ANALISIS PERBANDINGAN METODE K-MEDOID DAN AGGLOMERATIVE HIERARCHICAL CLUSTERING PADA DATA KONSUMSI REMPAH-REMPAH DI KABUPATEN / KOTA

Lina Rhomaningtias; M. Nurhadyatullah Kusharyadi; Reagen Westerdam Sean Jatindra; Trimono; Muhammad Nasrudin

doi:10.23960/jitet.v13i3.7071

Authors

Lina Rhomaningtias Universitas Pembangunan Nasional 'Veteran' Jawa Timur
M. Nurhadyatullah Kusharyadi Universitas Pembangunan Nasional 'Veteran' Jawa Timur
Reagen Westerdam Sean Jatindra Universitas Pembangunan Nasional 'Veteran' Jawa Timur
Trimono Universitas Pembangunan Nasional 'Veteran' Jawa Timur
Muhammad Nasrudin Universitas Pembangunan Nasional 'Veteran' Jawa Timur

DOI:

https://doi.org/10.23960/jitet.v13i3.7071

Abstract Views: 67 File Views: 82

Keywords:

Clustering, Spice Consumption, K-Medoid, Agglomerative Hierarchical Clustering, PCA

Abstract

Konsumsi rempah-rempah di Indonesia mencerminkan keragaman budaya, geografi, dan pola hidup masyarakat di berbagai daerah. Namun, kajian kuantitatif yang memetakan pola konsumsi rempah antar kabupaten/kota masih terbatas, meskipun data statistik tersedia secara terbuka. Penelitian ini bertujuan untuk mengeksplorasi dan membandingkan efektivitas dua metode klasterisasi K-Medoid dan Agglomerative Hierarchical Clustering (AHC) dalam mengelompokkan wilayah berdasarkan kesamaan konsumsi enam jenis rempah utama: bawang merah, bawang putih, bawang bombay, cabai merah, cabai hijau, dan cabai rawit. Data sekunder berasal dari Badan Pusat Statistik tahun 2024, dengan preprocessing berupa pembersihan data, standarisasi, serta reduksi dimensi menggunakan Principal Component Analysis (PCA). Evaluasi dilakukan menggunakan metrik validasi internal seperti Silhouette Score, Dunn Index, Davies-Bouldin Index, Calinski-Harabasz Index, dan Cophenetic Correlation. Hasil menunjukkan bahwa metode AHC dengan linkage ward dan lima klaster memberikan performa paling optimal dibandingkan K-Medoid. Segmentasi wilayah berdasarkan hasil klaster mengungkapkan struktur konsumsi rempah yang berbeda antara wilayah pedesaan dan perkotaan. Penelitian ini memberikan kontribusi penting dalam pemetaan konsumsi rempah berbasis data dan dapat dijadikan dasar perumusan kebijakan pangan dan pembangunan wilayah yang lebih tepat sasaran.

Downloads

Download data is not yet available.

References

S. Mayasari, N. Isnawati, F. Aprillia, D. Wigati, K. Agung, and Z. Permana, “Edukasi Tanaman Rempah Untuk Meningkatkan Pengetahuan Pada Karang Taruna Garuda Cempaka di Kelurahan Gebang-Jember,” BERNAS J. Pengabdi. Kpd. Masy., vol. 4, no. 3, pp. 2196–2200, 2023, [Online]. Available: https://doi.org/10.31949/jb.v4i3.5978

G. . Muliana, R. Magfirah, and U. Hasanah, “Potensi Herba dan Rempah Sebagai Tanaman Obat Keluarga,” Bioma, vol. 5, no. 2, pp. 1–11, 2023.

A. Fitriani, R. Wiwin Dari, I. Siregar, and B. Purnomo, “Jejak Historis dan Peran Indonesia Dalam Jalur Rempah Sebagai Warisan Budaya Bahari,” Krinok, vol. 2, no. 2, pp. 9–18, 2023, doi: 10.22437/krinok.v2i2.18495.

Y. Robi, S. M. Kartikawati, and . Muflihati, “Etnobotani Rempah Tradisional Di Desa Empoto Kabupaten Sanggau Kalimantan Barat,” J. Hutan Lestari, vol. 7, no. 1, pp. 130–142, 2019, doi: 10.26418/jhl.v7i1.31179.

Y. M. Roza, G. Razali, E. Fatmawati, S. Syamsuddin, and G. A. Wibowo, “Identitas Budaya Dan Sosial Pada Makanan Khas Daerah: Tinjauan Terhadap Perilaku Konsumsi Masyarakat Muslim Pada Bulan Ramadan Di Indonesia,” Komitmen J. Ilm. Manaj., vol. 4, no. 1, pp. 305–315, 2023, doi: 10.15575/jim.v4i1.25031.

V. Number, I. Rizqi, Z. Nisa, E. Zulfiani, F. I. Kesehatan, and U. I. A. Kuningan, “Lentera : Multidisciplinary Studies LITERATURE REVIEW PARADIGMA GIZI : EKSPLORASI TABU POLA KONSUMSI MAKANAN DAN PENGETAHUAN GIZI DI MASYARAKAT PEDESAAN,” vol. 3, no. 1, pp. 1–10, 2024.

E. Widodo, P. Ermayani, L. N. Laila, and A. T. Madani, “Pengelompokkan Provinsi di Indonesia Berdasarkan Tingkat Kemiskinan Menggunakan Analisis Hierarchical Agglomerative Clustering (Indonesian Province Grouping Based on Poverty Level Using Hierarchical Agglomerative Clustering Analysis),” Semin. Nas. Off. Stat., vol. 2, pp. 557–566, 2021.

F. Zahra, A. Khalif, and B. N. Sari, “Pengelompokan Tingkat Kemiskinan di Setiap Provinsi di Indonesia Menggunakan Algoritma K-Medoids,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 2, pp. 2830–7062, 2024, [Online]. Available: http://dx.doi.org/10.23960/jitet.v12i2.4199

L. Hakim, J. Batoro, and K. Sukenti, “Etnobotani Rempah-Rempah di Dusun Kopen Dukuh, Kabupaten Banyuwangi,” J. Pembang. dan alam lestari, vol. 6, no. 2, pp. 133–142, 2015.

R. Swastika, S. Mukodimah, F. Susanto, M. Muslihudin, and S. Ipnuwati, IMPLEMENTASI DATA MINING : (Clastering, Association, Prediction, Estimation, Classification). Penerbit Adab, 2023.

R. Wahyusar, “Penerapan Algoritma K-Medoids Untuk Mengelompokkan Status Obesitas,” Simetris2, vol. 18, no. 1, pp. 329–334, 2024.

R. Kusumastuti, E. Bayunanda, A. M. Rifa’i, M. R. G. Asgar, F. I. Ilmawati, and K. Kusrini, “Clustering Titik Panas Menggunakan Algoritma Agglomerative Hierarchical Clustering (AHC),” CogITo Smart J., vol. 8, no. 2, pp. 501–513, 2022, doi: 10.31154/cogito.v8i2.438.501-513.

R. O. Pratikto and N. Damastuti, “Klasterisasi Menggunakan Agglomerative Hierarchical Clustering Untuk Memodelkan Wilayah Banjir,” JOINTECS (Journal Inf. Technol. Comput. Sci., vol. 6, no. 1, p. 13, 2021.

T. B. Nugroho and E. Sugiharti, “The Improvement of C4.5 Algorithm Accuracy in Predicting Forest Fires Using Discretization and AdaBoost,” J. Adv. Inf. Syst. Technol., vol. 3, no. 1, pp. 43–52, 2021, doi: 10.15294/jaist.v3i1.49094.

A. Riski, D. Saputra, and B. Prasetiyo, “Sentiment Analysis on Twitter Social Media Regarding Covid-19 Vaccination with Naive Bayes Classifier ( NBC ) and Bidirectional Encoder Representations from Transformers ( BERT ),” vol. 2, no. 2, pp. 106–113, 2024, doi: 10.15294/rji.v8i1.25356.

A. Rofifah, R. Goenjantoro, and D. Yuniarti, “Perbandingan Pengelompokan K-Means dan K-Medoids Pada Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Studi Kasus : Data Titik Panas Di Indonesia Pada 28 April 2018),” J. EKSPONENSIAL, vol. 10, no. 2, pp. 143–152, 2019.

F. Ardiansyah, F. Hamdan, S. Sugiyanto, and I. Wahyu Siadi, “Klasifikasi Customer Relationship Management Menggunakan Dataset KDD Cup 2009 dengan Teknik Reduksi Dimensi,” Komputika J. Sist. Komput., vol. 11, no. 2, pp. 193–202, 2022, doi: 10.34010/komputika.v11i2.6498.

L. Ramadhani, I. Purnamasari, and F. D. T. Amijaya, “Penerapan Metode Complete Linkage dan Metode Hierarchical Clustering Multiscale Bootstrap (Studi Kasus: Kemiskinan Di Kalimantan Timur Tahun 2016),” Eksponensial, vol. 9, no. 2016, pp. 1–10, 2018.

N. Mirantika, T. S. Syamfithriani, and R. Trisudarmo, “Implementasi Algoritma K-Medoids Clustering Untuk Menentukan Segmentasi Pelanggan,” J. Nuansa Inform., vol. 17, no. 1, pp. 2614–5405, 2023, [Online]. Available: https://journal.uniku.ac.id/index.php/ilkom

M. Rahmah, A. Candra, and R. W. Sembiring, “Identifikasi Predikat Hasil Pengelompokan Data Kualitas Udara dengan Menggunakan Affinity Propagation dan Silhouette Coefficient,” InfoTekJar J. Nas. Inform. dan Teknol. Jar., vol. 6, no. 2, pp. 177–180, 2022, [Online]. Available: https://jurnal.uisu.ac.id/index.php/infotekjar/article/view/4670

B. D. Satoto, B. K. Khotimah, and A. Muhammad, “Pengelompokan Tingkat Kesehatan Masyarakat Menggunakan Self Organizing Map Dengan Cluster Validation Idb dan I-Dunn,” Semin. Nas. Apl. Teknol. Inf. 2015, vol., pp. 1–6, 2015.

C. Tjipta et al., “COMPARISON OF K-MEANS ++ AND AGGLOMERATIVE HIERARCHICAL METHODS IN CLUSTERING HEALTHCARE WORKERS KOMPARASI METODE K-MEANS ++ DAN AGGLOMERATIVE,” vol. 10, no. 2, pp. 717–728, 2025.

E. Klaster, F. C-means, and S. Pelanggan, “EVALUASI KLASTER ALGORITMA FUZZY C-MEANS UNTUK PENENTUAN JUMLAH KELOMPOK OPTIMAL PADA SEGMENTASI PELANGGAN Annisa Permatasari Ayuningtyas , Deden Istiawan,” 2017.

G. R. Suraya and A. W. Wijayanto, “Comparison of Hierarchical Clustering, K-Means, K-Medoids, and Fuzzy C-Means Methods in Grouping Provinces in Indonesia according to the Special Index for Handling Stunting,” Indones. J. Stat. Its Appl., vol. 6, no. 2, pp. 180–201, 2022, doi: 10.29244/ijsa.v6i2p180-201.