English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

In fulfilling national food needs, rice plants are an important main commodity. The characteristics of various regions that differ from one another, greatly affect the production of rice produced. The purpose of this research is to cluster provinces in Indonesia by applying clustering time series analysis. The application of clustering time series analysis is based on rice production data for each province in Indonesia in the period 1968 – 2015. Clustering time series analysis with hierarchical and non-hierarchical methods results in the distribution of the same cluster members in the 3 optimal groups. The 1 st cluster consists of 3 provinces, 2 nd cluster consists of 15 provinces, while 3 rd cluster consists of 8 provinces. On average, from the 3 clusters formed, the silhouette coefficient value is 0.64, so the clustering is categorized in Good Classification. Keyword: cluster, rice, silhouette, time series. Abstraksi. Dalam memenuhi kebutuhan pangan nasional, tanaman padi merupakan komoditas utama yang diupayakan setiap tahun agar produksinya terus meningkat. Karakteristik wilayah yang berbeda-beda sangat mempengaruhi produksi padi yang dihasilkan. Tujuan yang ingin dicapai dalam penelitian ini adalah untuk mengelompokkan provinsi-provinsi di Indonesia dengan melakukan penerapan analisis gerombol deret waktu (clustering time series analysis). Penerapan analisis gerombol deret waktu dilakukan berdasarkan perkembangan data produksi padi setiap provinsi di Indonesia pada periode tahun 1968 – 2015. Clustering time series analysis dengan metode hierarki dan tidak berhierarki menghasilkan distribusi anggota gerombol yang sama pada 3 gerombol optimal. Gerombol 1 terdiri dari 3 provinsi, gerombol 2 terdiri dari 15 provinsi, sedangkan gerombol 3 terdiri dari 8 provinsi. Secara rata-rata dari 3 gerombol yang terbentuk menghasilkan nilai koefisien silhouette sebesar 0.64 atau terkategori Good Classification. Kata kunci: deret waktu, gerombol, padi, silhouette PENDAHULUAN Sektor pertanian merupakan salah satu sektor strategis dan prioritas bagi nadi perekonomian di hampir seluruh wilayah Indonesia. Definisi sektor pertanian secara luas mencakup beberapa subsektor yaitu tanaman pangan, hortikultura, perkebunan, peternakan, perikanan, dan juga kehutanan. Sektor pertanian, khususnya usaha pertanian lahan sawah, memiliki nilai multifungsi yang besar dalam rangka meningkatkan ketahanan pangan nasional, kesejahtraan petani, dan juga menjaga kelestarian lingkungan hidup (Sudaryanto dan Rusastra, 2006). Dalam memenuhi kebutuhan pangan nasional, subsektor tanaman pangan (terutama padi) adalah komoditas yang JURNAL LITBANG SUKOWATI l VOLUME 2 l NOMOR 2 l TAHUN 2019 l HAL. 1 11 2 JURNAL LITBANG SUKOWATI l ISSN : 2580-541X l e-ISSN : 2614-3356 difokuskan untuk dapat ditingkatkan produksinya terus menerus. Hal ini karena tanaman padi merupakan bahan makanan pokok bagi mayoritas masyarakat Indonesia. Produksi padi dari tahun ke tahun (1993-2015) secara umum mengalami peningkatan yang signifikan. Beberapa faktor yang menjadi penyebabnya adalah peningkatan luas areal panen serta meningkatnya tingkat produktivitas lahan. Produksi padi di dalam negeri yang terus meningkat ternyata belum mampu mengimbangi pesatnya laju pertumbuhan penduduk serta tingginya konsumsi beras di Indonesia. Kebutuhan beras nasional memang dapat dipenuhi dari produksi dalam negeri dan impor. Akan tetapi, ketergantungan akan pangan impor menyebabkan ketahanan pangan menjadi rentan. Hal ini tentunya akan menimbulkan dampak negatif terhadap berbagai aspek kehidupan masyarakat yaitu aspek sosial, ekonomi, dan bahkan politik (Sembiring, 2008). Karakteristik wilayah yang berbedabeda sangat mempengaruhi nilai produksi padi yang dihasilkan di setiap provinsi. Karakteristik wilayah yang berbeda-beda tersebut dapat diidentifikasi dengan melakukan analisis statistik yang disebut dengan analisis gerombol (cluster analysis). Analisis ini perlu dilakukan agar program kebijakan yang dilakukan oleh pemerintah dapat lebih fokus dan terarah sesuai dengan karakteristik dari gerombol yang terbentuk. Analisis gerombol merupakan salah satu teknik analisis peubah ganda yang digunakan untuk mengidentifikasikan dan mengelompokkan individu/objek yang memiliki kemiripan ke dalam kelompok atau gerombol tertentu. Karakteristik objek-objek dalam suatu gerombol tertentu akan memiliki tingkat kemiripan yang tinggi sedangkan karakteristik antar objek pada satu gerombol dengan gerombol yang lain memiliki tingkat kemiripan yang rendah. Dengan kata lain, keragaman dalam suatu gerombol menjadi minimum sedangkan keragaman antar gerombol yang terbentuk akibat penerapan analisis ini menjadi maksimum (Mattjik dan Sumertajaya, 2011). Penerapan analisis gerombol semakin berkembang dengan penggunaan data deret waktu. Kumpulan data deret waktu tersebut dapat dikelompokkan berdasarkan karakteristik pada masingmasing data deret waktu. Penggunakan analisis gerombol deret waktu (clustering time series analysis) dilakukan dengan cara mengelompokkan objek berdasarkan pola deret waktunya. Akan tetapi, pemilihan jarak dan metode penggerombolan yang digunakan harus dapat mewadahi struktur data deret waktu yang sifatnya sangat dinamis (Liao, 2005). Berdasarkan uraian di atas, penelitian ini bertujuan untuk menggerombolkan provinsi-provinsi di Indonesia dengan melakukan penerapan analisis gerombol deret waktu (clustering time series analysis). Penerapan analisis gerombol deret waktu tersebut dilakukan berdasarkan data produksi padi di 26 provinsi di Indonesia pada periode tahun 1968–2015. METODE PENELITIAN 1. Sumber Data Penelitian ini menggunakan data sekunder dari Badan Pusat Statistik (BPS) dengan cakupan 26 provinsi di Indonesia. Data yang digunakan adalah data produksi padi (ton) dalam bentuk Gabah Kering Giling (GKG). Periode waktu JURNAL LITBANG SUKOWATI l VOLUME 2 l NOMOR 2 l TAHUN 2019 l HAL. 1 11 3 JURNAL LITBANG SUKOWATI l ISSN : 2580-541X l e-ISSN : 2614-3356 produksi padi tersebut sejak tahun 1968 – 2015. Sebagai catatan, analisis gerombol deret waktu tidak dapat digunakan apabila terdapat data yang kosong atau hilang (missing data). Oleh karena itu, penelitian ini hanya menerapkan analisis gerombol pada provinsi-provinsi yang memiliki data yang lengkap. Terdapat 26 provinsi dari total 34 provinsi di Indonesia yang datanya lengkap periode tahun 1968– 2015. 2. Metode Analisis Data produksi padi dari 26 provinsi di Indonesia periode tahun 1968 2015 diolah menggunakan Ms. Exel dan software statistik R 3.4.4 dengan Package library yang digunakan adalah ―TSclust‖. Langkah-langkah analisis data yang dilakukan dalam penelitian ini adalah sebagai berikut: a. Melakukan eksplorasi data b. Melakukan penggerombolan metode berhierarki analisis gerombol deret waktu dengan menggunakan ukuran jarak Dynamic Time Warping (DTW). Jarak dynamic time warping (DTW) adalah sebuah algoritma yang membandingkan dua seri data dan melakukan perhitungan untuk menemukan lintasan optimum diantara dua seri data tersebut. Jarak DTW merupakan generalisasi dari algoritma klasik yang membandingkan urutan diskret dengan urutan nilai kontinu. Apabila terdapat dua deret waktu yaitu Q dan R, dimana 1 2 , ,..., ,..., i n Q q q q q  dan 1 2 , ,..., ,..., j m R r r r r  maka penggunaan jarak DTW menyelaraskan data pada dua deret waktu tersebut sehingga perbedaan jarak keduanya minimum. Ilustrasi penerapan jarak DTW seperti ditunjukkan pada Gambar 1. Gambar 1. Ilustrasi pengukuran jarak Dynamic Time Warping (DTW) (Sumber: Sardá-Espinosa, 2017) Penerapan ukuran jarak DTW menggunakan perhitungan melalui sebuah matriks n × m dimana elemen (i, j) dari matriks tersebut terdapat jarak (qi,rj). Jarak Euclidean digunakan untuk menghitung lintasan warping dengan W = w1, w2, ... , wk , ... , wK dimana max (m, n) ≤ K ≤ m + n – 1 merupakan himpunan elemen matriks yang memenuhi tiga kendala yaitu kondisi batas, kontinuitas, dan monotonisitas. Kendala kondisi batas membutuhkan lintasan warping untuk memulai dan menyelesaikan JURNAL LITBANG SUKOWATI l VOLUME 2 l NOMOR 2 l TAHUN 2019 l HAL. 1 11 4 JURNAL LITBANG SUKOWATI l ISSN : 2580-541X l e-ISSN : 2614-3356 perhitungan secara diagonal berlawanan sudut sel dari matriks, dengan W1 = (1,1) dan WK = (m, n). Jalur warping yang memiliki jarak minimum antara dua deret waktu rumusnya adalah sebagai berikut: K w d k K k DTW 1 min   dengan : dDTW = Jarak Dynamic Time Warping k w = lintasan warping ke-k Perhitungan jarak DTW dilakukan dengan 3 metode keterpautan yaitu ―single linkage‖, ―complete linkage‖ dan ―average linkage‖. Ilustrasi ketiga keterpautan seperti ditunjukkan pada Gambar 2. Gambar 2. Ilustrasi keterpautan c. Melakukan perhitungan korelasi Cophenetic. Koefisien korelasi Cophenetic merupakan koefisien korelasi antara elemen-elemen asli matriks ketidakmiripan (matriks jarak Euclidean) dan elemen-elemen yang dihasilkan oleh dendogram (matriks Cophenetic berdasarkan ukuran jarak dan metode keterhubungan yang digunakan). Formula untuk menghitung koefisien korelasi Cophenetic adalah sebagai berikut:               k i C Cik k i ik C Cik k i ik Coph d d d d d d d d r 2 2 ) ( ) ( ) )( (

PENERAPAN CLUSTERING TIME SERIES UNTUK MENGGEROMBOLKAN PROVINSI DI INDONESIA BERDASARKAN NILAI PRODUKSI PADI