Penerapan Metode Dua Tingkat dengan DTW-SOM dan AHC terhadap Penggerombolan Provinsi Berdasarkan Harga Telur

Abstract

Telur ayam ras yang merupakan komoditas pangan penting di Indonesia memiliki disparitas harga antar provinsi dan fluktuasi harga yang tinggi. Permasalahan tersebut dapat dipengaruhi oleh faktor seperti biaya produksi, distribusi, dan pola konsumsi. Penelitian ini mengaplikasikan metode penggerombolan dua tingkat menggunakan DTW-SOM dan AHC untuk menggerombolkan provinsi berdasarkan pola perubahan harga telur ayam ras. Pada tingkat pertama, DTW-SOM memetakan provinsi berdasarkan kemiripan tingkat dan pola pergerakan harga, sementara tingkat kedua dengan AHC bertujuan memperoleh gerombol optimal. Hyperparameter tuning dengan Optuna dilakukan untuk menghasilkan kinerja penggerombolan optimal. Data yang berasal dari website PIHPS mencakup harga telur ayam ras tingkat konsumen harian per kilogram dari 104 kota/kabupaten di 34 provinsi Indonesia. Data diubah menjadi rata-rata harga telur ayam ras mingguan per provinsi untuk dapat digunakan dalam proses penggerombolan. Hasil penelitian menunjukkan bahwa kombinasi ukuran grid dan hyperparameter yang dioptimalkan menghasilkan kualitas penggerombolan terbaik dengan koefisien silhouette 0,52 dan indeks Dunn 0,34. Penelitian ini menghasilkan empat gerombol dengan karakteristik masing-masing gerombol adalah: (1) harga telur rendah, (2) harga telur sedang, (3) lonjakan harga tinggi, dan (4) harga telur tinggi.

Broiler chicken eggs, an essential food commodity in Indonesia, have price disparities between provinces and high price fluctuations. These issues can be influenced by factors such as production costs, distribution, and consumption patterns. This study applies a two-level clustering method using DTW-SOM and AHC to cluster provinces based on broiler chicken egg price change patterns. At the first level, DTW-SOM maps provinces based on similarity in price movement levels and patterns, while the second level, with AHC, aims to obtain optimal clusters. Hyperparameter tuning with Optuna is performed to produce optimal clustering performance. The data from the PIHPS website includes daily consumer prices of broiler chicken eggs per kilogram from 104 cities/districts in 34 provinces in Indonesia. The data was converted into weekly average broiler chicken egg prices per province for use in the clustering process. The study results show that the combination of grid size and optimized hyperparameters produces the best clustering quality with a silhouette coefficient of 0.52 and a Dunn index of 0.34. This study produced four clusters, with the characteristics of each cluster being as follows: (1) low egg prices, (2) moderate egg prices, (3) high price spikes, and (4) high egg prices.