PERBANDINGAN FUZZY C-MEANS DAN K-MEANS PADA KLASTERISASI KETELA POHON
Article Sidebar
Read Counter : 6
Download : 1
Main Article Content
Abstract
Ketela pohon merupakan salah satu komoditas strategis dalam sektor pertanian Indonesia yang tersebar di berbagai wilayah dengan tingkat produktivitas yang bervariasi. Penelitian ini bertujuan untuk membandingkan performa dua algoritma klasterisasi, yaitu K-Means dan Fuzzy C-Means (FCM), dalam mengelompokkan wilayah produksi ketela pohon berdasarkan tiga variabel utama: luas panen, total produksi, dan produktivitas per hektar. Data yang digunakan merupakan data sekunder dari Badan Pusat Statistik (BPS) dan Kementerian Pertanian RI untuk periode 2010 hingga 2022. Sebelum dilakukan proses klasterisasi, data melalui tahap pra-pemrosesan seperti pembersihan data, normalisasi menggunakan metode min-max scaling, serta reduksi dimensi dengan Principal Component Analysis (PCA). Proses klasterisasi dilakukan dengan menetapkan jumlah klaster sebanyak tiga, menggunakan kedua algoritma tersebut. Evaluasi performa klaster dilakukan menggunakan metrik Silhouette Score, Davies-Bouldin Index, dan waktu komputasi. Hasil penelitian menunjukkan bahwa algoritma K-Means memiliki nilai Silhouette tertinggi sebesar 0,9341 dan Davies-Bouldin Index terendah sebesar 0,3224, serta waktu komputasi tercepat 0,0066 detik. Di sisi lain, FCM menunjukkan nilai Silhouette terbaik 0,9315 dan Davies-Bouldin Index 0,4896 dengan waktu komputasi minimum 0,0413 detik. Meskipun FCM menawarkan fleksibilitas dalam penanganan data yang bersifat ambigu, K-Means terbukti lebih unggul dalam hal efisiensi dan kualitas pemisahan klaster. Visualisasi hasil klasterisasi dalam bentuk diagram batang dan peta sebar wilayah memperkuat temuan tersebut. Dengan demikian, penelitian ini merekomendasikan penggunaan algoritma K-Means untuk pengelompokan wilayah produksi ketela pohon secara optimal dan efisien.
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] Badan Pusat Statistik, “Statistik Hortikultura Indonesia 2023,” BPS, Jakarta, 2023.
[2] A. N. Hayuningtyas and S. Darwati, “Analisis Klaster Produksi Komoditas Pertanian Unggulan di Indonesia,” J. Mat. dan Sains, vol. 25, no. 1, pp. 27–36, 2020, [Online]. Available:https://ejournal.upi.edu/index.php/joms/article/view/24389
[3] I. Nur Aulia and A. Intan, “Analisis Kinerja Algoritma K-Means dalam Klasterisasi Wilayah Produksi Pertanian,” J. Ilm. Inform., vol. 9, no. 2, pp. 115–122, 2023, [Online]. Available: https://ejurnal.mercubuana-yogya.ac.id/index.php/ilmiah-informatika/article/view/539
[4] Miftakhul Kharis, R., et al. (2023). Implementasi Algoritma Fuzzy C-Means untuk Klasterisasi Hasil Panen di Provinsi Bali. Variance: Journal of Statistics and Its Applications, 5(1), 13–24.
[5] U. W. Latifah, Sugiyarto, and Suparman, “Comparison of FCM and K-Means Algorithms for Clustering Human Development Index Data,” Desimal J. Mat., vol. 5, no. 2, pp. 165–172, 2022, [Online]. Available: https://jurnal.usk.ac.id/DEK/article/view/23795
[6] S. Rohmatullah, D. Purnama, and I. Wulandari, “Pemetaan Wilayah Potensi Produksi Ketela Pohon Berbasis Data Statistik,” J. Agribisnis Indones., vol. 8, no. 3, pp. 183–192, 2020, [Online]. Available: https://journal.ipb.ac.id/index.php/jagbi/article/view/34825
[7] Yosia, A., Ishak, R., & Nugroho, S. (2025). Advanced Clustering Approach for Mapping Regions of Paddy Productivity in Indonesia Using Intelligent K-Means. IEEE International Conference on Data Science and Its Applications (ICoDSA). doi: 10.1109/ICoDSA.2025.10932942
[8] Handhayani, T., & Rusdi, R. (2023). K-Means Using Dynamic Time Warping For Clustering Cities in Java Island According to Meteorological Conditions. IEEE International Conference on Informatics and Computational Sciences (ICICoS). doi: 10.1109/ICICoS.2023.10381899
[9] Wulandari, R., Pratama, I., & Santoso, B. (2024). Clustering Data Meteorologi Wilayah Indonesia Timur Dengan Metode K-Means dan Fuzzy C-Means. Jurnal Teknik Informatika (INTI), 11(1). Retrieved from https://ejournal.nusamandiri.ac.id/index.php/inti/article/view/5039
[10] Fauzi, A., Prasetyo, R., Susanti, D., & Wahyudi, A. (2023). An Intelligent Clustering Approach for Analyzing a Multivariate Time Series Dataset: Case Study COVID-19 Outbreak in Indonesia. 2023 International Conference on Computer, Control, Informatics and Its Applications (IC3INA). doi: 10.1109/IC3INA57724.2023.10367007
[11] Saputra, M., Putra, R., & Mulyadi, D. (2024). An Analysis of Meteorological Data in Sumatra and Nearby Using Agglomerative Clustering. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 8(1), 141–148. doi: 10.29207/resti.v8i1.5663
[12] Zeng, S., Wu, Y., Wang, S., & He, P. (2021). Adaptive Scale Weighted Fuzzy C-Means Clustering for the Segmentation of Purple Soil Color Image. Journal of Intelligent & Fuzzy Systems, 40(6), 11615–11626. doi: 10.3233/JIFS-202401
[13] Jafari, M. M., Noroozian, A., Salajegheh, A., & Ebrahimi, K. (2021). Application of a Novel Hybrid Wavelet-ANFIS/Fuzzy C-Means Clustering Model to Predict Groundwater Fluctuations. Atmosphere, 12(1), 9. doi: 10.3390/atmos12010009
[14] Aisah, S. N., Nurcahyani, A., & Rini, D. C. (2022). Implementasi Fuzzy C–Means Clustering (Fcm) Pada Pemetaan Daerah Potensi Transmigrasi Di Jawa Timur. Jurnal Teknik Informatika UNIKA Santo Thomas, 07, 33–40. doi: 10.54367/jtiust.v7i1.1841
[15] Hidayati, R., Rosmansyah, Y., & Lazuardi, R. A. (2021). Analisis Silhouette Coefficient pada 6 Perhitungan Jarak K-Means Clustering. Techno.COM: Jurnal Teknologi Informasi Dan Komunikasi, 20(2), 186–197. doi: 10.33633/tc.v20i2.4556
[16] Mulyani, H., Sari, R. N., & Nugraha, R. (2023). Optimization of K Value in Clustering Using Silhouette Score (Case Study: Mall Customers Data). Journal of Information Technology and Its Utilization, 6(2), 116–123. doi: 10.56873/jitu.6.2.5243
[17] Zahra, A. L., Rahayu, S. T., & Ardini, A. F. (2024). Implementasi Clustering Algoritma K-Means Pada Produksi Beras di Provinsi Jawa Timur Tahun 2022. Journal of Computer and Information Systems Ampera, 5(3). doi: 10.51519/journalcisa.v5i3.485
[18] Tuslaela, R., & Supendar, S. (2024). Implementation of K-Means Clustering in Food Security by Regency in East Java Province in 2022. Sinkron: Jurnal Dan Penelitian Teknik Informatika, 9(1). doi: 10.33395/sinkron.v9i1.13169
[19] Hayuningtyas, R. Y., & Darwati, I. (2024). Clustering Hasil Panen Ubi Kayu Menggunakan Algoritma K-Means. Jurnal Teknik Informasi Dan Komputer (Tekinkom), 7(1), 25–32. doi: 10.37600/tekinkom.v7i1.1327
[20] D. Budiman and I. Winarno, “Optimalisasi K-Means Berbasis Particle Swarm Optimization untuk Hasil Produksi Tanaman Sayuran di Indonesia,” Ilk. (Ilmu Komputer), vol. 11, no. 1, 2022, doi: 10.37034/ilkom.v11i1.6646.
[21] D. Hediyati and I. M. Suartana, “Penerapan Principal Component Analysis (PCA) Untuk Reduksi Dimensi Pada Proses Clustering Data Produksi Pertanian di Kabupaten Bojonegoro,” J. Inf. Eng. Educ. Technol., vol. 5, no. 2, pp. 49–59, 2021, doi: 10.26740/jieet.v5n2.p49-54.
[22] P. Vania and B. N. Sari, “Perbandingan Metode Elbow dan Silhouette untuk Penentuan Jumlah Klaster yang Optimal pada Clustering Produksi Padi di Jawa Barat,” J. Ilm. Wahana Pendidik., vol. 9, no. 21, pp. 547–558, 2023, doi: 10.5281/zenodo.10081332.
[23] H. Pratiwi and A. P. W. Wibowo, “Implementasi Algoritma K-Means untuk Mengklaster Kelompok Sektor Perkebunan di Indonesia,” JOISIE J. Inf. Syst. Informatics Eng., vol. 6, no. 1, 2020, doi: 10.35145/joisie.v6i1.2252.
[24] D. Tri Cahaya, D. Puspita, and R. Syahri, “Penerapan Metode K-Means Clustering Untuk Pengelompokan Potensi Padi Di Kota Pagar Alam,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 2187–2193, 2024, doi: 10.36040/jati.v8i2.9432.
[25] Nurhidayati and I. Marzuki, “Deteksi Otomatis Penyakit Daun Jagung Menggunakan Teknik Klasterisasi Data dan Operasi Morfologi,” J. Energy (Jurnal Ilm. Ilmu-ilmu Tek., vol. 10, no. 1, pp. 25–32, 2020.