ANALISIS KOMPARASI K-MEANS DAN K-MEDOIDS DALAM PEMETAAN WILAYAH PRIORITAS DISTRIBUSI BBM BERSUBSIDI SUMATERA UTARA

Authors

  • Ade Iskandar Universitas Pembangunan Panca Budi
  • Aradi Sebayang Universitas Pembangunan Panca Budi
  • Tengku Didi Ferdillah Universitas Pembangunan Panca Budi
  • Toni Prabowo Universitas Pembangunan Panca Budi
  • Muhammad Fuad Hafiz Universitas Pembangunan Panca Budi
  • Muhammad Zainal Arifin Pohan Universitas Pembangunan Panca Budi
  • Muhammad Syahputra Novelan Universitas Pembangunan Panca Budi

DOI:

https://doi.org/10.54314/jssr.v9i3.6220

Keywords:

K-Means, K-Medoids, BBM Bersubsisdi, Clustering, Sumatera Utara

Abstract

Abstract: The inequality in the distribution of subsidized fuel (BBM) is a strategic issue in North Sumatra Province, influenced by the volume of motorcycles, cars, buses, and trucks across 33 Regencies/Cities. This research aims to map priority distribution areas using clustering techniques by comparing the performance of the K-Means and K-Medoids algorithms. Real data on the number of vehicles from 2025, sourced from BPS North Sumatra Province, serves as the primary variable. Evaluation results using the Silhouette Score indicate that the K-Means algorithm demonstrates superior performance with a score of 0.63, compared to K-Medoids which only reached 0.09. K-Means successfully identified Medan City as an extreme outlier requiring independent distribution policies, whereas K-Medoids experienced overlap among smaller regional clusters. These findings provide empirical recommendations for policymakers to ensure that subsidized fuel quota allocations are more accurately targeted.

Keywords: K-Means; K-Medoids; Subsidized Fuel; Clustering; North Sumatra.

 

Abstrak: Ketimpangan distribusi Bahan Bakar Minyak (BBM) bersubsidi merupakan isu strategis di Provinsi Sumatera Utara yang dipengaruhi oleh volume kendaraan motor, mobil, bus, dan truk di 33 Kabupaten/Kota. Penelitian ini bertujuan memetakan wilayah prioritas distribusi menggunakan teknik clustering dengan membandingkan performa algoritma K-Means dan K-Medoids. Data riil jumlah kendaraan tahun 2025 dari BPS Provinsi Sumatera Utara digunakan sebagai variabel utama. Hasil evaluasi menggunakan Silhouette Score menunjukkan bahwa algoritma K-Means memiliki performa lebih unggul dengan skor 0,63 dibandingkan K-Medoids yang hanya mencapai 0,09. K-Means berhasil mengidentifikasi Kota Medan sebagai extreme outlier yang memerlukan kebijakan distribusi mandiri, sementara K-Medoids mengalami tumpang tindih (overlap) pada klaster daerah kecil. Temuan ini memberikan rekomendasi empiris bagi pengambil kebijakan agar alokasi kuota BBM subsidi lebih tepat sasaran.

Kata kunci: K-Means; K-Medoids; BBM Bersubsidi; Clustering; Sumatera Utara.

Downloads

Download data is not yet available.

References

BPS Provinsi Sumatera Utara, "Jumlah Kendaraan Bermotor Menurut Kabupaten/Kota dan Jenis Kendaraan di Provinsi Sumatera Utara (unit), 2025," 2025. (Online). Available: sumut.bps.go.id

S. Sutiono, R. F. Wijaya, and M. S. Novelan, "Analisis pengelompokan jadwal mengajar guru menggunakan metode K-Means clustering," Jurnal Sistem Informasi, vol. 4, no. 1, 2025.

S. N. S. Sitinur and Z. Sitorus, "Implementasi data mining untuk clustering produktivitas bawang merah menggunakan metode K-Means," Jurnal Teknologi Informasi, 2024.

D. Apriandi, R. M. Sari, and M. I. Sarif, "Analisis clustering untuk menentukan siswa berprestasi menggunakan metode K-Means," Jurnal Riset Komputer, 2024.

A. Masruriyah, K. N. Malik, and Mardiah, "Studi komparatif algoritma K-Means dan K-Medoids untuk segmentasi informasi kesehatan," Jurnal Informatika, 2025.

I. P. A. Vidyananta and K. T. Dermawan, "Perbandingan algoritma K-Means dan K-Medoids dalam pengelompokan provinsi berdasarkan indikator pendidikan dasar," Jurnal Sains Data, 2024.

G. R. Pratiwi, et al., "Klasterisasi tingkat kemiskinan kabupaten/kota di Indonesia menggunakan algoritma K-Means dan K-Medoids," Jurnal Statistika, 2024.

H. A. Ulvi and M. Ikhsan, "Comparison of K-Means and K-Medoids clustering algorithms for export-import grouping in Indonesia," International Journal of Data Science, 2024.

S. M. Sabrina and T. H. Setiawan, "Clustering provinsi Indonesia berdasarkan IPM menggunakan K-Medoids," Jurnal Matematika dan Aplikasi, 2025.

I. Mujahidin and S. H. Hasanah, "Comparative analysis of K-Means, K-Medoids, and Fuzzy C-Means for clustering provinces in Indonesia based on rice production," 2024.

N. Dwitiyanti, S. A. Kumala, and S. D. Handayani, "Comparative study of clustering algorithms (K-Means & K-Medoids)," Jurnal Komputer dan Informatika, 2024.

G. A. Pambudhi, A. Homaidi, and F. Santoso, "Komparasi K-Means dan K-Medoids dalam klasterisasi wilayah rawan bencana," 2024.

G. Nurcahya, A. Wibowo, and D. Kristanto, "Perbandingan K-Means dan K-Medoids dalam klasterisasi kriminalitas wilayah," 2023.

I. M. Karo Karo, et al., "K-Means and K-Medoids comparison for clustering forest fire location," Journal of Algorithms, 2023.

M. Wahyudi, S. Solikhun, L. Pujiastuti, and G. W. Weber, "New approach K-Medoids clustering based on Chebyshev distance with quantum computing," Scientific Reports, 2025.

N. Nafiiyah, et al., "K-Means Clustering for Data-Driven Traffic Accident in East Java," Journal of Engineering and Technology, 2025.

Downloads

Published

2026-06-08

Issue

Vol. 9 No. 3 (2026): June 2026

Section

Artikel

License

Copyright (c) 2026 Ade Iskandar, Aradi Sebayang, Tengku Didi Ferdillah, Toni Prabowo, Muhammad Fuad Hafiz, Muhammad Zainal Arifin Pohan, Muhammad Syahputra Novelan

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Most read articles by the same author(s)