Klasterisasi Potensi Budidaya Bawang Putih Berdasarkan Faktor Iklim Menggunakan PCA dan K-Means

Afida Nur Azizah Nur Azizah; Achmad Mufliq; Awang  Andhyka

doi:10.55382/jurnalpustakaai.v6i1.1745

Penulis

Afida Nur Azizah Universitas Nahdlatul Ulama Sidoarjo
Achmad Mufliq Universitas Nahdlatul Ulama Sidoarjo
Awang Andhyka Universitas Nahdlatul Ulama Sidoarjo

DOI:

https://doi.org/10.55382/jurnalpustakaai.v6i1.1745

Kata Kunci:

Bawang Putih, Agroklimat, PCA, K-Means, Ketahanan Pangan

Abstrak

Ketergantungan Indonesia terhadap impor bawang putih yang melebihi 90% kebutuhan nasional menjadi ancaman serius bagi ketahanan pangan. Salah satu penyebab utamanya adalah ketidaksesuaian antara lokasi budidaya dengan karakteristik iklim yang diperlukan untuk pertumbuhan dan pembentukan umbi bawang putih secara optimal. Penelitian ini bertujuan memetakan kesesuaian iklim bagi budidaya bawang putih di 38 provinsi di Indonesia menggunakan data iklim tahun 2024 yang mencakup suhu rata-rata, curah hujan, jumlah hari hujan, dan lama penyinaran matahari. Metode penelitian menggabungkan Principal Component Analysis (PCA) untuk mereduksi variabel iklim yang berkorelasi, dilanjutkan dengan K-Means Clustering untuk mengelompokkan provinsi berdasarkan kemiripan kondisi iklim. Evaluasi menggunakan Davies-Bouldin Index sebesar 0,7632 menunjukkan bahwa empat klaster merupakan pengelompokan yang paling optimal. Klaster 3 yang terdiri atas Jawa Barat, Sulawesi Selatan, dan Papua Pegunungan menunjukkan tingkat kesesuaian iklim tertinggi dengan suhu rata-rata 21,73°C. Visualisasi biplot PCA menggambarkan kontribusi masing-masing variabel iklim dalam pembentukan klaster. Temuan ini dapat menjadi dasar ilmiah bagi perumusan kebijakan pengembangan sentra produksi bawang putih dalam negeri yang lebih terarah.

Unduhan

Data unduhan belum tersedia.

Referensi

M. R. D. Maharani, S. P. Wulandari, F. Aryawan, and D. K. Nipu, Analisis Posisi Dan Tingkat Ketergantungan Impor Bawang Putih Indonesia Di Pasar Internasional, vol. 21, no. 2. 2024. doi: 10.24929/fp.v21i2.3874.

A. Titisari, Budi Daya Bawang Putih. Pusat Perpustakaan dan Penyebaran Teknologi Pertanian, 2020.

Murmayani and Darwis, Agroklimatologi. 2024.

S. García, S. Ramírez-Gallego, J. Luengo, J. M. Benítez, and F. Herrera, “Big data preprocessing: methods and prospects,” Big Data Anal., vol. 1, no. 1, pp. 1–22, 2016, doi: 10.1186/s41044-016-0014-0.

D. Selvida, A. F. Pulungan, and A. S. Huzaifah, “Optimization of Garlic Cultivation Land Selection Using Pca and K-Means Approach in Spatial Intelligent System,” Eastern-European J. Enterp. Technol., vol. 3, no. 2, pp. 54–64, 2025, doi: 10.15587/1729-4061.2025.325340.

Y. Anzari et al., “PENERAPAN ALGORITMA K-MEANS UNTUK KLASTERISASI POLA IKLIM STUDI KASUS?: PROVINSI JAMBI PERIODE 2020-2024,” vol. 6, no. 3, pp. 1037–1052, 2025, doi: 10.46576/djtechno.

B. Septiana, N. Kusnadi, and A. Fariyanti, “Daya saing bawang putih di indonesia,” vol. 10, no. 1, pp. 40–52, 2022.

B. Waryanto, T. Agustina, and D. Tjiptodharmono, “Analysis of farming efficiency and smart farming system development in supporting garlic self-sufficiency?: A concept,” vol. 335, pp. 1–11, 2019, doi: 10.1088/1755-1315/335/1/012006.

Murmayani and Darwis, Agroklimatologi. 2024.

S. García, S. Ramírez-Gallego, J. Luengo, J. M. Benítez, and F. Herrera, “Big data preprocessing: methods and prospects,” Big Data Anal., vol. 1, no. 1, pp. 1–22, 2016, doi: 10.1186/s41044-016-0014-0.

K. G. Liakos, P. Busato, D. Moshou, S. Pearson, and D. Bochtis, “Machine learning in agriculture: A review,” Sensors (Switzerland), vol. 18, no. 8, pp. 1–29, 2018, doi: 10.3390/s18082674.

D. Xu and Y. Tian, “A Comprehensive Survey of Clustering Algorithms,” Ann. Data Sci., vol. 2, no. 2, pp. 165–193, 2015, doi: 10.1007/s40745-015-0040-1.

V. Kumbhar, A. Maru, and S. Kumari, “Spatial Data Mining-A tool for Spatial Decision Support System in Agriculture Management,” J. Eng. Sci. Technol. Rev., vol. 15, no. 1, pp. 128–133, 2022, doi: 10.25103/jestr.151.16.

Z. Shi and L. S. C. Pun-Cheng, “Spatiotemporal data clustering: A survey of methods,” ISPRS Int. J. Geo-Information, vol. 8, no. 3, 2019, doi: 10.3390/ijgi8030112.

J. Tamaela, E. Sediyono, and A. Setiawan, “Cluster Analysis Menggunakan Algoritma Fuzzy C-means dan K-means Untuk Klasterisasi dan Pemetaan Lahan Pertanian di Minahasa Tenggara,” J. Buana Inform., vol. 8, no. 3, pp. 151–160, 2017, doi: 10.24002/jbi.v8i3.1317.

E. Triyani, S. Agustian Hudjimartsu, and D. Primasari, “Spasial Clustering Potensi Peternakan Unggas dengan Metode K-Means Berbasis Webgis,” J. Inform., vol. 8, no. 2, pp. 10–18, 2022, [Online]. Available: https://doi.org/10.31949/infotech.v8I2.2627

A. Anisa, A. Turmudi Zy, and W. Hadikristanto, “Klasifikasi Kualitas Air dengan K-Means dan Decision Tree,” J. Pustaka AI (Pusat Akses Kaji. Teknol. Artif. Intell., vol. 5, no. 2, pp. 166–176, 2025, doi: 10.55382/jurnalpustakaai.v5i2.1114.

P. Sakinah, A. E. Syaputra, Z. Rahman, M. Fajri, and H. F. Rachmansyah, “Optimalisasi Akreditasi Perguruan Tinggi dengan Orkestrasi Business Intelligence Berbasis K-Means dan OLAP,” vol. 5, no. 3, pp. 550–561, 2025.