Jurnal Elektronika dan Teknik Informatika Terapan Volume 3.
Nomor 3.
September 2025 e-ISSN: 2988-0874, p-ISSN: 2988-0866.
Hal 01-17 DOI: https://doi.
org/10.
59061/jentik.
Available Online at: https://e-journal.
poltek-kampar.
id/index.
php/JENTIK Impelementasi Metode K-Means untuk Klastering pada Hasil Tanaman Padi di Aceh Abdul Sidik*1.
Haekal Ilmandry2.
Hendrik Asta Manggala3.
Reza Aqib Setyoanggoro4 Ilmu Komputer.
Teknik Informatika.
Universitas Pamulang.
Indonesia abdulsidik134@gmail.
com1, haekalilmandry10@gmail.
com2, astahendrik@gmail.
rezaaqib31@gmail.
Alamat Kampus: Jl.
Raya Puspitek.
Buaran.
Kec.
Pamulang.
Kota Tangerang Selatan.
Banten 15310 Korespondensi penulis : abdulsidik134@gmail.
Abstract.
Rice growth is a crucial indicator in determining the success of the agricultural sector, especially in agrarian regions like Aceh.
This study aims to cluster rice growth patterns using the K-Means method, a widely recognized and efficient clustering technique.
The analyzed data include land area, harvest yield, rice varieties, and environmental factors such as rainfall, temperature, and soil fertility.
By applying the K-Means method, the data were grouped into several clusters representing the levels of rice growth across different regions.
The results revealed significant differences in rice productivity among clusters, influenced by environmental factors and agricultural management.
These findings provide strategic insights for decision-making, particularly in resource optimization and policy planning, to sustainably enhance rice growth outcomes in Aceh.
Keywords: K-Means, rice growth, clustering.
Aceh, agricultural productivity.
Abstrak.
Pertumbuhan padi merupakan salah satu indikator penting dalam menentukan keberhasilan sektor pertanian, terutama di wilayah agraris seperti Aceh.
Penelitian ini bertujuan untuk mengelompokkan pola pertumbuhan padi menggunakan metode K-Means, yang dikenal sebagai teknik klasterisasi yang efisien.
Data yang dianalisis mencakup luas lahan tanam, hasil panen, varietas padi, serta kondisi lingkungan seperti curah hujan, suhu, dan kesuburan tanah.
Melalui implementasi metode K-Means, data dibagi menjadi beberapa klaster yang menggambarkan tingkat pertumbuhan padi di berbagai wilayah.
Hasil penelitian menunjukkan adanya perbedaan signifikan dalam produktivitas padi antar klaster, yang dipengaruhi oleh faktor lingkungan dan manajemen agrikultur.
Temuan ini memberikan wawasan strategis bagi pengambilan keputusan, khususnya dalam optimasi sumber daya dan perencanaan kebijakan untuk meningkatkan hasil pertumbuhan padi di Aceh secara Kata kunci: K-Means, pertumbuhan padi, klasterisasi.
Aceh, produktivitas pertanian.
LATAR BELAKANG
Produksi padi merupakan aspek penting dalam ketahanan pangan nasional.
Aceh, sebagai salah satu wilayah penghasil padi utama di Indonesia, memiliki karakteristik produksi yang bervariasi di setiap wilayahnya.
Perbedaan dalam luas lahan, tingkat produktivitas, dan volume produksi antar wilayah membutuhkan pendekatan berbasis data untuk mengelompokkan wilayah dengan karakteristik yang serupa.
KAJIAN TEORITIS
Metode K-Means adalah salah satu algoritma clustering non-hierarki yang digunakan untuk mengelompokkan data berdasarkan kesamaan atau kedekatan antar data.
Algoritma ini membagi data ke dalam k kelompok .
dengan cara meminimalkan jumlah kuadrat jarak antara titik-titik dalam cluster dengan centroid .
usat cluste.
Received November 24, 2024.
Revised: Desember 02, 2024.
Accepted Desember 22, 2024.
Published: Desember 24, 2024
IMPELEMENTASI METODE K-MEANS UNTUK KLASTERING PADA HASIL TANAMAN PADI DI
ACEH
METODE PENELITIAN
Pengelompokan Data (Clusterin.
Clustering adalah metode pengelompokan data berdasarkan kesamaan karakteristik Salah satu metode yang paling banyak digunakan adalah K-Means Data dan Sumber Data Data produksi padi diperoleh dari dataset yang tersedia di platform Kaggle.
Variabel yang digunakan adalah: pada Tabel 1 dan Gambar 1.
Tabel 1.
Variabel Data Nama Luas lahan Produktivitas Produksi Satuan .
on/h.
Tabel 2.
Variabel Data Produksi data pertahun 1993 - 2020
HASIL DAN PEMBAHASAN
Metode penelitian yang digunakan dalam pengelompokan hasil produksi padi ini adalah analisis klastering dengan pendekatan K-Means Clustering.
Penelitian ini bertujuan untuk mengidentifikasi pola produksi padi di suatu daerah berdasarkan indikator-indikator kunci seperti produksi padi, luas panen, curah hujan, kelembapan udara, dan suhu rata-rata.
Data produksi padi diperoleh dari dataset yang tersedia di platform Kaggle.
Variabel utama yang digunakan dalam penelitian ini meliputi luas lahan .
, produktivitas .
on/h.
, dan volume Jurnal Elektronika dan Teknik Informatika Terapan - Volume 3.
Nomor 3.
September 2025 e-ISSN: 2988-0874, p-ISSN: 2988-0866.
Hal 01-17 produksi .
Tahap pertama dalam metode ini adalah pengumpulan data, di mana data dari sumber tersebut dikumpulkan dan disusun dalam bentuk tabel.
Sumber data ini menyediakan gambaran historis produksi padi dari tahun ke tahun, sehingga memudahkan analisis untuk menemukan pola dan tren.
Tahap berikutnya adalah preprocessing data yang terdiri dari beberapa langkah penting.
Langkah pertama dalam preprocessing adalah pembersihan data, yaitu menghapus missing values atau nilai yang hilang serta mengidentifikasi dan menghapus outliers atau data yang tidak wajar agar tidak memengaruhi hasil analisis klaster.
Data yang bersih akan memberikan hasil klastering yang lebih akurat dan dapat diandalkan.
Setelah pembersihan data, dilakukan normalisasi data untuk memastikan semua variabel memiliki skala yang setara.
Normalisasi ini penting karena variabel seperti luas lahan, produktivitas, dan volume produksi memiliki satuan yang berbeda, dan skala yang tidak setara dapat memengaruhi proses pembentukan klaster.
Dengan normalisasi, semua variabel akan berada dalam rentang nilai yang seragam, sehingga meminimalkan bias dalam proses klastering.
Selanjutnya, proses K-Means Clustering dilakukan untuk mengelompokkan data ke dalam beberapa klaster berdasarkan kemiripan karakteristik.
Variabel utama seperti luas lahan, produktivitas, dan volume produksi digunakan sebagai acuan untuk membentuk klaster.
Sebelum menjalankan algoritma K-Means, jumlah klaster .
ditentukan terlebih dahulu, misalnya dengan menggunakan Elbow Method untuk menemukan jumlah klaster yang optimal.
Algoritma K-Means akan mengelompokkan data ke dalam klaster-klaster yang memiliki centroid atau pusat klaster dengan jarak terdekat.
Misalnya, data dapat dibagi ke dalam tiga klaster utama, yakni klaster dengan hasil produksi padi "tinggi," "sedang," dan "rendah.
Hasil klastering akan divisualisasikan menggunakan scatter plot, diagram batang, atau bentuk visualisasi data lainnya untuk memberikan gambaran yang jelas terkait distribusi data dalam setiap klaster.
Visualisasi ini membantu dalam menginterpretasi pola yang terbentuk, seperti kelompok dengan luas lahan yang kecil tetapi produktivitas tinggi, atau kelompok dengan luas lahan besar tetapi produktivitas rendah.
Dari analisis ini, kita dapat mengidentifikasi klaster yang memiliki kinerja optimal dan klaster yang memerlukan perhatian lebih lanjut.
Tahap terakhir dalam penelitian ini adalah interpretasi hasil dan rekomendasi solusi.
Setiap klaster dianalisis untuk mengenali karakteristik dan faktor-faktor yang memengaruhi kinerja produksinya.
Klaster dengan hasil produksi rendah, misalnya, mungkin disebabkan oleh luas lahan yang sempit, produktivitas yang rendah, atau faktor lingkungan seperti curah hujan yang tidak memadai.
Rekomendasi solusi untuk klaster ini dapat berupa penyediaan Jurnal Elektronika dan Teknik Informatika Terapan - Volume 2.
Nomor 4.
Tahun 2024
IMPELEMENTASI METODE K-MEANS UNTUK KLASTERING PADA HASIL TANAMAN PADI DI
ACEH
teknologi pertanian yang lebih modern, penyuluhan terkait praktik pertanian yang baik, serta distribusi pupuk dan bibit unggul.
Di sisi lain, klaster dengan hasil produksi tinggi dapat dijadikan sebagai benchmark atau contoh praktik terbaik yang bisa direplikasi di klaster Metode Yang Digunalan Menentukan data dengan algoritma K-Means dengan langkah berikut Menentukan jumlah klaster optimal menggunakan metode Elbow dan Silhouette.
Menginisialisasi centroid awal secara acak.
Menghitung jarak Euclidean antara data dan centroid.
Mengelompokkan data ke dalam klaster berdasarkan jarak terdekat.
Memperbarui posisi centroid dan mengulangi langkah 3-4 hingga klaster stabil.
Menentukan jumlah klaster optimal menggunakan metode Elbow dan Silhouette Metode Elbow dan Silhouette Score digunakan untuk menentukan jumlah klaster Penentuan jumlah klaster optimal dilakukan menggunakan Elbow Method dan Silhouette Score.
Grafik Elbow menunjukkan titik optimal pada K = 3, di mana penurunan nilai inertia mulai melambat.
Gambar 1.
Grafik Elbow Method .
Hasil klasterisasi Pengelompokan wilayah produksi padi menghasilkan tiga klaster dengan karakteristik sebagai berikut:
Klaster 1: Wilayah dengan produktivitas tinggi, luas lahan kecil, tetapi volume produksi Klaster 2: Wilayah dengan luas lahan besar tetapi produktivitas rendah.
Klaster 3: Wilayah dengan luas lahan sedang dan produktivitas sedang.
Jurnal Elektronika dan Teknik Informatika Terapan - Volume 3.
Nomor 3.
September 2025 e-ISSN: 2988-0874, p-ISSN: 2988-0866.
Hal 01-17 .
Visualisasi Hasil Klasterisasi Berikut ini penjelasan untuk Sub-sub-sub judul.
Sumbu X yaitu tahun produksi.
Sumbu Y yaitu volume produksi.
Gambar 2.
Grafik Hasil K-Means Klaster .
Analisis Tren Produksi Metode Elbow dan Silhouette Score digunakan untuk menentukan jumlah klaster Penentuan jumlah klaster optimal dilakukan menggunakan Elbow Method dan Silhouette Score.
Grafik Elbow menunjukkan titik optimal pada K = 3, di mana penurunan nilai inertia mulai melambat.
Menginisialisasi Centroid Awal .
Menentukan Jumlah Klaster Sebelumnya menentukan jumlah klaster kk berdasarkan metode seperti Elbow Methode atau aturan lainnya.
Pilih k titik dari dataset secara acak.
Setiap titik yang dipilih menjadi centroid awal untuk masing-masing klaster.
Centroid awal akan menjadi centroid pusat dari klaster-klaster awal.
Titik-titik data akan dikelompokan ke centroid terdekat berdasarkan jarak Euclidean.
Pemilihan Centroid K-Means : Centroid awal dipilih secara lebih strategis, bukan murni acak.
Multiple Runs : Menjalankan K-Means beberapa kali dengan inisialisai berbeda dan memilih hasil terbaik.
Jika dengan google collab Jurnal Elektronika dan Teknik Informatika Terapan - Volume 2.
Nomor 4.
Tahun 2024
IMPELEMENTASI METODE K-MEANS UNTUK KLASTERING PADA HASIL TANAMAN PADI DI
ACEH
import pandas as pd import numpy as np //Membaca data dari file CSV file_path = 'data_aceh.
csv' //Ganti dengan path file CSV Anda df = pd.
read_csv.
ile_pat.
//Menentukan fitur yang akan digunakan untuk clustering //Misalnya kita gunakan kolom 'Produksi' dan 'Luas Panen' data = df[['Produksi', 'Luas Panen']] //Perhatikan nama kolom sesuai file CSV //Menentukan jumlah klaster .
k = 3 //Jumlah klaster optimal dari metode Elbow //Menginisialisasi centroid secara acak seed.
//Untuk hasil yang konsisten centroid_indices = np.
index, size=k, replace=Fals.
centroids = data.
entroid_indice.
//Menampilkan centroid awal print("Centroid Awal:") print.
Output:
Centroid Awal:
Produksi Luas Panen Tabel 3.
Data Crntroid Awal Jurnal Elektronika dan Teknik Informatika Terapan - Volume 3.
Nomor 3.
September 2025 e-ISSN: 2988-0874, p-ISSN: 2988-0866.
Hal 01-17 Menghitung jarak Euclidean antara data dan centroid Berikut adalah implementasi kode Python untuk menghitung jarak Euclidean antara data dan centroid:
import numpy as np //Membaca data dari file CSV file_path = 'data_aceh.
csv' //Ganti dengan path file Anda df = pd.
read_csv.
ile_pat.
//Menentukan fitur yang akan digunakan untuk clustering data = df[['Produksi', 'Luas Panen']] //Centroid awal dari hasil sebelumnya centroids = np.
0, 315131.
, //Centroid 1 .
9, 329515.
, //Centroid 2 .
0, 295212.
//Centroid 3 //Fungsi untuk menghitung jarak Euclidean def euclidean_distance.
oint, centroi.
return np.
oint - centroi.
** .
) //Menghitung jarak Euclidean dari setiap titik data ke centroid distances = [] for i, row in data.
iterrows():
point = row.
dist_to_centroids = .
uclidean_distance.
oint, centroi.
for centroid in centroid.
ist_to_centroid.
//Menyimpan hasil jarak dalam DataFrame distance_df = pd.
DataFrame.
istances, columns=['Centroid_1', 'Centroid_2', 'Centroid_3']) data_with_distance = pd.
ata, distance_d.
, axis=.
Jurnal Elektronika dan Teknik Informatika Terapan - Volume 2.
Nomor 4.
Tahun 2024
IMPELEMENTASI METODE K-MEANS UNTUK KLASTERING PADA HASIL TANAMAN PADI DI
ACEH
//Menampilkan jarak Euclidean print("Jarak Euclidean antara setiap titik data dan centroid:") print.
ata_with_distanc.
Output:
Jarak Euclidean antara setiap titik data dan centroid:
Produksi Luas Panen Centroid_1 Centroid_2 Centroid_3 754438e 04 422502.
006871e 04 452298.
284956e 04 369220.
100559e 05 333394.
838908e 04 384007.
003181e 05 348631.
705068e 05 274959.
910618e 05 273485.
341827e 05 207355.
000000e 00 438068.
555649e 04 506818.
669371e 04 403376.
000224e 05 340536.
379803e 05 200109.
469372e 05 197617.
975709e 04 349170.
236245e 05 220657.
756131e 05 42871.
634567e 05 55298.
778983e 05 179340.
022191e 06 585950.
095621e 05 82500.
787702e 05 448463.
668698e 05 430303.
164940e 06 727768.
Jurnal Elektronika dan Teknik Informatika Terapan - Volume 3.
Nomor 3.
September 2025 e-ISSN: 2988-0874, p-ISSN: 2988-0866.
Hal 01-17 003042e 05 42279.
474089e 05 110187.
Tabel 4.
Data Jarak Euclidean Antara Data dan Centroid Mengelompokkan data ke dalam klaster berdasarkan jarak terdekat Untuk mengelompokkan data ke dalam klaster berdasarkan jarak terdekat ke centroid, kita dapat menentukan centroid dengan nilai jarak terkecil untuk setiap baris data.
Langkah ini melibatkan yaitu, mencari centroid dengan jarak minimum pada setiap baris dan menentukan klaster berdasarkan indeks centroid tersebut.
//Menentukan kolom jarak ke centroid distance_columns = ['Centroid_1', 'Centroid_2', 'Centroid_3'] //Menentukan klaster berdasarkan jarak terdekat .
entroid dengan jarak minimu.
data_with_distance['Cluster'] = data_with_distance.
istance_column.
//Mengganti nama klaster agar lebih mudah dibaca .
data_with_distance['Cluster'] = data_with_distance['Cluster'].
'Centroid_1': 'Cluster 1', 'Centroid_2': 'Cluster 2', 'Centroid_3': 'Cluster 3' Jurnal Elektronika dan Teknik Informatika Terapan - Volume 2.
Nomor 4.
Tahun 2024
IMPELEMENTASI METODE K-MEANS UNTUK KLASTERING PADA HASIL TANAMAN PADI DI
ACEH
//Menampilkan data yang sudah dikelompokkan print("Data dengan klaster berdasarkan jarak terdekat:") print.
ata_with_distance[['Produksi', 'Luas Panen', 'Cluster']]) Output:
Data dengan klaster berdasarkan jarak terdekat:
Produksi Luas Panen Cluster 00 Cluster 1 00 Cluster 1 00 Cluster 1 00 Cluster 1 00 Cluster 1 00 Cluster 1 00 Cluster 3 00 Cluster 3 00 Cluster 3 00 Cluster 1 00 Cluster 1 00 Cluster 1 00 Cluster 1 00 Cluster 3 00 Cluster 3 00 Cluster 1 00 Cluster 3 00 Cluster 2 00 Cluster 2 00 Cluster 3 00 Cluster 2 00 Cluster 2 00 Cluster 2 00 Cluster 2 00 Cluster 2 78 Cluster 2 Jurnal Elektronika dan Teknik Informatika Terapan - Volume 3.
Nomor 3.
September 2025 e-ISSN: 2988-0874, p-ISSN: 2988-0866.
Hal 01-17 46 Cluster 2 41 Cluster 2 Tabel 5.
Kelompok Data Sesuai Jarak Terdekat Memperbarui posisi centroid dan mengulangi langkah 3-4 hingga klaster stabil Menghitung centroid baru: Rata-rata koordinat (Produksi.
Luas Pane.
dari semua titik data dalam setiap klaster,Mengulangi perhitungan jarak Euclidean: menghitung jarak dari setiap titik ke centroid baru,mengelompokkan ulang: Menentukan klaster baru berdasarkan jarak minimum dan memeriksa stabilitas: Jika klaster tidak berubah, iterasi dihentikan.
//Inisialisasi variabel max_iter = 100 //Maksimal jumlah iterasi tolerance = 1e-4 //Toleransi perbedaan untuk menghentikan iterasi //Proses iterasi untuk memperbarui centroid dan mengelompokkan data for i in range.
ax_ite.
"Iterasi ke-.
") //Menghitung centroid baru berdasarkan rata-rata titik data di setiap klaster centroids = data_with_distance.
groupby('Cluster')[['Produksi', 'Luas Panen']].
print("Centroid Baru:") print.
Jurnal Elektronika dan Teknik Informatika Terapan - Volume 2.
Nomor 4.
Tahun 2024
IMPELEMENTASI METODE K-MEANS UNTUK KLASTERING PADA HASIL TANAMAN PADI DI
ACEH
//Menentukan jarak Euclidean ke centroid baru for idx, centroid in centroids.
iterrows():
col_name = f"Centroid_.
dx[-.
}" //Cluster 1 -> Centroid_1 data_with_distance.
ol_nam.
= np.
ata_with_distance['Produksi'] - centroid['Produksi'])**2 .
ata_with_distance['Luas Panen'] - centroid['Luas Panen'])**2 //Menentukan klaster baru berdasarkan jarak minimum previous_clusters = data_with_distance['Cluster'].
distance_columns = .
"Centroid_.
" for i in range.
)] data_with_distance['Cluster'] = data_with_distance.
istance_column.
//Mengganti nama klaster agar lebih mudah dibaca data_with_distance['Cluster'] = data_with_distance['Cluster'].
'Centroid_1': 'Cluster 1', 'Centroid_2': 'Cluster 2', 'Centroid_3': 'Cluster 3' //Mengecek stabilitas klaster if previous_clusters.
ata_with_distance['Cluster']):
print("Klaster telah stabil.
Iterasi dihentikan.
print("Mencapai iterasi maksimum.
//Menampilkan hasil akhir print("Data dengan klaster akhir:") print.
ata_with_distance[['Produksi', 'Luas Panen', 'Cluster']]) Output:
Iterasi ke-1 Centroid Baru:
Jurnal Elektronika dan Teknik Informatika Terapan - Volume 3.
Nomor 3.
September 2025 e-ISSN: 2988-0874, p-ISSN: 2988-0866.
Hal 01-17 Produksi Luas Panen Cluster Cluster 1 1.
357258e 06 341538.
Cluster 2 1.
988081e 06 353438.
Cluster 3 1.
533974e 06 354354.
Iterasi ke-2 Centroid Baru:
Produksi Luas Panen Cluster Cluster 1 1.
357258e 06 341538.
Cluster 2 2.
051797e 06 361845.
Cluster 3 1.
578250e 06 346677.
Iterasi ke-3 Centroid Baru:
Produksi Luas Panen Cluster Cluster 1 1.
357258e 06 341538.
Cluster 2 2.
142181e 06 360299.
Cluster 3 1.
615049e 06 350278.
Iterasi ke-4 Centroid Baru:
Produksi Luas Panen Cluster Cluster 1 1367379.
Cluster 2 2292864.
Cluster 3 1664038.
Iterasi ke-5 Centroid Baru:
Produksi Luas Panen Cluster Cluster 1 1.
376574e 06 347192.
Cluster 2 2.
292864e 06 366948.
Cluster 3 1.
680141e 06 344589.
Klaster telah stabil.
Iterasi dihentikan.
Jurnal Elektronika dan Teknik Informatika Terapan - Volume 2.
Nomor 4.
Tahun 2024
IMPELEMENTASI METODE K-MEANS UNTUK KLASTERING PADA HASIL TANAMAN PADI DI
ACEH
Data dengan klaster akhir:
Produksi Luas Panen Cluster 00 Cluster 1 00 Cluster 1 00 Cluster 1 00 Cluster 1 00 Cluster 1 00 Cluster 1 00 Cluster 1 00 Cluster 1 00 Cluster 3 00 Cluster 1 00 Cluster 1 00 Cluster 1 00 Cluster 1 00 Cluster 3 00 Cluster 3 00 Cluster 1 00 Cluster 3 00 Cluster 3 00 Cluster 3 00 Cluster 3 00 Cluster 2 00 Cluster 3 00 Cluster 2 00 Cluster 2 00 Cluster 2 78 Cluster 3 46 Cluster 3 41 Cluster 3 Output table Tabel 6.
Klaster Data Yang Telah StabilS Jurnal Elektronika dan Teknik Informatika Terapan - Volume 3.
Nomor 3.
September 2025 e-ISSN: 2988-0874, p-ISSN: 2988-0866.
Hal 01-17 Analisa Kebutuhan Dalam penelitian ini, beberapa kebutuhan penting telah diidentifikasi untuk memastikan implementasi metode K-Means dapat menghasilkan analisis klaster yang akurat dan mendukung tujuan penelitian.
Pertama, diperlukan dataset yang berkualitas tinggi.
Dataset tersebut harus mencakup data produksi padi di Aceh dengan variabel utama seperti luas lahan, produktivitas dalam satuan ton per hektar .
on/h.
, dan volume produksi dalam ton.
Selain itu, data harus mencakup periode waktu yang memadai untuk analisis tren historis, sehingga dapat menggambarkan perkembangan produksi secara menyeluruh.
Tahapan preprocessing data menjadi kebutuhan kedua yang sangat penting.
Data yang diperoleh harus melalui proses pembersihan untuk menghapus nilai yang hilang .
issing value.
serta mengidentifikasi dan menghilangkan data pencilan .
Hal ini dilakukan agar hasil analisis lebih representatif dan bebas dari bias.
Normalisasi data juga merupakan langkah krusial untuk memastikan semua variabel berada dalam skala yang setara, mengingat variabel-variabel tersebut memiliki satuan yang berbeda.
Ketiga, metode klasterisasi yang digunakan harus tepat dan relevan.
Penentuan jumlah klaster yang optimal, misalnya, dilakukan menggunakan metode Elbow atau Silhouette Score.
Setelah jumlah klaster ditentukan, algoritma K-Means diterapkan untuk membentuk klaster yang stabil dengan karakteristik yang dapat dianalisis lebih lanjut.
Sumber daya teknologi juga menjadi kebutuhan yang tidak dapat diabaikan.
Perangkat keras seperti komputer dengan kemampuan pemrosesan data besar, serta perangkat lunak seperti Python dengan pustaka pendukung seperti Pandas.
NumPy, dan Matplotlib, digunakan untuk mendukung proses analisis data dan visualisasi hasil.
Hasil analisis harus divisualisasikan dengan jelas untuk mempermudah interpretasi.
Visualisasi ini dapat berupa scatter plot atau diagram batang yang memberikan gambaran distribusi data dalam setiap klaster.
Selain itu, analisis karakteristik setiap klaster dilakukan Jurnal Elektronika dan Teknik Informatika Terapan - Volume 2.
Nomor 4.
Tahun 2024
IMPELEMENTASI METODE K-MEANS UNTUK KLASTERING PADA HASIL TANAMAN PADI DI
ACEH
untuk mengidentifikasi wilayah-wilayah yang membutuhkan perhatian khusus atau dapat dijadikan acuan sebagai wilayah dengan praktik pertanian yang optimal.
Terakhir, hasil penelitian ini harus mampu memberikan rekomendasi kebijakan yang dapat diterapkan secara nyata.
Rekomendasi ini mencakup strategi berbasis data untuk meningkatkan produktivitas di wilayah dengan hasil rendah, serta pengembangan dan replikasi praktik terbaik dari wilayah dengan hasil tinggi.
Dengan demikian, penelitian ini tidak hanya memberikan wawasan analitis tetapi juga memberikan dampak nyata dalam pengelolaan KESIMPULAN DAN SARAN Penelitian ini berhasil menerapkan metode K-Means untuk mengelompokkan wilayah produksi padi di Aceh ke dalam tiga klaster utama berdasarkan variabel luas lahan, produktivitas, dan volume produksi.
Proses klasterisasi ini menghasilkan tiga klaster dengan karakteristik yang berbeda.
Klaster pertama terdiri dari wilayah-wilayah dengan produktivitas tinggi tetapi luas lahan kecil, yang tetap mampu menghasilkan volume produksi yang besar.
Klaster kedua mencakup wilayah dengan luas lahan besar tetapi produktivitasnya relatif rendah, sehingga memerlukan perhatian khusus untuk meningkatkan efisiensinya.
Klaster ketiga adalah wilayah dengan luas lahan dan produktivitas sedang, yang cenderung stabil tetapi memiliki potensi untuk dikembangkan lebih lanjut.
Analisis tren produksi menunjukkan adanya peningkatan produksi dari waktu ke waktu.
Pergeseran data dari klaster dengan hasil rendah ke klaster dengan hasil sedang dan tinggi menunjukkan adanya perbaikan dalam praktik pertanian dan manajemen lahan di Aceh selama periode pengamatan.
Metode K-Means terbukti efektif dalam mengidentifikasi pola produksi dan memberikan wawasan berbasis data yang dapat digunakan sebagai dasar pengambilan kebijakan.
Hasil penelitian ini memberikan peluang untuk meningkatkan produktivitas melalui distribusi sumber daya yang lebih adil, pengembangan teknologi pertanian modern, dan penyuluhan berkelanjutan bagi petani.
Dengan langkah-langkah ini, diharapkan hasil produksi padi di Aceh dapat terus meningkat, mendukung ketahanan pangan, dan memberikan kontribusi signifikan bagi perekonomian daerah.
Jurnal Elektronika dan Teknik Informatika Terapan - Volume 3.
Nomor 3.
September 2025 e-ISSN: 2988-0874, p-ISSN: 2988-0866.
Hal 01-17
DAFTAR REFERENSI
Hastuti.
, & Setiawan.
Pengelompokan data penyakit TBC menggunakan algoritma K-Means.
Jurnal Teknologi Informasi dan Komputer, 3.
Putra.
, & Hidayat.
Clustering produktivitas pertanian menggunakan metode K-Means.
Jurnal Teknologi Informasi Pertanian, 2.
Saputra.
Suarna.
, & Lestari.
Klasterisasi nilai ujian sekolah menggunakan metode algoritma K-Means.
Jurnal Sistem Informasi dan Komputer, 6.
Wardhani.
K-Means algorithm implementation for clustering of patients disease in Kajen Clinic of Pekalongan.
Journal of Health Informatics, 5.
Jurnal Elektronika dan Teknik Informatika Terapan - Volume 2.
Nomor 4.
Tahun 2024