This Author published in this journals
All Journal JURNAL PANGAN
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Segmentasi Provinsi di Indonesia berdasarkan Data Runtun Waktu Produksi Padi dengan Algoritma DTW dan K-Medoids Clustering Yolanda, Anne Mudya; Savira, Husna
JURNAL PANGAN Vol. 33 No. 3 (2024): PANGAN
Publisher : Perum BULOG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33964/jp.v33i3.847

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.