Klasterisasi Perkebunan Kelapa Sawit Rakyat Berdasarkan Luas Area dan Produksi di Wilayah Kalimantan

Abstract

Perkebunan kelapa sawit rakyat di Kalimantan memiliki peran yang penting dalam sektor pertanian dan ekonomi daerah. Skala usaha yang lebih kecil dan akses terbatas terhadap sumber daya teknis dan keuangan dapat mempengaruhi produktivitas dan kualitas produksi. Selain itu, harga jual yang fluktuatif dan persaingan yang ketat di pasar dapat mempengaruhi pendapatan petani. Terdapat juga dampak negative dan positifnya dari perkebunan kelapa sawit, ekspansi perkebunan kelapa sawit memberikan dampak positif berupa peningkatan pendapat rumah tangga dan peningkatan daya beli masyarakat, namun di sisi lain, ekspansi perkebunan kelapa sawit menyebabkan kerusakan lingkungan, kekeringan di wilayah hulu dan kebanjiran di wilayah hilir. Dengan demikian dampak negative seharusnya perlu di minimalis dengan menekankan pemberian dampak positif lebih banyak lagi. Wilayah-wilayah yang memiliki hasil produksi lebih tinggi dengan luas area tertentu bahkan meningkatkan perekonomian masyarakat tentunya perlu di lestarikan. Untuk wilayah-wilayah yang belum mengangkat perekonomian masyarakat perlu di evaluasi kembali bahkan perlu mendapatkan binaan. Untuk itu perlu dilakukan pengelompokkan wilayah agar dapat diketahui cluster wilayah wilayah di Kalimantan. Bedasarkan permasalahan tersebut salah satu teknik yang dapat akan dilakukan yaitu metode klasterisasi. Pada penelitian ini pengelompokkan data menggunakan algoritma k-means untuk mengelompokkan perkebunan kelapa sawit berdasarkan tingkat populasi tertinggi di Kalimantan yaitu dengan data luas area, produksi, dan produktivitas, kesejahteraan. Penelitian ini bertujuan untuk mengetahui sebuah informasi lebih dalam dan dapat digunakan untuk membuat strategi atau kebijakan dalam meningkatkan perkebunan kelapa sawit berkelanjutan di Kalimantan. Klasterisasi dilakukan dengan membagi wilayah menjadi beberapa kelompok tertentu. Pengujian pada Cluster dilakukan sebanyak 7 kali mulai dari nilai K=2 hingga nilai K=8. Pengujian performa pada nilai cluster dilakukan dengan metode Elbow. Hasil analisis menunjukkan bahwa kurva memiliki siku yang paling tajam pada nilai k = 4. Oleh karena itu, dapat disimpulkan bahwa nilai k yang paling cocok atau optimal untuk data penelitian ini adalah 4.