Klasterisasi Provinsi di Indonesia Berdasarkan Produksi Komoditas Unggulan Sektor Peternakan Menggunakan K-Means

Syayyidah Lailatul Ananti; Awang Andhyka; Rizky Aditya Nugroho

doi:10.55382/jurnalpustakaai.v6i1.1612

Authors

Syayyidah Lailatul Ananti Universitas Nahdlatul Ulama Sidoarjo
Awang Andhyka Universitas Nahdlatul Ulama Sidoarjo
Rizky Aditya Nugroho Universitas Nahdlatul Ulama Sidoarjo

DOI:

https://doi.org/10.55382/jurnalpustakaai.v6i1.1612

Keywords:

K-means Clustering, Subsektor Peternakan, Produksi Komoditas, Klasterisai Provinsi, Data Mining

Abstract

Subsektor peternakan memiliki peran penting dalam mendukung ketahanan pangan dan pemenuhan kebutuhan protein hewani masyarakat Indonesia. Perbedaan kondisi geografis, sumber daya, dan kebijakan daerah menyebabkan adanya variasi tingkat produksi pada komoditas sektor peternakan antarprovinsi. Penelitian ini bertujuan untuk mengelompokkan provinsi-provinsi di Indonesia berdasarkan kesamaan produksi komoditas unggulan sektor peternakan, yaitu sapi potong, sapi perah, ayam ras petelur, dan ayam ras pedaging, menggunakan metode klasterisasi K-Means. Data yang digunakan merupakan data sekunder tahun 2023–2024 yang bersumber dari Portal Satu Data Pertanian dan mencakup 38 provinsi di Indonesia. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan melalui normalisasi Min-Max Scaling, penentuan jumlah klaster optimal menggunakan metode Elbow, penerapan algoritma K-Means, serta evaluasi kualitas klaster menggunakan Silhouette Coefficient. Hasil analisis menunjukkan jumlah klaster optimal adalah K=3. Klaster pertama terdiri dari Provinsi Jawa Timur dengan tingkat produksi peternakan sangat tinggi dan dominan pada sebagian besar komoditas. Klaster kedua mencakup sebagian besar provinsi dengan tingkat produksi peternakan relatif rendah dan merata. Klaster ketiga terdiri dari Provinsi Jawa Barat dan Jawa Tengah yang memiliki keunggulan pada produksi ayam ras pedaging. Evaluasi klasterisasi menghasilkan nilai Silhouette Coefficient sebesar 0,8278 yang menunjukkan kualitas klaster yang sangat baik dan pemisahan antar klaster yang jelas. Hasil penelitian ini diharapkan dapat menjadi dasar pengelompokan dan identifikasi potensi subsektor peternakan antarprovinsi serta mendukung perencanaan dan penentuan prioritas kebijakan pengembangan peternakan yang lebih tepat sasaran dan berbasis data.

Downloads

Download data is not yet available.

References

D. C. Widianingrum and R. W. Septio, “Peran Peternakan dalam Mendukung Ketahanan Pangan Indonesia?: Kondisi , Potensi , dan Peluang Pengembangan,” vol. 2, no. 3, pp. 285–291, 2023.

M. F. Lubis, W. Hadinata, and G. Syahputra, “Analisis Perkembangan Populasi Dan Produktivitas Ternak Sapi Di Indonesia,” Bot. Publ. Ilmu Tanam. dan Agribisnis, vol. 2, no. 1, 2025.

S. Rusdiana and Soeharsono, “Upaya Pencapaian Daya Saing Usaha Sapi Perah Melalui Kebijakan Pemerintah dan Peningkatan Pendapatan Peternak,” Agriekonomika, vol. 2, no. April 2012, pp. 173–183, 2013.

R. B. Ardi, F. E. Nastiti, and S. Sumarlinda, “ALGORITMA K-MEANS CLUSTERING UNTUK SEGMENTASI PELANGGAN ( STUDI KASUS?: FASHION VIRAL SOLO ),” vol. 9, no. 1, pp. 124–131, 2023.

B. O. Ndasak et al., “KLASTERISASI DATA HASIL PRODUKSI PERTANIAN DAN PETERNAKAN PROVINSI NUSA TENGGARA TIMUR MENGGUNAKAN METODE K-MEANS,” JIP (Jurnal Inform. Polinema), vol. 9, pp. 415–426, 2021.

S. Arman, K. Suryowati, and M. T. Jatipaningrum, “PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN INDIKATOR PETERNAKAN DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN K-MEDOIDS,” vol. 09, no. 02, pp. 51–59, 2024.

Y. Lasena and Y. Malago, “Clustering Komoditi Unggulan Daerah Provinsi Gorontalo Menggunakan Algoritma K-Means,” Jambura J. Electr. Electron. Eng., vol. 2, no. 1, pp. 14–18, 2020, doi: 10.37905/jjeee.v2i1.4392.

M. K. Hidayat and R. Fitriana, “Implementasi k-means dan k-medoids dalam pengelompokan wilayah potensial produksi daging ayam implementation of k-means and k-medoids in grouping potential areas of chicken meat production,” vol. 32, no. 158, pp. 239–247, 2022.

Abdillah Baradja, Sukoco, and Tri Irianto Tjendrowasono, “Penerapan Machine Learning untuk Meningkatkan Prediksi Mata Uang Forex dengan Indikator Teknikal,” J. Pus. Akses Kaji. Teknol. Artif. Intell., vol. 2, no. 1, pp. 38–41, 2023.

A. W. Pangarso, N. Kurniati, and A. S. Editya, “Analisis Kesetiaan Pelanggan pada Penjualan Filter Rokok di CV. Karunia Abadi dengan Metode K-Means,” J. Pustaka AI (Pusat Akses Kaji. Teknol. Artif. Intell., vol. 5, no. 1, pp. 58–63, 2025, doi: 10.55382/jurnalpustakaai.v5i1.932.

A. Wahyu and R. Rushendra, “Klasterisasi Dampak Bencana Gempa Bumi Menggunakan Algoritma K-Means di Pulau Jawa,” J. Edukasi dan Penelit. Inform., vol. 8, no. 1, p. 174, 2022, doi: 10.26418/jp.v8i1.52260.

S. Mutiara, K. Auliasari, and H. Zulfia Zahro, “Penerapan Metode K-Means Untuk Pengelompokan Populasi,” JIKA (Jurnal Inform. Univ., vol. 9, no. 1, pp. 118–125, 2025.

F. Rahmadayanti, I. Anggraini, and T. Susanti, “Pengklasterisasian Data Penyakit Hipertensi dengan Menggunakan Metode K-Means,” J. Inf. Syst. Res., vol. 4, no. 2, pp. 737–741, 2023, doi: 10.47065/josh.v4i2.2905.

F. A. Zurfani, M. R. Syahputra, F. Matematika, P. Alam, and U. S. Utara, “Analisis Metode Clustering K-Means pada Zonasi Daerah Terdampak Banjir di Kota Medan dengan Evaluasi Silhouette Coefficient bahkan menjadi tradisi tahunan . Telah banyak upaya dilakukan untuk menanggulanginya,” vol. 2, no. 6, pp. 170–181, 2024.

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, 2022, doi: 10.34148/teknika.v11i3.502.

T. Rahmawati, Y. Wilandari, and P. Kartikasari, “Analisis Perbandingan Silhouette Coefficient Dan Metode Elbow Pada Pengelompokkan Provinsi Di Indonesia Berdasarkan Indikator Ipm Dengan K-Medoids,” J. Gaussian, vol. 13, no. 1, pp. 13–24, 2024, doi: 10.14710/j.gauss.13.1.13-24.