Penerapan Clustering Time Series untuk Mengelompokkan Provinsi di Indonesia Berdasarkan Jumlah Produksi Kopi Tahun 2008-2021
Abstract
Kopi merupakan salah satu komoditas perkebunan di Indonesia yang peranannya begitu penting. Indonesia terdapat pada posisi keempat sebagai negara penghasil kopi terbesar. Hal ini bisa saja dikarenakan wilayah Indonesia yang memungkinkan untuk memproduksi tanaman kopi lebih banyak. Karakteristik wilayah di Indonesia berbeda-beda, sehingga penghasilan tanaman kopi juga berbeda-beda setiap tahunnya. Tujuan diadakannya penelitian ini adalah untuk mengelompokkan provinsi-provinsi di Indonesia dengan melakukan penerapan Clustering Time Series pada data nilai produksi kopi setiap provinsi di Indonesia pada periode tahun 2008-2021. Jarak terbaik yang dapat digunakan untuk Clustering Time Series Analysis pada data ini yaitu jarak Dynamic Time Warping (DTW) dengan metode Average Linkage dan menghasilkan 3 cluster, yaitu cluster 1 terdiri dari 2 provinsi, cluster 2 terdiri dari 4 provinsi, dan cluster 3 terdiri dari 28 provinsi. Secara rata-rata, 3 cluster yang terbentuk menghasilkan nilai koefisien silhouette 0.81 atau dikategorikan Strong Classification.
Full text article
References
Adnyani, L. P., & Sihombing, P. R. (2021). ANALISIS CLUSTER TIME SERIES DALAM PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN NILAI PDRB. I(1).
Annur, C. M. (2022, March 09). Produksi Kopi Indonesia Naik Jadi 774,60 Ribu Ton pada 2021. Retrieved March 27, 2023, from https://databoks.katadata.co.id/datapublish/2022/03/09/produksi-kopi-indonesia-naik-jadi-77460-ribu-ton-pada-2021
Badan Pusat Statistik. Produksi Tanaman Perkebunan (Ribu Ton). Retrieved March 27, 2023, from bps.go.id: https://www.bps.go.id/indicator/54/132/5/produksi-tanaman-perkebunan.html
Bhardwaj, A. (2020, May 26). Silhouette Coefficient. Retrieved April 16, 2023, from towardsdatascience.com: https://towardsdatascience.com/silhouette-coefficient-validating-clustering-techniques-e976bb81d10c
Binty, T. (2019, July 06). Hierarchical Clustering - Average Linkage with R. Retrieved April 15, 2023, from medium.com: https://medium.com/@story.of.stats/hierarchical-clustering-average-linkage-with-r-1310f93ed4f3
Briliant, E. H. (2019, June 21). Analisis Cluster Hirarki Menggunakan R. Retrieved April 16, 2023, from medium.com: https://medium.com/@16611077/analisis-cluster-hirarki-menggunakan-r-ab8b23f8eb5a
Dani, A. T., Wahyuningsih, S., & Rizki, N. A. (2019). Penerapan Hierarchical Clustering Metode Agglomerative pada Data Runtun Waktu. Jambura Journal of Mathematics, I(2), 64-78.
Hartati, A. D. (2022, May 19). Penerapan Analisis Cluster Untuk Mengelompokkan Kabupaten/Kota Berdasarkan Indikator Pembangunan Ekonomi di Provinsi Jawa. Retrieved April 16, 2023, from https://rstudio-pubs-static.s3.amazonaws.com/905007_d5ab7298187a417081c2e04153d1ae35.html#koefisien-korelasi-cophenetic
Hendry, J. (2012, January 30). Dynamic Time Warping Distance. Retrieved April 15, 2023, from scribd.com: https://www.scribd.com/doc/100801150/Dynamic-Time-Warping-Distance#
Hidayat, A. (2023, January 02). KLASTERISASI KASUS AKTIF COVID-19 DI JAWA BARAT BERDASARKAN KABUPATEN/KOTA. Retrieved April 16, 2023, from rpubs.com: https://rpubs.com/Anoe/project3
Humam, N. (n.d.). Analisis Klaster (Hierarchical Clustering). Retrieved April 15, 2023, from rpubs.com: https://rpubs.com/nadhifanhf/hierarchical-clustering
Kafritsas, N. (2021, September 14). Time series classification using Dynamic Time. Retrieved April 16, 2023, from towardsdatascience.com: https://towardsdatascience.com/time-series-classification-using-dynamic-time-warping-61dcd9e143f6
Munthe, A. D. (2019). PENERAPAN CLUSTERING TIME SERIES UNTUK MENGGEROMBOLKAN PROVINSI DI INDONESIA BERDASARKAN NILAI PRODUKSI PADI. JURNAL LITBANG SUKOWATI, II(2), 1-11.
Pratiwi, A. M. (2022, May). Analisis Cluster Hierarchy untuk Pengelompokkan Kota/Kabupaten di Nusa Tenggara Timur berdasarkan Indikator Pendidikan Usia 15 Tahun Ke Atas. Retrieved April 15, 2023, from rpubs.com: https://rpubs.com/amelliamegadt/904898
Rizki, M. I., Taqqiyuddin, T. A., & Carelia, J. J. (2021). K-Medoids Clustering dengan Jarak Dynamic Time Warping dalam Mengelompokkan Provinsi di Indonesia Berdasarkan Kasus Aktif Covid-19. PRISMA, PROSIDING SEMINAR NASIONAL MATEMATIKA, V, 685-692.
Setiawan, D., & Zahra, A. (2023). Pengelompokan Kemiskinan di Indonesia Menggunakan Time Series Based Clustering. INFERENSI, VI(1), 83-90.
Sobolewska, E. (n.d.). Dynamic Time Warping (DTW) as a mean to cluster time series. Retrieved April 15, 2023, from rpubs.com: https://rpubs.com/esobolewska/dtw-time-series
Soleha, H. A., Nurmayanti, W. P., Hidayaturrohman, U., Hirzi, R. H., & Septiani, A. (2022). Penerapan Clustering Time Series pada Pengelompokan Provinsi di Indonesia (Studi Kasus: Nilai Ekspor Non Migas di Indonesia Tahun 2016-2020). J Statistika, XV(2), 286-291.
Authors
Copyright (c) 2022 Nadya Pratiwi Doholio
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-NonCommercial 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published workÂ