JOISIE (Journal Of Information Systems And Informatics Engineerin.
Vol.
No.
Desember 2025.
Hlm352-367 Received: 23 April 2025 Revised: 25 Juni 2025.
Accepted: 26 Agustus 2025
p- ISSN: 2503-5304
e- ISSN: 2527-3116
EVALUASI KINERJA K-MEDOIDS CLUSTERING MODEL UNTUK
KLASTERISASI DAERAH PRODUKTIVITAS PANEN PADI DI KABUPATEN
BIREUEN
Hayatun Nisa.
Muhammad Daud.
Sujacka Retno.
Fakultas Teknik.
Teknik Informatika.
Universitas Malikussaleh Fakultas Teknik.
Teknik Elektro.
Universitas Malikussaleh Jl.
Kampus Unimal Bukit Indah.
Blang Pulo.
Kec.
Muara Satu.
Kota Lhokseumawe.
Aceh 24355 email:1nisahayatun03022002@gmail.
com, 2mdaud@unimal.
id, 3sujacka@unimal.
Abstract Rice productivity is a crucial indicator for monitoring and improving rice production in a region.
Bireuen District.
Aceh, the uneven allocation of subsidized fertilizers has hindered efforts to optimize rice productivity.
This study aims to cluster priority and non-priority rice productivity areas in Bireuen District using the K-Medoids and Purity K-Medoids algorithms.
The dataset consists of 204 historical rice farming records from 2012 to 2023, sourced from the Bireuen District Central Bureau of Statistics and the Department of Agriculture and Plantations, including variables such as number of villages, planting area, harvest area, productivity, production volume, and planting area percentage.
Clustering performance was evaluated using the Davies Bouldin Index (DBI).
The results show that Purity KMedoids achieved an average DBI value of 0.
786911, lower than K-Medoids at 0.
907856, indicating better clustering validity.
Based on the clustering results.
Peusangan Subdistrict was identified most frequently as a priority area, appearing in 2013, 2015, 2016, 2018, 2019, 2020, 2022, and 2023.
These findings are expected to inform agricultural resource allocation policies in Bireuen District.
Keywords: Rice Productivity.
Clustering.
K-Medoids.
Purity K-Medoids.
Davies Bouldin Index Abstrak Produktivitas padi merupakan indikator penting dalam memantau dan meningkatkan produksi padi di suatu wilayah.
Di Kabupaten Bireuen.
Aceh, alokasi pupuk subsidi yang tidak merata menjadi kendala dalam optimalisasi produktivitas padi.
Penelitian ini bertujuan untuk mengklaster daerah prioritas dan non-prioritas produktivitas panen padi di Kabupaten Bireuen menggunakan algoritma K-Medoids dan Purity K-Medoids.
Data yang digunakan adalah data historis pertanian padi tahun 2012Ae2023 sebanyak 204 record, yang diperoleh dari Badan Pusat Statistik Kabupaten Bireuen dan Dinas Pertanian dan Perkebunan Kabupaten Bireuen, dengan variabel seperti jumlah desa, luas tanam, luas panen, produktivitas, jumlah produksi, dan persentase luas tanam.
Proses klasterisasi dievaluasi menggunakan Davies Bouldin Index (DBI).
Hasil penelitian menunjukkan bahwa Purity K-Medoids menghasilkan nilai rata-rata DBI sebesar 0,786911, lebih rendah dibandingkan K-Medoids yang sebesar 0,907856, menandakan validitas klaster yang lebih baik.
Berdasarkan hasil klasterisasi.
Kecamatan Peusangan paling sering muncul sebagai daerah prioritas, yaitu pada tahun 2013, 2015, 2016, 2018, 2019, 2020, 2022, dan 2023.
Temuan ini diharapkan dapat menjadi pertimbangan dalam kebijakan alokasi sumber daya pertanian di Kabupaten Bireuen.
Kata Kunci: Produktivitas Padi.
Klasterisasi.
K-Medoids.
Purity K-Medoids.
Davies Bouldin Index
PENDAHULUAN
Pertanian merupakan sektor vital bagi Indonesia, mengingat mayoritas penduduknya menggantungkan hidup pada aktivitas ini.
Optimalisasi sektor pertanian menjadi kunci dalam pemanfaatan sumber daya alam dan geografi Indonesia, serta berperan penting dalam penyediaan pangan, bahan baku industri, dan ekspor (Lailiyah et al.
, 2.
Salah satu komoditas utama adalah padi, di mana produktivitasnya menjadi indikator penting untuk memantau dan meningkatkan produksi di berbagai wilayah.
Pemerintah telah menyediakan subsidi pupuk sebagai upaya mendukung petani dalam meningkatkan produktivitas padi dan menekan biaya produksi.
Namun, alokasi pupuk subsidi yang tidak https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
353 | Jurnal JOISIE.
Volume 9.
Nomor 2.
Desember 2025 tepat sasaran masih menjadi kendala utama, sehingga menghambat peningkatan produktivitas padi di berbagai daerah, termasuk Kabupaten Bireuen.
Aceh.
Kabupaten Bireuen merupakan wilayah otonom di Provinsi Aceh yang terbentuk pada tahun 1999, terdiri dari 17 kecamatan dan 609 desa.
Wilayah ini memiliki peran strategis dalam produksi padi di Aceh.
Namun, distribusi pupuk subsidi yang tidak merata di beberapa kecamatan menyebabkan ketimpangan hasil panen.
Permasalahan ini menuntut adanya pendekatan berbasis data untuk mengidentifikasi daerah prioritas yang membutuhkan intervensi lebih lanjut.
Ada berbagai metode yang bisa digunakan untuk pengelompokan data .
lustering dat.
, diantaranya Single Linkage.
Fuzzy C-Means.
LVQ.
K-Means dan K-Medoids.
Metode yang digunakan dalam penelitian ini ada dua yaitu Purity K-Medoids dan K-Medoids.
K-Medoids merupakan suatu algoritma pengelompokan yang non-hierarchical yang merupakan varian dari algoritma K-Means.
Dengan menggunakan pendekatan partisi, algoritma ini mengelompokkan x objek ke dalam k cluster.
Dalam setiap cluster, objek yang paling representatif disebut sebagai medoids.
Proses pembentukan cluster dilakukan dengan mengukur jarak antara medoids dan objek non-medoids (Dinata et al.
, 2.
Sedangkan Purity sendiri digunakan untuk mengevaluasi tingkat kemurnian suatu cluster berdasarkan kesesuaian anggotanya dengan kelas tertentu.
Purity dihitung dengan cara memperhitungkan kemurnian setiap cluster dan nilai Purity tersebut akan digunakan sebagai initial medoids dalam perhitungan menggunakan K-Medoids (Hasdyna & Retno, 2.
Kemudian akan dilakukan perbandingan metode mana yang lebih oprimal dengan melakukan evaluasi hasil clustering menggunakan Davies Bouldin Index (DBI).
Tujuan dari penelitian ini adalah sebagai berikut:
Mengimplementasikan metode Purity K-Medoids dan K-Medoids dalam clustering untuk penentuan daerah produktivitas panen padi di Kabupaten Bireuen.
Menemukan hasil clustering terbaik antara Purity K-Medoids dengan K-Medoids menggunakan evaluasi Davies Bouldin Index (DBI).
Penelitian ini menggunakan data pertanian padi Kabupaten Bireuen periode 2012Ae2023 sebanyak 204 record, yang diperoleh dari Badan Pusat Statistik Kabupaten Bireuen dan Dinas Pertanian dan Perkebunan Kabupaten Bireuen.
Variabel yang digunakan meliputi jumlah desa, luas tanam, luas panen, jumlah produksi, produktivitas, dan persentase luas tanam.
Berbagai penelitian sebelumnya telah mengkaji pengelompokan wilayah produktivitas padi menggunakan berbagai metode clustering di berbagai daerah di Indonesia.
Sebagian besar penelitian berfokus pada optimalisasi metode clustering atau pada wilayah studi yang berbeda, namun umumnya belum belum mengaplikasikan Purity KMedoids secara spesifik pada kasus Kabupaten Bireuen.
Berdasarkan uraian di atas, penelitian ini berbeda dengan riset sebelumnya dari segi metode yang digunakan, studi kasus yang diangkat, serta lokasi penelitian yang dilakukan di Kabupaten Bireuen.
Penelitian ini mengaplikasikan metode Purity K-Medoids, yang belum banyak digunakan dalam studi serupa di Indonesia, khususnya untuk kasus produktivitas padi di Kabupaten Bireuen.
Selain itu, penelitian ini menggunakan Davies Bouldin Index (DBI) untuk mengevaluasi validitas hasil klasterisasi secara objektif, serta melakukan analisis konsistensi kemunculan kecamatan prioritas selama periode 2012Ae2023.
Temuan ini diharapkan dapat menjadi dasar pertimbangan dalam pengambilan kebijakan alokasi pupuk subsidi yang lebih tepat sasaran di Kabupaten Bireuen.
METODE PENELITIAN
Penelitian ini menggunakan algoritma K-Medoids dan Purity K-Medoids.
K-Medoids merupakan salah tu metode yang digunakan untuk melakukan clustering data.
K-Medoids dan Purity K-Medoids dalam penelitian akan digunakan untuk mengklaster daerah produktivitas Padi di Kabupaten Bireuen Provinsi Aceh untuk melihat kecamatan mana saja yang memiliki tingkat produktivitas padi tinggi dan Hasil clustering kedua metode tersebut akan dievaluasi menggunakan alat evaluasi Davies Bouldin Index (DBI).
Hasil dari metode dengan DBI terbaik akan dijadikan sebagai analisis selanjutnya untuk mengetahui daerah mana saja yang banyak muncul tergolong ke dalam daerah produktivotas padi tinggi dalam periode 12 tahun yaitu tahun 2012-2023.
Langkah-langkah penelitian dapat dilihat pada Gambar 1.
Langkah pertama yang dilakukan adalah pengumpulan data.
Data yang dikumpulkan berupa data historis pertanian padi di kabupaten Bireuen dalam periode 2012-2023.
Data tersebut diperoleh dari Badan Pusat Statistik Kabupaten Bireuen dan Dinas Pertenian dan Perkebunan Kabupaten Bireuen.
Data dikumpulkan diinputkan ke https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Daud.
Evaluasi Kinerja K-Medoids Clustering Model Untuk Klasterisasi Daerah Produktivitas Panen Padi di Kabupaten Bireuen, 352-.
354 dalam aplikasi Microsoft Excel untuk dilakukan normalisasi data.
Kemudian data tersebut dikonversi ke dalam format file .
Dataset tersebut di input/di import ke dalam program untuk dilakukan proses Gambar 1.
Langkah-Langkah Penelitian 1 DATASET Untuk mendukung penelitian ini, berikut merupakan data asli Pertanian Padi di Kabupaten Bireuen selama periode .
2 Ae 2.
untuk perhitungan manual dari proses clustering dengan jumlah 204 record data dimana terdapat 17 record data setiap tahunnya dimana:
cu1 ) = Jumlah Desa.
cu2 ) = Luas Tanam.
cu3 ) = Luas Panen.
cu4 ) = Produktivitas.
cu5 ) = Jumlah Produksi.
cu6 ) = Persentase Luas Tanam.
cyycn ) = Data ke-i purity ke-i.
Berikut ini adalah data pertanian padi di Kabupaten Bireuen pada tahun 2016 sebelum dinormalisasikan yang dapat dilihat pada Tabel 1.
Tabel 1.
Data Hasil Panen Padi di Kabupaten Bireuen Tahun 2016 Jumlah Luas Luas Jumlah Kecamatan Produktivitas Persentase Desa Tanam Panen Produksi Samalanga Simpang.
Mamplam Pandrah Jeunieb Peulimbang Peudada Juli Jeumpa Kota Juang Kuala Jangka Peusangan Peusangan Selatan Peusangan.
Sb.
Krueng Makmur Gandapura Kuta Blang Normalisasi data adalah salah satu langkah yang dilakukan dalam tahap pra-pemrosesan data.
Proses ini mengatur kembali nilai-nilai agar pemrosesan menjadi lebih sederhana.
Selain itu, normalisasi menurunkan beban memori dan konsumsi selama pemrosesan (Permana & Salisah, 2.
Metode normalisasi data yang akan digunakan adalah MinMax Normalization.
https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
355 | Jurnal JOISIE.
Volume 9.
Nomor 2.
Desember 2025 MinMax Normalization adalah teknik normalisasi yang mengubah rentang nilai data menjadi antara 0 dan 1.
Metode ini mengubah data yang kompleks tanpa menghilangkan kontennya, sehingga data tersebut lebih mudah untuk diproses (Tohendry & Jollyta, 2.
Rumus untuk menghitung MinMax Normalization dapat dilihat dalam persamaan .
berikut (Izonin et al.
, 2.
ycu Oe min .
ycn ycu A = max.
Oemin .
Keterangan:
ycuA = Nilai hasil normalisasi.
ycuycn = Nilai yang akan dinormalisasi.
= Nilai minimal dari atribut data.
= Nilai maksimal dari atribut data.
2 CLUSTERING DATA
Clustering adalah proses pengelompokan objek data ke dalam beberapa cluster yang terpisah dan data dalam setiap cluster menjadi sekelompok data yang relatif sama.
Cluster adalah kumpulan objek data yang memiliki kemiripan karakteristik yang berada pada cluster yang sama dan data tersebut memiliki karakteristik yang berbeda dengan objek data pada cluster lainnya (Hasdyna & Retno, 2.
Tujuan dari clustering adalah mengelompokkan data ke dalam kelompok data yang memiliki sifat serupa, namun berbeda dari kelompok lainnya (Pratiwi & Wahyu Wibowo, 2.
3 K-MEDOIDS
K-Medoids adalah algoritma non-hierarchical clustering yang dikembangkan dari algoritma KMeans.
K-Medoids membentuk cluster menggunakan medoids sebagai pusatnya.
Proses clustering dimulai dengan memilih k objek dari dataset secara acak sebagai medoids.
Medoids merupakan titik yang sebenarnya atau berada dalam dataset sehingga lebih tahan terhadap outlier.
Cluster dibentuk dengan menghitung jarak setiap objek non-medoids terhadap k-medoids yang dipilih, kemudian objek non-medoids akan dimasukkan ke dalam cluster yang medoids nya memiliki jarak terdekat (Hardiyanti et al.
, 2.
Langkah-langkah dari K-Medoids adalah sebagai berikut (Dinata et al.
, 2.
Tentukan k atau jumlah cluster yang diinginkan.
Tentukan secara acak medoids awal sebanyak k dari n data.
Hitung jarak antara data dan medoids dalam clusters menggunakan metode Euclidean Distance.
Euclidean Distance merupakan salah satu metode yang digunakan untuk menghitung jarak antara dua titik dalam ruang Euclidean (Nishom, 2.
Euclidean Distance dapat dihitung menggunakan persamaan .
cuycn, yuNy.
= ocycui=1.
cuycn Oe yuNy.
2 a.
Keterangan:
ycc = Euclidean Distance.
ycn = Banyak objek.
ycuycn = Data kriteria.
yuNyc = Nilai titik pusat pada cluster ke-j Lakukan iterasi medoids.
Menghitung total simpangan (S).
Menghitung total simpangan adalah menghitung total jarak antara setiap objek dalam cluster dengan medoids nya.
Dengan ketentuan jika S < 0, maka tukar objek dengan data dari cluster nonmedoids untuk membentuk kumpulan k objek baru sebagai medoids.
Total simpangan dapat dihitung mengunakan persamaan .
ycI = yca Oe yca .
Keterangan:
https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Daud.
Evaluasi Kinerja K-Medoids Clustering Model Untuk Klasterisasi Daerah Produktivitas Panen Padi di Kabupaten Bireuen, 352-.
356 ycI yca yca = Total Simpangan.
= jumlah jarak terdekat antara objek dengan medoids awal.
= jumlah jarak terdekat antara objek dengan medoids baru.
Menghitung ulang k-medoids sampai tidak ada perubahan pada medoids.
4 PURITY K-MEDOIDS
Purity digunakan untuk mengukur kemurnian satu atau beberapa cluster data yang dikategorikan sebagai bagian dari cluster yang paling sesuai dalam suatu kelas.
Sebuah data dapat dikatakan murni jika semua objek dalam data dengan kelas yang sama berada dalam kelompok data yang juga sama.
Purity dapat dihitung menggunakan persamaan .
berikut (Dinata et al.
, 2.
ycEycycycnycyc.
= ycA ycoycaycu.
cuycuyc ) a.
yc Keterangan:
ycEycycycnycyc.
= Nilai purity untuk variabel ke-y.
ycAyc = Jumlah data anggota cluster ke-y.
ycuyc = Indeks dari cluster.
Langkah-langkah dari metode Purity K-Medoids adalah sebagai berikut:
Menginout dataset yang berisi data yang ingin dikelompokkan.
Menentukan jumlah k cluster.
Menghitung nilai purity untuk setiap data menggunakan persamaan 3 di atas.
Jika jumlah k bernilai genap, maka pada iterasi pertama data yang yang akan digunakan sebagai medoids adalah data yang memiliki purity minimum, sedangkan jika k bernilai ganjil maka medoids yang digunakan adalah yang memiliki nilai purity maksimum.
Menghitung jarak antar data menggunakan persamaan Euclidean Distance dan kemudian menglompokkan nya.
Jika jumlah k bernilai genap, maka data yang yang akan digunakan sebagai medoids adalah data yang memiliki purity maksimum, sedangkan jika k bernilai ganjil maka medoids yang digunakan adalah yang memiliki nilai purity minimum.
Menghitung total simpangan (S).
Jika S < 0, maka tukar objek dengan data dari cluster non-medoids untuk membentuk kumpulan k objek baru sebagai medoids.
5 DAVIES BOULDIN INDEX (DBI)
DBI adalah metode untuk mengevaluasi kluster yang diperkenalkan oleh Davies dan Bouldin pada tahun 1979 (Jollyta & Siddik, 2.
Davies Bouldin Index (DBI) merupakan teknik pengukuran yang digunakan untuk menentukan hasil cluster terbaik setelah proses clustering selesai dilakukan.
Metode ini bertujuan untuk mengoptimalkan perbedaan antara satu cluster dengan cluster yang lain dan berusaha meminimalkan jarak antar objek dalam satu cluster.
DBI dapat menjadi parameter untuk setiap algoritma clustering untuk membandingkan proses clustering algoritma mana yang lebih optimal (Kaligis & Yulianto, 2.
Semakin kecil nilai DBI mendekati 0, maka semakin optimal clustering yang Davies Bouldin Index dapat dihitung dengan 4 langkah berikut (Sujacka Retno et al.
, 2.
Menghitung SSW (Sum of Squares Within Cluste.
menggunakan persamaan .
ycIycIycOycn = yco Ocycoycn=1 ycc .
cuycn, yuNy.
AA.
Menghitung SSB (Sum of Squares Between Cluste.
menggunakan persamaan .
ycIycIyaAycn,yc = ycc .
cuycn, yuNy.
Menghitung Ratio menggunakan persamaan .
ycIycnyc ycIycIycOycn ycIycIycOyc ycIycIyaAycnyc A A A A.
https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
357 | Jurnal JOISIE.
Volume 9.
Nomor 2.
Desember 2025 Menghitung SSW (Sum of Squares Within Cluste.
menggunakan persamaan .
yayaAya = yco Ocycoycn=1 ycoycaycuycnOyc .
cIycn,yc ) AA.
6 PYTHON DAN GOOGLE COLABORATORY
Python adalah bahasa pemrograman yang populer dan mudah dipelajari.
Python banyak digunakan dalam pengembangan perangkat lunak, kecerdasan buatan, pengembangan web, machine learning, dan analisis data.
Python menyediakan berbagai library seperti NumPy untuk komputasi numerik.
Pandas untuk analisis data, dan Scikit-learn yang menyediakan algoritma machine learning siap pakai untuk pengembangan model, pemrosesan data, dan evaluasi kinerja, sehingga memudahkan seseorang dalam menyelesaikan tugas tertentu dengan cepat dan efisien (Angelina M.
Sambi Ua et , 2.
Google Colaboratory atau Colab merupakan layanan cloud berbasis Jupyter Notebooks yang bertujuan untuk mendukung pendidikan dan penelian machine learning.
Jupyter adalah tools opensource berbasis browser yang mengintegrasikan bahasa pemrograman yang diinterpretasikan, library, dan alat untuk visualisasi.
Jupyter notebook dapat berfungsi baik secara lokal maupun di cloud.
Colab bekerja seperti objek Google Docs yaitu dapat dibagikan dan pengguna dapat berkolaborasi pada notebook yang sama.
Colab menyediakan runtime Python 2 dan 3 yang sudah dikonfigurasi dengan library penting untuk machine learning dan kecerdasan buatan, seperti TensorFlow.
Matplotlib, dan Keras (Carneiro et al.
, 2.
HASIL DAN PEMBAHASAN
Sebelum data pertanian padi di Kabupaten Bireuen digunakan dalam implementasi metode KMedoids dan Purity K-Medoids untuk mengklaster daerah produktivitas padi di Kabupaten Bireuen, data dinormalisasikan terlebih dahulu menggunakan persamaan .
di atas.
Dataset pertanian padi di Kabupaten Bireuen 2016 dapat dilihat pada Tabel 2.
Tabel 2.
Data Pertanian Padi di Kabupaten Bireuen Tahun 2016 Jumlah Luas Luas Produktivitas Jumlah Kecamatan Desa Tanam Panen Produksi Samalanga Simpang.
Mamplam Pandrah Jeunieb Peulimbang Peudada Juli Jeumpa Kota Juang Kuala Jangka Peusangan Peusangan Selatan Peusangan.
Sb.
Krueng Makmur Gandapura Kuta Blang Persentase https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Daud.
Evaluasi Kinerja K-Medoids Clustering Model Untuk Klasterisasi Daerah Produktivitas Panen Padi di Kabupaten Bireuen, 352-.
1 PERHITUNGAN ALGORITMA K-MEDOIDS
Proses perhitungan clustering daerah produktivitas padi di Kabupaten Bireuen menggunakan metode K-Medoids dapat dilihat pada Gambar 2.
Gambar 2.
Skema Algoritma K-Medoids Berdasarkan Gambar 2 di atas, proses diawali dengan menginput dataset.
Kemudian dilanjutkan dengan menentukan jumlah k cluster yang diinginkan.
Setelah nilai k ditetapkan, langkah berikutnya adalah menentukan medoids awal secara acak dari n data.
Setiap medoids yang terpilih akan mewakili satu cluster yang berbeda.
Selanjutnya, proses berlanjut dengan menghitung jarak antara setiap data dengan medoids yang telah ditentukan.
Jarak ini diperlukan untuk mengelompokkan data ke dalam cluster yang sesuai berdasarkan kedekatannya dengan medoids.
Setelah semua jarak dihitung, langkah berikutnya adalah melakukan iterasi pada posisi medoids.
Di sini, total simpangan (S) dari semua cluster dihitung dengan ketentuan jika nilai simpangan ini kurang dari nol (S < .
, maka tukar objek dengan data lain untuk membentuk k baru sebagai medoids.
Proses ini terus diulang dengan menghitung ulang medoids hingga tidak ada perubahan yang terjadi pada medoids.
Selanjutnya menghitung nilai Davies Bouldin Index (DBI).
Kemudian mendapatkan hasil berupa pengelompokan daerah produktivitas padi di Kabupaten Bireuen beserta nilai DBI dari clustering tersebut.
Hasil clustering daerah produktivitas padi di Kabupaten Bireuen pada tahun 2016 dapat dilihat pada Tabel 3.
Pada tabel tersebut, terdapat tiga kecamatan yang tergolong ke dalam kategori prioritas dan 14 kecamatan yang tergolong ke dalam kategori non-prioritas.
Pada tahun 2016 terdapat 3 kecamataan yang memiliki produkvitas padi tinggi yaitu kecamatan Simpang Mamplam.
Makmur, dan Gandapura.
Visualisasi hasil clustering mengunakan K-Medoids pada dataset tahun 2019 dapat dilihat pada Gambar 3.
Tabel 3.
Hasil Clustering K-Medoids Tahun 2016 Kecamatan Cluster Samalanga Non-Prioritas Simpang.
Mamplam Prioritas Non-Prioritas Pandrah Non-Prioritas Jeunieb https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
359 | Jurnal JOISIE.
Volume 9.
Nomor 2.
Desember 2025 Peulimbang Peudada Juli Jeumpa Kota Juang Kuala Jangka Peusangan Peusangan Selatan Peusangan.
Sb.
Krueng Makmur Gandapura Kuta Blang Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Prioritas Prioritas Non-Prioritas Gambar 3.
Viusalisasi hasil clustering K-Medoids pada dataset tahun 2016
2 PERHITUNGAN ALGORITMA PURITY K-MEDOIDS
Untuk menghitung nilai purity dapat menggunakan persamaan .
di atas.
Proses perhitungan nilai purity data pada dataset tahun 2016 dapat dilihat sebagai berikut:
Purity data ke-1 ycE1 = max .
= 0.
Purity data ke-2 https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Daud.
Evaluasi Kinerja K-Medoids Clustering Model Untuk Klasterisasi Daerah Produktivitas Panen Padi di Kabupaten Bireuen, 352-.
360 max .
= 0.
ycE1 = Purity data ke-3 max .
= 0.
ycE1 = Nilai purity untuk seluruh pada tahun 2016 dapat dilihat pada Tabel 4.
Berdasarkan tabel tersebut, dua data yang memiliki nilai purity minimum berturut-turut adalah data ke-12 dengan nilai 211073 dan data ke-8 dengan nilai 0.
209205, sedangkan dua data yang memiliki nilai purity maksimum berturut-turut adalah data ke-15 dengan nilai 0.
540881dan data ke-14 dengan nilai 0.
Tabel 4.
Hasil perhitungan Purity Tahun 2016 Data keNilai Purity Proses perhitungan clustering daerah produktivitas padi di Kabupaten Bireuen menggunakan algoritma Purity K-Medoids dapat dilihat pada Gambar 4.
https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
361 | Jurnal JOISIE.
Volume 9.
Nomor 2.
Desember 2025 Gambar 4.
Skema Algoritma Purity K-Medoids Proses dimulai dengan menginput dataset yang berisi data yang ingin dikelompokkan.
Setelah dataset diinput, langkah pertama yang dilakukan adalah menentukan jumlah k cluster yang diinginkan.
Setelah k ditentukan melakukan proses perhitungan nilai purity untuk setiap data.
Setelah setiap data memiliki nilai purity dilakukan perangkingan data berdasarkan nilai purity dimulai dari dari data dengan nilai purity sebagi ranking 1 dan seterusnya untuk memudahkan dalam penentuan data yang memiliki nilai purity minimum dan maksimum.
Setelah nilai purity serta perangkingan ditentukan, langkah berikutnya adalah menghitung nilai purity untuk setiap data, jika k bernilai genap, iterasi pertama dilakukan berdasarkan nilai purity minimum, sedangkan jika k bernilai ganjil, iterasi pertama dilakukan berdasarkan nilai purity maksimum.
Selanjutnya menghitung jarak data terhadap medoids serta mengelompokkannya dan menghitung jumlahnya.
Dilanjutkan dengan melakukan iterasi selanjutnya berdasarkan nilai purity maksimum, jika k bernilai genap.
Sedangkan jika k bernilai ganjil, iterasi selanjutnya dilakukan berdasarkan nilai purity minimum.
Proses selanjutnya adalah menghitung total simpangan (S) dari semua cluster.
Kemudian menghitung ulang medoids hingga tidak ada perubahan yang terjadi pada medoids.
Selanjutnya menghitung nilai Davies Bouldin Index (DBI).
Kemudian mendapatkan hasil berupa pengelompokan daerah produktivitas padi di Kabupaten Bireuen beserta nilai DBI dari clustering tersebut.
Hasil clustering daerah produktivitas padi di Kabupaten Bireuen pada tahun 2016 dapat dilihat pada Tabel 5.
Pada tabel tersebut, terdapat dua kecamatan yang tergolong ke dalam kategori prioritas dan 15 kecamatan yang tergolong ke dalam non-prioritas.
Pada tahun 2016 terdapat 2 kecamataan yang memiliki produkvitas padi tinggi yaitu kecamatan Samalanga dan kecamatan Peusangan.
Visualisasi hasil clustering mengunakan K-Medoids pada dataset tahun 2019 dapat dilihat pada Gambar 5.
Tabel 5.
Hasil Clustering Purity K-Medoids Tahun 2016 Cluster Kecamatan Samalanga Prioritas Non-Prioritas Simpang.
Mamplam https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Daud.
Evaluasi Kinerja K-Medoids Clustering Model Untuk Klasterisasi Daerah Produktivitas Panen Padi di Kabupaten Bireuen, 352-.
362 Pandrah Jeunieb Peulimbang Peudada Juli Jeumpa Kota Juang Kuala Jangka Peusangan Peusangan Selatan Peusangan.
Sb.
Krueng Makmur Gandapura Kuta Blang Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Gambar 5.
Viusalisasi hasil clustering K-Medoids pada dataset tahun 2016
3 PERBANDINGAN HASIL CLUSTERING
Hasil Perbandingan hasil clustering daerah produktivitas padi di Kabupaten Bireuen pada tahun 2016 menggunakan K-Medoids dan Purity K-Medoids dapat dilihat pada Tabel 6.
Tabel 6.
Perbandingan Hasil Clustering Tahun 2016 Purity K-Medoids Kecamatan K-Medoids Samalanga Non-Prioritas Prioritas Non-Prioritas Simpang.
Mamplam Prioritas Non-Prioritas Non-Prioritas Pandrah https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
363 | Jurnal JOISIE.
Volume 9.
Nomor 2.
Desember 2025 Jeunieb Peulimbang Peudada Juli Jeumpa Kota Juang Kuala Jangka Peusangan Peusangan Selatan Peusangan.
Sb.
Krueng Makmur Gandapura Kuta Blang Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Prioritas Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas Non-Prioritas 4 HASIL VALIDASI NILAI DAVIES BOULDIN INDEX (DBI) Hasil validasi nilai Davies Bouldin Index (DBI) dari clustering menggunakan K-Medoids dan Purity K-Medoids setelah di rata-rata kan dari 10 kali percobaan dapat dilihat pada Tabel 7.
Berdasarkan tabel tersebut, diperoleh rata-rata nilai Davies Bouldin Index (DBI) dari clustering data setiap tahun dengan masing-masing 10 kali percobaan.
Setelah dirata-ratakan keseluruhan, clustering menggunakan metode K-Medoids memiliki nilai rata-rata DBI sebesar 0.
Sedangkan clustering menggunakan metode Purity K-Medoids memiliki nilai rata-rata DBI sebesar 0.
Visualisasi dari hasil Davies Buldin Index dapat dilihat pada Gambar 6.
Tabel 7.
Hasil Validasi Nilai Davies Bouldin Index (DBI) Nilai Davies Bouldin Index (DBI) Tahun K-Medoids Purity K-Medoids Rata-Rata https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Daud.
Evaluasi Kinerja K-Medoids Clustering Model Untuk Klasterisasi Daerah Produktivitas Panen Padi di Kabupaten Bireuen, 352-.
1,80
1,60
1,40
1,20
1,00
0,80
0,60
0,40
0,20
0,00
K-Medoid Purity K-Medoid Gambar 6.
Visualisasi nilai DBI Nilai Davies Bouldin Index (DBI) yang lebih rendah pada metode Purity K-Medoids menunjukkan bahwa hasil klasterisasi lebih optimal dibandingkan K-Medoids.
Purity K-Medoids menginisialisasi medoids berdasarkan tingkat kemurnian .
setiap cluster, sehingga anggota cluster cenderung lebih homogen sejak awal proses.
Inisialisasi ini mengurangi kemungkinan terbentuknya cluster yang tumpang tindih atau tidak representatif, sehingga jarak antar cluster menjadi lebih besar dan jarak dalam cluster menjadi lebih kecil.
Hal ini secara langsung berdampak pada penurunan nilai DBI, yang memang mengukur rasio antara jarak intra-cluster dan inter-cluster.
Dengan demikian.
Purity K-Medoids secara teoretis mampu menghasilkan pembagian cluster yang lebih baik dan terpisah jelas dibandingkan K-Medoids yang inisialisasinya secara acak.
5 ANALISIS KONSISTENSI KEMUNCULAN
Setelah dilakukan proses clustering, maka langkah selanjutnya dalam penelitian ini adalah menentukan kecamatan yang sering muncul sebagai daerah prioritas.
Dikarenakan clustering menggunakan metode Purity K-Medoids memiliki nilai rata-rata DBI 0.
786911 dimana lebih rendah daripada clustering menggunakan metode K-medoids yaitu 0.
907856, untuk menentukan kecamatan mana saja yang sering muncul sebagai kecamatan prioritas selama 12 tahun dalam periode 12012-2023, maka yang akan dijadikan acuan adalah hasil clustering menggunakan metode Purity K-Medoids.
Kecamatan-kecamatan yang yang tergolong ke dalam kecamatan prioritas selama 12 tahun dalam periode 2012-2023 dapat dilihat pada Tabel 8.
Tabel 8.
Kecamatan Pioritas Tahun 2012-2023 Tahun Kecamatan Samalanga Simpang mamplam Pandrah Jeunieb Peudada Makmur Peusangan Peusangan Selatan Peusangan Sb.
Krueng Makmur Gandapura Samalanga https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
365 | Jurnal JOISIE.
Volume 9.
Nomor 2.
Desember 2025 Simpang.
Mamplam Peudada Jangka Peusangan Samalanga Peusangan Samalanga Simpang.
Mamplam Jeunieb Peudada Peusangan Peusangan Peusangan Peusangan Selatan Makmur Jeunieb Peusangan Peusangan Tabel 9.
Jumlah Kemunculan Kecamatan Samalanga Simpang.
Mamplam Pandrah Jeunieb Peulimbang Peudada Juli Jeumpa Kota Juang Kuala Jangka Peusangan Peusangan Selatan Peusangan.
Sb.
Krueng Makmur Gandapura Kuta Blang Jumlah Kemunculan Jumlah kemunculan tiap kecamatan sebagai prioritas dapat dilihat pada Tabel 9.
Berdasarkan tabel tersebut, dalam periode 2012-2023, kecamatan Peusangan memiliki total jumlah 8 kali kemunculan yang digolongkan sebagai kecamatan prioritas.
Selanjutnya adalah kecamatan Samalanga dengan total 4 kali kemunculan, kecamatan Simpang Mamplam.
Jeunieb, peudaa dan makmur dengan total masing-masing 3 kali kemunculan, kecamatan pandrah.
Jangka.
Peusangan.
Sb.
Krueng dan gandapura dengan total masing-masing 1 kali kemunculan.
Sedangkan kecamatan lainnya tidak pernah https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Daud.
Evaluasi Kinerja K-Medoids Clustering Model Untuk Klasterisasi Daerah Produktivitas Panen Padi di Kabupaten Bireuen, 352-.
366 muncul tergolong sebagai daerah prioritas.
Jadi dapat disimpulkan bahwa kecamatan Peusangan adalah kecamatan yang paling sering muncul dalam periode 2012-2023 dengan total jumlah 8 kali kemunculan yang digolongkan sebagai kecamatan prioritas.
SIMPULAN
Berdasarkan hasil penelitian, dapat disimpulkan bahwa metode Purity K-Medoids terbukti memberikan hasil klasterisasi yang lebih baik dibandingkan K-Medoids standar dalam mengelompokkan daerah produktivitas panen padi di Kabupaten Bireuen.
Hal ini ditunjukkan oleh nilai rata-rata Davies Bouldin Index (DBI) pada Purity K-Medoids sebesar 0,786911, yang lebih rendah daripada DBI K-Medoids sebesar 0,907856.
Hasil ini menunjukkan juga bahwa Purity K-Medoids mampu menghasilkan cluster yang lebih terpisah dan homogen secara internal.
Penelitian ini pula secara konsisten mengidentifikasi kecamatan Peusangan sebagai daerah prioritas, dengan kemunculan sebanyak 8 kali pada tahun 2013, 2015, 2016, 2018, 2019, 2020, 2022, dan 2023 selama periode 2012Ae Temuan ini menegaskan bahwa Kecamatan Peusangan merupakan wilayah yang perlu mendapatkan perhatian khusus dalam alokasi sumber daya pertanian.
Diharapkan temuan penelitian ini dapat membantu pemerintah daerah dalam merumuskan kebijakan alokasi pupuk subsidi berbasis data, sehingga distribusi bantuan dapat lebih tepat sasaran dan efektif dalam meningkatkan produktivitas padi di Kabupaten Bireuen.
DAFTAR PUSTAKA