PENERAPAN ALGORITMA DBSCAN DALAM PENGELOMPOKAN NEGARA MITRA DAGANG STRATEGIS INDONESIA
DOI:
https://doi.org/10.24076/joism.2026v8i1.2698Keywords:
Klastering, Ekspor Non-Migas, Koefisien SilhouetteAbstract
Penelitian ini bertujuan mengidentifikasi pola dan karakteristik pengelompokan negara mitra dagang strategis Indonesia berdasarkan data ekspor non-migas periode 2019–2023. Menggunakan data sekunder dari Kementerian Perdagangan, penelitian ini melakukan Algoritma DBSCAN yang berbasis kepadatan (density-based). Proses penentuan jumlah cluster optimal menggunakan Elbow Method, evaluasi performa metode diukur melalui Silhouette Coefficient. Hasil penelitian menunjukkan algoritma DBSCAN menghasilkan 9 cluster serta 1 cluster berlabel "-1" yang mengidentifikasi adanya titik noise atau outlier pada data. Hasil penelitian ini diharapkan dapat memberikan pandangan strategis bagi para pengambil kebijakan dalam perdagangan internasional. Dengan pemetaan yang akurat melalui penerapan metode ini, pemerintah dapat merumuskan strategi keputusan yang lebih tepat sasaran untuk meningkatkan nilai dan volume ekspor non-migas Indonesia di pasar global secara signifikan.
References
[1] N. Arminarahmah, A. G. Daengs, J. Tata Hardinata, and I. Kalimantan, "Klusterisasi Impor Beras Di Indonesia Menurut Negara Asal Utama Menggunakan Algoritma K-Medoids," Jurnal Riset Sistem Informasi Dan Teknik Informatika (Jurasik), vol. 8, no. 2, pp. 793–801, 2023. Available: https://tunasbangsa.ac.id/ejurnal/index.php/jurasik
[2] I. Paujiyah, "Analisis Bibliometrik Keterkaitan Ekspor Terhadap Pertumbuhan Ekonomi Indonesia," Sanskara Manajemen Dan Bisnis, vol. 2, no. 01, pp. 16–23, Nov. 2023.
[3] A. Rezandy and A. Yasin, "Pengaruh Nilai Tukar, Inflasi, Dan Pendapatan Nasional Terhadap Ekspor Nonmigas Indonesia," Independent: Journal of Economics, vol. 1, pp. 95–110, 2021. Available: https://ejournal.unesa.ac.id/index.php/independent
[4] E. A. Fadlilah, "Identifikasi Anomali Data Academic Menggunakan DBSCAN Outlier Detection," Prosiding Sains Nasional dan Teknologi, vol. 12, no. 1, p. 336, Nov. 2022, doi: 10.36499/psnst.v12i1.7012.
[5] E. Rahmah, E. Haerani, A. Nazir, and S. Ramadhani, "Penerapan Algoritma K-Medoids Clustering Untuk Menentukan Strategi Promosi Pada Data Mahasiswa (Studi Kasus: STIKES Perintis Padang)," Jurnal Nasional Komputasi dan Teknologi Informasi, vol. 5, no. 3, 2022.
[6] B. Riyanto, "Penerapan Algoritma K-Medoids Clustering Untuk Pengelompokkan Penyebaran Diare Di Kota Medan (Studi Kasus: Kantor Dinas Kesehatan Kota Medan)," KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer), vol. 3, no. 1, Dec. 2019, doi: 10.30865/komik.v3i1.1659.
[7] A. G. S. Pradnyana and S. Agustini, Konsep Dasar Data Mining. Jayapura: Yayasan Kita Menulis, 2020.
[8] B. Wira, A. E. Budianto, and A. S. Wiguna, "Implementasi Metode K-Medoids Clustering Untuk Mengetahui Pola Pemilihan Program Studi Mahasiswa Baru Tahun 2018 Di Universitas Kanjuruhan Malang," Jurnal Teknologi Informasi dan Terapan, 2019.
[9] R. R. Muhima et al., Kupas Tuntas Algoritma Clustering: Konsep dan Aplikasi. Sidoarjo: Indomedia Pustaka, 2022.
[10] A. Atira and B. N. Sari, "Penerapan Silhouette Coefficient, Elbow Method Dan Gap Statistics Untuk Penentuan Cluster Optimum Dalam Pengelompokkan Provinsi Di Indonesia Berdasarkan Indeks Kebahagiaan," Jurnal Ilmiah Wahana Pendidikan, vol. 9, no. 17, pp. 76–86, 2023, doi: 10.5281/zenodo.8282638.
[11] T. D. Harjanto, A. Vatresia, and R. Faurina, "Analisis Penetapan Skala Prioritas Penanganan Balita Stunting Menggunakan Metode DBSCAN Clustering," Jurnal Rekursif, 2021. Available: http://ejournal.unib.ac.id/index.php/rekursif/30
[12] U. Hayati, "Clustering Produk Ekspor Indonesia Berdasarkan Tingkat Permintaan Menggunakan Metode K-Means Tahun 2020-2022," Jurnal Sains dan Teknologi, 2023.
[13] B. N. Sari and A. Primajaya, "Penerapan Clustering DBSCAN Untuk Pertanian Padi Di Kabupaten Karawang," Jurnal Informatika, 2019.
[14] R. Adha, N. Nurhaliza, and U. Soleha, "Perbandingan Algoritma DBSCAN Dan K-Means Clustering Untuk Pengelompokan Kasus Covid-19 Di Dunia," Jurnal Sains, Teknologi dan Industri, vol. 18, no. 2, pp. 206–211, 2021.
[15] M. M. Putri, C. Dewi, E. P. Siam, G. A. Wijayanti, N. Aulia, and R. Nooraeni, "Comparison Of DBSCAN And K-Means Clustering For Grouping The Village Status In Central Java 2020," Jurnal Matematika, Tunas Bangsa, vol. 17, no. 3, pp. 394–404, 2021, doi: 10.20956/j.v17i3.11704.
[16] D. Armiady, "Analisis Metode DBSCAN (Density-Based Spatial Clustering Of Application With Noise) Dalam Mendeteksi Data Outlier," JURIKOM (Jurnal Riset Komputer), vol. 9, no. 6, p. 2158, Dec. 2022, doi: 10.30865/jurikom.v9i6.5080.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Journal of Information System Management (JOISM)
This work is licensed under a Creative Commons Attribution 4.0 International License.
