Tugas Praktikum I Analisis Multivariat
Tri Januardi
2024-11-08
Pemetaan Wilayah Potensi Indeks Ekonomi Biru Jawa Tengah melalui Pendekatan Clustering Hirearki dalam Melihat Potensi Wilayah Produksi Perikanan di Tahun 2023
1. BAB I PENDAHULUAN
1.1. Latar Belakang
Latar Belakang
Pemetaan indeks ekonomi biru merupakan langkah penting dalam upaya pengelolaan dan pemanfaatan potensi sumber daya perairan secara berkelanjutan. Indonesia sebagai negara maritim, vitalisasi sektor perikanan telah lama menjadi pilar utama dalam mendukung perekonomian nasional (Alifa dan Zahidi, 2024). Bagi daerah pesisir yang menggantungkan hidupnya pada sumber daya laut. Provinsi Jawa Tengah sebagai salah satu provinsi dengan garis penyebaran pantai utara dan pantai selatan dengan kontur topografi yang mendukung, memiliki potensi besar dalam sektor perikanan. Hasilnya berupa tangkapan ikan, budidaya laut, maupun potensi wisata bahari. Meskipun potensi perikanan di Jawa Tengah cukup melimpah, tantangan terbesar dalam mengelola sumber daya ini adalah bagaimana memastikan keberlanjutan dan pemerataan manfaatnya bagi seluruh masyarakat di Jawa Tengah. Salah satu aspek utama dalam pemetaan ekonomi biru adalah pemahaman tentang potensi tangkapan ikan di setiap wilayah, yang menjadi dasar dalam merumuskan kebijakan pengelolaan perikanan yang efektif dan berkelanjutan.
Potensi tangkapan ikan di Jawa Tengah sangat dipengaruhi oleh berbagai faktor, mulai dari kondisi geografis, kedalaman perairan, suhu laut, hingga kondisi ekosistem laut (Pringgenies, dkk., 2023). Variabilitas ini menciptakan perbedaan yang signifikan dalam hasil tangkapan ikan antar wilayah pesisir. Oleh karena itu, untuk memperoleh gambaran yang akurat tentang potensi perikanan, perlu dilakukan pemetaan yang mempertimbangkan berbagai variabel tersebut, serta pengelompokkan wilayah berdasarkan karakteristik yang serupa dalam hal potensi tangkapan ikan. Hal ini sangat penting agar kebijakan yang diambil tidak bersifat umum, melainkan disesuaikan dengan kondisi dan kebutuhan masing-masing wilayah. Namun, akhir-akhir ini ketergantungan pangan dengan sentra ikan menjadi salah satu terdampak penurunan ekspor dengan melihat data net antar daerah di triwulan 2024 yang menurun (Bdan Pusat Statistika Jawa Tengah, 2024).
# Memuat paket yang diperlukan
library(ggplot2)
# Membuat data frame untuk Net Ekspor Antar Daerah
data <- data.frame(
Triwulan = c(1, 2, 3),
Net_Ekspor = c(6.33, 3.86, 1.66)
)
# Membuat plot time series
ggplot(data, aes(x=Triwulan, y=Net_Ekspor)) +
geom_line(color="navy", size=1) + # Garis waktu
geom_point(color="blue", size=2) + # Titik pada data
ggtitle("Pergerakan Net Ekspor Antar Daerah Jawa tengah Tahun 2024") +
xlab("Triwulan (2024)") +
ylab("Net Ekspor Antar Daerah") +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5),
axis.text = element_text(size = 12),
axis.title = element_text(size = 14)
)
Teknik analisis data seperti clustering dapat memberikan solusi yang efektif (Firlansyah, dkk., 2021). Clustering adalah metode pengelompokan data yang membentuk struktur berjenjang atau antar kelompok berdasarkan kesamaan atau kedekatan antar elemen data. Pendekatan ini sangat berguna untuk mengidentifikasi hubungan antar kelompok yang lebih kompleks, serta memungkinkan kita untuk melihat tingkat kesamaan antara data pada berbagai tingkat granularitas. Clustering dapat digunakan untuk menganalisis data potensi tangkapan ikan yang dipengaruhi oleh berbagai faktor geografis dan ekologi, serta menghasilkan pemahaman yang lebih mendalam mengenai pola distribusi sumber daya laut.
Keunggulan dari clustering hierarkis adalah kemampuannya untuk memberikan gambaran yang lebih detail tentang hubungan antar kelompok data, serta fleksibilitas dalam menentukan jumlah cluster yang diinginkan. Dalam hal ini, wilayahdengan potensi tinggi dapat membentuk kelompok terpisah yang lebih jelas, sementara wilayah dengan potensi lebih rendah dapat bergabung dengan wilayah lain yang memiliki karakteristik serupa. Pemetaan menggunakan metode clustering ini diharapkan dapat memberikan gambaran yang lebih jelas dan akurat mengenai potensi perikanan di setiap wilayah di Jawa Tengah.
1.2. Rumusan Masalah
Beberapa permasalahan dari pemisahan wilayah dalam melihat potensi perikanan di wilayah Jawa Tengah ditujukan pada permasalahan yang menyangkut beberapa aspek, antara lain:
Bagaimana cara mengidentifikasi pola distribusi potensi tangkapan ikan di wilayah pesisir Jawa Tengah berdasarkan faktor geografis dan ekologi menggunakan teknik clustering hierarkis?
Bagaimana penerapan metode clustering hierarkis dapat mengoptimalkan pemetaan dan pengelolaan sumber daya ikan di wilayah pesisir Jawa Tengah?
Bagaimana dampak dari identifikasi wilayah pesisir yang memiliki potensi tangkapan ikan yang rendah menggunakan teknik clustering hierarkis terhadap kebijakan pengelolaan perikanan di Jawa Tengah?
1.3. Tujuan Penelitian
Tujuan penelitian dilakukan dari pemisahan wilayah dalam melihat potensi perikanan di wilayah Jawa Tengah ditujukan menyangkut beberapa aspek, antara lain:
Mengidentifikasi pola distribusi potensi tangkapan ikan di wilayah pesisir Jawa Tengah berdasarkan faktor geografis dan ekologi menggunakan teknik clustering hierarkis
Menerapkan metode clustering hierarkis dalam mengoptimalkan pemetaan dan pengelolaan sumber daya ikan di wilayah pesisir Jawa Tengah
Mengidentifikasi wilayah pesisir yang memiliki potensi tangkapan ikan yang rendah menggunakan teknik clustering hierarkis terhadap kebijakan pengelolaan perikanan di Jawa Tengah
2. BAB II PEMBAHASAN
2.1. Tinjauan Pustaka
2.1.1. Clustering
Clustering merupakan teknik analisis data yang digunakan untuk mengelompokkan data ke dalam beberapa kelompok atau cluster, di mana elemen dalam satu cluster memiliki kesamaan atau kemiripan lebih tinggi satu sama lain (Sartika, dkk., 2022). Tujuan utama dari clustering adalah untuk menemukan pola atau struktur dalam data tanpa adanya label atau informasi sebelumnya (unsupervised learning). Ada dua jenis utama dalam metode clustering non-hierarkis dan clustering hierarkis.
2.1.2. Clustering Hirearki
Clustering hierarki meruapakan suatu metode pengelompokkan objek atau data berdasarkan kedekatannya satu sama lain secara bertingkat (Nielsen, 2021). Proses ini dimulai dengan setiap objek dianggap sebagai kelompok terpisah, lalu secara bertahap menggabungkan objek yang paling mirip. Kemudian dilakukan pemisahan kelompok yang sudah ada hingga tercapai jumlah cluster yang diasumsikan. Hasil akan terlihat melalui diagram pendogram.
2.1.4. Produksi Perikanan
Produksi perikanan adalah kegiatan yang mencakup penangkapan dan budidaya berbagai jenis ikan, udang, dan organisme air lainnya untuk memenuhi kebutuhan konsumsi dan industri (Marjusni dan Idris, 2023). Produksi ini memainkan peran penting dalam memenuhi kebutuhan pangan, meningkatkan ketahanan pangan, dan menjadi sumber mata pencaharian bagi masyarakat pesisir. Selain itu, sektor perikanan berkontribusi terhadap perekonomian melalui ekspor komoditas unggulan seperti tuna, udang, dan rumput laut. Untuk meningkatkan produksi, pemerintah dan pelaku industri sering melakukan pengembangan teknologi budidaya, manajemen sumber daya laut yang berkelanjutan, dan peningkatan infrastruktur seperti pelabuhan dan fasilitas pengolahan.
2.2. Penyiapan Program
2.2.1. Penyiapan Library
Beberapa hal yang diperlukan dalam pengolahan analisis data menggunakan konsep clustering dapat ditinjau melalui beberapa komponen sebagai berikut:
library(psych)
library(GPArotation)
library(clValid)
library(ggplot2)
library(cluster)
library(factoextra)
library(tidyverse)
library(car)
library(readxl)2.2.2. Penyiapan Dataset
Dataset yang diambil diperoleh melalui raman resmi Badan Pusat Jawa Tengah mengenai Nilai Produksi Perikanan Budidaya Menurut Jenis Komoditas dan Kabupaten/Kota di Provinsi Jawa Tengah, 2022-2023 (Badan Pusat Statistika Jawa Tengah, 2024). Penyediaaninformasi rinci mengenai produksi perikanan budidaya di wilayah Provinsi Jawa Tengah selama periode 2022 hingga 2023 yang akan diambil pada 1 tahun terbaru yakni di tahun 2023. Dataset ini mencakup data nilai produksi perikanan dari berbagai jenis budidaya maupun penangkapan. Rincian data berdasarkan jenis komoditas yang dibudidayakan. Informasi mencakup berbagai jenis komoditas perikanan seperti ikan air tawar, ikan air laut, serta komoditas lainnya dengan sektor perikanan budidaya. Data ini penting untuk menganalisis cluster wilayah pada sektor perikanan di Jawa Tengah dengan rincian yang tersajikan sebagai berikut:
if (!require("readxl")) {
install.packages("readxl")
}
library(readxl)
file_path <- "C:/Users/haris/Downloads/Nilai Produksi Perikanan Budidaya Menurut Jenis Komoditas dan Kabupaten_Kota di Provinsi Jawa Tengah, 2022-2023.xlsx"
data <- read_excel(file_path, sheet = 1)
print(head(data))## # A tibble: 6 × 12
## Wilayah Gurame Patin Lele Nila `Ikan Mas` Kakap Bandeng
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Kabupaten Cilacap 8.57e10 4.33e 9 7.31e10 1.02e11 7.32e 9 3.66e8 4.44e9
## 2 Kabupaten Banyumas 2.03e11 2.26e 9 6.95e10 3.30e10 1.36e 9 0 0
## 3 Kabupaten Purbaling… 1.56e10 2.47e 9 4.03e10 3.59e10 1.22e 8 0 0
## 4 Kabupaten Banjarneg… 1.62e11 2.05e10 2.96e11 3.13e11 1.96e10 0 0
## 5 Kabupaten Kebumen 6.12e 9 1.01e 8 2.38e10 7.06e 9 3.00e 8 0 0
## 6 Kabupaten Purworejo 8.61e 9 1.73e 8 1.23e10 5.17e 9 3.44e 8 0 0
## # ℹ 4 more variables: `Rumput Laut` <dbl>, Kerapu <dbl>, Udang <dbl>,
## # Lainnya <dbl>Melalui penyiapan data yang telah di import melalui excel, data terlihat melalui beberapa sebaran dan pemusatan data antara lain dari beberapa variabel sebagai berikut:
#Statistik Deskriptif
statdes <- summary(data)
statdes## Wilayah Gurame Patin Lele
## Length:35 Min. :0.000e+00 Min. :0.000e+00 Min. :2.956e+08
## Class :character 1st Qu.:0.000e+00 1st Qu.:0.000e+00 1st Qu.:1.625e+10
## Mode :character Median :1.109e+09 Median :3.445e+07 Median :4.033e+10
## Mean :1.689e+10 Mean :2.628e+09 Mean :9.851e+10
## 3rd Qu.:5.897e+09 3rd Qu.:1.383e+09 3rd Qu.:9.326e+10
## Max. :2.031e+11 Max. :2.476e+10 Max. :6.490e+11
## Nila Ikan Mas Kakap
## Min. :3.242e+07 Min. :0.000e+00 Min. : 0
## 1st Qu.:4.071e+09 1st Qu.:0.000e+00 1st Qu.: 0
## Median :1.624e+10 Median :2.262e+08 Median : 0
## Mean :7.978e+10 Mean :6.558e+09 Mean : 10452000
## 3rd Qu.:8.069e+10 3rd Qu.:1.299e+09 3rd Qu.: 0
## Max. :8.072e+11 Max. :7.708e+10 Max. :365820000
## Bandeng Rumput Laut Kerapu
## Min. :0.000e+00 Min. :0.000e+00 Min. :0.000e+00
## 1st Qu.:0.000e+00 1st Qu.:0.000e+00 1st Qu.:0.000e+00
## Median :0.000e+00 Median :0.000e+00 Median :0.000e+00
## Mean :4.759e+10 Mean :3.546e+09 Mean :1.055e+08
## 3rd Qu.:2.014e+10 3rd Qu.:0.000e+00 3rd Qu.:0.000e+00
## Max. :5.495e+11 Max. :6.368e+10 Max. :2.437e+09
## Udang Lainnya
## Min. :0.000e+00 Min. :0.000e+00
## 1st Qu.:0.000e+00 1st Qu.:6.202e+06
## Median :0.000e+00 Median :1.682e+09
## Mean :5.088e+10 Mean :2.795e+10
## 3rd Qu.:5.824e+10 3rd Qu.:3.972e+10
## Max. :3.634e+11 Max. :3.373e+112.3. Hasil dan Pembahasan
2.3.2. Perhitungan Jarak
#Standarisasi
datastand <- scale(data[, -c(1, 7, 8)])
datastand## Gurame Patin Lele Nila Ikan Mas Rumput Laut
## [1,] 1.52536577 0.26351092 -0.16404718 0.1430130 0.04476659 -0.2461705
## [2,] 4.12740165 -0.05785861 -0.18712412 -0.2957137 -0.30411413 -0.2461705
## [3,] -0.02939901 -0.02485467 -0.37500090 -0.2778866 -0.37689489 -0.2461705
## [4,] 3.21602533 2.76656284 1.27184606 1.4733868 0.76303642 -0.2461705
## [5,] -0.23859171 -0.39237291 -0.48151567 -0.4601957 -0.36644494 -0.2461705
## [6,] -0.18345367 -0.38106455 -0.55600444 -0.4721406 -0.36385473 -0.2461705
## [7,] -0.37204924 -0.34438051 -0.51755889 0.4686576 -0.19030973 -0.2461705
## [8,] -0.05934088 0.33514759 0.21996381 0.6540120 1.98904429 -0.2461705
## [9,] -0.34871103 0.35102702 3.54820370 -0.1314658 0.46400758 -0.2461705
## [10,] -0.05836731 -0.38347950 0.73756814 2.1209143 -0.38401533 -0.2461705
## [11,] -0.33901769 0.08598865 0.78235577 -0.1842127 -0.38401533 -0.2461705
## [12,] -0.37434552 -0.39945507 -0.56948348 0.6272616 -0.38401533 -0.2461705
## [13,] -0.34460943 -0.32884766 -0.43655318 -0.4768280 -0.37982388 -0.2461705
## [14,] 0.94219606 3.17870928 0.47463257 4.6033898 4.12966736 -0.2461705
## [15,] -0.28853002 -0.37900477 -0.32574765 -0.4813430 -0.37076991 -0.2461705
## [16,] -0.37434552 -0.40799285 -0.54287208 -0.5045791 -0.38401533 -0.2461705
## [17,] -0.37434552 -0.40799285 -0.50680735 -0.4676930 -0.38401533 -0.2461705
## [18,] -0.37434552 -0.40799285 0.82427587 0.4539887 -0.10603677 -0.2461705
## [19,] -0.37434552 -0.40799285 -0.38462307 -0.4634836 -0.33941302 -0.2461705
## [20,] -0.37434552 -0.40799285 -0.02274177 -0.4001656 -0.38401533 3.8242694
## [21,] -0.33524457 -0.40799285 3.47263306 -0.2659713 -0.36190320 -0.2161308
## [22,] -0.37197643 -0.40264556 -0.22237470 -0.4020451 -0.38395678 -0.2461705
## [23,] -0.36080991 -0.40799285 -0.04491953 0.2917615 2.90322103 -0.2461705
## [24,] -0.34633252 -0.38938050 -0.29495494 -0.4669340 -0.36611175 -0.2326532
## [25,] -0.37260303 -0.40593137 -0.46158720 -0.4602475 -0.37539878 -0.2461705
## [26,] -0.31158043 -0.40799285 -0.51041334 -0.4846488 -0.34602028 -0.2295359
## [27,] -0.24867193 3.43621500 -0.35771885 -0.3386243 -0.31177856 -0.2326105
## [28,] -0.36729711 -0.40799285 -0.49531057 -0.4002754 -0.38401533 -0.2461705
## [29,] -0.34977546 -0.40799285 -0.18383304 -0.4308510 -0.37539527 4.1751900
## [30,] -0.37434552 -0.40799285 -0.63108442 -0.4877651 -0.36874679 -0.2461705
## [31,] -0.37434552 -0.40799285 -0.62963391 -0.5046405 -0.38401533 -0.2461705
## [32,] -0.37434552 -0.40799285 -0.56859210 -0.4993389 -0.38260120 -0.2461705
## [33,] -0.37434552 -0.40799285 -0.60828989 -0.4827180 -0.38401533 -0.2461705
## [34,] -0.37434552 -0.40799285 -0.61960488 -0.5017212 -0.38401533 -0.2461705
## [35,] -0.36682677 -0.40799285 -0.63308183 -0.4948968 -0.38401533 -0.1957551
## Kerapu Udang Lainnya
## [1,] 2.4506080 3.42160829 0.1742161
## [2,] -0.2318340 -0.55709163 0.5703215
## [3,] -0.2318340 -0.55709163 0.1994610
## [4,] -0.2318340 -0.55709163 1.7221740
## [5,] -0.2318340 0.64462359 -0.4421809
## [6,] -0.2318340 1.18405078 -0.4044180
## [7,] -0.2318340 -0.55709163 -0.3915219
## [8,] -0.2318340 -0.55709163 1.1899078
## [9,] -0.2318340 -0.55709163 -0.3852078
## [10,] -0.2318340 -0.55709163 0.2180526
## [11,] -0.2318340 -0.55709163 -0.4435816
## [12,] -0.2318340 -0.55709163 -0.4435816
## [13,] -0.2318340 -0.55709163 -0.4433847
## [14,] -0.2318340 -0.55709163 -0.4435816
## [15,] -0.2318340 -0.55709163 -0.4334068
## [16,] -0.2318340 -0.55709163 -0.4435816
## [17,] -0.2318340 2.02738395 0.2299876
## [18,] -0.2318340 0.08576532 -0.2411672
## [19,] -0.2318340 -0.55709163 -0.4253581
## [20,] 5.1235198 2.43567914 4.9091052
## [21,] -0.2318340 -0.18979266 -0.2146468
## [22,] -0.2318340 -0.55709163 -0.4414867
## [23,] -0.2318340 -0.55709163 -0.4232270
## [24,] -0.2318340 0.07536096 0.3724531
## [25,] -0.2318340 -0.50575511 -0.4435816
## [26,] -0.1554411 -0.04432550 -0.3970057
## [27,] -0.2318340 1.53114099 0.7348021
## [28,] -0.2318340 0.44995118 -0.4430464
## [29,] -0.2318340 0.96213219 -0.3914113
## [30,] -0.2318340 -0.55709163 -0.4338880
## [31,] -0.2318340 -0.55709163 -0.4435816
## [32,] -0.2318340 -0.55709163 -0.4435816
## [33,] -0.2318340 -0.54774252 -0.4435816
## [34,] -0.2318340 -0.40418619 -0.4168897
## [35,] -0.2318340 -0.54115337 -0.4435816
## attr(,"scaled:center")
## Gurame Patin Lele Nila Ikan Mas Rumput Laut
## 16889182248 2628272754 98510009051 79776435468 6558056559 3545770703
## Kerapu Udang Lainnya
## 105503457 50884555749 27950539408
## attr(,"scaled:scale")
## Gurame Patin Lele Nila Ikan Mas Rumput Laut
## 45116560863 6441957857 155136945695 158021413936 17077590352 14403718920
## Kerapu Udang Lainnya
## 455081982 91339651672 63011049451rownames(datastand) <- 1:nrow(datastand)
#Menghitung Jarak Euclidien
jarak <- dist(datastand, method = "euclidean")
jarak## 1 2 3 4 5 6
## 2 5.51099336
## 3 5.09176686 4.17834070
## 4 6.23641851 4.06593760 5.26516409
## 5 4.41163865 4.66483484 1.44199382 6.01086953
## 6 4.07081480 4.77916287 1.90198107 6.11669719 0.54888411
## 7 5.25372238 4.68601085 1.08684486 5.66923961 1.53684459 1.99633525
## 8 5.54638664 4.93897046 2.81630421 4.49489020 3.45703801 3.67536337
## 9 6.39454722 5.97373171 4.08719649 5.55247613 4.36445737 4.60881262
## 10 5.55545986 4.94492817 2.66868934 4.99272144 3.17193799 3.43982109
## 11 5.30106318 4.68575512 1.36746248 5.36817203 1.83217984 2.26935376
## 12 5.29512776 4.73443569 1.23692554 5.74691913 1.62886811 2.06861355
## 13 5.28142159 4.60441826 0.80522968 5.91417163 1.20907957 1.75394945
## 14 8.32075584 8.10841912 7.51519544 5.63891241 7.89684449 7.99919683
## 15 5.26179017 4.54633649 0.79809188 5.87212256 1.21309464 1.75971964
## 16 5.31166451 4.64681465 0.87115301 6.01500979 1.21195616 1.75268556
## 17 3.72512916 5.22702795 2.64569064 6.33417931 1.54386345 1.07410092
## 18 4.86332569 4.80461432 1.70893874 5.40659972 1.72627903 2.02469897
## 19 5.29234761 4.63120912 0.83194083 5.94064077 1.21375668 1.76046134
## 20 7.18768766 9.66760847 8.76302417 9.68668947 8.79349168 8.68190751
## 21 6.15310558 5.84703671 3.91819938 5.97584530 4.05358438 4.26855439
## 22 5.28513044 4.62665761 0.84241266 5.88766507 1.23808690 1.78482039
## 23 5.96641781 5.64855057 3.44049146 5.93167768 3.59255221 3.81872351
## 24 4.78746922 4.53963905 0.84005581 5.68919884 1.01702438 1.38840998
## 25 5.26125297 4.63781354 0.84847069 5.97292835 1.15844435 1.70369096
## 26 4.86031809 4.60150930 0.95565461 5.96004440 0.70016123 1.23885853
## 27 4.96927264 5.98143179 4.08445850 4.98823186 4.10641772 4.00677055
## 28 4.58574918 4.74112400 1.31050567 6.04727201 0.24248015 0.76431192
## 29 6.13075848 6.55533844 4.74499535 7.49383756 4.44454494 4.44596256
## 30 5.31433504 4.65133530 0.88125369 6.03037021 1.21901498 1.75371470
## 31 5.31856392 4.65426368 0.89196002 6.04177209 1.21943331 1.75418343
## 32 5.31281073 4.64859787 0.87512164 6.02083124 1.21333014 1.75257671
## 33 5.30711594 4.65135934 0.88079760 6.02794627 1.20718667 1.74386316
## 34 5.20081662 4.64996241 0.88262957 6.03008347 1.06790280 1.60160654
## 35 5.30332696 4.64719427 0.88921410 6.03544072 1.20406980 1.73828102
## 7 8 9 10 11 12
## 2
## 3
## 4
## 5
## 6
## 7
## 8 2.89626392
## 9 4.21934603 4.07245253
## 10 2.19415677 3.08416223 3.83141666
## 11 1.53054193 3.07553317 2.90612916 2.46019131
## 12 0.26668700 3.09233101 4.33790801 2.11594880 1.65011021
## 13 0.96958990 3.24210771 4.14430271 2.94096275 1.32041689 1.11470699
## 14 7.13335606 5.65702350 7.41406733 6.38225878 7.38888305 7.19789182
## 15 0.99085174 3.21764611 4.04544903 2.89481482 1.23904254 1.13862760
## 16 0.99604935 3.29779277 4.26326556 3.01180103 1.45056170 1.13218572
## 17 2.82563793 3.95857006 4.99099729 3.87678441 3.02006256 2.88723678
## 18 1.49925348 2.81199103 3.01633410 1.89420755 1.08895953 1.58245702
## 19 0.95602703 3.20883232 4.09893001 2.90771996 1.29900696 1.10738112
## 20 9.12923273 8.68852662 9.81603199 9.12388644 9.15403247 9.17664608
## 21 4.08206475 4.43735799 1.20296539 3.68491432 2.77074346 4.16255739
## 22 0.94268093 3.20087203 3.94730910 2.79652001 1.13876613 1.08626745
## 23 3.13524972 2.06940888 4.42912193 3.90734205 3.45857857 3.34579154
## 24 1.39366915 2.95704883 4.13448224 2.87582346 1.59153107 1.52968246
## 25 0.95361943 3.25805638 4.17979943 2.93940256 1.36726453 1.09410807
## 26 1.09993848 3.26890569 4.25440082 3.00996949 1.50961549 1.23146296
## 27 4.54198602 4.56435273 5.57177745 5.14863213 4.27907672 4.63256346
## 28 1.34681869 3.40328091 4.32843462 3.06979038 1.71407915 1.44069154
## 29 4.77658429 5.65015075 6.09548580 5.44738430 4.80601188 4.80918608
## 30 0.98250649 3.29777433 4.34350277 3.03382941 1.52825066 1.11690616
## 31 1.00207484 3.31895725 4.34659696 3.04975121 1.53024658 1.13353144
## 32 0.99164491 3.30098686 4.28722060 3.01827534 1.47296721 1.12663412
## 33 0.97863115 3.30596913 4.32425983 3.02134491 1.50610555 1.11072994
## 34 1.00878428 3.30585405 4.33912577 3.04090620 1.52828780 1.14073655
## 35 0.99442666 3.31616933 4.34936964 3.04260626 1.53217983 1.12525979
## 13 14 15 16 17 18
## 2
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12
## 13
## 14 7.80597256
## 15 0.13468638 7.80520152
## 16 0.13870701 7.88020984 0.23699476
## 17 2.67303744 8.29357338 2.67599611 2.67130506
## 18 1.72984802 7.09456975 1.65103263 1.82193700 2.58658492
## 19 0.10945776 7.80911338 0.11418369 0.17044955 2.66944341 1.67476801
## 20 9.11254094 11.96286840 9.10242759 9.11798579 8.21876028 8.87806209
## 21 3.93967034 8.21933084 3.82894881 4.04616548 4.58182603 2.77068091
## 22 0.24016802 7.77599873 0.15727521 0.33655668 2.68619388 1.53588342
## 23 3.39550045 5.90989975 3.37664624 3.41886464 4.32462957 3.20687463
## 24 1.04392216 7.87211157 1.02674993 1.06321367 1.96906236 1.59573410
## 25 0.10140125 7.83540248 0.17161325 0.10625200 2.62157792 1.71834306
## 26 0.53404751 7.84842853 0.55359122 0.52729959 2.16723252 1.66471888
## 27 4.46809462 7.21641995 4.50643680 4.53985199 3.91651768 4.46130197
## 28 1.01500953 7.87045911 1.02799401 1.01357119 1.71639038 1.64978297
## 29 4.68310392 9.08105502 4.67819784 4.68979894 4.60170339 4.71289753
## 30 0.21289225 7.87248412 0.31856039 0.09160359 2.67139022 1.87733768
## 31 0.21264879 7.89192142 0.31839160 0.08676184 2.67388500 1.88794395
## 32 0.15842021 7.87936794 0.26027945 0.02628647 2.67170925 1.83837949
## 33 0.19178477 7.87479181 0.29732640 0.06960462 2.66373727 1.85721293
## 34 0.25568617 7.89016172 0.34467417 0.17317222 2.51890152 1.82931026
## 35 0.22027463 7.88502746 0.32354815 0.10527971 2.65901541 1.88099553
## 19 20 21 22 23 24
## 2
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12
## 13
## 14
## 15
## 16
## 17
## 18
## 19
## 20 9.09936408
## 21 3.88583078 9.50727381
## 22 0.17993808 9.10349911 3.72300012
## 23 3.34673826 9.69144466 4.85028334 3.36435468
## 24 1.02302392 8.44812158 3.82764395 1.03600553 3.51575245
## 25 0.10101358 9.09658520 3.95860584 0.25166327 3.38993663 1.01619511
## 26 0.53860914 8.88010954 3.99671387 0.60491761 3.41309525 0.81297673
## 27 4.52964416 8.84850421 5.77305404 4.53035970 5.59677512 4.11323055
## 28 1.01623529 8.83517448 4.02820947 1.04340082 3.53585352 0.92262247
## 29 4.67983993 7.68747969 5.83431205 4.67566969 5.75746420 4.56212972
## 30 0.24953159 9.11759484 4.13220801 0.41798906 3.41428195 1.07931462
## 31 0.25307244 9.12334698 4.13228716 0.42002915 3.43258903 1.08672675
## 32 0.19320330 9.11943074 4.07138067 0.35968459 3.42013127 1.06930911
## 33 0.22979485 9.11866418 4.10905959 0.39441685 3.42400531 1.07435229
## 34 0.28656538 9.05791979 4.10996063 0.43788862 3.43357021 0.98044363
## 35 0.26056147 9.09586408 4.13365077 0.42444911 3.43131685 1.07868561
## 25 26 27 28 29 30
## 2
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12
## 13
## 14
## 15
## 16
## 17
## 18
## 19
## 20
## 21
## 22
## 23
## 24
## 25
## 26 0.47829875
## 27 4.51052033 4.31238119
## 28 0.95823555 0.51423408 4.16850559
## 29 4.66737401 4.53125865 5.98763537 4.46225934
## 30 0.17963146 0.53798621 4.54099999 1.02009358 4.69704105
## 31 0.18145909 0.53963626 4.54421969 1.02133248 4.69723882 0.02477855
## 32 0.12519097 0.52923452 4.54076291 1.01457920 4.69175627 0.06576588
## 33 0.15450266 0.52600115 4.53795366 1.00747396 4.69195094 0.03097682
## 34 0.19442192 0.39192475 4.46835542 0.86949688 4.64881718 0.15565570
## 35 0.18578911 0.52500726 4.53670683 1.00636206 4.64478647 0.05687019
## 31 32 33 34
## 2
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12
## 13
## 14
## 15
## 16
## 17
## 18
## 19
## 20
## 21
## 22
## 23
## 24
## 25
## 26
## 27
## 28
## 29
## 30
## 31
## 32 0.06128793
## 33 0.03199331 0.04406331
## 34 0.15556874 0.16340902 0.14768218
## 35 0.05439763 0.08386257 0.05834919 0.14932819Perhitungan jarak merupakan aspek penting dalam analisis clustering khususnya Hirearki Clustering. Jarak antara data satu dengan lainnya digunakan dalam membantu menentukan sejauh mana kedekatan atau kesamaan antar objek dalam dataset. Pengelompokkan data yang memiliki kemiripan ke dalam satu cluster dan memisahkan yang berbeda ke dalam cluster lain tersaji seperti di atas.
2.3.3. Pembandingan Metode
d1 <- dist(data[, -c(1, 7, 8)])
#Koefisien Korelasi Cophenetic
d1 <- dist(data[, -c(1, 7, 8)])
#Single Linkage
hiers <- hclust(dist(data[, -c(1, 7, 8)]), method = "single")
#korelasi cophenetic
hc1 <- hclust(d1, "single")
d2 <- cophenetic(hc1)
cors <- cor(d1,d2)
cors## [1] 0.9493163#Average Linkage
hierave <- hclust(dist(data[, -c(1, 7, 8)]), method = "ave")
#korelasi cophenetic
hc2 <- hclust(d1, "ave")
d3 <- cophenetic(hc2)
corave <- cor(d1,d3)
corave## [1] 0.971134#Complete Linkage
hiercomp <- hclust(dist(data[, -c(1, 7, 8)]), method = "complete")
#korelasi cophenetic
hc3 <- hclust(d1, "complete")
d4 <- cophenetic(hc3)
corcomp <- cor(d1,d4)
corcomp## [1] 0.8359605#Centorid Linkage
hiercen <- hclust(dist(data[, -c(1, 7, 8)]), method = "centroid")
#korelasi cophenetic
hc4 <- hclust(d1, "centroid")
d5 <- cophenetic(hc4)
corcen <- cor(d1,d5)
corcen## [1] 0.9644625#Ward
hierward <- hclust(dist(data[, -c(1, 7, 8)]), method = "ward.D")
#korelasi cophenetic
hc5 <- hclust(d1,"ward.D")
d6 <- cophenetic(hc5)
corward <- cor(d1,d6)
corward## [1] 0.8280225KorCop<-data.frame(cors,corave,corcomp,corcen,corward)
KorCop## cors corave corcomp corcen corward
## 1 0.9493163 0.971134 0.8359605 0.9644625 0.8280225Koefisien korelasi cophenetic digunakan sebagai dasar dalam penentuan metode terbaik yang akan digunakan dalam analisis cluster. Metode dengan nilai korelasi mendekati 1 yang akan dipilih sebagai metode terbaik dalam penelitian mengenai produksi perikanan di wilayah Jawa Tengah. Nilai korelasi yang paling mendekati 1 ialah metode average linkage. Maka apabila berdasarkan output, metode terbaik yang terpilih dalam melakukan clustering pada kasus ini adalah metode average linkage dipilih sebagai metode terbaik.
2.3.3. Intervensi Validitas Indeks
#Indeks Validitas
inval <- clValid(datastand, setdiff(1:12, c(1, 7, 8)), clMethods = "hierarchical", validation = "internal", metric = "euclidean", method = "average")
summary(inval)##
## Clustering Methods:
## hierarchical
##
## Cluster sizes:
## 2 3 4 5 6 9 10 11 12
##
## Validation Measures:
## 2 3 4 5 6 9 10 11 12
##
## hierarchical Connectivity 2.9290 5.9690 9.7159 12.6448 15.5738 24.3607 28.2187 31.1476 34.4099
## Dunn 0.7915 0.7525 0.6534 0.6111 0.6453 0.6407 0.7147 0.6272 0.4733
## Silhouette 0.6422 0.5812 0.5020 0.4912 0.4853 0.4953 0.4981 0.4681 0.4132
##
## Optimal Scores:
##
## Score Method Clusters
## Connectivity 2.9290 hierarchical 2
## Dunn 0.7915 hierarchical 2
## Silhouette 0.6422 hierarchical 2optimalScores(inval)## Score Method Clusters
## Connectivity 2.9289683 hierarchical 2
## Dunn 0.7915036 hierarchical 2
## Silhouette 0.6421572 hierarchical 2plot(inval)
Berdasarkan indeks connectivity, dunn, dan silhouette terpilih jumlah cluster yang perlu dibentuk sebanyak dua sebagai cluster optimal pada metode pengelompokan Average Linkage berdasarkan produksi sumber daya perikanan di berbagai wilayah Jawa Tengah di tahun 2023.
2.3.4. Pembagian Cluster Wilayah
#Metode Average Linkage
hirave <- hclust(dist(scale(data[, -c(1, 7, 8)])), method = "average")
hirave##
## Call:
## hclust(d = dist(scale(data[, -c(1, 7, 8)])), method = "average")
##
## Cluster method : average
## Distance : euclidean
## Number of objects: 35plot(hirave, labels(data$Wilayah), hang = 1, col = "blue", main = "Cluster Dendogram", sub = " ", xlab = "Kabupaten/Kota", ylab = "Jarak")
anggotaave <- data.frame(id = data$Wilayah, cutree(hirave, k = 2))
anggotaave## id cutree.hirave..k...2.
## 1 Kabupaten Cilacap 1
## 2 Kabupaten Banyumas 1
## 3 Kabupaten Purbalingga 1
## 4 Kabupaten Banjarnegara 1
## 5 Kabupaten Kebumen 1
## 6 Kabupaten Purworejo 1
## 7 Kabupaten Wonosobo 1
## 8 Kabupaten Magelang 1
## 9 Kabupaten Boyolali 1
## 10 Kabupaten Klaten 1
## 11 Kabupaten Sukoharjo 1
## 12 Kabupaten Wonogiri 1
## 13 Kabupaten Karanganyar 1
## 14 Kabupaten Sragen 1
## 15 Kabupaten Grobogan 1
## 16 Kabupaten Blora 1
## 17 Kabupaten Rembang 1
## 18 Kabupaten Pati 1
## 19 Kabupaten Kudus 1
## 20 Kabupaten Jepara 2
## 21 Kabupaten Demak 1
## 22 Kabupaten Semarang 1
## 23 Kabupaten Temanggung 1
## 24 Kabupaten Kendal 1
## 25 Kabupaten Batang 1
## 26 Kabupaten Pekalongan 1
## 27 Kabupaten Pemalang 1
## 28 Kabupaten Tegal 1
## 29 Kabupaten Brebes 1
## 30 Kota Magelang 1
## 31 Kota Surakarta 1
## 32 Kota Salatiga 1
## 33 Kota Semarang 1
## 34 Kota Pekalongan 1
## 35 Kota Tegal 1clus_hier <- eclust(datastand, FUNcluster = "hclust", k = 2, hc_method = "average", graph = TRUE)
fviz_dend(clus_hier, rect = TRUE, cex = 0.5)
idclus = clus_hier$cluster
idclus## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1
## 27 28 29 30 31 32 33 34 35
## 1 1 1 1 1 1 1 1 1aggregate(data,list(idclus),mean)## Group.1 Wilayah Gurame Patin Lele Nila Ikan Mas
## 1 1 NA 17385922902 2705574893 98613776376 81636280629 6750940575
## 2 2 NA 0 0 94981920000 16541700000 0
## Kakap Bandeng Rumput Laut Kerapu Udang Lainnya
## 1 10759412 43953352152 1925661824 36926353 44341200329 18852660920
## 2 0 171267992000 58629472600 2437125000 273358640000 337278408000Cluster 1 terdiri dari Kabupaten dan Kota lainnya yaitu: Kabupaten Cilacap, Kabupaten Banyumas, Kabupaten Purbalingga, Kabupaten Banjarnegara, Kabupaten Kebumen, Kabupaten Purworejo, Kabupaten Wonosobo, Kabupaten Magelang, Kabupaten Boyolali, Kabupaten Klaten, Kabupaten Sukoharjo, Kabupaten Wonogiri, Kabupaten Karanganyar, Kabupaten Sragen, Kabupaten Grobogan, Kabupaten Blora, Kabupaten Rembang, Kabupaten Pati, Kabupaten Kudus, Kabupaten Demak, Kabupaten Semarang, Kabupaten Temanggung, Kabupaten Kendal, Kabupaten Batang, Kabupaten Pekalongan, Kabupaten Pemalang, Kabupaten Tegal, Kabupaten Brebes, Kota Magelang, Kota Surakarta, Kota Salatiga, Kota Semarang, Kota Pekalongan, dan Kota Tegal.
Cluster 2 terdiri dari Kabupaten Jepara.
Interpretasi
Cluster 1 Variabel yang terbentuk penyebaran produksi Gurame dan Patin menjadi sektor andalan dengan diringi komoditas yang lain namun kalah bersaing dengan Cluster 2
Cluster 2 Variabel perikan kalah telah pada Gurame dan Patin, namun memiliki dominasi ikan budidaya yang memiliki rata rata jauh lebih tinggi dibanding cluster 1. Tentunya hal ini menarik mengingat Jepara sebagai sentra ikan bakar dan asap ddi Jawa Tengah
Berdasarkan hal tersebut dapat disimpulkan cluster 1 merupakan kelompok dengan pengembangan gurame dan patin yang tinggi dan tetap memproduksi setra komoditas lain dan cluster 2 merupakan kelompok dengan fproduksu gurame dan patin yang tidak dialkukan sama sekali namun memiliki dominasi cukup banyak dengan cluster lainnya dalam memproduksi komoditas lain.
3. BAB III PENUTUP
3.1. Kesimpulan
Pola distribusi potensi tangkapan ikan di wilayah pesisir Jawa Tengah dapat diidentifikasi dengan menggunakan teknik clustering hierarkis berdasarkan faktor geografis dan ekologi. Teknik ini memungkinkan pengelompokan wilayah berdasarkan karakteristik tertentu, seperti jenis dan jumlah hasil tangkapan ikan, yang dipengaruhi oleh kondisi geografis (misalnya, kedalaman laut, jenis perairan, dan suhu) serta faktor ekologi (seperti keberadaan terumbu karang dan kualitas air).
Penerapan metode clustering hierarkis dalam pemetaan potensi tangkapan ikan juga dapat mengoptimalkan pengelolaan sumber daya ikan di pesisir Jawa Tengah. Clusterr wilayah dengan karakteristik produksi tertentu, misalnya cluster 1 dengan sektor andalan gurame dan patin serta cluster 2 yang mendominasi budidaya ikan untuk bakar dan asap seperti di Jepara, pemerintah dapat menyusun kebijakan yang lebih tepat sasaran. Pengelompokan ini juga memungkinkan peningkatan produktivitas dengan memperkuat komoditas unggulan di setiap cluster dan mengelola sumber daya perikanan yang ada secara lebih efektif.
Identifikasi wilayah pesisir dengan potensi tangkapan ikan yang rendah melalui teknik clustering hierarkis akan berdampak besar pada kebijakan pengelolaan perikanan di Jawa Tengah. Kebijakan dapat difokuskan untuk meningkatkan kesejahteraan nelayan di wilayah berpotensi rendah melalui program bantuan, pelatihan, atau diversifikasi usaha perikanan. Pemerintah juga dapat merumuskan strategi perlindungan dan pemulihan sumber daya perikanan di wilayah-wilayah tersebut untuk memastikan keberlanjutan ekosistem perairan pesisir.
3.2. Saran
Upaya pengoptimalanpotensi indeks ekonomi biru Jawa Tengah, penerapan teknik clustering hierarki dapat difokuskan pada pengelompokan wilayah berdasarkan karakteristik geografis dan ekologi, sehingga membantu mengidentifikasi daerah yang cocok untuk jenis ikan tertentu. Cluster dengan potensi tangkapan tinggi atau spesialisasi pada komoditas unggulan, seperti gurame dan patin, sebaiknya mendapatkan dukungan melalui peningkatan infrastruktur, pelatihan, dan pemgolahan untuk meningkatkan perputaran nilai ekonomis. Sementara itu, di wilayah berpotensi rendah, pemerintah dapat mendorong diversifikasi usaha perikanan, seperti pengembangan sektor budidaya non-ikan atau pariwisata berbasis perikanan, untuk meningkatkan kesejahteraan nelayan dan menciptakan sumber pendapatan alternatif. .
4. Daftar Pustaka
Aliga, N. N., dan Zahidi, M. S. (2024). Pengembangan Ekonomi Biru sebagai Strategi Indonesia Menuju Ekonomi Maju. Jurnal Ilmu Sosial Politik Wira Bhakti. Vol 38., No. 1, hlm. 48-65.
Az-zahra, A., A., Marsaoly, A. F., Lestyani, I. P., Salsabila, R., dan Madjida, W. O. Z. (2021). Penerapan Algoritma K-Modes Clustering dengan Validasi Davies Bouldin Index pada Pengelompokkan Tingkat Minat Belanja Online di Provinsi Daerah Istimewa Yogyakarta. Jurnal Matematika dan Statistika serta Aplikasinya Vol. 9, No. 1, hlm. 24-35.
Badan Pusat Statistika Jawa Tengah. (2024). Net Ekspor Antar Daerah Jawa tengah Tahun 2024. Badan Pusat Statistika Jawa tengah: Semarang.
Badan Pusat Statistika Jawa Tengah. (2024). Nilai Produksi Perikanan Budidaya Menurut Jenis Komoditas dan Kabupaten_Kota di Provinsi Jawa Tengah, 2022-2023. Badan Pusat Statistika Jawa tengah: Semarang.
Firlansyah, A., Risal, A. A. N., Adiba, F. dan Kaswar, A. B. (2021). CLUSTERING PRODUKSI PERIKANAN BUDIDAYA LAUT BERDASARKAN PROVINSI MENGGUNAKAN ALGORITMA K-MEANS. Journal of Embedded System Security and Inteligent System. Vol. 2, No. 1, hlm. 55-60.
Marjusni, I., dan Idris, I. (2023). Analisis Pengaruh Produksi Perikanan Ekspor Perikanan dan Angka Konsumsi Ikan Terhadap Pertumbuhan Ekonomi Sektor Perikanan di Indonesia. Ecosains: Jurnal Ilmiah Ekonomi dan Pembangunan, Vol. 12, No. 2, hlm. 118-127.
Nielsen, F. (2016). Introduction to HPC with MPI for Data Science. hlm. 222-239. Springer Publisher: New York.
Pringgenies, D., Pranowo, W. S., Santosa, G. W., dan Djunaedi, A. (2023). Biodiversity and Fish Resources Management of the North Central Java Sea. International Journal of Bilogical Science. Vol. 6, No. 2, hlm. 1-10.
Sartika, E., Nurniati, S., dan Rinarto, A. (2022). Analisis Cluster Hierarki pada Persebaran Kasus COVID-19 Berdasarkan Provinsi di Indonesia. Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) 2022, hlm. 26-35.