MUST: Journal of Mathematics Education.
Science and Technology Vol.
No.
Juli 20.
Hal 37-56 DOI: http://doi.
org/10.
30651/must.
PERBANDINGAN K-MEANS DAN K-MEDOIDS DALAM
PENGELOMPOKKAN KOMODITAS EKSPOR INDUSTRI DI INDONESIA
Panji Lokajaya Arifa1*.
Hazelita Dwi Rahmasari2.
Carlya Agmis Aimandiga3.
Anwar Fitrianto4.
Erfiani5.
Rachmat Bintang Yudhianto6 Departemen Statistika dan Sains Data.
IPB University.
Indonesia arf4arifa@apps.
id1*, h042002elitadwi@apps.
agmiscarlya@apps.
id3, anwarstat@gmail.
com4, erfiani@apps.
ydth_2000_rachmat@apps.
Received 13 Oktober 2025.
revised 02 Desember 2025.
accepted 13 Desember 2025.
ABSTRAK
Perdagangan internasional berperan penting dalam pertumbuhan ekonomi Indonesia, khususnya melalui ekspor komoditas hasil industri.
Namun, ketergantungan yang tinggi pada beberapa komoditas utama menimbulkan kerentanan terhadap fluktuasi pasar global.
Penelitian ini bertujuan untuk mengeksplorasi tren nilai ekspor komoditas industri dan membandingkan membandingkan performa metode clustering dalam mengelompokkan komoditas berdasarkan pola nilainya.
Data penelitian yang digunakan berupa nilai ekspor bulanan tahun 2022 hingga pertengahan tahun 2025 yang bersumber dari Badan Pusat Statistik (BPS).
Metode analisis mencakup eksplorasi tren dan analisis klaster dengan K-Means dan K-Medoids menggunakan jarak Dynamic Time Warping (DTW).
Hasil dari eskplorasi tren nilai ekspor menunjukkan bahwa komoditas minyak kelapa sawit mendominasi nilai ekspor hasil industri, sedangkan komoditas lain cenderung memiliki pola yang stabil pada nilai menengah hingga rendah.
Evaluasi hasil clustering dengan dengan menggunakan K-Means dan K-Medoids diperoleh 3 klaster yang menunjukkan bahwa K-Medoids memberikan performa terbaik dengan memperoleh Silhoutte Score sebesar 0.
1577 dan Davies-Bouldin Index (DBI) sebesar 1.
Nilai tersebut lebih baik dibandingkan K-Means yang memperoleh Silhouette Score 0.
1493 dan DBI 2.
3037, yang menunjukkan bahwa metode tersebut kurang optimal dalam memisahkan klaster.
Temuan ini menjelaskan bahwa K-Medoids lebih robust terhadap outlier dan mampu memberikan pengelompokkan yang lebih representatif.
Sehingga dapat memberikan pemahaman lebih mendalam mengenai pola-pola pengelompokan komoditas serta berkontribusi dalam memberikan rekomendasi kebijakan ekspor untuk mengurangi ketergantuan pada komoditas utama dan meningkatkan daya saing ekspor hasil industri Indonesia.
Kata kunci: clustering , ekspor industri, k-means, k-medoids, silhouette score.
ABSTRACT
International trade plays a crucial role in Indonesia's economic growth, particularly through industrial commodity exports.
However, its heavy dependence on a few key commodities makes it vulnerable to global market fluctuations.
This study aims to explore trends in industrial commodity export values and compare the performance of cluster methods in grouping commodities based on their value patterns.
The research data used are monthly export values from 2022 to mid-2025, sourced from the Central Statistics Agency (BPS).
The analytical methods used include trend exploration and cluster analysis with K-Means and K-Medoids using Dynamic Time Warping (DTW) distance.
The results of the export value trend exploration indicate that palm oil dominates Panji Lokajaya Arifa.
Hazelita Dwi Rahmasari.
Carlya Agmis Aimandiga.
Anwar Fitrianto.
Erfiani.
Rachmat Bintang Yudhianto industrial export value, while other commodities tend to have stable patterns at medium to low Evaluation of clustering results using K-Means and K-Medoids each obtained 3 clusters indicating that K-Medoids provided the best performance by obtaining a Silhouette Score of 0.
and a Davies-Bouldin Index (DBI) of 1.
This value is better than K-Means which obtained a Silhouette Score of 0.
1493 and a DBI of 2.
3037 indicating that the method is less than optimal in separating clusters.
This finding explains that K-Medoids is more robust against outliers and is able to provide more representative groupings.
So it can provide a deeper understanding of commodity grouping patterns and contribute to providing export policy recommendations to reduce dependence on primary commodities and increase the export competitiveness of Indonesian industrial products.
Keywords: clustering, industry ekspor, k-means, k-medoids, silhouette scor.
PENDAHULUAN
Perkembangan globalisasi dalam ekonomi semakin menegaskan pentingnya perdagangan internasional sebagai roda penggerak pertumbuhan ekonomi dunia.
Bagi negara dengan ekonomi terbuka, perdagangan internasional atau ekspor memiliki peran penting dalam mendorong pertumbuhan ekonomi negara dengan sistem ekonomi terbuka seperti Indonesia.
Ekspor merupakan pembelian dari negara lain atas suatu barang atau produksi dari dalam negeri (Valentika et al.
Kegiatan Ekspor tidak hanya menjadi sumber utama devisa, tetapi juga berkontribusi terhadap penciptaan lapangan kerja dan peningkatan daya saing global (Bustaman et al.
, 2.
Indonesia sebagai negara dengan kekayaan sumber daya alam yang melimpah memiliki beragam komoditas unggulan, mulai dari produk perkebunan, pertanian, hingga industri manufaktur.
Menurut data Badan Pusat Statistik (BPS) Ekspor komoditas industri merupakan salah satu faktor utama dalam pertumbuhan ekonomi Indonesia dan sangat berkontribusi dalam ekspor Namun demikian, persaingan di pasar global menuntut peningkatan kualitas, konsistensi suplai, serta strategi pengelolaan ekspor yang lebih adaptif terhadap dinamika permintaan dunia (Novianti et al.
, 2.
Dalam menggali informasi dari ekspor komoditas industri diperlukan eksplorasi data dan memahami pola pergerakan nilai ekspor setiap komoditas dari waktu ke waktu.
Penerapan clustering pada data ekspor memungkinkan identifikasi tren komoditas yang memiliki perilaku serupa, baik dari sisi nilai ekspor bulanan, konsistensi suplai, maupun sensitivitas terhadap perubahan permintaan global (Rahman et al.
, 2.
Diperlukan pendekatan yang mampu menggali pola tersembunyi dalam dinamika nilai ekspor dengan salah satu metode yang dapat Perbandingan K-Means dan K-Medoids dalam Pengelompokkan Komoditas Ekspor Industri di Indonesia mengelompokkan objek berdasarkan ukuran kedekatan atau kesamaan karakteristik antar objek (Irani et al.
, 2.
Clustering terbentuk berdasarkan kemiripkan karakteristik tertentu dari sampel dengan salah satu ukuran yang umum digunakan untuk menentukan kedekatan tersebut dengan menggunakan rumus jarak Dynamic Time Warping (DTW) (Tsabitah et al.
, 2.
Di antara berbagai algoritma clustering yang dapat digunakan.
K-Means termasuk dalam pendeketan clustering non-hierarkis yang membagi data ke dalam beberapa klaster dan bekerja dengan prinsip kedekatan terhadap centroid .
itik ratarat.
, sedangkan K-Medoids menggunakan medoid sebagai pusat klaster sehingga lebih robust terhadap keberadaan pencilan (Setiawati et al.
, 2.
K-Means unggul dari perhitungan sederhana, mudah diadaptasi dan waktu yang relatif singkat sehingga cocok digunakan pada dataset yang besar dan homogen (Hermanto, 2.
Namun, cukup sensitif terhadap pencilan karena posisi centroid mudah dipengaruhi oleh nilai ekstrem.
Sebaliknya.
K-Medoids menggunakan medoid sebagai pusat klaster, sehingga lebih stabil dalam menghadapi outlier dan data yang memiliki variasi tinggi.
Perbedaan karakteristik kedua algoritma ini menjadikannya relevan untuk diuji pada data ekspor Indonesia yang kompleks, agar dapat diketahui pendekatan mana yang lebih sesuai dalam mengGambarkan pola perdagangan (Ulvi & Ikhsan, 2.
Berdasarkan kondisi tersebut, penelitian ini akan menyajikan Gambaran yang komprehensif mengenai pola tren dan pengelompokan komoditas ekspor Indonesia berdasarkan nilai ekspor bulanan periode 2022Ae2025, sehingga dapat teridentifikasi kelompok komoditas yang tergolong unggulan, berpotensi berkembang maupun rentan.
Selain itu, penelitian ini juga membandingkan kinerja algoritma K-Means dan K-Medoids dalam membentuk klaster komoditas ekspor.
Pemilihan menggunakan kedua algoritma didasarkan metode yang paling banyak digunakan untuk data numerik dengan jumlah klaster yang telah ditentukan dari awal sehingga relevan dalam pengelompokkan komoditas eskpor Indonesia.
Dengan demikian, perbandingan keduanya yaitu K-Means dan K-Medoids dianggap paling tepat dan metodologis dalam data ekspor komoditas ini.
Penelitian sekaligus untuk menelusuri dinamika pergeseran struktur ekspor antar bulan, apakah Panji Lokajaya Arifa.
Hazelita Dwi Rahmasari.
Carlya Agmis Aimandiga.
Anwar Fitrianto.
Erfiani.
Rachmat Bintang Yudhianto dominasi masih bertumpu pada komoditas primer atau telah bergeser ke produk Temuan dari hasil pengelompokan dan perbandingan metode tersebut diharapkan dapat menjadi dasar dalam penyusunan rekomendasi kebijakan serta strategi diversifikasi ekspor yang mendukung hilirisasi, perluasan pasar, dan peningkatan daya saing produk Indonesia di tingkat global.
Sehinga penelitian ini tidak hanya berkontribusi pada pengayaan literatur terkait penerapan metode clustering dalam bidang perdagangan internasional, tetapi juga memberikan manfaat praktis berupa informasi empiris yang relevan bagi pemerintah dan pelaku usaha dalam merumuskan strategi ekspor yang lebih adaptif terhadap dinamika pasar dunia.
METODE PENELITIAN
Penelitian ini menggunakan data ekspor bulanan komoditas hasil industri Indonesia periode 2022Ae2025 yang diperoleh dari publikasi resmi Badan Pusat Statistik (BPS).
Semua tahapan dan analisis klaster dengan metode K-Means dan K-Medoids dalam penelitian ini dilakukan dengan menggunakan bahasa pemrograman Python 3.
Tabel 1.
Data penelitian Komoditas Bulan Tahun Ban luar dan ban dalam Barang Perhiasan dan Benang pintal Tembaga Januari Januari Nilai Ekspor (Juta USD) Januari A Juni Jarak Dynamic Time Warping (DTW) Dalam mengalokasikan data ke dalam klaster terdekat digunakan Jarak Dynamic Time Warping (DTW) karena pola data berfluktuasi dan bervariasi dari waktu ke waktu antar komoditas sepanjang periode, sehingga metode pengclusteran tidak lagi dapat menggunakan jarak sederhana Euclidean untuk mengukur kedekatan antar objeknya dan tepat digunakan pada data statis (Rizki et al.
, 2.
ocyaycn=1 yceyuiycn yayaycNycO .
a, yaA) = yuiyunycO Perbandingan K-Means dan K-Medoids dalam Pengelompokkan Komoditas Ekspor Industri di Indonesia Dimana, ya, yaA = Dua deret waktu yang dibandingkan yceyuiycn = Jarak antara titik A dan B pada posisi warping path yuiycn W = keseluruhan jalur warping yang mungkin L = length atau panjang dari dari jalur warping yui = Satu jalur warping tertentu Elbow Method Metode Elbow digunakan karena tidak terdapat informasi awal dalam menentukan berapa klaster yang seharusnya terbentuk dalam komoditas ekspor ini sehingga metode ini yang merupakan salah satu teknik yang bisa digunakan untuk menentukan jumlah klaster optimal dan mampu menyeimbangkan kompleksitas (Sari Metode mempertimbangkan perubahan nilai Within-Cluster Sum of Squares (WCSS) dan Jumlah klaster optimal diperoleh pada titik siku tersebut, yaitu ketika penurunan WCSS mulai melambat (Qusyairi et al.
, 2.
ycIycIya = Ocya yco=1 Ocycuycn .
cuycn Oe yayco | .
Keterangan:
ya = klaster ke-c ycuycn = jarak data objek ke-i yayco = pusat klaster ke-k K-Means K-Means adalah metode analisis klaster yang bertujuan untuk membagi objek ke dalam k klaster, di mana tiap objek dalam klaster ditentukan berdasarkan rata-rata terdekat.
(Xia et al.
, 2.
Untuk menentukan titik pusat klaster pada data digunakan persamaan .
ycuyco Oc ycuycnyc yaycoyc = ycuyco ycn=1 .
yaycoyc = Centroid .
itik pusa.
klaster ke-yco pada variabel ke-yc ycuycnyc = Nilai data ke-ycn pada varaibel yc Panji Lokajaya Arifa.
Hazelita Dwi Rahmasari.
Carlya Agmis Aimandiga.
Anwar Fitrianto.
Erfiani.
Rachmat Bintang Yudhianto ycu = Jumlah data pada klaster ke-yco Kemudian, untuk memperbarui nilai titik centroid digunakan persamaan .
yuNyco = ycA Ocycn=1 ycuycn yuNyco = Titik centroid pada klaster ke-yco ycuycn = Data ke-ycn dalam klaster ke-yco ycAyco = Jumlah data pada klaster ke-yco K-Medoids K-Medoids adalah metode clusterisasi yang menggunakan medoid sebagai representasi klaster sehingga lebih robust terhadap outlier.
Metode ini dapat mengatasi beberapa kelemahan K-Means, terutama sensitivitas terhadap nilai ekstrim dan hasil clusterisasi tidak bergantung pada urutan data yang dimasukkan.
K-Medoids cenderung lebih lambat dan memiliki kompleksitas perhitungan yang lebih tinggi, sehingga performanya umumnya lebih optimal pada dataset berukuran kecil hingga menengah (Rizki et al.
, 2.
Evaluasi Model Evaluasi kualitas klaster penting dilakukan untuk memastikan hasil clustering dapat diinterpretasikan dengan baik.
Metode yang digunakan adalah Silhouette Score dan Davies-Bouldin Index (DBI).
Silhoutte Score Silhouette Score digunakan untuk menilai kedekatan objek dengan klasternya dibandingkan dengan klaster lain, dengan rentang nilai Ae1 hingga 1.
Nilai yang mendekati 1 menunjukkan objek sesuai dengan klasternya, sedangkan nilai rendah menunjukkan pemisahan klaster yang kurang baik (Januzaj et al.
, 2.
Davies-Bouldin Index (DBI) DBI mengukur kualitas klaster berdasarkan kohesi .
edekatan data dengan centroi.
dan separasi .
arak antar centroi.
Klaster yang baik ditandai oleh nilai kohesi rendah dan nilai separasi tinggi, sehingga Nilai DBI yang semakin rendah menunjukkan klaster yang lebih optimal (Muhammad Raqib Syahkur et al.
, 2.
Perbandingan K-Means dan K-Medoids dalam Pengelompokkan Komoditas Ekspor Industri di Indonesia Prosedur Penelitian Langkah-langkah untuk analisis data dalam penelitian ini disajikan dalam diagram alir berikut :
Gambar 1.
Flowchart Prosedur Penelitian HASIL PENELITIAN DAN PEMBAHASAN Eksplorasi Data Hasil eksplorasi memberikan pemahaman awal terhadap karakteristik data yang digunakan, serta mengetahui gambaran umum mengenai pola, kecenderungan, serta variasi yang muncul dari data, ataupun mengidentifikasi adanya nilai-nilai ekstrem atau ketidakwajaran yang dapat memengaruhi hasil analisis selanjutnya dan menjadi landasan awal dalam menarik kesimpulan yang lebih komprehensif pada tahap analisis.
Gambar 2.
Sebaran Nilai Ekspor Panji Lokajaya Arifa.
Hazelita Dwi Rahmasari.
Carlya Agmis Aimandiga.
Anwar Fitrianto.
Erfiani.
Rachmat Bintang Yudhianto Terlihat pada Gambar 2 sebaran nilai ekspor mayoritas komoditas berada diantara 1000 - 1.
200 juta USD, yang mengindikasikan bahwa sebagian besar komoditas memiliki kontrisbusi nilai ekspor yang relatif kecil, nilai tengah ekspor berada pada rentang 200-400 Juta USD yang relatif stabil dari tahun ke tahun.
Setiap tahunnya terdapat nilai ekspor yang jauh melampaui nilai ekspor mayoritas kelompok komoditas yang berasal dari komoditas unggulan seperti minyak kelapa sawit, hal ini menunjukkan bahwa adanya ketergantungan ekspor indonesia pada beberapa komoditas unggulan,sementara sebagian besar komoditas lain memiliki nilai ekspor yang lebih kecil.
sehingga kondisi ini sangat penting agar ketergantungan tersebut dapat diatasi dengan meningkatkan komoditas lainnya.
Gambar 3.
Distribusi Nilai Ekspor Komoditas Pola distribusi nilai ekspor yang terlihat ini menunjukkan pola miring ke kanan dan memperlihatkan adanya ekor distrbusi yang panjang menunjukkan mayoritas komoditas memiliki nilai ekspor pada kisaran yang rendah dibawah 500 juta USD.
Pola ini konsisten dengan hasil boxplot sebelumnya yang menampilkan banyak nilai ekspor yang sangat tinggi, sehingga menunjukkan adanya ketergantungan dan ketimpangan ekspor komoditas.
Perbandingan K-Means dan K-Medoids dalam Pengelompokkan Komoditas Ekspor Industri di Indonesia Gambar 4.
Variasi Nilai Ekspor per Komoditas Grafik boxplot ini menunjukkan variasi nilai ekspor per komoditas Indonesia periode 2022Ae2025.
Terlihat bahwa minyak kelapa sawit dan minyak kelapa memiliki nilai ekspor paling tinggi sekaligus variasi terbesar, ditandai dengan rentang box yang lebar serta banyak outlier.
Sebaliknya, sebagian besar komoditas lain seperti sepatu olahraga, komputer, dan mesin untuk keperluan umum memiliki nilai ekspor relatif kecil dengan sebaran sempit.
Hal ini mengindikasikan bahwa ekspor Indonesia masih sangat bergantung pada komoditas utama berbasis minyak nabati, sementara kontribusi komoditas lain relatif lebih stabil namun rendah.
Temuan ini sejalan dengan penelitian yang dilakukan (Ustriaji, 2.
yang menyatakan bahwa komoditas sawit merupakan penyumbang kontribusi terbesar dalam struktur ekspor Indonesia, sementara komoditas unggulan lainnya masih memiliki daya saing di atas rata-rata.
Kondisi ini mengindikasikan adanya tingkat ketergantungan ekspor Indonesia yang cukup tinggi terhadap sebagian kecil Panji Lokajaya Arifa.
Hazelita Dwi Rahmasari.
Carlya Agmis Aimandiga.
Anwar Fitrianto.
Erfiani.
Rachmat Bintang Yudhianto komoditas utama, sementara sebagian besar komoditas lain memberikan kontribusi yang relatif kecil.
Dari hasil eksplorasi awal melalui sebaran nilai ekspor, terlihat adanya variasi yang cukup besar antar komoditas.
Beberapa komoditas menunjukkan distribusi ekspor yang relatif stabil, sedangkan komoditas lain memiliki fluktuasi dan rentang nilai yang jauh lebih lebar.
Gambar 5.
Top 3 Komoditas dengan Nilai Ekspor Terbesar Grafik menunjukkan bahwa minyak kelapa sawit secara konsisten menjadi komoditas dengan nilai ekspor terbesar sepanjang periode 2022Ae2025, meskipun trennya cenderung menurun dari tahun ke tahun.
Komoditas besi dan baja menempati posisi kedua dengan fluktuasi nilai ekspor, relatif stabil pada 2023Ae2024 sebelum mengalami penurunan cukup tajam di 2025.
Pola ini menunjukkan bahwa ketergantungan ekspor Indonesia masih sangat tinggi pada komoditas berbasis minyak nabati, sementara komoditas lainnya belum menunjukkan perkembangan signifikan dalam menopang total ekspor.
Temuan ini sejalan dengan penelitian (Pitaloka & Budiningsih, 2.
yang menyebutkan bahwa besi dan baja memiliki keunggulan komparatif tinggi serta pangsa pasar yang kuat, sedangkan barang dari besi atau baja memiliki daya saing lebih lemah.
Namun, terdapat perbedaan yang memperlihatkan bahwa kimia dasar organik dari hasil pertanian justru termasuk dalam tiga besar komoditas dengan nilai ekspor tertinggi selama 2022Ae2025, menunjukkan adanya perbedaan Perbandingan K-Means dan K-Medoids dalam Pengelompokkan Komoditas Ekspor Industri di Indonesia karakteristik data atau fokus komoditas yang digunakan.
Perbedaan temuan ini dapat disebabkan oleh perbedaan ruang lingkup kategori komoditas, periode analisis, dan indikator yang digunakan.
Penelitian Pitaloka menggunakan kategori bahan kimia organik secara umum dan menilai daya saingnya, sedangkan penelitian ini meninjau kategori yang lebih spesifik yaitu kimia dasar organik berbasis hasil pertanian serta berfokus pada nilai ekspor.
Gambaran umum mengenai sebaran nilai ekspor tersebut kemudian diperjelas menggunakan heatmap untuk melihat nilai ekspor setiap komoditas per tahun.
Visualisasi ini membantu mengidentifikasi komoditas mana yang secara konsisten memiliki nilai ekspor tinggi dibandingkan komoditas lainnya.
Gambar 6.
Heatmap Nilai Ekspor Komoditas Per Tahun Dapat dilihat bahwa minyak kelapa sawit konsisten mendominasi nilai ekspor sepanjang 2022Ae2025, meskipun trennya menurun cukup tajam di 2025.
Komoditas lain seperti besi dan baja serta kimia dasar organik juga menunjukkan kontribusi yang relatif besar namun dengan nilai lebih rendah dibanding sawit.
Sementara sebagian besar komoditas lain memiliki nilai ekspor jauh lebih kecil dan relatif stabil antar tahun.
Perlu dilihat lebih lanjut perbandingan nilai ekspor antar tahun untuk memberikan Gambaran mengenai perubahan nilai ekspor setiap komoditas dari 2022 hingga 2025, sehingga dapat diketahui tren kenaikan maupun penurunan yang terjadi pada masing-masing komoditas.
Panji Lokajaya Arifa.
Hazelita Dwi Rahmasari.
Carlya Agmis Aimandiga.
Anwar Fitrianto.
Erfiani.
Rachmat Bintang Yudhianto Gambar 7.
Perbandingan Nilai Ekspor Grafik menunjukkan bahwa minyak kelapa sawit konsisten menjadi komoditas dengan nilai ekspor tertinggi sepanjang 2022Ae2025, meskipun cenderung mengalami penurunan setiap tahunnya.
Besi dan baja menempati posisi berikutnya dengan fluktuasi nilai ekspor, sementara sebagian besar komoditas lain relatif stabil dengan kontribusi lebih kecil.
Hal ini menegaskan dominasi minyak kelapa sawit dalam struktur ekspor industri Indonesia.
Ekplorasi Tren Eksplorasi Tren dilakukan untuk memahami dinamika perubahan nilai ekspor secara temporal dan komparatif.
Ekplorasi ini untuk melihat pola pertumbuhan, fluktuasi musiman, serta kecenderungan jangka panjang tiap komoditas dalam periodenya.
Sehingga dapat diketahui komoditas mana yang menunjukkan tren dari waktu ke waktu.
Perbandingan K-Means dan K-Medoids dalam Pengelompokkan Komoditas Ekspor Industri di Indonesia .
Gambar 8.
Tren Nilai Ekspor .
bulanan dan .
bulanan per komoditas Dari grafik tren nilai ekspor bulanan per tahun .
2Ae2.
, terlihat bahwa pola ekspor relatif stabil dari Januari - Desember dengan fluktuasi moderat, terutama pada tahun 2022 yang sempat menunjukkan nilai ekspor tertinggi dibandingkan tahun-tahun berikutnya.
Sementara itu, grafik tren nilai ekspor bulanan per komoditas menunjukkan bahwa komoditas tertentu seperti minyak kelapa sawit dan besi baja mendominasi nilai ekspor, dengan lonjakan yang cukup signifikan pada beberapa bulan, sementara sebagian besar komoditas lainnya relatif rendah dan stabil.
Jika dibandingkan, grafik .
lebih menekankan variasi tren antar tahun secara agregat, sedangkan grafik .
memperlihatkan kontribusi spesifik tiap komoditas terhadap nilai ekspor bulanan.
Hal ini menunjukkan bahwa meskipun secara total nilai ekspor antar tahun cenderung stabil, variasinya sangat dipengaruhi oleh beberapa komoditas utama yang memiliki peran dominan.
Jarak Dynamic Time Warping (DTW) Nilai jarak yang digunakan dalam penelitian ini dihitung menggunakan DTW Metode ini memberikan fleksibilitas dalam membandingkan data deret waktu dengan cara menyesuaikan perbedaan pola temporal.
Dengan demikian.
DTW lebih sesuai untuk data time series dibandingkan ukuran konvensional.
Hasil perhitungan jarak DTW divisualisasikan dalam bentuk heatmap matriks jarak antar komoditas yang memperlihatkan tingkat kemiripan pola pergerakan masing-masing Panji Lokajaya Arifa.
Hazelita Dwi Rahmasari.
Carlya Agmis Aimandiga.
Anwar Fitrianto.
Erfiani.
Rachmat Bintang Yudhianto Gambar 9.
Matriks Jarak DTW Antar Komoditas Warna yang lebih gelap menunjukkan pola pergerakan yang relatif mirip .
arak keci.
, sedangkan warna yang lebih terang menunjukkan perbedaan pola yang lebih besar .
arak jau.
Nilai matriks jarak DTW ini digunakan sebagai dasar dalam proses pengelompokkan menggunakan metode clustering, di mana matriks jarak yang dihasilkan sebagai input untuk K-Means dan K-Medoids.
Pendekatan ini seseuai dengan karateristik time series yang memanfaatkan DTW untuk mengukur kemiripan bentuk deret waktu meskipun terjadi pergeseran secara temporal, kemudian membentuk klaster berdasarkan matriks kedekatan tersebut (Gubu et al.
Sehingga, komoditas yang memiliki kesamaan pola pergerakan cenderung dikelompokkan dalam satu klaster, sedangkan komoditas dengan pola pergerakan berbeda akan dipisahkan ke dalam klaster yang lain.
Elbow Method Analisis clustering dilakukan dengan menentukan nilai k optimal menggunakan Elbow Method dan diperoleh untuk k optimal sebanyak 3 klaster.
Perbandingan K-Means dan K-Medoids dalam Pengelompokkan Komoditas Ekspor Industri di Indonesia Gambar 10.
Hasil Elbow Method Berdasarkan kurva dari elbow method diperoleh bahwa terjadi penurunan tajam dari k=2 ke k=3 dan mulai melandai setelah k=3 oleh karena itu, titik siku yang diperoleh berada pada titik k=3, hal ini juga menandakan bahwa jumlah klaster setelah k=3 tidak memberikan perbaikan nilai inertia yang signifikan terhadap kualitas pemisahan klaster sehingga jumlah klaster yang paling optimal ada 3 K-Means Pengelompokkan dengan metode K-Means menggunakan jarak DTW menghasilkan tiga klaster optimal.
Terlihat pada Gambar 11.
Klaster 1 yang berisi komoditas seperti ban luar dalam, benang pintal, besi baja, furnitur kayu, karet, komputer, pakaian jadi, dan sepatu olahraga memperlihatkan fluktuasi di awal periode namun cenderung stabil setelah tahun 2022.
Klaster 2 yang mencakup bubur kertas, logam dasar mulia, mesin kebutuhan umum, suku cadang kendaraan, dan tembaga memperlihatkan variasi cukup signifikan, terutama pada pertengahan Sementara itu.
Klaster 3 yang terdiri atas barang perhiasan, kendaraan bermotor, kertas lainnya, kimia dasar organik, minyak kelapa, minyak kelapa sawit, peralatan listrik, dan semikonduktor menunjukkan pola yang lebih bervariasi dengan kecenderungan peningkatan pada akhir periode 2023.
Panji Lokajaya Arifa.
Hazelita Dwi Rahmasari.
Carlya Agmis Aimandiga.
Anwar Fitrianto.
Erfiani.
Rachmat Bintang Yudhianto Gambar 11.
Visualisasi Klaster Nilai Ekspor K-Means Hasil pengelompokkan ini menegaskan penelitian sebelumnya bahwa penggunaan DTW sebagai ukuran jarak mampu mengelompokkan komoditas dengan pola pergerakan yang mirip meskipun terdapat pergeseran temporal (Wijaya et al.
, 2.
Sehingga pengelompokkan yang diperoleh lebih sesuai dibandingkan ukuran jarak euclidean dalam menganalisis data deret waktu ekspor.
K-Medoids Pengelompokan dengan metode K-Medoids menggunakan jarak DTW menghasilkan tiga klaster yang memiliki karakteristik berbeda.
Terlihat pada Gambar 12.
Klaster 1 terdiri atas komoditas bubur kertas, kendaraan bermotor roda empat, dan logam dasar mulia.
Pola pergerakan klaster ini cenderung lebih fluktuatif dengan perbedaan variasi yang cukup jelas antar komoditas, meskipun medoid klaster dapat merepresentasikan kecenderungan pola umum.
Klaster 2 memuat komoditas dengan jumlah terbanyak, seperti ban, benang pintal, besi baja, furnitur, karet, komputer, pakaian jadi, minyak kelapa sawit, hingga suku cadang Kelompok ini memperlihatkan pola yang lebih stabil dan konsisten mengikuti medoid klaster, dengan fluktuasi yang relatif kecil sejak 2022.
Klaster 3 Perbandingan K-Means dan K-Medoids dalam Pengelompokkan Komoditas Ekspor Industri di Indonesia terdiri atas komoditas barang perhiasan, kertas lain, kimia dasar organik, mesin kebutuhan umum, minyak kelapa, peralatan listrik, semikonduktor, dan tembaga.
Klaster ini menunjukkan keragaman pola yang lebih besar dengan beberapa komoditas mengalami peningkatan nilai ekspor pada periode akhir 2023.
Gambar 12.
Visualisasi Klaster Nilai Ekspor K-Medoids Hasil pengelompokan K-Medoids menegaskan penelitian sebelumnya yang menunjukkan bahwa metode ini mampu mengelompokkan komoditas dengan pola serupa dengan menjaga representasi pusat klaster melalui medoid, sehingga lebih tahan terhadap outlier dibandingkan dengan K-Means (Setiawati et al.
, 2.
Perbandingan Hasil Clustering K-Means dan K-medoid Hasil K-Medoids menghasilkan distribusi anggota klaster yang lebih merata, yaitu 8, 5, dan 8 anggota pada masing-masing klaster.
Sementara itu, metode K-Means menghasilkan distribusi yang kurang seimbang dengan 3, 10, dan 8 anggota per klaster.
Perbedaan ini terjadi karena K-Medoids menggunakan medoid sebagai pusat klaster sehingga lebih robust terhadap outlier, sedangkan K-Means menggunakan centroid hasil ratarata yang lebih sensitif terhadap variasi data.
Meskipun kualitas pemisahan klaster K-Medoids belum optimal, namun metode ini cenderung memghasilkan pembagian klaster yang lebih seimbang dibandingkan metode K-Means.
Sehingga hasil Panji Lokajaya Arifa.
Hazelita Dwi Rahmasari.
Carlya Agmis Aimandiga.
Anwar Fitrianto.
Erfiani.
Rachmat Bintang Yudhianto perbandingan penelitian ini melengkapi temuan oleh (Ulvi & Ikhsan, 2.
bahwa kedua metode tersebut dapat berbeda dan bergantung pada karakteristik data yang Evaluasi Hasil Klaster Hasil evaluasi menggunakan silhoutte score dan DBI menunjukkan bahwa K-Means menghasilkan Silhoutte Score sebesaar 0.
1493 yang mengindikasikan bahwa pemisahan antar klaster kurang optimal dan masih terdapat anggota klaster yang tumpang tindih.
Untuk DBI diperoleh sebeesar 2.
307 yang relatif tinggi, hal ini memperlihatkan bahwa rata-rata jarak antar klaster tidak terlalu jauh dibandingkan dengan ukuran klaster itu sendiri.
K-Medoids menghasilkan Silhoutte Score sebesar 0.
1577 lebih baik dari KMeans yang menunjukkan bahwa pemisahan antar klaster yang terbentuk sudah cukup optimal dan jelas.
Selain itu, untuk DBI diperoleh sebeasar 1.
menunjukkan bahwa klaster yang terbentuk sudah lebih padat dan jarak antar klasternya lebih terpisah dibandingkan dengan K-Means.
Secara keseluruhan, bahwa K-Medoids menghasilkan klaster yang terlihat lebih baik dan terpisah dengan jelas antar klasternya.
Tabel 2.
Perbandingan evaluasi hasil cluster
Metode Clustering Silhoutte Score
DBI
K-Means .
K-Medoids .
SIMPULAN Berdasarkan hasil eksplorasi tren nilai ekspor komoditas industri Indonesia periode 2022Ae2025 menunjukkan bahwa ekspor industri masih didominasi oleh minyak kelapa sawit, sementara sebagian besar komoditas lain cenderung memiliki nilai ekspor yang relatif rendah dan stabil.
Pengelompokkan komoditas dengan pendekatan jarak DTW diperoleh 3 klaster optimal yang diinterpretasikan sebagai kelompok komoditas dengan nilai ekspor tinggi, menengah, dan rendah.
Perbandingan evaluasi hasil cluster K-Means dan K-Medoids dengan 3 klaster menujukkan bahwa K-Medoids memberikan performa terbaik dengan memperoleh Silhouette Score sebesar 0.
1577 dan DBI sebesar 0.
17990 menghasilkan kualitas Perbandingan K-Means dan K-Medoids dalam Pengelompokkan Komoditas Ekspor Industri di Indonesia pengelompokkan optimal dan nilai lebih baik dibandingkan K-Means yang memperoleh Silhouette Score 0.
1493 dan DBI 2.
Hasil ini juga menegaskan bahwa K-Medoids lebih robust terhadap keberadaan outlier dan lebih mampu menghasilkan klaster yang kompak serta terpisah dengan baik.
Secara keseluruhan, dari sisi keilmuan statistika penelitian ini memberikan kontribusi pada pengembangan aplikasi metode clustering seperti K-Means dan K-Medoids dalam analisis nilai ekspor komoditas yang memungkinkan pemahaman lebih mendalam mengenai pola-pola pengelompokan komoditas serta memberikan kontribusi pada aktivitas ekspor hasil industri Indonesia dan rekomendasi kebijakan ekspor industri untuk mengurangi ketergantungan pada komoditas utama serta meningkatkan daya saing ekspor Indonesia di pasar global.
DAFTAR PUSTAKA