Implementasi Algoritma K-Means Clustering untuk Mengelompokkan Wilayah Produksi Kopi di Jawa Barat

Pratama, Jingga (Universitas Buana Perjuangan Karawang)
Huda, Baenil (Universitas Buana Perjuangan Karawang)
Hilabi, Shofa Shofiah (Universitas Buana Perjuangan Karawang)
Novalia, Elvina (Universitas Buana Perjuangan Karawang)

Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi
Vol 15, No 2 (2026): April 2026

Regional disparities in Arabica coffee output across West Java Province underscore the necessity of evidence-based analytical approaches to systematically map production distribution. This study applies K-means clustering to segment Arabica coffee-producing districts and cities based on their production volumes. The analytical pipeline encompasses data preprocessing, cluster modeling, performance evaluation, and result visualization. Three distinct production tiers emerged from the analysis: low, moderate, and high. A silhouette score of 0.883 confirmed excellent cluster cohesion and separation quality. The novelty of this research lies in its territory-level, data-driven segmentation approach paired with interpretable visualization to inform regional policy. The findings reveal pronounced inter-regional production disparities and offer an empirical foundation for crafting targeted, data-informed, and sustainable development strategies to improve the equity and competitiveness of Arabica coffee production at the regional level.Keywords: K-Means clustering; Arabica coffee; Coffee production; Regional clustering; Data analysisAbstrakKesenjangan tingkat produksi kopi Arabika antar daerah di Provinsi Jawa Barat mengindikasikan perlunya pendekatan analitis berbasis data untuk memetakan pola sebaran produksi secara sistematis. Penelitian ini menerapkan metode K-means clustering guna mengelompokkan daerah penghasil kopi Arabika berdasarkan volume produksinya. Rangkaian analisis mencakup pra-pemrosesan data, pemodelan cluster, evaluasi performa, dan visualisasi hasil. Tiga kelompok wilayah berhasil terbentuk, yakni kategori produksi rendah, menengah, dan tinggi. Nilai silhouette score sebesar 0,883 mengonfirmasi kualitas pengelompokan yang sangat baik dengan separasi antar cluster yang tegas. Kebaruan penelitian terletak pada penerapan segmentasi berbasis wilayah yang bersifat data-driven serta penyajian visual yang informatif sebagai fondasi pengambilan kebijakan. Temuan ini mengungkap adanya ketimpangan produksi yang nyata antar wilayah sekaligus menyediakan landasan empiris untuk merancang strategi pengembangan kopi Arabika yang lebih tepat sasaran, berbasis data, dan berkelanjutan ditingkat daerah.