PERBANDINGAN FCM DAN HIERARCHICAL CLUSTERING PADA DATA UBI JALAR INDONESIA
Article Sidebar
Read Counter : 3
Download : 0
Main Article Content
Abstract
Penelitian ini membandingkan performa dua algoritma klasterisasi, yaitu Fuzzy C-Means (FCM) dan Hierarchical Clustering, dalam mengelompokkan data produksi ubi jalar di Indonesia berdasarkan luas panen, produksi, dan produktivitas. Data diperoleh dari situs resmi Kementerian Pertanian Indonesia dan mencakup rentang tahun 2010–2024. Setelah melalui tahap pra-pemrosesan, kedua algoritma diterapkan dan dievaluasi menggunakan metrik Silhouette Score, Davies-Bouldin Index, serta waktu komputasi. Hasil menunjukkan bahwa Hierarchical Clustering dengan metode linkage Ward, Complete, dan Average menghasilkan performa terbaik pada konfigurasi dua klaster dengan nilai Silhouette sebesar 0.9385 dan DBI sebesar 0.3878. Sementara itu, FCM memberikan hasil optimal pada dua klaster dengan Silhouette sebesar 0.9074, DBI 0.6446, dan waktu komputasi tercepat sebesar 0.032 detik. Namun, performa FCM menurun signifikan saat jumlah klaster bertambah. Penelitian ini menunjukkan bahwa Hierarchical Clustering lebih unggul dalam kestabilan dan struktur klaster, sedangkan FCM lebih efisien dalam waktu proses pada jumlah klaster kecil.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Jurnal Komunikasi Creative Commons Attribution-ShareAlike 4.0 International License.
References
[1] R. Aisy et al., “Pemanfaatan Ubi Jalar sebagai Alternatif Karbohidrat yang Meningkatkan Ekonomi Warga Banten,” SEMAR (Jurnal Ilmu Pengetahuan, Teknologi, dan Seni bagi Masyarakat), vol. 12, no. 1, p. 47, Jun. 2023, doi: 10.20961/semar.v12i1.62162.
[2] Muhammad Irsan Idrus, Trisnawaty AR, Muhanniah, and Mansur, “Pertumbuhan Dan Produksi Ubi Jalar (Ipomoea batatas L.) Varietas Lokal Soppeng Pada Perlakuan Sumber Benih Dan Ketinggian Bedengan,” Jurnal Penelitian Pertanian Terapan, vol. 2, no. 1, 2024.
[3] M. Rojun and N. Nadziroh, “PERAN SEKTOR PERTANIAN DALAM PERTUMBUHAN EKONOMI DI KABUPATEN MAGETAN THE ROLE OF THE AGRICULTURAL SECTOR IN ECONOMIC GROWTH IN MAGETAN DISTRIC,” 2020.
[4] D. Nurmin, M. N. Hayati, and R. Goejantoro, “Application of the Fuzzy C-Means Method in the Grouping of Regencies/Cities in Kalimantan Island Based on People’s Welfare Indicators in 2020,” EKSPONENSIAL, vol. 13, no. 2, Nov. 2022.
[5] A. Fikri, B. F. Hutabarat, and U. Khaira, “Komparasi Antara Metode K-Means Clustering Dan Complete Linkage Dalam Pengelompokan Penyaluran Pinjaman Oleh Financial Technology,” Jurnal Ilmiah Media Sisfo, vol. 17, no. 2, pp. 228–239, Oct. 2023, doi: 10.33998/mediasisfo.2023.17.2.1373.
[6] Y. Hasan, “Pengukuran Silhouette Score dan Davies-Bouldin Index pada Hasil Cluster K-Means dan Dbscan,” 2024.
[7] M. A. Septianto, A. Faqih, and A. R. Rinaldi, “KLASTERISASI DATA PRODUKSI PERTANIAN DI KABUPATEN CIREBON DENGAN ALGORITMA K-MEANS,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 2, Apr. 2025, doi: 10.23960/jitet.v13i2.6174.
[8] G. Marín Díaz, R. Gómez Medina, and J. A. Aijón Jiménez, “Integrating Fuzzy C-Means Clustering and Explainable AI for Robust Galaxy Classification,” Mathematics, vol. 12, no. 18, p. 2797, Sep. 2024, doi: 10.3390/math12182797.
[9] R. Heppy Ria Sibarani, D. Lestari, D. Ananda, and I. Paul Hamonangan Marbun, “ANALISIS PENGELOMPOKAN KEBIASAAN PENGGUNAAN MEDIA SOSIAL MENGGUNAKAN METODE HIERARCHICAL CLUSTERING : PENDEKATAN DIVISIVE,” vol. 7, no. 10, 2024.
[10] F. Alghifari and D. Juardi, “Penerapan Data Mining Pada Penjualan Makanan Dan Minuman Menggunakan Metode Algoritma Naïve Bayes,” 2021.
[11] I. Gede, I. Sudipa, and M. Darmawiguna, BUKU AJAR DATA MINING. 2024. [Online]. Available: https://www.researchgate.net/publication/377415198
[12] V. Gupta, J. Broughton, A. Rukundo, and L. J. Pinky, “Learning unbiased risk prediction based algorithms in healthcare: A case study with primary care patients,” Inform Med Unlocked, vol. 54, Jan. 2025, doi: 10.1016/j.imu.2025.101627.
[13] U. Sri Sulistyawati, “Decoding Big Data: Mengubah Data Menjadi Keunggulan Kompetitif dalam Pengambilan Keputusan Bisnis,” Jurnal Manajemen dan Teknologi (JMT), vol. 1, no. 2, 2024, doi: 10.35870/jmt.vxix.1114.
[14] K. Maharana, S. Mondal, and B. Nemade, “A review: Data pre-processing and data augmentation techniques,” Global Transitions Proceedings, vol. 3, no. 1, pp. 91–99, Jun. 2022, doi: 10.1016/j.gltp.2022.04.020.
[15] M. Farhan Mahfuzh, “IMPLEMENTASI DEEP LEARNING DALAM MENDETEKSI MATA UANG RUPIAH EMISI 2022 UNTUK MEMBANTU DISABILITAS NETRA DENGAN GOOGLE TEXT TO SPEECH SEBAGAI OUTPUT SUARA,” Repositori Mahasiswa Untidar, 2023.
[16] V. N. Dang et al., “Fairness and bias correction in machine learning for depression prediction across four study populations,” Sci Rep, vol. 14, no. 1, Dec. 2024, doi: 10.1038/s41598-024-58427-7.
[17] M. Khaerul Rafli and U. Budiyanto, “KLASTERISASI TINGKAT KEMISKINAN MENGGUNAKAN METODE K-MEANS DI DKI JAKARTA,” 2024.
[18] S. W. Nur Aulia and P. K. Intan, “Klasterisasi Produksi Tanaman Perkebunan di Provinsi Jawa Timur Menggunakan Algoritma Fuzzy C-Means,” Jurnal Sains Matematika dan Statistika, vol. 9, no. 2, p. 119, Aug. 2023, doi: 10.24014/jsms.v9i2.22735.
[19] N. Rakhmawaty, Y. Novia Nasution, F. Deny, and T. Amijaya, “Perbandingan Metode K-Means Dan Metode Fuzzy C-Means (FCM) Pada Analisis Kinerja Pegawai PT. Cemara Khatulistiwa Persada Bontang,” vol. 13, no. 1, May 2022.
[20] G. S. Nugraha, R. Dwiyansaputra, F. Bimantoro, and A. Aranta, “Implementasi Fuzzy C-Means untuk Pengelompokan Daerah berdasarkan Persebaran Penularan Covid-19,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 10, no. 1, pp. 97–104, Feb. 2023, doi: 10.25126/jtiik.2023105796.
[21] 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.
[22] A. Alif et al., “Penerapan Algoritma K-means Clustering dan Hierarchical Clustering dalam Mengelompokkan Data Pengangguran di Karawang,” Jurnal Algoritma, 2024, doi: 10.33364/algoritma/v.21-2.2155.
[23] B. M. Kumarahadi, H. Pratiwi, and S. Subanti, “Penerapan Metode Hierarchical Clustering Untuk Pengelompokan Kota/Kabupaten di Indonesia Berdasarkan Indikator Kemiskinan,” Jurnal Teknologi Informasi dan Komunikasi (TIKomSiN), vol. 11, no. 2, p. 13, Oct. 2023, doi: 10.30646/tikomsin.v11i2.754.
[24] Z. Alamtaha, I. Djakaria, N. I. Yahya, J. Matematika, and F. Mipa, “Implementasi Algoritma Hierarchical Clustering dan Non-Hierarchical Clustering untuk Pengelompokkan Pengguna Media Sosial,” Estimasi: Journal of Statistics and Its Application, vol. 4, no. 1, pp. 2721–379, 2023, doi: 10.20956/ejsa.vi.24830.
[25] N. Nugroho and F. D. Adhinata, “Penggunaan Metode K-Means dan K-Means++ Sebagai Clustering Data Covid-19 di Pulau Jawa,” Teknika, vol. 11, no. 3, pp. 170–179, Oct. 2022, doi: 10.34148/teknika.v11i3.502.
[26] W. Warisa and N. Nurahman, “Perbandingan Performa Cluster Model Algoritma K-Means Dalam Mengelompokkan Penerima Bantuan Program Keluarga Harapan,” J. Sistem Info. Bisnis, vol. 13, no. 1, pp. 20–28, Jun. 2023, doi: 10.21456/vol13iss1pp20-28.