Perbandingan Algoritma K-Means Dan Fuzzy C-Means Untuk Pengelompokkan Daerah Produktivitas Tanaman Padi Kalimantan Barat

Aryo Nugroho (Universitas Muhammadiyah Pontianak)
Putri Yuli Utami (Universitas Muhammadiyah Pontianak)
Rizki Surtiyan Surya (Universitas Muhammadiyah Pontianak)

Journal of Innovative and Creativity
Vol. 5 No. 2 (2025)

Indonesia adalah negara agraris, di mana sektor pertanian berperan penting dalam pembangunan nasional dengan menyediakan pangan untuk seluruh penduduk. Luasnya wilayah di Kalimantan Barat dan variasi produktivitas padi di berbagai daerah menunjukkan perlunya pengelompokan wilayah berdasarkan hasil produksinya. Teknik clustering dalam data mining, seperti K-Means dan Fuzzy C-Means, dapat digunakan untuk mengelompokkan daerah produktivitas padi berdasarkan data, sehingga kebijakan dan intervensi bisa dilakukan dengan lebih terfokus. Fuzzy C-Means 2020 Cluster 1tinggi 4 daerah, Cluster 0 sedang 7 daerah, Cluster 2 rendah 3 daerah. 2021 Cluster 1 tinggi 6 daerah, Cluster 2 sedang 5 daerah, Cluster 0 rendah 3 daerah. 2022 Cluster 1 tinggi 2 daerah, Cluster 0 sedang 5 daerah, Cluster 2 rendah 7 daerah. 2023 Cluster 1 tinggi 5 daerah, Cluster 2 sedang 6 daerah, Cluster 0 rendah 3 daerah. K-Means 2020 Cluster 0 tinggi 4 daerah, Cluster 1 sedang 3 daerah, Cluster 2 rendah 7 daerah. 2021 Cluster 0 tinggi 6 daerah, Cluster 1 sedang 5 daerah, Cluster 2 rendah 3 daerah. 2022 Cluster 2 tinggi 4 daerah, Cluster 0 rendah 5 daerah, Cluster 1 sedang 5 daerah. 2023: Cluster 1 tinggi 5 daerah, Cluster 0 sedang 6 daerah, Cluster 2 rendah 3 daerah. Secara keseluruhan, Fuzzy C-Means unggul pada 8 cluster, sementara K-Means hanya unggul pada 4 cluster. Hal ini mengidentifikasikan bahwa Fuzzy C-Means lebih mampu membentuk klister.