkan stok dan hasil panen di beberapa daerah mengalami penurunan[4]. Penelitian [5]
menyatakan perubahan iklim yang tidak menentu dapat memicu waktu penanaman tanaman pangan. Selain faktor iklim penelitian [6] juga menjelaskan bahwa pertumbuhan masyarakat yang meningkat pesat setiap tahunnya juga sangat berpengaruh pada ketahanan pangan, dikarenakan semakin meningkatnya populasi penduduk akan tetapi ketersediaan pangan yang tidak sesuai, berpotensi besar mengakibatkan penurun ketahanan pangan dan menyebabkan masyarakat mengalami kelaparan dan berujung pada kematian[7]. Penelitian [8] menyatakan pembelian bahan pangan yang berlebihan akibat panic buying juga berpengaruh besar pada ketersediaan pangan yang cukup, hasil panen tanaman pangan disetiap daerah yang tidak menentu, menyebabkan perbedaan kondisi
masyarakat disetiap daerah[9]. Untuk itu, pengelompokan hasil pertanian tanaman pangan sangat dibutuhkan, Penelitian [10] menjelaskan bahwa pengelolaan pertanian pangan yang baik dapat memberikan dampak besar dari hasil pangan untuk memulihkan perekonomian negara. Permasalahan tersebut timbul dikarenakan kurangnya informasi tentang pengelompokan ketahanan panen yang menggalami kenaikan dan penurunan setiap tahunnya.
Maka dari itu ketahanan pangan di setiap daerah perlu untuk diperhatikan pemerintah dari segi pengelompokan hasil panen dan daerah mana sajakah yang memiliki ketahanan pangan tinggi, menengah, rendah serta kewaspadaan terhadap ketahanan pangan yang lebih detail[11]. Sehingga perlu dilakukan teknik pengelompokan menggunakan metode data mining.
Data mining menjadi teknik untuk menjalankan proses manipulasi data dan menemukan data yang masih belum akurat[12], atau menggali informasi dari big data sehingga menjadi informasi data yang akurat dan sederhana[13]. Metode data mining sering ditemukan adalah clustering. Metode ini ditujukan untuk mengelompokan data dari berbagai pola, titik, objek, dan sebagainya[14]. Proses clustering bertujuan untuk pengelompokan informasi menjadi beberapa bagian sehingga informasi dalam satu kumpulan data memiliki banyak kemiripan dan kontras dengan objek di bagian yang berbeda[15]. Salah satu metode dari clustering yaitu K-Medoids, K-Medoids sebagai teknik analisa yang digunakan untuk mendapatkan nilai k-cluster dari data terdekat dengan item dalam pengumpulan data informasi[16]. Metode K-Medoids termasuk strategi yang dapat digunakan untuk membagi data informasi menjadi beberapa kategori[17]. Metode K-Medoids memiliki bagian dari teknik yang sering digunakan untuk menghitung suatu data objek yang berukuran kecil dan menemukan titik yang lebih tepat[18]. Kelebihan dari metode K-Medoids yaitu memberikan batasan lebih untuk nilai yang objektif[14], manfaat dari metode ini adalah dapat mengalahkan berbagai teknik yang rumit untuk dihasilkan metode lain dan efek samping dari pengelompokan tidak bergantung pada permintaan kumpulan data. Strategi pengelompokan K- Medoids dapat diterapkan pada informasi ketahanan pangan berdasarkan wilayah, sehingga cenderung terlihat pengumpulan wilayah berdasarkan informasi tersebut[19].
Penelitian ini menerapkan metode algoritma K-Medoids untuk menentukan di Sumatera Utara bagian mana saja yang mengalami penurunan dan peningkatan jumlah pangan. Dengan metode yang digunakan penulis berharap dapat membantu memprediksi ketersediaan pangan di wilayah Sumatera Utara dan bagian apa saja yang perlu diperhatikan pemerintah agar masyarakat di wilayah tersebut memiliki ketersediaan pangan yang cukup.
2. METODOLOGI PENELITIAN
Gambar 1. Prosedur Kerja 2.1 Pengumpulan Dataset
Pada Tahap awal dilakukan proses mengumpulkan dataset hasil tanaman pagan yang terdiri dari ketahanan pangan jagung, kacang tanah, kacang hijau, dan kacang kedelai pertahun 2018-2020 yang diperoleh dari Badan Pusat Statistik (BPS) Sumatera Utara.
2.2 Pre-Processing Data
Setelah dataset dikumpulkan kemudian dilanjutkan dengan pre-processing data. Tahap pre-processing pada penelitian ini terdiri dari proses cleaning data untuk menghilangkan data yang kurang relevan atau kurang valid agar menjadi data yang relevan. Kemudian dilanjutkan dengan proses normalisasi dan transformasi data atau proses perubahan format data non-numerik menjadi numerik sebelum diterapkan algoritma K-Medoid dalam melakukan pengelompokan hasil tanaman pangan.
𝑥′= 𝑥−𝑚𝑖𝑛𝑥
𝑚𝑎𝑥𝑥−𝑚𝑖𝑛𝑥 (1)
2.3 Penerapan Algoritma K-Medoids
Setelah tahap Pre-processing data selanjutnya dilakukan pengolahan data dengan menerapkan algoritma K- medoids. Pada tahap ini algoritma K-medoids digunakan untuk menentukan titik fokus cluster dengan cara menentukan nilai rata-rata dari setiap kelompok sebagai titik tengah[20].
a. Pilih poin untuk dijadikan sebagai pusat cluster sebanyak nilai k ( jumlah cluster).
b. Hitung seluruh data yang mendekati cluster menggunakan rumus persamaan jarak Euclidean.
𝑑(𝑥, y) = ‖𝑥 − y‖ = √∑𝑛𝑖=1(𝑥𝑛− y𝑛)2 (2)
c. Pilih secara random nilai medoid baru untuk semua cluster.
d. Hitung nilai jarak di seluruh cluster menggunakan medoid baru.
Pengumpulan Dataset Preprocessing Data
Penerapan Algoritma K-Medoids
Evaluasi Algoritma K-Medoids
Clustering Hasil Pangan di daerah
Sumatera Utara
e. Jumlahkan keseluruhan nilai deviasi (simpangan), dengan mengurangi jumlah keseluruhan jarak baru dengan jumlah keseluruhan jarak lama. Jika S < 0, objek tersebut ditukarkan dengan cluster lain sehingga menciptakan himpunan k objek baru untuk medoid.
2.4 Evaluasi Algoritma K-Medoids
Pada tahap mengevaluasi kualitas dari hasil cluster digunakan metode Silhouette Coefficient. Proses perhitungan Silhouette Coefficient dapat dilakukan dengan cara berikut :
a. Hitung rata-rata jarak (average dissimilarity) atau a(i) suatu objek ke objek lain dalam cluster yang sama dengan persamaan dibawah ini:
𝑎(𝑖) =[𝐴]−11 ∑ 𝑗 ∈𝐴,𝑗≠𝑖𝑑(𝑖, 𝑗) (3)
b. Hitung rata-rata jarak (lowest average dissimilarity) atau b(i) dari objek tersebut ke seluruh objek di cluster lain, kemudia ambil nilai yang paling kecil dengan persamaan berikut ini:
𝑑(𝑖) = 1
[𝐴]∑ 𝑗 ∈ 𝑐 𝑑(𝑖, 𝑗) (4)
c. Tentukan nilai Silhouette Coefficient menggunakan rumus persamaan berikut:
𝑠(𝑖) = 1 −𝑎(𝑖)
𝑏(𝑖) (5)
3. HASIL DAN PEMBAHASAN
Penelitian ini menggunakan dataset dari Badan Pusat Statistik (BPS) Sumatera Utara pada tahun 2018-2020.
Tahap normalisasi data dilakukan dengan Microsoft Excel 2016 dan hasil pengelompokan dengan menerapkan algoritma K-Medoids menggunakan software RapidMinner versi 9.10.
Tabel 1. Data Tanaman Pangan Kabupaten/
Kota
Jagung Kacang kedelai Kacang tanah Kacang hijau
A B C A B C A B C A B C
Sumatera Utara (2018)
57.
83
171078 4.96
295849 .50
11.
45 1766.
59 1543.
00 7.0
2
18152 .97
25849 .90
12.
79 4321.
22 3379.
00 Nias (2018) 65.
32
9257.45 1417.3 0
11.
00
0.11 0.10 5.5 1
165.3 1
300.1 0
0.0 0
0.00 0.00
Mandailing Natal (2018)
51.
14
61437.8 1
12013.
00 10.
14
42.59 42.00 9.7 0
4018.
27 4144.
00 10.
04 210.9
0 210.0
0 Tapanuli
Selatan (2018)
73.
27
67296.3 8
9185.3 0
10.
53
84.52 80.30 7.6 9
496.8 7
646.3 0
17.
63 389.5
8 221.0
0
… … … … …
Padangsidi mpuan (2020)
49.
45
1834.00 371.00 9.6 3
78.00 81.00 16.
69
143.0 0
86.00 9.6 3
124.1 0
81.00
Gunungsitol i (2020)
59.
11
310.00 53.00 1.8 3
1.00 6.00 0.0 0
0.00 0.00 1.8 3
0.00 6.00
Keterangan :
A = Rata-rata produksi bahan pangan B = Jumlah produksi bahan pangan C = Luas panen bahan pangan
Pada Tabel 1. dataset yang digunakan antara lain, data tanaman pangan jagung, kacang hijau, kacang kedelai, kacang tanah dari 32 daerah di Sumatera Utara pada tahun 2018 – 2020 sedangkan variable yang digunakan dalam melakukan pengelompokan berdasarkan rata-rata produksi bahan pangan, jumlah produksi bahan pangan, dan luas panen bahan pangan. Proses normalisai data untuk menghilangkan data yang kurang akurat sebelum diterapkan algoritma K-medoids dapat dilihat pada Tabel 2.
Tabel 2. Hasil Normalisasi Data Tanaman Pangan Kabupaten/
Kota
Jagung Kacang kedelai Kacang tanah Kacang hijau
A B C A B C A B C A B C
Sumatera Utara (2018)
0,53 06
1,00 00
1,00 00
0,95 66
1,00 00
1,00 00
0,59 49
1,00 00
1,00 00
0,72 55
1,00 00
1,00 00 Nias (2018) 0,75 0,00 0,00 0,91 0,00 0,00 0,46 0,00 0,01 0,00 0,00 0,00
Kabupaten/
Kota
Jagung Kacang kedelai Kacang tanah Kacang hijau
A B C A B C A B C A B C
17 52 46 90 01 01 69 91 16 00 00 00
Mandailing Natal (2018)
0,33 30
0,03 58
0,04 04
0,84 71
0,02 41
0,02 72
0,82 20
0,22 14
0,16 03
0,56 95
0,04 88
0,06 21 Tapanuli Selatan
(2018)
0,98 64
0,03 92
0,03 09
0,87 97
0,04 78
0,05 20
0,65 17
0,02 74
0,02 50
1,00 00
0,09 02
0,06 54
….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. …..
Padangsidimpuan (2020)
0,49 24
0,00 09
0,00 11
0,50 26
0,04 80
0,06 34
0,88 64
0,03 57
0,03 36
0,50 26
0,02 16
0,06 34 Gunungsitoli
(2020)
0,69 89
0,00 01
0,00 01
0,09 55
0,00 06
0,00 47
0,00 00
0,00 00
0,00 00
0,09 55
0,00 00
0,00 47 3.1 Rancangan K-Medoids Clustering pada RapidMiner Versi 9.10
Penerapan algoritma K-Medoids Clustering pada hasil tanaman pagan dan desain operator-operator yang digunakan dalam pengujian dapat dilihat pada Gambar 2. Setelah diterapkan algoritma k-medoids maka selanjutnya dilakukan evaluasi hasil cluster untuk mendapatkan hasil pengelompokan yang terbaik.
Gambar 2. Desain Operator K-medoids pada RapidMiner Versi 9.10 3.2 Hasil Clustering Ketahanan Pangan dengan Algoritma K-Medoids
Penelitian ini menerapkan Indeks Davies Bouldin (DBI) dalam penentuan Jumlah Cluster yang optimum untuk menggelompokkan hasil pangan setiap tahun. Langkah-Langkah proses clustering dengan metode DBI sebagai berikut :
a. Membangun model clustering memanfaatkan algoritma K-Medoids dengan jumlah k-cluster yang akan diuji adalah 2 sampai 7 cluster.
b. Setiap cluster yang dibangun akan diuji mengunakan operator Cluster Distance Performance untuk mencari nilai DBI.
c. Nilai DBI paling kecil menunjukkan bahwa pengclusteran dalam kategori baik dan optimal.
Tabel 3. Davies Bouldin Index Cluster Nilai DBI
2 0,088
3 0,062
4 0,158
5 0,104
6 0,139
7 0,098
Pada Tabel 3, dapat dilihat nilai DBI terkecil yaitu 0,062. Sehingga dapat ditentukan jumlah cluster yang optimal untuk penelitian ini sebanyak 3 cluster. Hasil pengelompokan cluster dapat dilihat pada Gambar 3.
Gambar 3. Anggota Cluster Tabel 4. Cluster Pangan Jagung
Atribut Data keselutuhan Cluster_0 Cluster_1 Cluster_2
Kota Sumatera Utara
(2020)
Sumatera Utara
(2019) Karo (2019) Toba Samosir
(2019)
Atribut Data keselutuhan Cluster_0 Cluster_1 Cluster_2 Rata Produksi 61,19 kw/ha 61,36 kw/ha 70,46 kw/ha 53,92 kw/ha Produksi
Lahan Tanam
1965444 ton 321184 ha
1960424 ton 319507 ha
767304,6 ton 108898,1 ha
42004,4 ton 7789,5 ha
Tabel 4 menampilkan Hasil Analisis Cluster terhadap Pangan Jagung didapatkan Cluster_0 pada daerah Sumatera Utara mengalami peningkatan jumlah hasil produksi jagung pada tahun 2020 sebesar 5% dari tahun 2018 yang hanya 30% dengan rata produksi mencapai 61,36 kw/ha dengan luas lahan panen 321184 ha, Cluster_1 pada daerah Karo mengalami peningkatan jumlah hasil produksi jagung pada tahun 2019 sebesar 10%, akan tetapi di tahun 2020 mengalami penurunan hasil produksi jagung sebesar 1% dengan rata produksi 70,47 kw/ha dan luas lahan panen 107274 ha, sedangkan Cluster_2 pada daerah Toba Samosir mengalami penurunan hasil produksi jagung sebesar 13% di tahun 2019 dan 3% di tahun 2020 dengan rata produksi 55,46 kw/ha dan luas lahan panen 6717 ha. Hasil visualisasi clustering kenaikan dan penurunan pada produksi pangan jagung dapat dilihat pada Gambar 4.
Gambar 4. Produksi Jagung Tabel 5. Cluster Pangan Kacang Hijau
Atribut Data
keselutuhan Cluster_0 Cluster_1 Cluster_2
Kota Sumatera Utara
(2019)
Sumatera Utara
(2020) Langkat (2018) Binjai (2020) Rata Produksi 11,45 kw/ha 12,72 kw/ha 11,97 kw/ha kw/ha Produksi
Lahan Tanam
1766,59 ton 1543 ha
1625 ton 1278 ha
668,08 ton 558 ha
15 ton 18 ha
Tabel 5 menampilkan Hasil Analisis Cluster terhadap Pangan Kacang Hijau didapatkan Cluster_0 pada daerah Sumatera Utara mengalami penurunan jumlah hasil produksi kacang hijau pada tahun 2019 sebesar 32%
dari tahun 2018 dan di tahun 2020 mengalami peningkatan sebesar 29% dari tahun 2019 dengan rata produksi 12,72 kw/ha dengan luas lahan panen 1278 ha, Cluster_1 pada daerah Langkat mengalami penurunan jumlah hasil produksi kacang hijau pada tahun 2019 sebesar 66% dari tahun 2018 dengan rata produksi 11,97 kw/ha dan luas lahan panen 558 ha, akan tetapi di tahun 2020 mengalami peningkatan hasil produksi sebesar 34%, sedangkan Cluster_2 pada daerah Binjai mengalami penurunan hasil produksi kacang hijau sebesar 33% di tahun 2019 dan peningkatan hasil produksi 10% di tahun 2020 dengan rata produksi 10,08 kw/ha dan luas lahan panen 26,6 ha.
Hasil visualisasi clustering kenaikan dan penurunan pada produksi pangan kacang hijau dapat dilihat pada Gambar 5.
Gambar 5. Produksi Kacang Hijau
1710784,96 551863,82 58842,02
1960424 767304,6 42004,4
1965444 755922 37251
S U M A T E R A U T A R A
K A R O T O B A
S A M O S I R
2018 2019 2020
1766,59 668,08 26,8
499,4 0 9,9
1625 342 15
S U M A T E R A U T A R A
L A N G K A T B I N J A I
2018 2019 2020
Tabel 6. Cluster Pangan Kacang Kedelai
Atribut Data
keselutuhan Cluster_0 Cluster_1 Cluster_2
Kota Sumatera Utara
(2018)
Sumatera Utara (2020)
Mandailing Natal
(2019) Langkat (2019)
Rata Produksi 7,02 kw/ha 15,64 kw/ha 18,01 kw/ha 13,67 kw/ha Produksi
Lahan Tanam
18152,97 ton 25849,9 ha
4003 ton 2559 ha
1800,7 ton 1000 ha
351,3 ton 257 ha
Tabel 6 menampilkan Hasil Analisis Cluster terhadap Pangan Kacang Kedelai didapatkan Cluster_0 pada daerah Sumatera Utara mengalami penurunan jumlah hasil produksi kacang kedelai pada tahun 2019 sebesar 27%
dari tahun 2018 dan di tahun 2020 mengalami penurunan sebesar 29% dari tahun 2019 dengan rata produksi 15,64 kw/ha dengan luas lahan panen 2559 ha, Cluster_1 pada daerah Mandailing Natal mengalami penurunan jumlah hasil produksi kacang kedelai pada tahun 2019 sebesar 38% dari tahun 2018 dengan rata produksi 18,01 kw/ha dan luas lahan panen 4144 ha, sedangkan Cluster_2 pada daerah Langkat mengalami penurunan hasil produksi kacang kedelai sebesar 65% di tahun 2019 dengan rata produksi 13,67 kw/ha dan luas lahan panen 257 ha dan kenaikan hasil produksi kacang kedelai sebesar 2% di tahun 2020. Hasil visualisasi clustering kenaikan dan penurunan pada produksi pangan kacang kedelai dapat dilihat pada Gambar 6.
Gambar 6. Produksi Kacang Kedelai Tabel 7. Cluster Pangan Kacang Tanah
Atribut Data
keselutuhan Cluster_0 Cluster_1 Cluster_2
Kota Sumatera Utara
(2019)
Sumatera Utara
(2020) Binjai (2020) Simalungun (2019) Rata Produksi 12,74 kw/ha 12,72 kw/ha 8,2 kw/ha 12,25 kw/ha Produksi
Lahan Tanam
4888,5 ton 3837 ha
5738,3 ton 1278 ha
74,8 ton 18 ha
839,4 ton 686 ha
Tabel 7 menampilkan Hasil Analisis Cluster terhadap Pangan Kacang Tanah didapatkan Cluster_0 pada daerah Sumatera Utara mengalami peningkatan jumlah hasil produksi kacang tanah pada tahun 2019 sebesar 4%
dan tahun 2020 sebesar 5% dari tahun 2018 dengan rata produksi 12,72 kw/ha dengan luas lahan panen 1278 ha, Cluster_1 pada daerah binjai yang mengalami peningkatan produksi kacang tanah pada tahun 2019 sebesar 3%
dan penurunan jumlah hasil produksi di tahun 2020 sebesar 11% dari tahun 2018 dengan rata produksi 8,2 kw/ha dan luas lahan panen 18 ha, Cluster_2 pada daerah Simalungun mengalami peningkatan jumlah hasil produksi kacang tanah pada tahun 2019 sebesar 6% dan penurunan hasil produksi di tahun 2020 sebesar 20% dari tahun 2018 dengan rata produksi 12,25 kw/ha dan luas lahan panen 686 ha. Hasil visualisasi clustering kenaikan dan penurunan pada produksi pangan kacang tanah dapat dilihat pada Gambar 7.
Gambar 7. Produksi Kacang Tanah
18152,97 4018,27 2507,5
9.627 1800,7 351,34003 0 422
S U M A T E R A U T A R A
M A N D A I L I N G N A T A L
L A N G K A T
2018 2019 2020
4321,22 98,63 723,954888,5 106,7 839,4
5738,3 74,8 442,6
S U M A T E R A U T A R A
B I N J A I S I M A L U N G U N
2018 2019 2020
3.3 Evaluasi Algoritma K-Medoids menggunakan Silhouette Coefficient
Untuk mengevaluasi algoritma K-Medodids digunakan persamaan rumus Silhouette Coefficient, sehingga didapatkan hasil perhitungan sebagai berikut ini.
Tabel 8. Hasil Silhouette Coefficient Cluster Silhouette
Coefficient Cluster 0 0,7334 Cluster 1 0,9726 Cluster 2 0,9878 Hasil rata-rata nilai Silhouette Coefficient keseluruh cluster : 𝑠(𝑖) =0,7334 + 0,9726 + 0,9878
3 = 0,8980
Pada hasil pengelompokan menggunakan algoritma K-Medoids menghasilkan rata-rata nilai Silhouette Coefficient sebesar 0,8980, sehingga hasil pengelompokan ketahanan pangan dapat dikatakan baik dikarenakan nilai Silhouette Coefficient mendekati nilai 1.
4. KESIMPULAN
Penelitian yang telah dilakukan dalam pengelompokan daerah hasil pangan tertinggi hingga terendah menggunakan algoritma K-Medoids dapat disimpulkan bahwa beberapa hasil tanaman pangan di daerah Sumatera Utara mengalami peningkatan seperti pada Cluster_0 tanaman jagung mengalami peningkatan di tahun 2019 dan 2020 sebesar 5%, hal ini juga terjadi pada tanaman kacang tanah yang mengalami peningkatan di tahun 2019 sebesar 4% dan di tahun 2020 sebesar 5%, Cluster_1 daerah Mandailing Natal mengalami penurunan jumlah hasil produksi kacang kedelai pada tahun 2019 sebesar 38% dari tahun 2018, Cluster_2 daerah Binjai mengalami penurunan hasil produksi kacang hijau sebesar 33% di tahun 2019 dan peningkatan hasil produksi 10% di tahun 2020. Penggunaan algoritma K-Medoids dengan metode Davies Bouldin Index (DBI) dan metode Coefficient Silhouette dalam penelitian ini menghasilkan nilai DBI sebesar 0,062 dan, nilai Coefficient Silhouette yang didapat sebesar 0,8980, hal ini menunjukkan bahwa penggunaan k=3 dalam penelitian ini merupakan kualitas pengklusteran yang baik. Penelitian ini telah meneliti hasil pangan dari segi faktor jumlah produksi hasil pangan perkota, rata-rata produksi pangan, luas panen pangan di provinsi Sumatera Utara menggunakan algoritma K- Medoids untuk pengelompokan hasil pangan yang mengalami peningkatan dan penurunan. Saran pengembangan penelitian selanjutnyadapat diteliti dari segi faktor kepadatan penduduk dengan menambahkan variabel seperti jumlah penduduk dan luas lahan disetiap daerah, selain itu dapat membandingkan metode K-Medoids dengan metode clustering lainnya seperti Based Clustering
REFERENCES
[1] E. T. Wibowo, “Pembangunan Ekonomi Pertanian Digital Dalam Mendukung Ketahanan Pangan (Studi di Kabupaten Sleman: Dinas Pertanian, Pangan, dan Perikanan, Daerah Istimewa Yogyakarta),” J. Ketahanan Nas., vol. 26, no. 2, p.
204, 2020, doi: 10.22146/jkn.57285.
[2] F. Ekonomi, U. Muhammadiyah, and S. Utara, “Analisis Kebijakan Ketahanan Pangan,” 2017.
[3] Y. Wibisono, R. Iskanda, P. La, P. N. Jem, and J. M. Kotak, “ANALISIS KETAH 1 Amali,” pp. 751–760, 2019.
[4] M. Nasir and M. Bhutta, “Secure Identification , Traceability and Real-Time Tracking of Agricultural Food Supply During Transportation Using Internet of Things,” vol. 9, 2021, doi: 10.1109/ACCESS.2021.3076373.
[5] S. O. Oruma, S. Misra, and L. Fernandez-sanz, “Agriculture 4 . 0 : An Implementation Framework for Food Security Attainment in Nigeria ’ s Post-Covid-19 Era,” IEEE Access, vol. 9, pp. 83592–83627, 2021, doi:
10.1109/ACCESS.2021.3086453.
[6] W. A. Saputro and Y. Fidayani, “Faktor-Faktor Yang Mempengaruhi Ketahanan Pangan Rumah Tangga Petani Di Kabupaten Klaten,” J. Agrica, vol. 13, no. 2, pp. 115–123, 2020, doi: 10.31289/agrica.v13i2.4078.
[7] A. Ramadhan, K. Prawita, M. A. Izzudin, and G. Amandha, “Analisis strategi dan klasterisasi ketahanan pangan nasional dalam menghadapi pandemi covid-19,” Teknol. Pangan Media Inf. dan Komun. Ilm. Teknol. Pertan., vol. 12, no. 1, pp.
110–122, 2021, doi: 10.35891/tp.v12i1.2179.
[8] F. A’dani, Y. Sukayat, I. Setiawan, and M. G. Judawinata, “Pandemi Covid-19: Keterpurukan Dan Kebangkitan Pertanian Strategi Mempertahankan Ketersediaan Pangan Pokok Rumah Tangga Petani Padi Pada Masa Pandemi Covid-19,”
Mimb. Agribisnis J. Pemikir. Masy. Ilm. Berwawasan Agribisnis, vol. 7, no. 1, pp. 309–319, 2021.
[9] A. Rohmatullah, D. Rahmalia, and M. S. Pradana, “Klasterisasi Data Pertanian Di Kabupaten,” J. Ilm. Teknosains, vol.
V, no. 2, pp. 686–93, 2019.
[10] A. M. Khariyani and E. Fauziyari, “Clustering dengan Metode K-Means Berdasarkan Potensi Pertanian di Jawa Tengah,”
Pros. Pendidik. Mat. dan Mat., vol. 6, no. 2721, pp. 1–8, 2022.
[11] H. Suryono, “Pengelompokan Provinsi Di Indonesia Berdasarkan Resiko Covid-19 Dan Ketahanan Pangan,” Semin. Nas.
Off. Stat., vol. 2020, no. 1, pp. 116–123, 2021, doi: 10.34123/semnasoffstat.v2020i1.599.
[12] M. H. Siregar, “Data Mining Klasterisasi Penjualan Alat-Alat Bangunan Menggunakan Metode K-Means (Studi Kasus Di Toko Adi Bangunan),” J. Teknol. Dan Open Source, vol. 1, no. 2, pp. 83–91, 2018, doi: 10.36378/jtos.v1i2.24.
[13] W. Utomo, “The comparison of k-means and k-medoids algorithms for clustering the spread of the covid-19 outbreak in Indonesia,” Ilk. J. Ilm., vol. 13, no. 1, pp. 31–35, 2021, doi: 10.33096/ilkom.v13i1.763.31-35.
[14] A. V. Ushakov and I. Vasilyev, “A parallel heuristic for a k-medoids clustering problem with unfixed number of clusters,”
2019 42nd Int. Conv. Inf. Commun. Technol. Electron. Microelectron. MIPRO 2019 - Proc., pp. 1116–1120, 2019, doi:
10.23919/MIPRO.2019.8756919.
[15] S. A. L. I. Abbas et al., “K-Means and K-Medoids : Cluster Analysis on Birth Data Collected in City Muzaffarabad , Kashmir,” 2020, doi: 10.1109/ACCESS.2020.3014021.
[16] D. Methods, R. Wati, B. Sembiring, F. A. Mohammed, and K. Chairuang, “Customer Segmentation Based on RFM Model Using,” vol. 11, no. 1, pp. 32–43, 2020.
[17] 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 ),” vol. 1, no. 9, pp. 723–732, 2017.
[18] Z. Mustofa and I. S. Suasana, “Algoritma Clustering K-Medoids Pada E-Government Bidang Information And Communication,” J. Teknol. dan Komun., vol. 9, pp. 1–10, 2018.
[19] 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,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no.
September, p. 520, 2019, doi: 10.30645/senaris.v1i0.58.
[20] S. A. Ritonga, M. Safii, I. Parlina, H. S. Tambunan, and S. Susiani, “Teknik Data Mining dalam Mengelompokkan Produktivitas Padi Menurut Provinsi Menggunakan K-Medoids,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, p. 651, 2019, doi: 10.30645/senaris.v1i0.71.
