Analisis Hierarchical Dan Non-Hierarchical Clustering Untuk Pengelompokkan Potensi Ekonomi Kelautan Indonesia 2021
Abstract
Indonesia merupakan negara dengan wilayah laut yang sangat luas. Hal ini dibuktikan dengan hampir 70% wilayah Indonesia adalah laut dan sisanya daratan. Hal ini membuat pemerintah harus bersiap untuk memanfaatkan kekayaan laut yang dapat membangkitkan industri kelautan dan Perikanan. Sektor kelautan dan Perikanan masuk dalam Program Prioritas nasional yang diharapkan dapat meningkatkan pertumbuhan ekonomi nasional bagi negara. Namun untuk mencapai hal itu, Pemerintah membutuhkan kebijakan di sektor perikanan dan kelautan, tetapi minimnya pengelolaan Klasterisasi potensi perikanan menjadi hambatan bagi pemerintah. Tujuan penelitian yaitu pengelompokkan potensi wilayah produksi perikanan di Indonesia tahun 2021. Penelitian ini membandingkan antara metode klaster hirarki yaitu complete linkage, single linkage, average linkage dan Ward dengan Metode klaster non-hirarki yaitu k-means, k-medoids dan DBSCAN (Density-based Spatial Clustering of Application with Noise). Penentuan metode terbaik klaster hirarki dan jumlah klaster yang paling optimum yang terdiri dari average linkage, complete linkage, single linkage dan Ward serta metode Non – hierarchical clustering yaitu K-means dan k-medoids adalah dengan Davies-Bouldin Index (DB), Calinski-Harabasz (CH), Silhouette, dan Dunn Index. Kemudian untuk metode DBSCAN adalah dengan membandingkan nilai Silhouette. Setelah ditentukan jumlah klaster terbaik, maka akan dilakukan evaluasi model dengan nilai Internal Cluster Dispertion Rate. Model clustering terbaik adalah average linkage dengan nilai Internal Cluster Dispertion Rate paling kecil dibandingkan model cluster lainnya. Maka dapat dilihat provinsi dengan potensi ekonomi kelautan yang paling tinggi dan yang paling rendah. Klaster average linkage menghasilkan 2 klaster. Klaster 1 beranggotakan 30 provinsi dengan potensi ekonomi kelautan yang perlu ditingkatkan. Kemudian klaster 2 yang beranggotakan 4 provinsi dengan potensi ekonomi kelautan yang tinggi.
Keywords
Full Text:
PDFReferences
Fajriana, F. (2021). Analisis Algoritma K-Medoids pada Sistem Klasterisasi Produksi Perikanan Tangkap Kabupaten Aceh Utara. Jurnal Edukasi Dan Penelitian Informatika (JEPIN), 7(2), 263. https://doi.org/10.26418/jp.v7i2.47795
Gulagiz, F. K., & Suhap, S. (2017). Comparison of Hierarchical and Non-Hierarchical Clustering Algorithms. International Journal of Computer Engineering and Information Technology, 9(1), 6–14. www.ijceit.org
Khabaza, T. (2010). 9 Laws of Data Mining. September, 1–10. http://khabaza.codimension.net/index_files/9laws.htm
“Potensi Perikanan Indonesia”. Wantimpres.go.id. https://wantimpres.go.id/id/2017/04/potensi-perikanan-indonesia/
Purwaningsih, T., & Stat, S. (2017). Perbandingan Hasil Pengelompokkan antara Metode Average Linkage, Ward, Complete Linkage, dan Single Linkage (Studi Kasus: Indikator Kesehatan Indonesia. [skripsi] Yogyakarta : Universitas Islam Indonesia.
Khairati, A. F., Adlina, A. ., Hertono, G. ., & Handari, B. . (2019). Kajian Indeks Validitas pada Algoritma K-Means Enhanced dan K-Means MMCA. PRISMA, Prosiding Seminar Nasional Matematika, 2, 161–170.
Putri, M. M. (2015). Pengelompokkan kabupaten/kota di Provinsi Jawa Timur berdasarkan Indikator Kesehatan Masyarakat menggunakan Metode Kohonen SOM dan k-means. [skripsi] Surabaya : Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember.
Iis, Yahya, I., Wibawa, G. N. A., & Laome, L. (2022). Penggunaan Korelasi Cophenetic untuk Pemilihan Metode Cluster Berhierarki pada Mengelompokkan Kabupaten/Kota Berdasarkan Jenis Penyakit di Provinsi Sulawesi Tenggara Tahun 2020. Prosiding Seminar Nasional Sains Dan Terapan (SINTA) VI 2022, April, 1–16.
Eka, S., Setiawan, D., Mubarok, R., Ernawati, & Otok, B. W. (2017). Analisis Cluster pada Kabupaten di Papua Berdasarkan. May, 0–14.
Paramadina, M., Sudarmin, S., & Aidid, M. K. (2019). Perbandingan Analisis Cluster Metode Average Linkage dan Metode Ward (Kasus: IPM Provinsi Sulawesi Selatan). VARIANSI: Journal of Statistics and Its Application on Teaching and Research, 1(2), 22. https://doi.org/10.35580/variansiunm9357.
Tempola, F., & Assagaf, A. F. (2018). Clustering of Potency of Shrimp In Indonesia With K-Means Algorithm And Validation of Davies-Bouldin Index. 1(Icst), 730–733. https://doi.org/10.2991/icst-18.2018.148
Nurkholik, D. (2022). ANALISIS K-MEDOIDS CLUSTERING METODE ELBOW PADA KASUS COVID-19 DI PROVINSI DKI JAKARTA. [Skripsi] Malang : Universitas Islam Negeri Maulana Malik Ibrahim.
Adha, R., Nurhaliza, N., Sholeha, U., & Mustakim, M. (2021). Perbandingan Algoritma DBSCAN dan K-Means Clustering untuk Pengelompokan Kasus Covid-19 di Dunia. SITEKIN: Jurnal Sains, Teknologi Dan Industri, 18(2), 206–211.
Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20(C), 53–65. https://doi.org/10.1016/0377-0427(87)90125-7.
[KKP] Kementrian Kelautan dan Perikanan (2021). https://statistik.kkp.go.id/home.php?m=prod_ikan_prov&i=2# (diakses 20 juni 2023).
Badan Pusat Statistik (2023). https://www.bps.go.id/subject/56/perikanan.html#subjekViewTab3 (diakses 20 Juni 2023).
Sulistiyawan, E., Hapsery, A., & Arifahanum, L. J. A. (2021). PERBANDINGAN METODE OPTIMASI UNTUK PENGELOMPOKAN PROVINSI BERDASARKAN SEKTOR PERIKANAN DI INDONESIA (Studi Kasus Dinas Kelautan dan Perikanan Indonesia). Jurnal Gaussian, 10(1), 76–84. https://doi.org/10.14710/j.gauss.v10i1.30936
Faujia, R. A., Setianingsih, E. S., & Pratiwi, H. (2022). Analisis Klaster K-Means Dan Agglomerative Nesting Pada Indikator Stunting Balita Di Indonesia. Seminar Nasional Official Statistics, 2022(1), 1249–1258. https://doi.org/10.34123/semnasoffstat.v2022i1.1511
DOI: https://doi.org/10.26418/justin.v11i3.67283
Refbacks
Copyright (c) 2023 JUSTIN (Jurnal Sistem dan Teknologi Informasi)
View My Stats
All article in Justin is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License