Klasterisasi Sektor Pertanian Produk Domestik Regional Bruto (PDRB) Menurut Lapangan Usaha untuk Perencanaan Wilayah Berkelanjutan di Indonesia

Ayub Sahala Gultom; Nicea Roona Paranoan; Caecilia Bintang Girik Allo; Lolita Tuhumena

doi:10.14710/tataloka.28.2.105-120

DOI: https://doi.org/10.14710/tataloka.28.2.105-120

Klasterisasi Sektor Pertanian Produk Domestik Regional Bruto (PDRB) Menurut Lapangan Usaha untuk Perencanaan Wilayah Berkelanjutan di Indonesia

*Ayub Sahala Gultom - Program Studi Planologi, Universitas Cenderawasih, Indonesia

Nicea Roona Paranoan - Program Studi Statistika, Universitas Cenderawasih, Indonesia

Caecilia Bintang Girik Allo - Program Studi Statistika, Universitas Cenderawasih, Indonesia

Lolita Tuhumena - Program Studi Ilmu Perikanan, Universitas Cenderawasih, Indonesia

under http://creativecommons.org/licenses/by-nc-sa/4.0/.

BibTex Citation Data :

@article{tataloka29207,
    author = {Ayub Gultom and Nicea Paranoan and Caecilia Allo and Lolita Tuhumena},
    title = {Klasterisasi Sektor Pertanian Produk Domestik Regional Bruto (PDRB) Menurut Lapangan Usaha untuk Perencanaan Wilayah Berkelanjutan di Indonesia},
    journal = {TATALOKA},
  volume = {28},
    number = {2},
    year = {2026},
    keywords = {klasterisasi; K-Means; Hierarchical Clustering; place-based, policy},
    abstract = { Pembangunan wilayah berkelanjutan memerlukan pemetaan struktur ekonomi regional yang komprehensif, terutama pada sektor primer di bidang pertanian yang menjadi basis utama perekonomian di banyak provinsi Indonesia. Penelitian ini bertujuan mengklasterisasi sektor pertanian Produk Domestik Regional Bruto (PDRB) menurut lapangan usaha guna mengidentifikasi pola dan karakteristik pertumbuhan antar wilayah. Data diambil dari publikasi Statistik Nilai Tukar Petani BPS, mencakup subsektor tanaman pangan, hortikultura, perkebunan, peternakan, dan perikanan, dianalisis menggunakan metode K-Means dan Hierarchical. Evaluasi dengan Davies-Bouldin Index (DBI) menunjukkan K-Means lebih unggul (DBI 0,17) dibandingkan Hierarchical (DBI 1,36), menandakan klaster yang lebih kompak dan terpisah jelas. Hasil analisis menghasilkan empat klaster utama: dua klaster berorientasi ekspor melalui perkebunan dan perikanan, serta dua lainnya fokus pada subsektor pangan dan hortikultura dengan diversifikasi seimbang. Empat klaster ini dinilai paling bermakna secara konseptual dan kebijakan karena mencerminkan tipologi struktural utama ekonomi primer Indonesia. Pembagian tersebut konsisten dengan teori regional differentiation dan place-based development, yang menekankan pentingnya keunggulan komparatif lokal dalam perencanaan pembangunan. Setiap klaster merepresentasikan arah kebijakan berbeda penguatan ekspor, ketahanan pangan, diversifikasi pedesaan, dan keberlanjutan lingkungan. Hasil penelitian ini yaitu berupa klasterisasi dapat digunakan sebagai place based policy untuk mendorong pertumbuhan inklusif, memperkuat ketahanan pangan, mengembangkan ekspor berbasis sumber daya lokal, serta mendukung pengelolaan sumber daya alam secara berkelanjutan. Pendekatan ini memperkuat dasar empiris bagi pengambilan keputusan pembangunan wilayah, sehingga strategi pembangunan dapat disesuaikan dengan karakteristik spesifik tiap provinsi, sekaligus mendorong tercapainya target SDGs terkait ekonomi, pengentasan kemiskinan, dan pembangunan berkelanjutan },
   issn = {2356-0266},   pages = {105--120}  doi = {10.14710/tataloka.28.2.105-120},
    url = {https://ejournal2.undip.ac.id/index.php/tataloka/article/view/29207}
}

Citation Format:

Abstract

Pembangunan wilayah berkelanjutan memerlukan pemetaan struktur ekonomi regional yang komprehensif, terutama pada sektor primer di bidang pertanian yang menjadi basis utama perekonomian di banyak provinsi Indonesia. Penelitian ini bertujuan mengklasterisasi sektor pertanian Produk Domestik Regional Bruto (PDRB) menurut lapangan usaha guna mengidentifikasi pola dan karakteristik pertumbuhan antar wilayah. Data diambil dari publikasi Statistik Nilai Tukar Petani BPS, mencakup subsektor tanaman pangan, hortikultura, perkebunan, peternakan, dan perikanan, dianalisis menggunakan metode K-Means dan Hierarchical. Evaluasi dengan Davies-Bouldin Index (DBI) menunjukkan K-Means lebih unggul (DBI 0,17) dibandingkan Hierarchical (DBI 1,36), menandakan klaster yang lebih kompak dan terpisah jelas. Hasil analisis menghasilkan empat klaster utama: dua klaster berorientasi ekspor melalui perkebunan dan perikanan, serta dua lainnya fokus pada subsektor pangan dan hortikultura dengan diversifikasi seimbang. Empat klaster ini dinilai paling bermakna secara konseptual dan kebijakan karena mencerminkan tipologi struktural utama ekonomi primer Indonesia. Pembagian tersebut konsisten dengan teori regional differentiation dan place-based development, yang menekankan pentingnya keunggulan komparatif lokal dalam perencanaan pembangunan. Setiap klaster merepresentasikan arah kebijakan berbeda penguatan ekspor, ketahanan pangan, diversifikasi pedesaan, dan keberlanjutan lingkungan. Hasil penelitian ini yaitu berupa klasterisasi dapat digunakan sebagai place based policy untuk mendorong pertumbuhan inklusif, memperkuat ketahanan pangan, mengembangkan ekspor berbasis sumber daya lokal, serta mendukung pengelolaan sumber daya alam secara berkelanjutan. Pendekatan ini memperkuat dasar empiris bagi pengambilan keputusan pembangunan wilayah, sehingga strategi pembangunan dapat disesuaikan dengan karakteristik spesifik tiap provinsi, sekaligus mendorong tercapainya target SDGs terkait ekonomi, pengentasan kemiskinan, dan pembangunan berkelanjutan

Fulltext View|Download Email colleagues

Keywords: klasterisasi; K-Means; Hierarchical Clustering; place-based, policy

Article Metrics:

Article Info

Section: Articles

Language : ID

In Vol 28, No 2 (2026): Volume 28 No. 2 May 2026

Badan Pusat Statistik. (2024). Statistik nilai tukar petani 2024. Badan Pusat Statistik
Bappenas. (2020). Rencana Pembangunan Jangka Menengah Nasional (RPJMN) 2020–2024. Kementerian Perencanaan Pembangunan Nasional
Davies, D. L., & Bouldin, D. W. (1979). A Cluster Separation Measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-1(2), 224–227. https://doi.org/10.1109/TPAMI.1979.4766909
Everitt, B. S., Landau, S., Leese, M., & Stahl, D. (2011). Cluster analysis (5th ed.). Wiley
FAO. (2021). The state of food and agriculture 2021. Food and Agriculture Organization of the United Nations
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann
Hastie, T., Tibshirani, R., & Friedman, J. (2021). The Elements of Statistical Learning (2nd ed.). Springer
IDSS. (2025). Cluster Analysis and Validation Using K-Means and Hierarchical Methods. Institute for Digital Statistical Studies
Jain, A. K. (2010). Data Clustering: 50 Years Beyond K-Means. Pattern Recognition Letters, 31(8), 651–666. https://doi.org/10.1016/j.patrec.2009.09.011
Johnson, R. A., & Wichern, D. W. (2018). Applied Multivariate Statistical Analysis (7th ed.). Pearson
Kaufman, L., & Rousseeuw, P. J. (2009). Finding Groups in Data: An Introduction to Cluster Analysis. Wiley
Kementerian Pertanian Republik Indonesia. (2023). Outlook sektor pertanian Indonesia 2023. Kementerian Pertanian RI
Miles, M. B., Huberman, A. M., & Saldaña, J. (2014). Qualitative Data Analysis: A Methods Sourcebook (3rd ed.). Sage Publications
OECD. (2020). Regional Development Policies in OECD Countries. OECD Publishing
Porter, M. E. (1998). Clusters and the New Economics of Competition. Harvard Business Review Press
Rodríguez-Pose, A., Crescenzi, R., & Di Cataldo, M. (2012). Social and Economic Regional Disparities in the European Union. Environment and Planning A: Economy and Space, 44(6), 1273–1291. https://doi.org/10.1068/a44496
Rousseeuw, P. J. (1987). Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis. Journal of Computational and Applied Mathematics, 20, 53–65. https://doi.org/10.1016/0377-0427(87)90125-7
Todaro, M. P., & Smith, S. C. (2021). Economic Development (13th ed.). Pearson
United Nations. (2015). Transforming Our World: The 2030 Agenda for Sustainable Development. United Nations
Ward, J. H. (1963). Hierarchical Grouping to Optimize an Objective Function. Journal of the American Statistical Association, 58(301), 236–244. https://doi.org/10.1080/01621459.1963.10500845
Widianto, A., Nugroho, S., & Prasetyo, E. (2024). Comparative Analysis of K-Means and Hierarchical Clustering Methods in Regional Economic Classification. Journal of Data Science and Regional Analysis, 8(1), 45–57
World Bank. (2021). Indonesia economic prospects: Boosting the recovery. World Bank
Xu, R., & Wunsch, D. (2009). Clustering. Wiley-IEEE Press
Zhang, T., Ramakrishnan, R., & Livny, M. (1996). BIRCH: An Efficient Data Clustering Method for Very Large Databases. ACM SIGMOD Record, 25(2), 103–114. https://doi.org/10.1145/235968.233324

Last update:

No citation recorded.

Last update:

No citation recorded.

under http://creativecommons.org/licenses/by-nc-sa/4.0/.

Authors who publish in the Tataloka retain full copyright ownership (Copyright@Author) of their work. In keeping with the journal’s commitment to open access, all articles are published under the terms of the Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0).