EVALUASI KOMPARATIF EMPAT ALGORITMA CLUSTERING TERHADAP INDIKATOR PERFORMA DAN KESEJAHTERAAN PETANI PERKEBUNAN INDONESIA

Abstract

Kondisi sektor perkebunan di Indonesia masih menunjukkan perbedaan tingkat produktivitas dan kesejahteraan petani antar wilayah. Penelitian ini bertujuan membandingkan performa beberapa algoritma clustering dalam mengelompokkan karakteristik wilayah perkebunan di Indonesia. Analisis yang dilakukan menggunakan empat algoritma clustering, yaitu K-Means, Ward’s Hierarchical, Self-Organizing Maps, dan Gaussian Mixture Model berdasarkan variabel produktivitas lahan, kontribusi produksi, indeks harga terima petani, dan nilai tukar petani. Hasil penelitian menunjukkan bahwa data perkebunan di Indonesia cenderung membentuk dua kelompok utama dengan karakteristik berbeda. Berdasarkan hasil evaluasi, algoritma K-Means memberikan performa clustering yang paling optimal dibandingkan metode lainnya. Kelompok pertama menunjukkan tingkat produktivitas dan kesejahteraan petani yang relatif lebih tinggi dibandingkan kelompok lainnya. Sementara itu, kelompok lainnya masih menunjukkan tingkat produktivitas dan kesejahteraan petani yang relatif lebih rendah. Dengan temuan ini, terlihat pentingnya pendekatan pembangunan berbasis wilayah dalam mendukung peningkatan kesejahteraan petani perkebunan di Indonesia.