KOMPARASI K-MEANS DAN AGGLOMERATIVE HIERARCHICAL CLUSTERING DALAM KLASTERISASI WILAYAH PRODUKSI PADI KARAWANG UNTUK DASAR PEMBERIAN SUBSIDI

taufiqurrohman yuares (mahasiswa)

Jurnal Informatika dan Teknik Elektro Terapan
Vol. 14 No. 3 (2026)

Abstrak Kabupaten Karawang merupakan lumbung padi nasional di Jawa Barat, namun luas panen dan jumlah produksi antar kecamatan menunjukkan karakteristik yang beragam dan tidak merata. Kondisi ini mendorong perlunya pengelompokan wilayah agar distribusi bantuan pertanian dapat dilakukan secara lebih tepat sasaran. Penelitian ini bertujuan membandingkan kinerja algoritma K-Means dan Agglomerative Hierarchical Clustering (AHC) dalam klasterisasi wilayah produksi padi di Kabupaten Karawang berdasarkan variabel luas panen dan produksi periode 2023–2025. Data yang digunakan merupakan data sekunder Dinas Pertanian sebanyak 90 baris (30 kecamatan selama tiga tahun) yang dianalisis menggunakan tahapan Knowledge Discovery in Databases (KDD). Pada K-Means diperoleh jumlah klaster optimal k=3 dengan nilai SSE 28,83, sedangkan AHC menggunakan k=2 berdasarkan analisis dendrogram dengan metode Average Linkage dan nilai Cophenetic Correlation 0,7897. Evaluasi menggunakan Davies-Bouldin Index (DBI) dan Silhouette Score menunjukkan AHC lebih unggul dibanding K-Means. Hasil AHC mengelompokkan 79 data ke Klaster Rendah dan 11 data ke Klaster Tinggi. Hasil penelitian ini diharapkan menjadi acuan dalam penyaluran bantuan pertanian yang lebih tepat sasaran.Abstract. Karawang Regency is one of the national rice barns in West Java, yet harvest area and rice production across sub-districts show diverse and uneven characteristics. This study compares the performance of the K-Means and Agglomerative Hierarchical Clustering (AHC) algorithms in clustering rice production areas in Karawang Regency based on harvest area and total production variables for 2023–2025. The data consisted of 90 records from 30 sub-districts obtained from the Karawang Regency Agriculture Office. The analysis followed the Knowledge Discovery in Databases (KDD) methodology. For K-Means, the optimal number of clusters was k = 3 using the Elbow method with an SSE value of 28.83. For AHC, k = 2 was determined using dendrogram analysis with the Average Linkage method, producing a Cophenetic Correlation value of 0.7897. Evaluation using the Davies-Bouldin Index (DBI) and Silhouette Score showed that AHC outperformed K-Means. Based on AHC results, 79 data points were classified into the Low Cluster and 11 into the High Cluster. These findings are expected to support more targeted agricultural assistance policies.