Analisis Klasifikasi Wilayah Pertanian Bedasarkan Produksi Komoditas Unggulan
DOI:
https://doi.org/10.58738/jaf.v4i1.1075Keywords:
klasifikasi wilayah, komoditas unggulan, analisis klaster, K-Means, produksi pertanianAbstract
Penentuan klasifikasi wilayah pertanian berdasarkan produksi komoditas unggulan merupakan langkah strategis dalam mendukung pembangunan pertanian yang berkelanjutan dan berdaya saing. Penelitian ini bertujuan untuk menganalisis dan mengklasifikasikan wilayah pertanian berdasarkan potensi produksi komoditas unggulan, sehingga hasilnya dapat menjadi acuan dalam perencanaan kebijakan serta pengembangan potensi daerah. Latar belakang penelitian ini didasari oleh adanya perbedaan kondisi agroklimat, kesuburan tanah, ketersediaan air, serta variasi produktivitas antarwilayah yang menimbulkan ketimpangan hasil pertanian di berbagai daerah. Metode penelitian yang digunakan adalah pendekatan kuantitatif deskriptif dengan teknik analisis klaster (cluster analysis) menggunakan metode K-Means untuk mengelompokkan wilayah berdasarkan tingkat produksi komoditas unggulan, seperti padi, jagung, kedelai, dan hortikultura. Data yang digunakan merupakan data sekunder yang bersumber dari Badan Pusat Statistik (BPS) dan Dinas Pertanian selama periode 2019–2023. Variabel yang dianalisis mencakup luas panen, produktivitas, dan total produksi setiap komoditas unggulan. Proses analisis dilakukan dengan perangkat lunak statistik untuk menghasilkan klasifikasi wilayah berproduksi tinggi, sedang, dan rendah. Hasil penelitian menunjukkan bahwa terdapat tiga kelompok wilayah utama: (1) wilayah dengan produksi tinggi berpotensi menjadi sentra komoditas unggulan, (2) wilayah berproduksi sedang dengan peluang peningkatan efisiensi, dan (3) wilayah berproduksi rendah yang memerlukan intervensi teknologi dan kebijakan penguatan kapasitas. Temuan ini memberikan dasar ilmiah bagi perencanaan pembangunan pertanian berbasis potensi wilayah secara efektif dan berkelanjutan.
References
Alamsyah, M., & Sari, D. (2019). Spatial clustering analysis for identifying agricultural potential regions in Indonesia. Journal of Regional Development Studies, 15(2), 87–102.
Anggraini, R., & Nurjanah, S. (2020). Application of K-Means clustering for agricultural commodity grouping. Indonesian Journal of Statistics and Computing, 5(1), 33–42.
Arifin, B., & Hadi, S. (2021). Determinants of agricultural productivity and spatial inequality in Indonesia. Asian Journal of Agriculture and Development, 18(2), 45–59.
Azizah, N., & Setiawan, T. (2020). Identification of superior commodities using Location Quotient and Shift-Share analysis. Journal of Agribusiness and Rural Development, 8(3), 55–70.
Bahri, Y., & Kusnandar, A. (2021). Mapping agricultural productivity using cluster analysis in Java Island. Agro-Economic Journal, 39(1), 15–29.
Chandra, I., & Purnamasari, M. (2022). Spatial-based classification of agricultural zones using GIS and data mining. Geography and Land Use Journal, 12(4), 101–118.
Dewi, R., & Suwandi, S. (2023). Assessing agricultural competitiveness through LQ and cluster analysis. International Journal of Agricultural Science and Technology, 11(2), 94–109.
Fitriani, L., & Wulandari, P. (2019). Analysis of regional agricultural productivity and competitiveness in Indonesia. Jurnal Ekonomi Pertanian dan Agribisnis, 7(2), 65–80.
Gunawan, R., & Prasetyo, A. (2022). Integration of big data and GIS for agricultural planning. Smart Agriculture Journal, 3(1), 25–39.
Hartono, T., & Fadhilah, S. (2021). Cluster-based approach for regional development in agriculture. Jurnal Pembangunan Wilayah dan Kota, 17(3), 150–165.
Irawan, D., & Yuliani, R. (2023). Optimization of agricultural land based on spatial data analytics. Indonesian Journal of Agricultural Research, 12(1), 32–48.
Kurniawan, B., & Susanti, H. (2020). Regional mapping of superior agricultural commodities in Indonesia. Journal of Applied Agricultural Economics, 9(4), 205–220.
Lee, J., & Kim, S. (2021). Data-driven clustering approach for agricultural productivity zones in Southeast Asia. Computers and Electronics in Agriculture, 190, 106425.
Lestari, N., & Putra, A. (2019). Comparative analysis of cluster and discriminant models in agricultural zoning. Jurnal Teknologi Pertanian Tropis, 10(2), 77–88.
Nuraini, D., & Handoko, A. (2022). Sustainability assessment of agricultural zones using mult
