Segmentasi Provinsi di Indonesia berdasarkan Data Runtun Waktu Produksi Padi dengan Algoritma DTW dan K-Medoids Clustering
Article Sidebar
Main Article Content
Abstract
Sektor pertanian, khususnya tanaman pangan padi, memiliki peranan penting bagi perekonomian Indonesia. Analisis data historis produksi padi atau data runtun waktu produksi padi dapat memberikan gambaran pola produksi dan segmentasi wilayah berdasarkan karakteristik tanaman padi. Penelitian ini menggunakan algoritma DTW dan K-Medoids Clustering untuk melakukan segmentasi provinsi di Indonesia berdasarkan data produksi padi tahun 2013-2021. Hasil penelitian menunjukkan tiga cluster wilayah dengan karakteristik produksi padi yang berbeda. Setiap cluster menunjukkan pola produksi yang berbeda dengan anggota cluster lainnya, yang disebabkan oleh perbedaan jarak DTW dalam mengukur kesamaan pola produksi. Cluster 1 memiliki produksi tertinggi, diikuti oleh Cluster 2 dan Cluster 3, masing-masing terdiri dari 16, 7, dan 11 provinsi. Temuan ini dapat digunakan sebagai dasar pengembangan kebijakan pemerintah sesuai karakteristik masing-masing segmen.
The agricultural sector, particularly rice crops, plays a crucial role in Indonesia’s economy. Analyzing rice production historical data, or rice production time series data, can provide insights into production patterns and regional segmentation based on rice crop characteristics. This study employed the DTW algorithm and K-Medoids Clustering to segment provinces in Indonesia based on rice production data from 2013 to 2021. The results of the study indicated three clusters of regions with distinct rice production characteristics. Some regions exhibited different production patterns from other cluster members, attributed to variations in DTW distances used to measure pattern similarity. Cluster 1 had the highest production, followed by Cluster 2 and Cluster 3, with 16, 7, and 11 provinces respectively. These findings can serve as a basis for government policy development tailored to the characteristics of each segment.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
catatan copyright agar disepakati oleh penulis.
Penulis sepakat dengan ketentuan-ketentuan dalam etika publikasi
Penulis menyatakan bahwa karya tulis yang diserahkan untuk diterbitkan adalah asli, belum pernah dipublikasikan di manapun dalam bahasa apapun, dan tidak sedang dalam proses pengajuan ke penerbit lain
References
Badan Pusat Statistik Indonesia. 2022. Keadaan Ketenagakerjaan Indonesia Agustus 2022. Jakarta: Badan Pusat Statistik Indonesia.
———. 2023a. Luas Panen Dan Produksi Padi Di Indonesia 2022. Jakarta: Badan Pusat Statistik Indonesia.
———. 2023b. Pertumbuhan Ekonomi Indonesia Triwulan IV 2022. Jakarta: Badan Pusat Statistik Indonesia.
———. 2023c. Ringkasan Eksekutif Luas Panen Dan Produksi Padi Di Indonesia 2022. Jakarta: Badan Pusat Statistik Indonesia.
———. 2023d. Ringkasan Eksekutif Luas Panen Dan Produksi Padi Di Indonesia 2023 (Angka Sementara). Jakarta: Badan Pusat Statistik Indonesia.
Badan Pusat Statistik Provinsi Riau. 2023. Luas Panen Dan Produksi Padi Di Provinsi Riau 2022. Pekanbaru: Badan Pusat Statistik Provinsi Riau. https://lampung.bps.go.id/indicator/53/568/1/padi-produks-.html.
Dietrich, David, Barry Heller, and Beibei Yang. 2015. Data Science and Big Data Analytics. Canada: John Wiley & Sons, Inc. www.wiley.com/go/eula.
Hayati, Mimi, Elfiana, and Martina. 2017. “Peranan Sektor Pertanian Dalam Pembangunan Wilayah Kabupaten Bireuen Provinsi Aceh.” Jurnal Sains Pertanian 1 (3): 213–22.
Hill, R.Carter, William E. Griffiths, and Guay C. Lim. 2011. Principles of Econometrics. 4th ed. United States of America: John Wiley & Sons, Inc.
Imani, Nurul, Achmad Isya Alfassa, and Anne Mudya Yolanda. 2022. “Self Organizing Map (Som) Clustering Untuk Analisis Data Indikator Sosial Di Provinsi Nusa Tenggara Timur.” Jurnal Gaussian 11 (3): 458–67. https://doi.org/10.14710/J.GAUSS.11.3.458-467.
Javed, Ali, Byung Suk Lee, and Donna M. Rizzo. 2020. “A Benchmark Study on Time Series Clustering.” Machine Learning with Applications 1: 100001. https://doi.org/10.1016/j.mlwa.2020.100001.
Montgomery, Douglas C., Cheryl L. Jennings, and Murat Kulahci. 2008. Introduction to Time Series Analysis and Forecasting. New Jersey (US): y John Wiley & Sons. Inc.
Munthe, Andrew Donda. 2019. “Penerapan Clustering Time Series Untuk Menggerombolkan Provinsi Di Indonesia Berdasarkan Nilai Produksi Padi.” Litbang Sukowati 2 (2): 1–11.
Wei, William W.S. 2019. Multivariate Time Series Analysis and Applications. アジア経済. United States of America: John Wiley & Sons, Ltd.
Wicaksono, Agung Satrio, and Anne Mudya Yolanda. 2021. “Pengelompokkan Kabupaten / Kota Di Provinsi Nusa Tenggara Timur Berdasarkan Indikator Indeks Pembangunan Manusia Menggunakan K-Medoids Clustering.” JSTAR: Jurnal Statistika Terapan 1 (1): 79–90. https://doi.org/10.5300/jstar.v1i1.7.
Yolanda, Anne Mudya, and Kristiana Yunitaningtyas. 2021. “Segmentasi Provinsi Berdasarkan Sarana Dan Perlengkapan Faskes Keluarga Berencana Tahun 2021.” Jurnal Keluarga Berencana 6 (1): 20–30. https://doi.org/10.37306/kkb.v6i1.70.
Yunitaningtyas, Kristiana, and Anne Mudya Yolanda. 2022. “Klasifikasi Kabupaten/Kota Di Provinsi Nusa Tenggara Timur Berdasarkan Indikator Status Kesehatan Masyarakat.” JSTAR: Jurnal Statistika Terapan 2 (1): 1–18. https://doi.org/10.5300/JSTAR.V2I01.10.
Zhang, Shuyang, Lun Zhang, and Xiaosong Zhang. 2022. “Clustering Based on Dynamic Time Warping to Extract Typical Daily Patterns from Long-Term Operation Data of a Ground Source Heat Pump System.” Energy 249 (123767). https://doi.org/https://doi.org/10.1016/j.energy.2022.123767.