Melola Discovery

← Melola Discovery

Akses terbuka Jurnal Tanpa peringkat SINTA

Bicluster CC Algoritm Analysis to Identify Patterns of Food Insecurity in Indonesia

Analisis Bicluster Algoritma CC untuk Mengidentifikasi Pola Rawan Pangan di Indonesia

Jurnal Matematika, Statistika dan Komputasi · Vol. 17 No. 2 (2020) · hlm. 325–338

DOI
10.20956/jmsk.v17i2.12057
ISSN
2614-8811, 1858-1382
Terbit
2020-12-23
Penerbit
Department of Mathematics, Hasanuddin University
Bahasa
en
Lisensi
creativecommons.org/licenses/by/4.0

Abstrak

Inggris

Indonesia is known as an agricultural country. This means that most of the population work in the agricultural sector related to food. However, food insecurity still occurs in Indonesia. With the COVID-19 pandemic, the Food and Agriculture Organization (FAO) stated that there was a threat of food scarcity which had an impact on food insecurity conditions. This would undermine the second goal of the SDGs, which is to end hunger and create sustainable agriculture. The purpose of this study was to determine the spatial pattern of food insecurity in each province in Indonesia using the bicluster method. The data used are data from Susenas and Sakernas by BPS in 2019. Several studies show that the bicluster method with the CC algorithm shows that each province group has a different characteristic pattern. In the bicluster approach, the researcher runs parameter tuning to select the best parameter based on the Mean Square Residual in Volume (MSR / V). The CC algorithm tries to get a bicluster with a low MSR value, therefore the best parameter is the one that produces the smallest MSR / V value, in this study the smallest MSR / V is 0,01737 with δ = 0,01. The application of the CC biclustering algorithm to the food insecurity structure in Indonesia results in 5 bicluster. Bicluster 1 consists of 15 provinces with 8 variables, Bicluster 2 consists of 10 provinces with 5 variables, Bicluster 3 consists of 3 provinces with 7 variables, Bicluster 4 consists of 4 provinces with 4 variables and Bicluster 5 consists of 2 provinces with 5 variables. Biculster 4 represents a cluster of food insecurity areas with the characteristics of the bicluster P0, P1, P2 and calorie consumption of less than 1400 KKAL.

Bahasa Indonesia

Indonesia dikenal sebagai negara agraris. Artinya, sebagian besar penduduknya bekerja di sektor pertanian yang berkaitan dengan pangan. Namun kerawanan pangan masih terjadi di Indonesia. Adanya pandemi COVID-19, Organisasi Pangan dan Pertanian (FAO) menyatakan adanya ancaman kelangkaan pangan yang berimbas kepada kondisi rawan pangan. Hal tersebut akan mengganggu tujuan kedua SDGs yaitu untuk mengakhiri kelaparan dan menciptakan pertanian berkelanjutan. Tujuan penelitian ini untuk mengetahui pola kerawanan pangan di setiap Provinsi di Indonesia secara spasial dengan menggunakan metode bicluster. Data yang digunakan adalah data dari Susenas dan Sakernas oleh BPS tahun 2019. Beberapa hasil studi menunjukkan bahwa dengan metode bicluster dengan algoritma CC terlihat setiap kelompok Provinsi memiliki pola karakteristik yang berbeda-beda. Pada pendekatan bicluster, peneliti menjalankan tuning parameter untuk memilih parameter terbaik berdasarkan Mean Square Residual dalam volume (MSR / V). Algoritma CC berusaha mendapatkan bicluster dengan nilai MSR yang rendah, oleh karena itu parameter yang terbaik adalah yang menghasilkan nilai MSR/V terkecil, dalam penelitian ini MSR/V terkecil 0,01737 dengan δ=0.01. Penerapan algoritma CC biclustering pada struktur kemiskinan di Indonesia menghasilkan 5 bicluster. Bicluster 1 Terdiri dari 15 Provinsi dengan 8 Variabel, Bicluster 2 terdiri dari 10 Provinsi dengan 5 Variabel, Bicluster 3 terdiri dari 3 Provinsi dengan 7 Variabel, Bicluster 4 terdiri dari 4 Provinsi dengan 4 Variabel dan Bicluster 5 terdiri dari 2 Provinsi dengan 5 variabel. Variabel P0, P1 dan P2, sebagai pengukuran kerawanan pangan absolut termasuk dalam semua bicluster.

Kata kunci

Jaringan kolaborasi para penulis

7 penulis · 13 tautan kepenulisan bersama · 8 lintas organisasi

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Universitas Muhammadiyah Malang
  • Institut Teknologi Sepuluh Nopember
  • IPB University
  • De Montfort University
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Sofyan ArifiantoUniversitas Muhammadiyah Malang1
Wildan SuharsoUniversitas Muhammadiyah Malang1
Dani HarmantoDe Montfort University1
Hardianto WibowoUniversitas Muhammadiyah Malang1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://journal.unhas.ac.id/index.php/jmsk/oai, pertama di-harvest 5 Nov 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en">Bicluster CC Algoritm Analysis to Identify Patterns of Food Insecurity in Indonesia</dc:title>
	<dc:title xml:lang="id">Analisis Bicluster Algoritma CC untuk Mengidentifikasi Pola Rawan Pangan di Indonesia</dc:title>
	<dc:creator xml:lang="en">Novidianto, Raditya</dc:creator>
	<dc:creator xml:lang="en">Irfani, Rini</dc:creator>
	<dc:creator xml:lang="id">Irfani, Rini</dc:creator>
	<dc:subject xml:lang="en">Biclustering</dc:subject>
	<dc:subject xml:lang="en">CC</dc:subject>
	<dc:subject xml:lang="en">Algoritm</dc:subject>
	<dc:subject xml:lang="en">Food Insecurity</dc:subject>
	<dc:description xml:lang="en">Indonesia is known as an agricultural country. This means that most of the population work in the agricultural sector related to food. However, food insecurity still occurs in Indonesia. With the COVID-19 pandemic, the Food and Agriculture Organization (FAO) stated that there was a threat of food scarcity which had an impact on food insecurity conditions. This would undermine the second goal of the SDGs, which is to end hunger and create sustainable agriculture. The purpose of this study was to determine the spatial pattern of food insecurity in each province in Indonesia using the bicluster method. The data used are data from Susenas and Sakernas by BPS in 2019. Several studies show that the bicluster method with the CC algorithm shows that each province group has a different characteristic pattern. In the bicluster approach, the researcher runs parameter tuning to select the best parameter based on the Mean Square Residual in Volume (MSR / V). The CC algorithm tries to get a bicluster with a low MSR value, therefore the best parameter is the one that produces the smallest MSR / V value, in this study the smallest MSR / V is 0,01737 with δ = 0,01. The application of the CC biclustering algorithm to the food insecurity structure in Indonesia results in 5 bicluster. Bicluster 1 consists of 15 provinces with 8 variables, Bicluster 2 consists of 10 provinces with 5 variables, Bicluster 3 consists of 3 provinces with 7 variables, Bicluster 4 consists of 4 provinces with 4 variables and Bicluster 5 consists of 2 provinces with 5 variables. Biculster 4 represents a cluster of food insecurity areas with the characteristics of the bicluster P0, P1, P2 and calorie consumption of less than 1400 KKAL.</dc:description>
	<dc:description xml:lang="id">Indonesia dikenal sebagai negara agraris. Artinya, sebagian besar penduduknya bekerja di sektor pertanian yang berkaitan dengan pangan. Namun kerawanan pangan masih terjadi di Indonesia. Adanya pandemi COVID-19, Organisasi Pangan dan Pertanian (FAO) menyatakan adanya ancaman kelangkaan pangan yang berimbas kepada kondisi rawan pangan. Hal tersebut akan mengganggu tujuan kedua SDGs yaitu untuk mengakhiri kelaparan dan menciptakan pertanian berkelanjutan. Tujuan penelitian ini untuk mengetahui pola kerawanan pangan di setiap Provinsi di Indonesia secara spasial dengan menggunakan metode bicluster. Data yang digunakan adalah data dari Susenas dan Sakernas oleh BPS tahun 2019. Beberapa hasil studi menunjukkan bahwa dengan metode bicluster dengan algoritma CC terlihat setiap kelompok Provinsi memiliki pola karakteristik yang berbeda-beda. Pada pendekatan bicluster, peneliti menjalankan tuning parameter untuk memilih parameter terbaik berdasarkan Mean Square Residual dalam volume (MSR / V). Algoritma CC berusaha mendapatkan bicluster dengan nilai MSR yang rendah, oleh karena itu parameter yang terbaik adalah yang menghasilkan nilai MSR/V terkecil, dalam penelitian ini MSR/V terkecil 0,01737 dengan δ=0.01. Penerapan algoritma CC biclustering pada struktur kemiskinan di Indonesia menghasilkan 5 bicluster. Bicluster 1 Terdiri dari 15 Provinsi dengan 8 Variabel, Bicluster 2 terdiri dari 10 Provinsi dengan 5 Variabel, Bicluster 3 terdiri dari 3 Provinsi dengan 7 Variabel, Bicluster 4 terdiri dari 4 Provinsi dengan 4 Variabel dan Bicluster 5 terdiri dari 2 Provinsi dengan 5 variabel. Variabel P0, P1 dan P2, sebagai pengukuran kerawanan pangan absolut termasuk dalam semua bicluster.</dc:description>
	<dc:publisher xml:lang="en">Department of Mathematics, Hasanuddin University</dc:publisher>
	<dc:date>2020-12-23</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unhas.ac.id/index.php/jmsk/article/view/12057</dc:identifier>
	<dc:identifier>10.20956/jmsk.v17i2.12057</dc:identifier>
	<dc:source xml:lang="en">Jurnal Matematika, Statistika dan Komputasi; Vol. 17 No. 2 (2021): JANUARY 2021; 325-338</dc:source>
	<dc:source>2614-8811</dc:source>
	<dc:source>1858-1382</dc:source>
	<dc:language>en</dc:language>
	<dc:relation>https://journal.unhas.ac.id/index.php/jmsk/article/view/12057/6182</dc:relation>
	<dc:relation>10.20956/j.v17i2.12057.g6182</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2020 Author and publisher</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by/4.0</dc:rights>
</oai_dc:dc>