SISTEM PENUNJANG KEPUTUSAN DAN TEKNIK DATA MINING UNTUK PENENTUAN WILAYAH PENERIMA BANTUAN

Transkripsi

1 SISTEM PENUNJANG KEPUTUSAN DAN TEKNIK DATA MINING UNTUK PENENTUAN WILAYAH PENERIMA BANTUAN Ahlihi Masruro 1) 1) Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta masruro@gmail.com 1) Abstrak Bencana merupakan hal yang tidak bisa dihindari bila menimpa suatu wilayah, namun dampak yang akan dirasakan oleh masyarakat yang terkena bencana akan sangat terasa. Bantuan adalah hal pertama yang akan diharapakan oleh masyarakat. Namun bila distribusi bantuan mengalami kendala maka akan berdampak luas bukan saa pada sektor materiil tapi uga pada sektor sosial. Karena itu dibutuhkan suatu sarana penyedia informasi yang akurat yang dapat memberikan informasi wilayah mana saa yang akan menerima bantuan terlebih dahulu. Informasi tersebut dapat di sediakan oleh sebuah sistem penunang keputusan. Dengan metode TOPSIS akan memberikan daftar urutan calon penerima bantuan. Kata kunci: Data Mining, Sistem Pendukung Keputusan, TOPSIS, KMeans 1. Pendahuluan Ketika sebuah bencana melanda suatu wilayah maka permasalahan pertama yang akan muncul adalah bagaimana menyelamatkan warga ataupun harta yang mungkin masih bisa diselamatkan. Setelah itu akan muncul permasalahan berikutnya yaitu kebutuhan para korban akan adanya bantuan yang diberikan. Ketika bantuan itu datang dan umlah yang diberikan begitu melimpah, masalah distribusi bantuan yang benarbenar tepat sesuai dengan yang diharapkan menadi suatu hal yang sangat menentukan. Harapan adalah bantuan yang diberikan tepat pada penerima dan sesuai dengan yang dibutuhkan. Selama ini banyak teradi distribusi bantuan yang tidak tepatsasaran dan tidak tepat kebutuhan. Sehingga ada beberapa penerima bantuan yang merasakan bantuan kurang padahal yang didapat telah berlebihan. Di sisi lain ada daerah yang lebih memerlukan bantuan yang berlebih tersebuat. Atau dimungkinkan teradinya suatu daerah yang harus menadi prioritas dibandingkan dengan daerah yang lain. Karena itu dibutuhkan suatu sistem yang dapat memberikan informasi skala prioritas dari beberapa daerah penerima bantuan dengan penentuan beberapa parameter atau kreteria. Nilai yang digunakan untuk menghitung tersebut diolah terlebih dulu menggunakan sebuah teknik data mining. Dengan penggabungan methode data mining dan DSS diharapkan dapat memberikan informasi yang lebih akurat sesuai dengan yang duharapakan pihak pengambil keputusan [].. Pembahasan Dalam penentuan penerima bantuan korban bencana variabel yang menadi penghitungan adalah umlah KK, umlah iwa serta ratarata pendapatan. Adapun alur dari sistem penunang keputusan ini (Gambar 1), dimulai dengan menginputkan data kondisi pendududk sebelum teradi bencana. Kemudian dari data tersebut diambil data tentang umlah kk, umlah penduduk dan rerata pendapatan. Dari ketiga variabel tersebut dilakukan penghitungan atau pengelompokan dengan menggunakan metode KMeans Clustering, sehingga didapatkan nilai penempatan alternatif dalam cluster berapa. Dari hasil nilai tersebut kemudian dilanutkan dengan penentuan urutan dengan menggunakan metode TOPSIS untuk mendapatkan informasi peringkat. Gambar 1.Flowchart sistem a. Pengelompokan dengan menggunakan KMeans Clustering KMeans Clustering digunakan untuk mengelompokkan beberapa data untuk mendapatkan kelompok yang memiliki kesamaan setiap kelompok tetapi memiliki perbedaan yang mencolok untuk setiap kelompoknya [4]. Adapun langkah penghitungan atau pengelompokan menggunakan metode KMeans Clustering seperti terlihat pada gambar..0413

2 Step1 : Menentukan banyak Kcluster yang ingin dibentuk. Step : Membangkitkan nilai random untuk pusat cluster awal (centroid) sebanyak k. Step3 : Menghitung arak setiap data input terhadap masingmasing centroid menggunakan rumus arak Eucledian (Eucledian Distance) hingga ditemukan arak yang paling dekat dari setiap data dengan centroid. Berikut adalah persamaan Eucledian Distance: d( x i, ) ( xi )...(1) Step 4 : Mengklasifikasikan setiap data berdasarkan kedekatannya dengan centroid (arak terkecil). Step 5 : Mengupdate nilai centroid. Nilai centroid baru diperoleh dari ratarata cluster yang bersangkutan dengan menggunakan rumus: 1 ( t 1) x N S S...() dimana: (t+1) = centroid baru pada iterasi ke (t+1), N S = banyak data pada cluster S Step 6 : Melakukan perulangan dari langkah hingga 5 hingga anggota tiap cluster tidak ada yang berubah. Step 7 : Jika langkah 6 telah terpenuhi, maka nilai ratarata pusat cluster ( ) pada iterasi terakhir akan digunakan sebagai parameter untuk Radial Basis Function yang ada di hidden layer [5]. 1 ( t 1) N S S x ( t 1) Gambar. Flowchart KMeans [1] Maka ika data yang kita peroleh seperti pada tabel 1, maka akan dihitung cluster untuk tiap kreteria Tabel 1. Tabel kondisi kependudukan KK Warga DS RataRata Pendapatan* KK Warga DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS *dalam ribu rupiah Hasil pengclusterannya adalah: cluster yang digunakan adalah 4 RataRata Pendapatan*.0414

3 Tabel. Cluster KK Cluster DS01 DS0 DS03 DS04 DS05 DS06 DS07 DS08 DS09 DS10 DS11 DS1 DS13 DS14 DS15 DS16 DS17 DS18 DS19 DS0 DS1 DS DS3 DS4 DS5 DS6 DS7 DS8 DS9 DS30 DS31 DS3 DS33 DS34 DS35 DS36 DS37 DS38 DS39 DS40 Tabel 3. Cluster Penduduk Cluster DS01 DS0 DS03 DS04 DS05 DS06 DS07 DS08 DS09 DS10 DS11 DS1 DS13 DS14 DS15 DS16 DS17 DS18 DS19 DS0 DS1 DS DS3 DS4 DS5 DS6 DS7 DS8 DS9 DS30 DS31 DS3 DS33 DS34 DS35 DS36 DS37 DS38 DS39 DS

4 Tabel 4. Cluster Pendapatan Cluster DS01 DS0 DS03 DS04 DS05 DS06 DS07 DS08 DS09 DS10 DS11 DS1 DS13 DS14 DS15 DS16 DS17 DS18 DS19 DS0 DS1 DS DS3 DS4 DS5 DS6 DS7 DS8 DS9 DS30 DS31 DS3 DS33 DS34 DS35 DS36 DS37 DS38 DS39 DS40 b. Penentuan rangking Secara umum, prosedur TOPSIS mengikuti langkahlangkah sebagai berikut: 1. Membuat matriks keputusan yang ternormalisasi;. Membuat matriks keputusan yang ternormalisasi terbobot; 3. Menentukan matriks solusi ideal positif dan matriks solusi ideal negatif; 4. Menentukan arak antara nilai setiap alternatif dengan matriks solusi ideal positif dan matriks solusi ideal negatif; 5. Menentukan nilai preferensi untuk setiap alternatif. TOPSIS membutuhkan rating kera setiap alternatif A i pada setiap kriteria C yang ternormalisasi x i r i =.(3) m i 1 x i dengan i=1,,...,m; dan =1,,...,n; r i = matriks ternormalisasi [i][] x i = matriks keputusan [i][] Solusi ideal positif A + dan solusi ideal negatif A dapat ditentukan berdasarkan rating bobot ternormalisasi (y i ) sebagai : y i = wi.ri ; dengan i=1,,...,m; dan =1,,...,n; A + = (y + 1, y +,..., y + n ); A = (y 1, y,..., y n ); y i = matriks ternormalisasi terbobot [i][] w i = vektor bobot[i] dari proses AHP + y = max y i, ika adalah atribut keuntungan dan y = min y i, ika adalah atribut biaya = 1,,...,n Jarak antara alternatif A i dengan solusi ideal positif : D i + = n i1 ( y i y i )..(4) i=1,,...,m D + i = arak alternatif Ai dengan solusi ideal positif + y i = solusi ideal positif[i] y i = matriks normalisasi terbobot[i][] Jarak antara alternatif A i dengan solusi ideal negatif : D i = n 1 i ( y i y )..(5) i=1,,...,m D i = arak alternatif Ai dengan solusi ideal negatif y i = solusi ideal positif[i] y i = matriks normalisasi terbobot[i][].0416

5 Nilai preferensi untuk setiap alternatif (V i ) dapat dilihat pada rumus (.11). Di Vi =..(6) D i D i i=1,,...,m V i = kedekatan tiap alternatif terhadap solusi ideal D + i = arak alternatif Ai dengan solusi ideal positif D i = arak alternatif Ai dengan solusi ideal negatif Nilai V i yang lebih besar menunukkan bahwa alternatif A i lebih dipilih [3]. Dari hasil penghitungan KMeans maka didapatkan tabel distribusi nilai baru untuk tiap sebagai berikut: KK Jiwa Pendapatan DS DS DS DS DS DS DS DS DS DS Tabel 5. Nilai Kreteria KK Jiwa Pendapatan DS01 3 DS0 1 1 DS DS DS05 DS DS DS DS DS10 3 DS DS DS DS DS15 4 DS16 4 DS DS DS DS DS DS DS3 3 3 DS4 4 4 DS5 3 3 DS6 3 3 DS DS8 1 1 DS9 4 4 DS Penghitungan TOPSIS berikutnya adalah menentukan terlebih dahulu bobot tiap kreteria, kemudian menentukan kreteria yang menadi faktor biaya atau manfaat, untuk faktor biaya maka kita mengambil nilai yang sekecilkecilnya, adapun untuk faktor manfaat kita mengambil nilai yang sebesarnya. Dalam contoh kasus ini kita menentukan faktor Pendapatan menadi faktor biaya maka kita menentukan nilai biaya yang sekecilnya, adapun faktor yang lain adalah faktor manfaat sehingga diambil nilai yang sebesarnya. Maka nilai bobotnya ditentukan KK = 3, Jiwa = 4 dan Pendapatan = 1. Maka ketika dilakukan penghitungan didapatkan hasil sebagai berikut Tabel 6. Hasil peringkingan Nilai DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS3.0417

6 Nilai DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS DS37 [] Amir Hossein Azadniaa, Pezhman Ghadimib, Mohammad Molani Aghdama, A Hybrid Model of Data Mining and MCDM Methods for Estimating Customer Lifetime Value, Proceedings of the 41st International Conference on Computers & Industrial Engineering, 011 [3] Kusrini, Konsep dan Aplikasi Sistem Pendukung Keputusan, ANDI Yogyakarta, 007 [4] Mir. B. Aryanezhad, M.J. Tarokh, M.N. Mokhtarian & F. Zaheri, A Fuzzy TOPSIS Method Based on Left and Right Scores, International Journal Of Industrial Enginering & Production Research, 011 [5] Sri Kusumadewi, Sri Hartati, Agus Haroko, Retantyo Wardoyo, Fuzzy MultiAttribut Decision Making, Graha Ilmu Yogyakarta, 006 Biodata Penulis Ahlihi Masruro,memperoleh gelar Sarana Komputer (S.Kom), Jurusan Teknik Informatika STMIK AMIKOM Yogyakarta, lulus tahun 006. Sedang menempuh program pasca sarana Megister Teknik Informatika di STMIK AMIKOM Yogyakarta. Saat ini menadi Dosen di STMIK AMIKOM Yogyakarta. 3. Kesimpulan Dari hasil yang diberikan menunukkan bahwa SPK penentuan penerima bantuan dapat memberikan masukan pada pengambil keputusan untuk menentukan prioritas penerima bantuan. Dalam penentuan kreteria yang menadi faktor biaya ataupun keuntungan dapat ditentukan oleh user, sehingga dalam beberapa kasus dapat menampilkan hasil yang berbeda Dalam penelitian ini hanya dibahas clustering untuk tiga variabel atau kreteria, dimungkinkan untuk penelitian lebih lanut tidak hanya menggunakan metode clustering, karena ada beberapa data yang bersifat kwalitatif, sehingga metode data mining yang digunakan bisa lebih bervariasi Daftar Pustaka [1] Agus Sasmito Aribowo, EElearning Cerdas Dengan Personalisasi Menggunakan Teknik Data Mining Dan Decision Support System, Seminar Nasional Informatika 010 (semnasif 010).0418