Perbandingan Analisis Clustering Kabupaten/Kota Harga Produk Hewani Menggunakan K-Means vs K-Medoids di Jawa Barat Tahun 2025
Ulya Fatimah Nurhalizah
2025-11-26
1 Ekplorasi Data
1.1 Library
library(tidyverse)## Warning: package 'tidyverse' was built under R version 4.4.2## Warning: package 'ggplot2' was built under R version 4.4.3## Warning: package 'tidyr' was built under R version 4.4.2## Warning: package 'readr' was built under R version 4.4.2## Warning: package 'purrr' was built under R version 4.4.2## Warning: package 'stringr' was built under R version 4.4.3## Warning: package 'forcats' was built under R version 4.4.2## Warning: package 'lubridate' was built under R version 4.4.2## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.1 ✔ tibble 3.2.1
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.0.4
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(factoextra)## Warning: package 'factoextra' was built under R version 4.4.3## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa1.2 Data
data_tpg <- read.csv("C:/Users/Resea/Documents/Semester 5/TPG/TUGAS INDIVIDU/0_df_long.csv", sep = ";", header = TRUE)
head (data_tpg)## KabKot Tahun Bulan Produk Harga Kategori KodeBPS
## 1 Kab. Aceh Barat 2022 Januari Beras Premium 11429 Beras 11.05
## 2 Kab. Aceh Barat 2022 Januari Beras Medium 9979 Beras 11.05
## 3 Kab. Aceh Barat 2022 Januari Bawang Merah 31000 Bawang 11.05
## 4 Kab. Aceh Barat 2022 Januari Bawang Putih (Bonggol) 28636 Bawang 11.05
## 5 Kab. Aceh Barat 2022 Januari Cabai Merah Keriting 19409 Cabai 11.05
## 6 Kab. Aceh Barat 2022 Januari Cabai Rawit Merah 45706 Cabai 11.05
## KodeProv NamaProv
## 1 11 Aceh
## 2 11 Aceh
## 3 11 Aceh
## 4 11 Aceh
## 5 11 Aceh
## 6 11 Acehstr(data_tpg) # Melihat struktur data## 'data.frame': 340620 obs. of 9 variables:
## $ KabKot : chr "Kab. Aceh Barat" "Kab. Aceh Barat" "Kab. Aceh Barat" "Kab. Aceh Barat" ...
## $ Tahun : int 2022 2022 2022 2022 2022 2022 2022 2022 2022 2022 ...
## $ Bulan : chr "Januari" "Januari" "Januari" "Januari" ...
## $ Produk : chr "Beras Premium" "Beras Medium" "Bawang Merah" "Bawang Putih (Bonggol)" ...
## $ Harga : num 11429 9979 31000 28636 19409 ...
## $ Kategori: chr "Beras" "Beras" "Bawang" "Bawang" ...
## $ KodeBPS : num 11.1 11.1 11.1 11.1 11.1 ...
## $ KodeProv: int 11 11 11 11 11 11 11 11 11 11 ...
## $ NamaProv: chr "Aceh" "Aceh" "Aceh" "Aceh" ...data_tpg <- data_tpg %>%
mutate(
Tahun = as.integer(Tahun),
Harga = as.numeric(Harga),
KodeProv = as.numeric(KodeProv)
)produk_hewani <- c("Daging Ayam Ras", "Daging Sapi Murni", "Telur Ayam Ras")1.3 Filter Data
data_jabar_hewani_2025 <- data_tpg %>%
filter(
Tahun == 2025,
NamaProv == "Jawa Barat",
Produk %in% produk_hewani
)
head(data_jabar_hewani_2025)## KabKot Tahun Bulan Produk Harga Kategori KodeBPS
## 1 Kab. Bandung 2025 Januari Daging Sapi Murni 125300 Protein 32.04
## 2 Kab. Bandung 2025 Januari Daging Ayam Ras 35672 Protein 32.04
## 3 Kab. Bandung 2025 Januari Telur Ayam Ras 27803 Protein 32.04
## 4 Kab. Bandung 2025 Februari Daging Sapi Murni 126342 Protein 32.04
## 5 Kab. Bandung 2025 Februari Daging Ayam Ras 35147 Protein 32.04
## 6 Kab. Bandung 2025 Februari Telur Ayam Ras 27929 Protein 32.04
## KodeProv NamaProv
## 1 32 Jawa Barat
## 2 32 Jawa Barat
## 3 32 Jawa Barat
## 4 32 Jawa Barat
## 5 32 Jawa Barat
## 6 32 Jawa Barat1.4 Rata-rata untuk Imputasi
Menggunakan hirarki imputasi seperti ini: 1. Harga asli 2. Rata-rata per Kab/Kota & Produk (di Jawa Barat 2025) 3. Rata-rata Jawa Barat per Produk (2025) 4. Rata-rata provinsi tetangga Jawa Barat (DKI Jakarta, Banten, Jawa Tengah) 5. Rata-rata nasional per Produk (2025)
# Rata-rata Kab/Kota per Produk Jawa Barat 2025
mean_kab_prod_jabar <- data_jabar_hewani_2025 %>%
group_by(KabKot, Produk) %>%
summarise(mean_kab = mean(Harga, na.rm = TRUE), .groups = "drop") # Rata-rata Jawa Barat per Produk 2025
mean_jabar_prod <- data_jabar_hewani_2025 %>%
group_by(Produk) %>%
summarise(mean_jabar = mean(Harga, na.rm = TRUE), .groups = "drop")# Rata-rata Provinsi Tetangga
neighbor_jabar <- c("DKI Jakarta", "Banten", "Jawa Tengah")
mean_tetangga <- data_tpg %>%
filter(
Tahun == 2025,
NamaProv %in% neighbor_jabar,
Produk %in% produk_hewani
) %>%
group_by(Produk) %>%
summarise(mean_neighbor = mean(Harga, na.rm = TRUE), .groups = "drop")# Rata-rata Nasional per Produk Hewani 2025
mean_nasional <- data_tpg %>%
filter(
Tahun == 2025,
Produk %in% produk_hewani
) %>%
group_by(Produk) %>%
summarise(mean_nasional = mean(Harga, na.rm = TRUE), .groups = "drop")1.5 Bar chart
library(dplyr)
library(ggplot2)
data_jabar_hewani_2025 <- data_jabar_hewani_2025 |>
mutate(
Bulan = factor(
Bulan,
levels = c("Januari","Februari","Maret","April","Mei","Juni",
"Juli","Agustus","September","Oktober","November","Desember")
)
)
data_jabar_hewani_2025 |>
group_by(Produk) |>
summarise(mean_harga = mean(Harga, na.rm = TRUE)) |>
ggplot(aes(x = reorder(Produk, mean_harga), y = mean_harga)) +
geom_col() +
coord_flip() +
labs(
title = "Rata-rata harga komoditas hewani\nJawa Barat, 2025",
x = "Produk",
y = "Rata-rata Harga"
)
Grafik tersebut menunjukkan bahwa pada tahun 2025 di Jawa Barat,
rata-rata harga komoditas hewani paling tinggi adalah daging sapi murni,
disusul oleh daging ayam ras, sementara telur ayam ras memiliki harga
rata-rata paling rendah; artinya, untuk memenuhi kebutuhan protein
hewani, masyarakat cenderung lebih mudah menjangkau telur dan daging
ayam ras dibandingkan daging sapi karena perbedaan harga yang cukup
besar.
1.6 Box plot
ggplot(data_jabar_hewani_2025,
aes(x = Produk, y = Harga)) +
geom_boxplot() +
coord_flip() +
labs(
title = "Distribusi harga komoditas hewani\nJawa Barat, 2025",
x = "Produk",
y = "Harga"
)## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_boxplot()`).
Grafik boxplot tersebut menunjukkan bahwa pada tahun 2025 di Jawa Barat,
telur ayam ras memiliki harga paling rendah dan
penyebaran yang relatif sempit sehingga harganya cukup stabil,
daging ayam ras berharga lebih tinggi dengan rentang
harga yang sedikit lebih lebar dan terdapat beberapa nilai ekstrem yang
menunjukkan variasi harga di beberapa pasar, sedangkan daging
sapi murni memiliki tingkat harga paling tinggi dengan sebaran
yang juga cukup sempit meskipun ada titik-titik pencilan, sehingga
secara umum harga daging sapi konsisten mahal namun masih terjadi
variasi di beberapa lokasi.
2 Penanganan Missing Value
2.1 Imputasi dengan Harga Rata-rata Hierarki
data_jabar_hewani_2025_imp <- data_jabar_hewani_2025 %>%
# Join mean kab/kota
left_join(mean_kab_prod_jabar, by = c("KabKot", "Produk")) %>%
# Join mean Jabar
left_join(mean_jabar_prod, by = "Produk") %>%
# Join mean tetangga
left_join(mean_tetangga, by = "Produk") %>%
# Join mean nasional
left_join(mean_nasional, by = "Produk") %>%
mutate(
Harga_imputed = case_when(
!is.na(Harga) ~ Harga,
is.na(Harga) & !is.na(mean_kab) ~ mean_kab,
is.na(Harga) & is.na(mean_kab) & !is.na(mean_jabar) ~ mean_jabar,
is.na(Harga) & is.na(mean_kab) & is.na(mean_jabar) & !is.na(mean_neighbor) ~ mean_neighbor,
TRUE ~ mean_nasional
)
)
# Cek apakah masih ada NA
sum(is.na(data_jabar_hewani_2025_imp$Harga_imputed))## [1] 0Hasilnya sudah 0 maka semua missing value sudah ditangani.
2.2 Matriks Kab/Kota × Produk Hewani
kab_produk_hewani_jabar <- data_jabar_hewani_2025_imp %>%
group_by(KabKot, Produk) %>%
summarise(
mean_harga = mean(Harga_imputed, na.rm = TRUE),
.groups = "drop"
) %>%
tidyr::pivot_wider(
names_from = Produk,
values_from = mean_harga
)
head(kab_produk_hewani_jabar)## # A tibble: 6 × 4
## KabKot `Daging Ayam Ras` `Daging Sapi Murni` `Telur Ayam Ras`
## <chr> <dbl> <dbl> <dbl>
## 1 Kab. Bandung 34679 131454. 27782.
## 2 Kab. Bandung Barat 33448. 125424 27903.
## 3 Kab. Bekasi 41574. 132942. 29067.
## 4 Kab. Bogor 36507. 126500. 28030.
## 5 Kab. Ciamis 38696. 135300. 28216.
## 6 Kab. Cianjur 35699 133027. 29159.2.3 Eksplorasi Data Setelah Imputasi
library(dplyr)
library(tidyr)
library(ggplot2)
kab_long <- kab_produk_hewani_jabar |>
pivot_longer(
cols = -KabKot,
names_to = "Produk",
values_to = "Harga"
)
head(kab_long)## # A tibble: 6 × 3
## KabKot Produk Harga
## <chr> <chr> <dbl>
## 1 Kab. Bandung Daging Ayam Ras 34679
## 2 Kab. Bandung Daging Sapi Murni 131454.
## 3 Kab. Bandung Telur Ayam Ras 27782.
## 4 Kab. Bandung Barat Daging Ayam Ras 33448.
## 5 Kab. Bandung Barat Daging Sapi Murni 125424
## 6 Kab. Bandung Barat Telur Ayam Ras 27903.2.3.1 Bar chart
kab_long |>
group_by(Produk) |>
summarise(mean_harga = mean(Harga, na.rm = TRUE)) |>
ggplot(aes(x = reorder(Produk, mean_harga), y = mean_harga)) +
geom_col() +
coord_flip() +
labs(
title = "Rata-rata harga komoditas hewani\nJawa Barat setelah imputasi",
x = "Produk",
y = "Rata-rata harga"
)
Setelah dilakukan imputasi terhadap data yang hilang, grafik rata-rata
harga komoditas hewani di Jawa Barat menunjukkan bahwa pola harganya
tetap sama: daging sapi murni masih memiliki rata-rata
harga paling tinggi, daging ayam ras berada di posisi
menengah, dan telur ayam ras tetap menjadi komoditas
dengan rata-rata harga paling rendah. Perbedaan ketiga rata-rata
tersebut kini mencerminkan estimasi yang lebih lengkap dan andal karena
sudah mempertimbangkan nilai-nilai yang sebelumnya kosong dalam
data.
2.3.2 Box plot
ggplot(kab_long,
aes(x = Produk, y = Harga)) +
geom_boxplot() +
labs(
title = "Distribusi harga komoditas hewani\nantar kabupaten di Jawa Barat setelah imputasi",
x = "Produk",
y = "Harga"
)
Setelah imputasi, boxplot menunjukkan bahwa distribusi harga komoditas
hewani antar kabupaten di Jawa Barat tetap mempertahankan pola awal:
daging sapi murni memiliki harga paling tinggi dengan
sebaran yang cukup lebar menandakan perbedaan harga yang cukup besar
antar kabupaten; daging ayam ras berada di tingkat
harga menengah dengan rentang yang relatif lebih sempit sehingga variasi
harganya moderat; sedangkan telur ayam ras tetap
menjadi komoditas termurah dengan sebaran harga paling sempit,
menunjukkan bahwa harga telur relatif paling stabil di berbagai
kabupaten meskipun data yang hilang telah diimputasi.
kabkot <- kab_produk_hewani_jabar$KabKot
X <- kab_produk_hewani_jabar %>%
select(-KabKot) %>%
as.data.frame()
# Cek kalau masih ada NA
colSums(is.na(X))## Daging Ayam Ras Daging Sapi Murni Telur Ayam Ras
## 0 0 0Sudah terisi semua.
2.4 Standardisasi Data (Scaling)
Supaya semua produk hewani punya skala sebanding:
X_scaled <- scale(X)
summary(X_scaled)## Daging Ayam Ras Daging Sapi Murni Telur Ayam Ras
## Min. :-1.75238 Min. :-1.8349 Min. :-2.13354
## 1st Qu.:-0.62506 1st Qu.:-0.6120 1st Qu.:-0.62708
## Median :-0.04615 Median :-0.1069 Median :-0.03067
## Mean : 0.00000 Mean : 0.0000 Mean : 0.00000
## 3rd Qu.: 0.66207 3rd Qu.: 0.4616 3rd Qu.: 0.48485
## Max. : 2.23863 Max. : 2.1900 Max. : 2.576493 Clustering
3.1 Menentukan Jumlah Cluster
3.1.1 Elbow Method
fviz_nbclust(X_scaled, kmeans, method = "wss") +
ggtitle("Elbow Method - Kab/Kota Jabar 2025 (Produk Hewani)")
Titik siku (elbow) yang paling terlihat: k = 3 atau k = 4.
3.1.2 Silhouette Method
fviz_nbclust(X_scaled, kmeans, method = "silhouette") +
ggtitle("Silhouette Method - Kab/Kota Jabar 2025 (Produk Hewani)")
Menurut Silhouette, k = 7 adalah nilai terbaik.
3.1.3 Gap Statisic Method
library(cluster)
library(factoextra)
set.seed(123)
gap_stat <- clusGap(
X_scaled,
FUN = kmeans,
nstart = 25,
K.max = 10,
B = 100
)
# Tampilkan tabel gap statistic
print(gap_stat, method = "firstmax")## Clustering Gap statistic ["clusGap"] from call:
## clusGap(x = X_scaled, FUNcluster = kmeans, K.max = 10, B = 100, nstart = 25)
## B=100 simulated reference sets, k = 1..10; spaceH0="scaledPCA"
## --> Number of clusters (method 'firstmax'): 1
## logW E.logW gap SE.sim
## [1,] 2.679937 2.815722 0.13578469 0.07037081
## [2,] 2.402820 2.516190 0.11336967 0.07072839
## [3,] 2.229286 2.282945 0.05365886 0.07005051
## [4,] 2.076377 2.106640 0.03026324 0.06920323
## [5,] 1.932607 1.962026 0.02941820 0.07290277
## [6,] 1.787801 1.831929 0.04412734 0.07405323
## [7,] 1.625319 1.709929 0.08461061 0.07552367
## [8,] 1.524241 1.591869 0.06762874 0.07823486
## [9,] 1.404968 1.476145 0.07117735 0.08053665
## [10,] 1.299160 1.363439 0.06427820 0.08129567# Visualisasikan
fviz_gap_stat(gap_stat) +
ggtitle("Gap Statistic - Kab/Kota Jawa Barat 2025 (Produk Hewani)")
Menurut Gap Statistic nilai optimal k = 1 atau 2 karena memiliki gap
tertinggi 0.1357846 dan 0.11336967.
3.1.4 Calinski-Harabasz Index
library(fpc)## Warning: package 'fpc' was built under R version 4.4.3set.seed(123)
k.max <- 10
ch <- numeric(k.max)
for (k in 2:k.max) {
km <- kmeans(X_scaled, centers = k, nstart = 25)
ch[k] <- calinhara(X_scaled, km$cluster, k) # Calinski–Harabasz
}
# Lihat nilai CH tiap k
ch## [1] 0.00000 16.61720 15.69207 15.18459 15.29494 16.85159 18.55783 18.15479
## [9] 18.39191 18.11041# Plot
plot(2:k.max, ch[2:k.max], type = "b",
xlab = "Number of clusters k",
ylab = "Calinski–Harabasz Index",
main = "CH Index - Kab/Kota Jabar 2025 (Produk Hewani)")
# k optimal (CH terbesar)
best_k <- which.max(ch)
best_k## [1] 7Calinski-Harabasz Index menunjukkan k = 7 sebagai nilai optimal.
3.1.5 NbClust dengan Calinski-Harabasz Index
library(NbClust)
set.seed(123)
res.ch <- NbClust(X_scaled,
distance = "euclidean",
min.nc = 2, max.nc = 10,
method = "kmeans",
index = "ch")
res.ch$Best.nc ## Number_clusters Value_Index
## 7.0000 18.5578Menurut NbClust dengan CH Index, k = 7 adalah nilai terbaik.
3.2 Clustering dengan K-Means k = 7
set.seed(123)
k <- 7
km_7 <- kmeans(X_scaled, centers = k, nstart = 25)
# Lihat ukuran tiap cluster
km_7$size## [1] 5 3 3 2 5 7 2# Tambahkan label cluster ke kab/kota
cluster_kabkot_7 <- data.frame(
KabKot = kabkot,
Cluster = factor(km_7$cluster)
)
# Urutkan biar rapi
cluster_kabkot_7 <- cluster_kabkot_7 %>%
arrange(Cluster, KabKot)
cluster_kabkot_7## KabKot Cluster
## 1 Kab. Ciamis 1
## 2 Kab. Majalengka 1
## 3 Kab. Sumedang 1
## 4 Kota Bekasi 1
## 5 Kota Depok 1
## 6 Kab. Indramayu 2
## 7 Kota Bandung 2
## 8 Kota Tasikmalaya 2
## 9 Kab. Bandung Barat 3
## 10 Kab. Garut 3
## 11 Kota Banjar 3
## 12 Kab. Bekasi 4
## 13 Kab. Pangandaran 4
## 14 Kab. Cianjur 5
## 15 Kab. Karawang 5
## 16 Kab. Subang 5
## 17 Kab. Sukabumi 5
## 18 Kota Cimahi 5
## 19 Kab. Bandung 6
## 20 Kab. Bogor 6
## 21 Kab. Kuningan 6
## 22 Kab. Purwakarta 6
## 23 Kab. Tasikmalaya 6
## 24 Kota Bogor 6
## 25 Kota Sukabumi 6
## 26 Kab. Cirebon 7
## 27 Kota Cirebon 73.2.1 Lihat jumlah anggota per cluster
table(cluster_kabkot_7$Cluster)##
## 1 2 3 4 5 6 7
## 5 3 3 2 5 7 23.2.2 Visualisasi Cluster dengan PCA
library(factoextra)
fviz_cluster(
km_7,
data = X_scaled,
geom = "point",
ellipse.type = "norm",
repel = TRUE,
main = "Cluster 7 Kelompok\nKab/Kota Jawa Barat 2025 (Produk Hewani, K-Means)"
) +
theme_minimal()## Too few points to calculate an ellipse
## Too few points to calculate an ellipse
## Too few points to calculate an ellipse
## Too few points to calculate an ellipse
“Berdasarkan grafik PCA, terlihat bahwa pemisahan antar cluster cukup
jelas, terutama pada Dimensi 1 (55.4%) yang menggambarkan tingkat harga
produk hewani secara umum. Kabupaten/kota yang berada di sisi kanan
grafik cenderung memiliki harga daging dan telur yang lebih tinggi, yang
dikelompokkan dalam Cluster 1 dan Cluster 2. Sementara itu, wilayah yang
berada di sisi kiri grafik—yang sebagian besar masuk dalam Cluster 4 dan
Cluster 7—memiliki tingkat harga produk hewani yang lebih rendah.
Dimensi 2 (32.3%) memisahkan kabupaten/kota berdasarkan struktur harga antar komoditas, khususnya perbedaan pola harga antara daging sapi, daging ayam, dan telur ayam ras. Dengan demikian, kombinasi dua dimensi PCA mampu menjelaskan 87.7% keragaman data, menunjukkan bahwa pembentukan tujuh cluster melalui K-Means menghasilkan pengelompokan yang stabil dan terinterpretasi dengan baik.”
3.3 Profil Cluster (Rata-rata Harga Hewani)
profil_cluster_7 <- kab_produk_hewani_jabar %>%
left_join(cluster_kabkot_7, by = "KabKot") %>%
group_by(Cluster) %>%
summarise(across(where(is.numeric), ~ mean(.x, na.rm = TRUE)))
profil_cluster_7## # A tibble: 7 × 4
## Cluster `Daging Ayam Ras` `Daging Sapi Murni` `Telur Ayam Ras`
## <fct> <dbl> <dbl> <dbl>
## 1 1 39060. 136487. 28442.
## 2 2 35201. 141531. 28230.
## 3 3 32565. 125724. 28052.
## 4 4 40054. 131491. 29363.
## 5 5 35390. 131824. 28781.
## 6 6 35385. 129889. 28135.
## 7 7 31864. 132948. 27428.- Cluster 1: Harga ayam dan telur tinggi, sapi
menengah
- Cluster 2: Harga daging tertinggi
- Cluster 3: Harga paling terendah (ayam dan sapi
termurah)
- Cluster 4: Harga paling mahal untuk semua produk
hewani
- Cluster 5: Harga menengah–tinggi (stabil ke arah
tinggi)
- Cluster 6: Harga menengah (normal)
- Cluster 7: Harga telur paling murah, ayam rendah, sapi menengah
3.4 Silhoutte Score
library(cluster)
sil_7 <- silhouette(km_7$cluster, dist(X_scaled))
summary(sil_7)## Silhouette of 27 units in 7 clusters from silhouette.default(x = km_7$cluster, dist = dist(X_scaled)) :
## Cluster sizes and average silhouette widths:
## 5 3 3 2 5 7 2
## 0.4126583 0.3425422 0.4052472 0.1256450 0.2663435 0.3793063 0.4914122
## Individual silhouette widths:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.02807 0.27336 0.38139 0.35288 0.47488 0.619043.5 Clustering dengan K-Medoids k = 7
library(cluster)
library(factoextra)
set.seed(123)
pam_7 <- pam(X_scaled, k = 7)3.5.1 Hasil cluster
table(pam_7$clustering)##
## 1 2 3 4 5 6 7
## 5 3 6 3 2 3 53.5.2 Visualisasi PCA K-Medoids
fviz_cluster(
pam_7,
geom = "point",
ellipse.type = "norm",
repel = TRUE,
main = "Clustering K-Medoids (k = 7) - Kab/Kota Jabar 2025"
)## Too few points to calculate an ellipse
## Too few points to calculate an ellipse
## Too few points to calculate an ellipse
## Too few points to calculate an ellipse
3.5.3 Profil Cluster K-Medoids
# Buat dataframe hasil cluster PAM
cluster_pam_7 <- data.frame(
KabKot = kabkot,
Cluster = factor(pam_7$clustering)
)
# Hitung rata-rata harga produk hewani untuk setiap cluster
profil_cluster_pam7 <- kab_produk_hewani_jabar %>%
left_join(cluster_pam_7, by = "KabKot") %>%
group_by(Cluster) %>%
summarise(across(where(is.numeric), ~ mean(.x, na.rm = TRUE))) %>%
arrange(Cluster)
profil_cluster_pam7## # A tibble: 7 × 4
## Cluster `Daging Ayam Ras` `Daging Sapi Murni` `Telur Ayam Ras`
## <fct> <dbl> <dbl> <dbl>
## 1 1 35303. 129387. 28061.
## 2 2 32565. 125724. 28052.
## 3 3 39479 135896. 28546.
## 4 4 36079. 130700. 29255.
## 5 5 31864. 132948. 27428.
## 6 6 35201. 141531. 28230.
## 7 7 35685. 131869. 28487.3.5.4 Silhouette Score K-Medoids
sil_pam7 <- silhouette(pam_7$clustering, dist(X_scaled))
summary(sil_pam7)## Silhouette of 27 units in 7 clusters from silhouette.default(x = pam_7$clustering, dist = dist(X_scaled)) :
## Cluster sizes and average silhouette widths:
## 5 3 6 3 2 3 5
## 0.23251163 0.37212633 0.25571152 0.01690787 0.48335611 0.37968385 0.35604491
## Individual silhouette widths:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -0.2184 0.2333 0.3444 0.2870 0.4125 0.55654 Tabel Perbandingan K-Means vs K-Medoids
5 Tabel Gabungan K-Means
library(dplyr)
library(factoextra)
# Silhouette per cluster dari K-Means (k = 7)
sil_km_df <- fviz_silhouette(sil_7)$data %>%
group_by(cluster) %>%
summarise(
size = n(),
ave.sil.width = mean(sil_width)
)## cluster size ave.sil.width
## 1 1 5 0.41
## 2 2 3 0.34
## 3 3 3 0.41
## 4 4 2 0.13
## 5 5 5 0.27
## 6 6 7 0.38
## 7 7 2 0.49# Gabungkan dengan profil cluster
tabel_kmeans <- profil_cluster_7 %>%
rename(cluster = Cluster) %>%
left_join(sil_km_df, by = "cluster") %>%
mutate(Metode = "K-Means") %>%
select(Metode, cluster, size, ave.sil.width,
`Daging Ayam Ras`, `Daging Sapi Murni`, `Telur Ayam Ras`)
tabel_kmeans## # A tibble: 7 × 7
## Metode cluster size ave.sil.width `Daging Ayam Ras` `Daging Sapi Murni`
## <chr> <fct> <int> <dbl> <dbl> <dbl>
## 1 K-Means 1 5 0.413 39060. 136487.
## 2 K-Means 2 3 0.343 35201. 141531.
## 3 K-Means 3 3 0.405 32565. 125724.
## 4 K-Means 4 2 0.126 40054. 131491.
## 5 K-Means 5 5 0.266 35390. 131824.
## 6 K-Means 6 7 0.379 35385. 129889.
## 7 K-Means 7 2 0.491 31864. 132948.
## # ℹ 1 more variable: `Telur Ayam Ras` <dbl>5.1 Tabel Gabungan K-Medoids
# Silhouette per cluster dari K-Medoids (k = 7)
sil_pam_df <- fviz_silhouette(sil_pam7)$data %>%
group_by(cluster) %>%
summarise(
size = n(),
ave.sil.width = mean(sil_width)
)## cluster size ave.sil.width
## 1 1 5 0.23
## 2 2 3 0.37
## 3 3 6 0.26
## 4 4 3 0.02
## 5 5 2 0.48
## 6 6 3 0.38
## 7 7 5 0.36# Gabungkan dengan profil cluster PAM
tabel_pam <- profil_cluster_pam7 %>%
rename(cluster = Cluster) %>%
left_join(sil_pam_df, by = "cluster") %>%
mutate(Metode = "K-Medoids") %>%
select(Metode, cluster, size, ave.sil.width,
`Daging Ayam Ras`, `Daging Sapi Murni`, `Telur Ayam Ras`)
tabel_pam## # A tibble: 7 × 7
## Metode cluster size ave.sil.width `Daging Ayam Ras` `Daging Sapi Murni`
## <chr> <fct> <int> <dbl> <dbl> <dbl>
## 1 K-Medoids 1 5 0.233 35303. 129387.
## 2 K-Medoids 2 3 0.372 32565. 125724.
## 3 K-Medoids 3 6 0.256 39479 135896.
## 4 K-Medoids 4 3 0.0169 36079. 130700.
## 5 K-Medoids 5 2 0.483 31864. 132948.
## 6 K-Medoids 6 3 0.380 35201. 141531.
## 7 K-Medoids 7 5 0.356 35685. 131869.
## # ℹ 1 more variable: `Telur Ayam Ras` <dbl>5.2 Tabel Perbandingan
tabel_perbandingan <- bind_rows(tabel_kmeans, tabel_pam) %>%
arrange(Metode, cluster)
tabel_perbandingan## # A tibble: 14 × 7
## Metode cluster size ave.sil.width `Daging Ayam Ras` `Daging Sapi Murni`
## <chr> <fct> <int> <dbl> <dbl> <dbl>
## 1 K-Means 1 5 0.413 39060. 136487.
## 2 K-Means 2 3 0.343 35201. 141531.
## 3 K-Means 3 3 0.405 32565. 125724.
## 4 K-Means 4 2 0.126 40054. 131491.
## 5 K-Means 5 5 0.266 35390. 131824.
## 6 K-Means 6 7 0.379 35385. 129889.
## 7 K-Means 7 2 0.491 31864. 132948.
## 8 K-Medoids 1 5 0.233 35303. 129387.
## 9 K-Medoids 2 3 0.372 32565. 125724.
## 10 K-Medoids 3 6 0.256 39479 135896.
## 11 K-Medoids 4 3 0.0169 36079. 130700.
## 12 K-Medoids 5 2 0.483 31864. 132948.
## 13 K-Medoids 6 3 0.380 35201. 141531.
## 14 K-Medoids 7 5 0.356 35685. 131869.
## # ℹ 1 more variable: `Telur Ayam Ras` <dbl>Berdasarkan hasil perbandingan Silhouette Score:
Metode K-Means menunjukkan kualitas klasterisasi yang lebih baik daripada K-Medoids. K-Means menghasilkan nilai silhouette yang lebih tinggi dan lebih konsisten antar cluster (0.34–0.49). Sedangkan K-Medoids memiliki variasi yang lebih ekstrem, termasuk satu cluster dengan kualitas sangat rendah (0.016).
Hal ini menunjukkan bahwa struktur data harga produk hewani Kabupaten/Kota di Jawa Barat tahun 2025 lebih sesuai dikelompokkan menggunakan algoritma berbasis centroid daripada algoritma berbasis medoid. Oleh karena itu, K-Means dipilih sebagai metode utama dalam penelitian ini.
6 Identifikasi Masalah dari Data Hasil Analisis
6.1 Ketimpangan Harga Produk Hewani Antar Kabupaten/Kota di Jawa Barat Tinggi
Hasil clustering (7 cluster) menunjukkan:
- Ada kelompok wilayah yang konsisten memiliki harga sangat tinggi (Cluster 1, Cluster 2, dan Cluster 4)
- Ada wilayah dengan harga sangat rendah (Cluster 3 dan sebagian Cluster 7)
- Ketimpangan harga ini cukup ekstrem, terutama pada daging sapi
Implikasi masalah: Kesenjangan daya beli masyarakat antar kabupaten/kota dan ketidakmerataan distribusi pasokan hewani.
6.2 Harga Daging Sapi Sangat Tidak Stabil dan Paling Berbeda Antar Wilayah
Daging sapi menunjukkan variasi terbesar dibanding ayam dan telur:
- Cluster 2: harga sapi paling tinggi (141
ribu)
- Cluster 3: harga sapi paling rendah (125 ribu)
- Selisih bisa mencapai >15 ribu hanya antar kabupaten/kota
Ini mengindikasikan ketidakmerataan distribusi daging sapi, termasuk ongkos logistik berbeda dan perbedaan rantai pasok
6.3 Ada Wilayah dengan Harga Sangat Rendah Namun Tidak Merata
- Cluster 3 dan 7: Harga murah tidak berlaku untuk semua komoditas
- Ada kabupaten/kota yang hanya murah untuk ayam tapi tidak untuk daging sapi
- Ada kabupaten/kota yang hanya murah untuk ayam tapi tidak untuk daging sapi
- Hanya telur yang sangat murah
Ini mengindikasikan adanya ketidakseimbangan komposisi produksi ternak antar daerah, Pusat produksi telur berbeda dengan pusat produksi ayam atau sapi, dan kebijakan harus dilakukan berdasarkan komoditas, bukan hanya wilayah.