Pengelompokan Hasil Perkebunan di Indonesia Menggunakan Fuzzy C-Means

Article Sidebar

PDF
Published: Jul 11, 2024
DOI: https://doi.org/10.24114/cess.v9i2.50682
Keywords:
Fuzzy C-Means, Perkebunan, Produktifitas, silhouette index

Main Article Content

Nora Aisyah
Universitas Islam Negeri Sunan Ampel Surabaya
Adinda Ika Sukarni
Universitas Islam Negeri Sunan Ampel Surabaya
Dian Candra Rini Novita Sari
Universitas Islam Negeri Sunan Ampel Surabaya

Abstract

Perkebunan merupakan subsektor yang dapat meningkatkan kesejahteraan masyarakat dan juga menambah kekayaan negara indonesia (devisa). Hasil perkebunan dikelompokkan guna mengetahui daerah di Indonesia yang memiliki hasil perkebunan yang kurang baik atau termasuk daerah kurang produktif sehingga dapat dilakukan pembenahan strategi atau pengolahan perkebunan di Indonesia. Pengelompokan atau klasifikasi dilakukan dengan menggunakan metode fuzzy c means dengan data hasil perkebunan kelapa, kelapa sawit, kopi, kakao, karet di Indonesia tahun 2018, 2019, 2020. Penentuan jumlah cluster atau klasifikasi pada fuzzy c-means dilakukan menggunakan uji silhouette index, hal ini dilakukan agar mendapat cluster optimal. Hasil uji silhouette index didapat jumlah cluster optimal yakni 4 cluster, didapatkan daerah yang memiliki hasil perkebunan yang produktif paling tinggi terdapat pada provinsi Riau dan Kalimantan Tengah.

Article Details

Issue
Vol. 9 No. 2 (2024): July 2024
Section
Articles
Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

References

N. Ulinnuha, œProvincial Clustering in Indonesia Based on Plantation Production Using Fuzzy C-Means, J. Ilm. Teknol. dan Inf., vol. 9, no. 1, pp. 8“12, 2020.

A. Candra and M. I. Sundarta, œSistem Akuntansi Lingkungan Pada Industri Perkebunan Sawit di Kalimantan Tengah, Neraca Keuang. J. Ilm. Akunt. dan Keuang., vol. 13, no. 1, pp. 1“25, 2018.

B. P. Statistik, œStatistik Kakao Indonesia 2020, Badan Pusat Statistik, 2021, p. 10.

B. Poerwanto and B. Ali, œImplementasi Algoritma Fuzzy C-Means dalam Mengelompokkan Kecamatan di Tana Luwu Berdasarkan Produktifitas Hasil Perkebunan, MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 19, no. 1, pp. 163“172, 2019, doi: 10.30812/matrik.v19i1.499.

S. Agung Priambodo and A. Zakki Falani, œPemanfaatan Data Mining Untuk Klasterisasi Potensi Produksi Beras di Kabupaten Blitar Dengan Menggunakan Metode Fuzzy C-Means, 2020. [Online]. Available: https://www.blitarkab.go.id/.

N. Afifah, D. C. Rini, and A. Lubab, œPengklasteran Lahan Sawah Di Indonesia Sebagai Evaluasi Ketersediaan Produksi Pangan Menggunakan Fuzzy C-Means, J. Mat. œMANTIK, vol. 2, no. 1, p. 40, 2016, doi: 10.15642/mantik.2016.2.1.40-45.

A. Rohmatullah, D. Rahmalia, and M. S. Pradana, œKlasterisasi Data Pertanian di Kabupaten Lamongan Menggunakan Algoritma K-Means Dan Fuzzy C Means, J. Ilm. Teknosains, vol. 5, no. 2, p. 1, 2019.

H. Latipa Sari, œFuzzy Clustering Dalam Pengclusteran Data Curah Hujan Kota Bengkulu Dengan Algoritma C-Means, J. Ilm. MATRIK, vol. 16, no. 2, pp. 115“124, 2019.

M. N. Sutoyo and A. T. Sumpala, œPenerapan Fuzzy C-Means untuk Deteksi Dini Kemampuan Penalaran Matematis, Sci. J. Informatics, vol. 2, no. 2, pp. 2407“7658, 2018, [Online]. Available: http://journal.unnes.ac.id/nju/index.php/sji.

A. Praja, C. Lubis, and D. E. Herdiwindiati, œDeteksi Penyakit Diabetes Dengan Metode Fuzzy C-Means Clustering dan K-Means Clustering, Comput. J. Comput. Sci. Inf. Syst., vol. 1, 2018.

V. Herlinda, D. Darwis, and D. Dartono, œAnalisis Clustering Untuk Recredesialing Fasilitas Kesehatan Menggunakan Metode Fuzzy C-Means, J. Teknol. dan Sist. Inf., vol. 2, no. 2, pp. 94“99, 2021.

E. Prabowo and R. Kurniawan, œOptimasi Algoritma Fuzzy Clustering dengan Menggunakan Algoritma Forest Optimization, Inf. Syst. Dev. [ISD], vol. 4, no. 1, 2019.