Keterkaitan Luas Panen, Curah Hujan, dan Suhu terhadap Hasil Produksi Padi di Wilayah Sumatera Menggunakan K-Means
The Relationship between Harvest Area, Rainfall and Temperature on Rice Production Results in the Sumatra Region Using K-Means
DOI:
https://doi.org/10.70888/sitedi.v2i4.84Keywords:
Clustering, Data Mini, K-Means, PertanianAbstract
Penelitian ini bertujuan untuk mengevaluasi hubungan antara luas panen, curah hujan, dan suhu terhadap produksi padi di Sumatera dengan menggunakan metode K-Means. Data yang dianalisis mencakup informasi mengenai manufaktur, panen, hujan curah, kelembapan, dan rata-rata suhu, yang dikumpulkan dari sumber terbuka untuk periode 1993 hingga 2020. Analisis dilakukan menggunakan perangkat lunak RapidMiner melalui pendekatan data mining dengan fokus pada teknik klasterisasi. Data mentah diproses terlebih dahulu agar hanya data numerik yang relevan digunakan. Klasterisasi K-Means diterapkan dengan jumlah klaster k=5k=5, menghasilkan lima kelompok: Cluster0 (31 data), Cluster1 (84 data), Cluster2 (7 data), Cluster3 (66 data), dan Cluster4 (36 data), dengan total 224 data. Iterasi dilakukan hingga hasil klasterisasi mencapai kestabilan dan menghasilkan model yang optimal. Evaluasi klasterisasi memanfaatkan Indeks Davies-Bouldin (DBI), di mana nilai DBI yang rendah menunjukkan keberhasilan klasterisasi dalam memisahkan data ke dalam kelompok yang jelas. Temuan menunjukkan bahwa metode K-Means mampu mengelompokkan data produksi padi secara efektif berdasarkan faktor-faktor agronomis yang dianalisis, memberikan pemahaman yang lebih baik tentang distribusi produksi yang dipengaruhi oleh kondisi iklim dan luas panen. Pendekatan ini diharapkan dapat menjadi dasar untuk pengambilan keputusan strategis dalam meningkatkan hasil pertanian, khususnya di daerah dengan karakteristik serupa. Selain itu, penelitian ini menekankan pentingnya penerapan teknologi data mining untuk meningkatkan efisiensi dan ketepatan analisis dalam sektor pertanian di Indonesia.
References
Wijaya, B., Fahrudin, T. M., & Nugroho, A. (2019). Analisis dan Pemetaan Jumlah Penumpang Kereta Api di Indonesia Menggunakan Metode Statistik Deskriptif dan K-means Clustering: Analisis dan Pemetaan Jumlah Penumpang Kereta Api di Indonesia Menggunakan Metode Statistik Deskriptif dan K-means Clustering. Jurnal Mantik, 3(2), 1-9. X. Tag, S. Goldenstein, R. Mitchell, and K. H. D. X. X, “Infrared laser-absorption sensing for combustion gases,” Prog. Energy Combust. Sci., vol. 60, pp. 132–176, 2016.
Sari, R. W., & Hartama, D. (2018, July). Data Mining K-Means Algorithm on the Grouping of Foreign Tourism to Indonesia by Province. In National Seminar on Information Science and Technology (SENSASI) (Vol. 1, No. 1)
Luchia, N. T., Handayani, H., Hamdi, F. S., Erlangga, D., & Octavia, S. F. (2022). Perbandingan KMeans dan K-Medoids Pada Pengelompokan Data Miskin di Indonesia: Comparison of KMeans and K-Medoids on Poor Data Clustering in Indonesia. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 2(2), 35-41.
Kristanto, B., Zy, A.T. and Fatchan, M., 2023. Analisis Penentuan Karyawan Tetap Dengan Algoritma K-Means Dan Davies Bouldin Index. Bulletin of Information Technology (BIT), 4(1), pp.112-120.
Watrianthos, R., Handayani, R., Akhir, A. F. P., Ambiyar, A., & Verawardina, U. (2022). Penerapan Algoritma K-Means Pada Pemetaan Kemampuan Penggunaan Teknologi Informasi Remaja dan Dewasa di Indonesia. Journal of Computer System and Informatics (JoSYC), 4(1), 45-50.
Nanda, W. S., Pardede, A. M., & Simanjuntak, M. (2023). Analisis Data Mining Untuk Klasterisasi Data Rekam Medis Menggunakan Algoritma K-Means Pada Rumah Sakit Sylvani Binjai. Indonesian Journal of Education And Computer Science, 1(3), 82-88.
Filki, Y. (2022). Algoritma K-Means Clustering dalam Memprediksi Penerima Bantuan Langsung [7] Tunai (BLT) Dana Desa. Jurnal Informatika Ekonomi Bisnis, 166-171.
