PERBANDINGAN ALGORITMA K-MEANS DAN K-MEDOIDS DALAM PENGELOMPOKAN KABUPATEN DAN KOTA BERDASARKAN TANAMAN BIOFARMAKA

Tumbuhan biofarmaka dikenal juga dengan tumbuhan obat yang mempunyai keunggulan penting dalam pengembangan industri farmasi, dan produk kesehatan yang diperoleh dari berbagai bagian tumbuhan seperti daun, batang, buah, dan akar. Salah satu strategi untuk meningkatkan dan mempertahankan produktivitas tanaman biofarmaka dengan membagi sektor tanaman menjadi beberapa kelompok berdasarkan kesamaan karakteristik. Salah satu pendekatan untuk mensegmentasi area ini dengan menggunakan analisis cluster. Tujuan dari penelitian ini adalah untuk mengetahui hasil cluster yang terbentuk dan penggunaan algoritma K-Means dan K-Medoids untuk mengelompokkan kabupaten/kota berdasarkan variabel biomedis tanaman. Dari hasil analisis cluster menggunakan K-Means menghasilkan 24 kabupaten/kota pada cluster 1.1 kabupaten pada cluster 2.1 kabupaten pada cluster 3, dan 1 kabupaten pada cluster 4. Sedangkan dengan menggunakan  K-Medoids, cluster 1 menghasilkan 2 kabupaten, cluster 2 menghasilkan 1 kabupaten, cluster 3 menghasilkan 1 kabupaten dan cluster 4 memiliki 23 kabupaten/kota. Dari hasil pengelompokan kedua metode tersebut, ditentukan metode terbaik melalui perbandingan menggunakan cluster variance dalam pengelompokan produksi tanaman biofarmaka. Mencapai nilai DBI. 0.087 untuk algoritma K-Means dan 0.428 untuk algoritma  K-Medoids. Hal ini menunjukkan bahwa pada pengujian DBI algoritma K-Means lebih baik dibandingkan algoritma  K-medoids karena semakin rendah nilai yang diperoleh maka kualitas cluster yang dihasilkan semakin baik.