Perbandingan Algoritma K-medoids Dan K-means Dalam Pengelompokan Kecamatan Berdasarkan Produksi Padi Dan Palawija Di Jember

Abstract

Pengelolaan tanaman pangan sangat penting untuk mendukung ketahanan pangan. Data panen dari Badan Pusat Statistik (BPS) Kabupaten Jember pada tahun 2020 menunjukkan variasi hasil panen padi dan tanaman pokok lainnya. Keragaman hasil panen tersebut memerlukan pengelompokan wilayah berdasarkan hasil panen. Pengelompokan adalah salah satu fungsi data mining. Data mining adalah teknik untuk mengekstrak pengetahuan dari sejumlah besar dataset. Clustering digunakan untuk mengelompokkan kelompok objek serupa dalam dataset yang tidak dikenal. Algoritma yang umum digunakan dalam analisis clustering adalah K-means dan K-medoids. Kedua algoritma tersebut memiliki tujuan yang sama, yaitu mempartisi data menjadi beberapa cluster berdasarkan kesamaan karakteristik. Penelitian ini bertujuan untuk membandingkan kinerja kedua algoritma tersebut dengan menggunakan dataset yang sama. Langkah awal dalam penelitian ini adalah membandingkan metode K-means dan K-medoids dan kemudian mengevaluasi metode perbandingan tersebut menggunakan Davies Bouldin Index (DBI). Hasil evaluasi DBI kemudian diinterpretasikan untuk menentukan algoritma yang lebih unggul. Nilai DBI terbaik adalah K-means (0.648) lebih kecil dibandingkan dengan K-medoids (0.886). Hasil pengelompokkan dibagi menjadi 6 klaster yaitu diperoleh klaster satu sebanyak 1 kecamatan, klaster dua sebanyak 3 kecamatan, klaster tiga sebanyak 2 kecamatan, klaster klaster empat sebanyak 3 kecamatan, klaster lima sebanyak 8 kecamatan dan klaster 6 sebanyak 14 kecamatan