KOMPARASI K-MEANS DAN AGGLOMERATIVE HIERARCHICAL CLUSTERING DALAM KLASTERISASI WILAYAH PRODUKSI PADI KARAWANG UNTUK DASAR PEMBERIAN SUBSIDI
Abstract
Abstrak Kabupaten Karawang merupakan lumbung padi nasional di Jawa Barat, namun luas panen dan jumlah produksi antar kecamatan menunjukkan karakteristik yang beragam dan tidak merata. Kondisi ini mendorong perlunya pengelompokan wilayah agar distribusi bantuan pertanian dapat dilakukan secara lebih tepat sasaran. Penelitian ini bertujuan membandingkan kinerja algoritma K-Means dan Agglomerative Hierarchical Clustering (AHC) dalam klasterisasi wilayah produksi padi di Kabupaten Karawang berdasarkan variabel luas panen dan produksi periode 2023–2025. Data yang digunakan merupakan data sekunder Dinas Pertanian sebanyak 90 baris (30 kecamatan selama tiga tahun) yang dianalisis menggunakan tahapan Knowledge Discovery in Databases (KDD). Pada K-Means diperoleh jumlah klaster optimal k=3 dengan nilai SSE 28,83, sedangkan AHC menggunakan k=2 berdasarkan analisis dendrogram dengan metode Average Linkage dan nilai Cophenetic Correlation 0,7897. Evaluasi menggunakan Davies-Bouldin Index (DBI) dan Silhouette Score menunjukkan AHC lebih unggul dibanding K-Means. Hasil AHC mengelompokkan 79 data ke Klaster Rendah dan 11 data ke Klaster Tinggi. Hasil penelitian ini diharapkan menjadi acuan dalam penyaluran bantuan pertanian yang lebih tepat sasaran.
Abstract. Karawang Regency is one of the national rice barns in West Java, yet harvest area and rice production across sub-districts show diverse and uneven characteristics. This study compares the performance of the K-Means and Agglomerative Hierarchical Clustering (AHC) algorithms in clustering rice production areas in Karawang Regency based on harvest area and total production variables for 2023–2025. The data consisted of 90 records from 30 sub-districts obtained from the Karawang Regency Agriculture Office. The analysis followed the Knowledge Discovery in Databases (KDD) methodology. For K-Means, the optimal number of clusters was k = 3 using the Elbow method with an SSE value of 28.83. For AHC, k = 2 was determined using dendrogram analysis with the Average Linkage method, producing a Cophenetic Correlation value of 0.7897. Evaluation using the Davies-Bouldin Index (DBI) and Silhouette Score showed that AHC outperformed K-Means. Based on AHC results, 79 data points were classified into the Low Cluster and 11 into the High Cluster. These findings are expected to support more targeted agricultural assistance policies.
Downloads
References
E. Tahir, T. Setiady, and M. Fadhilah, “Implementasi Asuransi Usaha Tani Padi Sebagai Perlindungan Hukum Bagi Petani Di Kabupaten Karawang Akibat Bencana Banjir,” J. Yustia, vol. 11, no. 2021, pp. 139–159, 2025.
A. Ghaffar, A. Zaki, and Y. Y. Setyawan, “Determinasi Produktivitas Padi Nasional Dengan Analisis Data Panel Provinsi Di Indonesia 2020 – 2024,” J. Kumpul. Artik. Agribisnis, vol. 05, no. 01, pp. 139–158, 2025.
D. Sahara, Abubakar, and L. Nur’azkiya, “Strategi Pengembangan Agribisnis Komoditas Padi Di Kabupaten Karawang Pasca Pandemi Covid-19,” J. Pemikir. Masy. Ilm. Berwawasan Agribisnis., vol. 8, no. 1, pp. 168–181, 2022.
M. A. Khumaini, “Pemkab Karawang Perluas lahan Untuk Kejar Target Produksi Gabah,” Antara News Megapolitan, Apr. 2026. [Online]. Available: https://megapolitan.antaranews.com/berita/417017/kabupaten-karawang-terus-kejar-produksi-padi-tahun-2025
A. Adriansyah, D. Fitri, Fauzi, Farhan, Juliana, and Khafi, “Penerapan Decision Tree Dalam Data Mining Menggunakan Bahasa Pemrograman Python,” JRIIN J. Ris. Inform. dan Inov., vol. 3, no. 7, pp. 2083–2087, 2025.
N. L. Wibowo, M. A. Soeleman, and A. Z. Fanani, “Antlion Optimizer Algorithm Modification for Initial Centroid,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 7, no. 158, pp. 1–6, 2023.
N. A. Maori and H. Mulyo, “Metode Single Linkage Pada Agglomerative Hierarchical Clustering Dalam Penentuan Tingkat Kepuasan Mahasiswa Terhadap Layanan Akademik,” J. SIMETRIS, vol. 15, no. 2, pp. 1–10, 2024.
T. Abdulfatah, B. N. Sari, and Susilawati, “Algoritma K-Means Dan Agglomerative Hierarchical Clustering Untuk Pengelompokan Daerah Penghasil Padi Di Indonesia,” JITET (Jurnal Inform. dan Tek. Elektro Ter., vol. 13, no. 3, 2025.
D. Mayangsari and T. Wahyudi, “Klasifikasi Seleksi Penerimaan Karyawan Baru Menggunakan AlgoritmaC4.5,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. January, pp. 26–34, 2025.
F. M. Hana, “Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma Decision Tree C4 . 5,” 2020.
N. Hendrastuty, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Dalam Evaluasi Hasil Pembelajaran Siswa,” J. Ilim. Inform. Dan Ilmu Komput., vol. 3, pp. 46–56, 2024.
R. T. Aldisa, “Data Mining Penentuan Jurusan Siswa Menggunakan Metode Agglomerative Hierarchical Clustering ( AHC ),” J. MEDIA Inform. BUDIDARMA, vol. 7, no. April, pp. 873–880, 2023, doi: 10.30865/mib.v7i2.6092.
Lisa and T. Handhayani, “Perbandingan Bisecting K-Means Dan Agglomerative Hierarchical Clustering Untuk Pengelompokan Daerah Penghasil Kacang Hijau,” J. Mnemon., vol. 8, no. 2, pp. 175–182, 2025.
B. Hartono, V. Lusiana, and I. H. Al Amin, “Perbandingan Proses Klasterisasi Data Menggunakan K-Means Clustering dan Agglomerative Hierarchical Clustering,” JURIKOM (Jurnal Ris. Komputer), vol. 12, no. 4, pp. 628–635, 2025, doi: 10.30865/jurikom.v12i4.8766.
M. Sholeh and K. Aeni, “Perbandingan Evaluasi Metode Davies Bouldin , Elbow DAN Silhouette Pada Model Clustering Dengan Menggunakan Algoritma K-Means,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 8, no. 1, 2023.
B. Hartono and V. Lusiana, “Analisis Metode Elbow SSE , Silhouette Score , dan Jaccard Stability dalam Pemilihan Jumlah Klaster Data yang Optimal TIN : Terapan Informatika Nusantara,” TIN Terap. Inform. Nusant., vol. 6, no. 8, pp. 1521–1532, 2026, doi: 10.47065/tin.v6i8.9271.
S. D. Raihannabil, “Penerapan Cophenetic Correlation pada Pemilihan Metode Pembentukan Dendrogram untuk Mengelompokkan Alat Kontrasepsi Peserta KB Aktif dengan Pendekatan Bottom-Up ( Studi pada Level Kabupaten / Kota di Provinsi NTT Tahun 2023),” JSTAR (Jurnal Stat. Ter., vol. 4, no. 2, pp. 1–16, 2024.
A. Amrullah, I. Purnamasari, B. N. Sari, and A. Voutama, “Analisis Cluster Faktor Penunjang Pendidikan Menggunakan Alagoritma K-Means ( Studi Kasus : Kabupaten Karawang ),” JIRE (Jurnal Inform. Rekayasa Elektron., vol. 5, no. 2, pp. 244–252, 2022.
N. A. Yolandari, L. E. Butarbutar, G. C. H. Rajagukguk, M. F. Zulfi, Arnita, and F. Ramadhani, “Analisis Perbandingan K-Means Dan DBSCAN Dalam Pengelompokan Data Travel Review Ratings Menggunakan Evaluasi Silhouette Index Dan Davies-Bouldin Index,” JITET (Jurnal Inform. dan Tek. Elektro Ter., vol. 13, no. 3, 2025.
D. F. Angraeni, N. Rahaningsih, R. D. Dana, and C. L. Rohmat, “Pemanfaatan Algoritma K-Means Dalam Analisis Data Penjualan Toko Buyung Upik JS Di Lazada,” JITET (Jurnal Inform. dan Tek. Elektro Ter., vol. 13, no. 2, pp. 1297–1306, 2025.
M. Subur, Martanto, and U. Hayati, “Clustering Penduduk Miskin Untuk Penerima Bantuan Sosial Menggunakan Algoritma K-Means (Studi Kasus: Desa Greged),” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 789–795, 2024.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
