IMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING DATA PENDUDUK MISKIN DENGAN PENYAJIAN REALTIME BERBASIS WEB MOBILE

Ukuran: px

Mulai penontonan dengan halaman:

Download "IMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING DATA PENDUDUK MISKIN DENGAN PENYAJIAN REALTIME BERBASIS WEB MOBILE"

Liana Budiaman
6 tahun lalu
Tontonan:

1 IMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING DATA PENDUDUK MISKIN DENGAN PENYAJIAN REALTIME BERBASIS WEB MOBILE 1 Ahsan Anwar Sandiah, 2 Abdul Fadlil, 3 Rusydi Umar 1 Magister Teknik Informatika, 2 Magister Teknik Informatika, 3 Magister Teknik Informatika Magister Teknik Informatika Universitas Ahmad Dahlan Jalan Prof. Dr. Soepomo, S.H., Warungboto, Umbulharjo Yogyakarta, Daerah Istimewa Yogyakarta 1 ahsan @webmail.uad.ac.id, 2 fadlil@uad.ac.id, 3 rusydi_umar@rocketmail.com Abstract Kemiskinan merupakan masalah yang mendapatkan perhatian khusus oleh Pemerintah Daerah maupun Pusat. Peranan data sangat penting terutama memasuki era ditigal. Oleh karenanya dengan mengolah dan memanfaatkan data dapat mengambil keuntungan yang besar. Dengan mengimplementasikan salah satu metode data mining Fuzzy C-Means ke dalam sebuah sistem berbasi web mobile dapat mempermudah dan mempercepat dalam melakukan klastering data Keywords : Fuzzy C-Means, Kemiskinan, Web Mobile, Clustering Data 1. PENDAHULUAN Sebagai sebuah Negara, Indonesia mengalami beberapa masalah yang menjadi focus utama salah satunya adalah kemiskinan. Kemiskinan menjadi perhatian yang lebih oleh pemerintah daerah maupun pusat. Sumber data dari BPS menunjukkan bahwa jumlah penduduk miskin tahun 2015 di Provinsi Daerah Istimewa Yogyakarta mencapai penduduk dengan persentase 14.5%. khususnya untuk kota Yogyakarta seorang warga yang disebut sebagai keluarga miskin dapat ditinjau dari beberapa aspek seperti aspek pangan, sandang, papan, penghasilan,, kesehatan maupun pendidikan. Banyak nya aspek yang harus diperhitungkan membuaat pengelompokkan keluarga miskin menjadi menyulitkan bagi pemerintah. Peranan data sangat penting terutama memasuki era teknologi. Oleh karenanya pihak yang mampu mengolah dan memanfaatkan data dengan cepat berubah, variatif, dan kompleks, dapat mengampil keuntungan yang besar. Mengacu pada manfaat besar yang ditawarkan oleh teknologi, menarik untuk melihat sejauh mana teknologi sudah dimanfaatkan di Indonesia, khususnya lembaga Pemerintahan. Diharapkan hasilnya dapat memberikan informasi dan inspirasi sehingga implementasi di Indonesia semakin luas. Berdasarkan pada kondisi tersebut, maka dalam penelitian ini dibuat model clustering untuk mendapatkan klaster-klaster kemiskinan dengan menganalisa atribut yang berpengaruh maupun tidak. Upaya tersebut dilakukan melalui pembuatan suatu alat bantu berupa aplikasi dengan menggunakan metode Fuzzy C-Means (FCM) untuk mengetahui pola penduduk miskin berdasarkan karakteristik yang semirip mungkin. 1.1 Data Mining Data Mining (Penggalian Data) merupakan ekstraksi pola yang menarik dari data dalam jumlah besar. Suatu pola dikatakan menarik apabila pola tersebut tidak sepele, implisit, tidak diketahui sebelumnya, dan berguna. 314

2 1.2 Fuzzy C-Means Dalam penelitian ini menggunakan salah satu metode dari data mining yaitu metode algoritma Fuzzy C-Means (FCM) untuk mendapatkan karakterisitik dari data. Konsep dasar FCM pertama kali adalah menentukan pusat klaster yang akan menandai lokasi rata-rata tiap klaster. Pada kondisi awal, pusat klaster ini masih belum akurat. Tiaptiap titik data memiliki derajat keanggotaan data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada derajat keanggotaan yang menggambarkan jarak dari titik data yang diberikan ke pusat klaster yang terbobot oleh derajat keanggotaan titik data tersebut. Pada perhitungan menggunakan FCM dengan menggunakan data yang sama tetapi diolah dengan jumlah klaster yang berbeda, maka hasil pengelompokkannya akan sedikit berbeda, karena data tidak diolah dengan satu variable saja tetapi dengan semua variable. Perbedaan hasil pengelompokkan itu dikarenakan data pada kelompok tertentu kemungkinan akan berpindah pada kelompok lain jika diolah dengan jumlah klaster yang berbeda, ini menunjukkan bahwa system applikasi sudah berjalan dengan benar output dari FCM bukan merupakan Fuzzy Inference Sistem, namun merupakan derajat pusat klaster dan beberapa derajat keanggotaan. Berikut ini merupakan algoritma pengelompokkan FCM dijelaskan sebagai berikut (Yan, dkk., 1994): 1. Input data yang akan di klaster X, berupa matrik Xij Keterangan : i = index data (1,2,3, n) j = index atribut, (1,2,3.m) n = banyaknya data m = banyaknya atribut 2. Tentukan : a. Jumlah klaster = c b. Pangkat = w c. Maksimum iterasi = Maxlter d. Error terkecil yang diharapkan = e e. Fungsi obyektif awal = dengan nilai 0 f. Iterasi awal = t dengan nilai 1 3. Bangkitkkan bilangan random sebagai elemenelemen matriks partisi awal U Keterangan : Hitung : = Jumlah matriks paritisi awal = bilangan random = index kluster, (1,2,3,..c) = banyaknya klaster 4. Hitung pusat klaster ke-k :, dengan k=1,2, c; dan j=1,2, m. 315

3 5. Hitung fungsi objektif pada iterasi ke-t, 6. Hitung perubahan matriks partisi 7. Cek kondisi berhenti Jika : atau (t > Maxlter) maka berhenti; Jika tidak : t = t+1, ulangi langkah Kemiskinan Kemiskinan merupakan masalah depriviasi atau problematika kekurangan, kemiskinan adalah sautu keadaan seseorang atau keluarga yang serba kekurangan (Sen, A., Foster, J., 1997). Penelitian ini diawali dengan pencarian data penduduk miskin di Kecamatan Samigaluh. Data yang diperoleh tidak langsung digunakan dalam perhitungan FCM, tetapi dilakukan pra proses data melalui penyaringan data. 2. METODOLOGI 2.1 Metode Pengumpulan Data Studi Pustaka Merupakan metode pengumpulan data yang dilakukan dengan mencari, membaca dan mengumpulkan dokumen-dokumen sebagai referensi seperti buku, artikel, dan literatur-literatur penelitian yang berhubungan dengan Fuzzy C-Means dan Data Kemiskinan. Wawancara Merupakan metode yang dilakukan dengan cara tanya jawab atau wawancara pada orang yang mempunyai kapasitas dari informasi yang dibutuhkan dalam pelaksanaan penelitian. Berdasarkan latar belakang penelitian, beberapa pihak yang terkait dengan penelitian ini diantaranya kepala kecamatan, kepala desa, serta ketua pendukuhan. Observasi Metode observasi merupakan metode yang dilakukan dengan cara pengamatan secara langsung pada objek kependudukan yang diteliti 2.2 Analisis Sistem Analisis system adalah penguraian dari suatu system yang utuh kedalam kegiatankegiatan komponennya, dengan maksud untuk mengidentifikasikan dan mengevaluasi permasalahan-permasalahan, kesempatan-kesempatan, hambatan-hambatan, yang terjadi dan kebutuhan-kebutuhan yang diharapkan sehingga dapat diusulkan perbaikan-perbaikannya. 316

4 3. HASIL DAN PEMBAHASAN 3.1 Rancangan Sistem Sistem ini dirancang untuk membantu dalam pemetaan dan penentuan keluarga miskin. Adapun flowchart dari sistem yang akan dibangun seperti berikut. start Data Penduduk miskin, Jumlah Kluster, Bobot, Max iterasi, Error Terkecil Penentuan Nilai Obyektif Awal, Iterasi, Matrik Partisi Awal Naikan Iterasi Hitung Pusat Cluster Hitung Nilai Obyektif Perbaiki Matrik Partisi Nilai Error Terkecil Terpenuhi Tidak Telah Mencapai Max Iterasi Ya End Dari alur diatas diimplementasikan menjadi sebuah sistem yang dapat diakses dengan mudah, cepat dan menggunakan semua device, sehingga dapat membantu dalam penentuan tiap-tiap klaster dari data penduduk. 317

5 4. KESIMPULAN Berdasarkan dari uraian proposal penelitian yang diajukan, maka dapat disimpulkan penelitian ini diharapkan dapat menghasilkan sistem yang sesuai dengan penerapan metode Fuzzy C-Means sehingga menghasilkan pengelompokkan data yang baik dan dapat membantu pihak-pihak yang terkait khususnya BKKBN dan Pemerintah Daerah dalam penentuan klaster keluarga miskin. DAFTAR PUSTAKA 1. Pangestika. Monica Dias Implementasi Fuzzy C-Means untuk Clustering Data dalam Sistem Informasi Promosi. Penelitian. Universitas Kristen Satya Wacana.. 2. Astuti, Femi Dwi. Implementasi Fuzzy C-Means untuk Clustering Penduduk Miskin (Studi Kasus: Kecamatan Bantul). STMIK AKAKOM Yogyakarta. 3. Syoer. Rudy Ramadani ANALISIS KELOMPOK DENGAN ALGORITMA FUZZY C-MEANS DAN GATH-GEVA CLUSTERING Studi Kasus Pengelompokkan DesaKelurahan di Kabupaten Kutai Kartanegar. Institut Teknologi Sepuluh Nopember. Surabaya. 4. Luthfi. Emha Taufiq FUZZY C-MEANS UNTUK CLUSTERING DATA (STUDI KASUS : DATA PERFORMANCE MENGAJAR DOSEN). STMIK AMIKOM. Yogyakarta. 5. Ernawati, N., 2012, Pemetaan Potensi Penduduk Miskin Kab. Bantul Yogyakarta. Jurnal Bumi Indonesia, Volume 1 Nomor 3, hlm Nugraheni. Yohana DATA MINING DENGAN METODE FUZZY UNTUK CUSTOMER RELATIONSHIP MANAGEMENT (CRM) PADA PERUSAHAAN RETAIL Universitas Udayana Denpasar. Denpasar. 7. Balasko, B., Abonyi, J., Feil, B.. Fuzzy Clustering and Data Analysis Toolbox : For Use with Maltab. Department of Process Engineering University of Veszprem, Veszprem, Hungary. 318

dokumen-dokumen yang mirip

IMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS : KECAMATAN BANTUL) Abstrak

IMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS : KECAMATAN BANTUL) Abstrak IMPLEMENTASI FUZZY CMEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS KECAMATAN BANTUL) Femi Dwi Astuti Jurusan Teknik Informatika STMIK AKAKOM Yogyakarta femi@akakomacid Abstrak Kemiskinan merupakan