Penerapan Hierarchical Clustering Multiscale Bootstrap untuk Pengelompokan Wilayah Berdasarkan Perubahan Iklim Terhadap Ketahanan Pangan

Maulida Anggeraini; Riri Syafitri Lubis; R. Maisaroh Rezyekiyah Siregar

doi:10.56427/jcbd.v5i3.1038

Authors

Maulida Anggeraini Universitas Islam Negeri Sumatera Utara
Riri Syafitri Lubis Universitas Islam Negeri Sumatera Utara
R. Maisaroh Rezyekiyah Siregar Universitas Islam Negeri Sumatera Utara

DOI:

https://doi.org/10.56427/jcbd.v5i3.1038

Keywords:

Pengelompokan Hierarki, Multiscale Bootstrap, Perubahan Iklim, Ketahanan Pangan, Jagung

Abstract

Perubahan iklim berdampak signifikan terhadap ketahanan pangan, khususnya pada produksi jagung. Penelitian ini bertujuan untuk mengelompokkan 22 kabupaten/kota di Provinsi Sumatera Utara berdasarkan indikator perubahan iklim dan ketahanan pangan menggunakan Hierarchical Clustering dengan pendekatan Multiscale Bootstrap. Delapan variabel dianalisis, yaitu suhu rata-rata, curah hujan, kelembapan relatif, produksi jagung, luas panen, luas tanam, produktivitas, dan harga pangan. Data distandardisasi menggunakan z-score, kemudian dianalisis dengan metode single linkage, complete linkage, dan average linkage berbasis jarak Euclidean. Validitas klaster diuji melalui nilai Approximately Unbiased (AU) dan Bootstrap Probability (BP) dengan ambang AU ≥ 95% sebagai indikator kestabilan. Hasil menunjukkan bahwa average linkage menghasilkan struktur pengelompokan paling valid dan stabil, dengan empat klaster utama yang berkarakteristik berbeda. Klaster 1 (Kabupaten Karo) dicirikan oleh produksi jagung (z = 4,01) dan luas panen (z = 3,87) yang jauh di atas rata-rata wilayah penelitian serta suhu rata-rata yang relatif rendah (z = −0,80), sedangkan Klaster 2 mencerminkan wilayah dengan suhu rata-rata relatif tinggi (z = 1,03) dan kelembapan relatif rendah (z = −1,12). Faktor dominan pembentuk klaster adalah produksi jagung, luas panen, suhu rata-rata, dan kelembapan relatif. Temuan ini menjadi dasar ilmiah bagi perumusan strategi adaptasi perubahan iklim dan penguatan ketahanan pangan berbasis wilayah.

Downloads

Download data is not yet available.

References

[1] I. P. on C. C. (IPCC), Climate Change 2021 – The Physical Science Basis: Working Group I Contribution to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge: Cambridge University Press, 2023. doi:10.1017/9781009157896.

[2] The state of food security and nutrition in the world : building climate resilience for food security and nutrition. Food and Agriculture Organization of the United Nations, 2018. url: https://www.fao.org/publications/sofi/2018/en/

[3] Y. Purwaningsih, Adaptasi Perubahan Iklim dan Ketahanan Pangan. Jejak Pustaka, 2022. url: https://books.google.com/books?id=Nn6REAAAQBAJ.

[4] J. E. Cairns et al., “Adapting maize production to climate change in sub-Saharan Africa,” Food Security, vol. 5, no. 3, pp. 345–360, 2013, doi: 10.1007/s12571-013-0256-x.

[5] P. D. K. Pardede, Yofiendi Indah Indainanto, F. A. Nasution, Muhammad Imanuddin Kandias Saraan, and L. N. Nasution, “Mencermati Perkembangan Food Estate Di Kabupaten Humbang Hasundutan,” Jurnal Kajian Agraria dan Kedaulatan Pangan (JKAKP), vol. 1, no. 2, pp. 23–29, 2022, doi: 10.32734/jkakp.v1i2.9834.

[6] D. Primayuri, “Induksi Ketahanan Tanaman Jagung (Zea Mays L.) Terhadap Patogen Helminthosporium Turcicum Pass. Dengan Inokulasi Beberapa Jamur Endofit,” Universitas Brawijaya, 2019. url: http://repository.ub.ac.id/id/eprint/173181

[7] K. Tampubolon, Y. S. Sulastri, I. Hamzani, and M. Vika, “Debora. 2017. Kontribusi Curah Hujan dan Hari Hujan Terhadap Produksi Tanaman Pangan di Sumatera Utara,” Jurnal Teknologi, vol. 2, no. 6, pp. 65–80. doi : 10.21776/ub.jpt.2020.005.2.3

[8] B. P. S. (BPS), “Provinsi Sumatera Utara Dalam Angka,” 2023. Available: https://sumut.bps.go.id/id/publication/2025/02/28/eb64d25aa56a75d579156d6a/provinsi-sumatera-utara-dalam-angka-2025.html

[9] D. N. P. Sari and Y. L. Sukestiyarno, “Analisis Cluster dengan Metode K-Means pada Persebaran Kasus COVID-19 Berdasarkan Provinsi di Indonesia,” in PRISMA, Prosiding Seminar Nasional Matematika, 2021, pp. 602–610. doi: 10.33592/pelita.v24i2.5504

[10] Musdalifah M. Ramly, S. Sudarmin, and B. Poerwanto, “Analisis Hierarchical Clustering Multiscale Bootstrap (Kasus: Indikator Kemiskinan di Provinsi Sulawesi Selatan Tahun 2020),” VARIANSI: Journal of Statistics and Its application on Teaching and Research, vol. 4, no. 3, pp. 142–152, 2022, doi: 10.35580/variansiunm26.

[11] A. Kassambara, Practical Guide to Cluster Analysis in R: Unsupervised Machine Learning, vol. 1. STHDA, 2017. url: https://books.google.com/books?id=plEyDwAAQBAJ

[12] B. M. Kumarahadi, H. Pratiwi, and S. Subanti, “Penerapan metode hierarchical clustering untuk pengelompokan kota/kabupaten di Indonesia berdasarkan indikator kemiskinan,” Jurnal Teknologi Informasi dan Komunikasi (TIKomSiN), vol. 11, no. 2, pp. 13–19, 2023. doi :10.29303/ijasds.v1i1.5446

[13] D. Setra Perdana, “PENERAPAN METODE K-MEANS CLUSTERING UNTUK MENGELOMPOKKAN KETAHANAN PANGAN,” vol. 3, no. 2, pp. 67–66. url: ojs.itb-ad/index.php/JUSIN

[14] Syahla Anisah and Lisnur Wachidah, “Penerapan Metode Non-Hierarchical Clustering K-Means untuk Pengelompokkan Kabupaten/Kota di Provinsi Jawa Barat Berdasarkan Faktor Produksi Padi Tahun 2021,” Bandung Conference Series: Statistics, vol. 3, no. 2, pp. 323–332, Jul. 2023, doi: 10.29313/bcss.v3i2.8148.

[15] R. Suzuki and H. Shimodaira, “Pvclust: An R package for assessing the uncertainty in hierarchical clustering,” Bioinformatics, vol. 22, no. 12, pp. 1540–1542, 2006, doi: 10.1093/bioinformatics/btl117.

[16] R. R. Muhima, Kurniawan, A. Yudhana, and Sunardi, Kupas Tuntas Algoritma Clustering: Konsep, Perhitungan Manual, dan Program. Penerbit Andi, 2022. url : books.google.co.id

[17] L. Amaliana and A. A. R. Fernandes, Metode statistika multivariat generalized structured component analysis (GSCA) pemodelan persamaan struktural (SEM). Universitas Brawijaya Press, 2019. url : https://books.google.co.id