ANALISIS CLUSTER TERHADAP RUMAH TANGGA MISKIN DI KABUPATEN TEGAL MENGGUNAKAN SELF ORGANIZING MAPS (SOM)
|
|
- Hamdani Darmadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 ANALISIS CLUSTER TERHADAP RUMAH TANGGA MISKIN DI KABUPATEN TEGAL MENGGUNAKAN SELF ORGANIZING MAPS (SOM) Farah Nur Hidayah 1), Edy Widodo 2) 1 Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Indonesia ; farah.nnh@gmail.com 2 Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Indonesia edy.widodo@uii.ac.id Abstract Provinsi Jawa Tengah pada tahun 2016 tercatat memiliki penduduk miskin sebesar 13,19% lima diantaranya yaitu Wonosobo, Brebes, Rembang, Purbalingga, dan Pemalang masuk kabupaten dengan penduduk termiskin. Sejauh ini Kabupaten Tegal tidak termasuk kabupaten dengan penduduk miskin terbanyak. Meskipun demikian Kabupaten Tegal tidak lepas dari masalah kemiskinan. Tercatat pada tahun 2015 Kabupaten Tegal memiliki penduduk miskin dengan persentase sebesar 10,09% merupakan permasalahan yang serius. Seringkali kemiskinan mengandung dimensi spasial dimana terdapat kecenderungan bahwa lokasi masyarakat yang miskin tidaklah acak namun cenderung mengelompok dengan karakteristik tertentu. Pengelompokan karakteristik kemiskinan yang terjadi di Kabupaten Tegal dapat dikelompokkan dengan menggunakan Metode statistik guna mengetahui karakteristik kemiskinan yang hampir sama yaitu analisis Self Organizing Maps (SOM). SOM merupakan neural network yang sering digunakan untuk menganalisis data yang berdimensi tinggi. Penelitian ini bertujuan untuk mengidentifikasi karakteristik daerah-daerah miskin yang berada di Kabupaten Tegal dengan menggunakan data sekunder yang berasal dari sistem informasi masyarakat miskin milik Kabupaten Tegal. Diperoleh hasil bahwa dari rumah tangga di Kabupaten Tegal terbagi menjadi 4 cluster sebanyak 11% menempati cluster 1, cluster 2 sebanyak 82%, cluster 3 sebanyak 4% dan cluster 4 sebanyak 3%. Keywords: Tegal, Jawa Tengah, Cluster, Self Organizing Maps, Neural Network 1. PENDAHULUAN Miskin adalah kondisi kehidupan yang serba kekurangan yang dialami seseorang atau rumahtangga sehingga tidak mampu memenuhi kebutuhan minimal/yang layak bagi kehidupannya (BPS, 2004). Istilah kemiskinan sebenarnya bukan merupakan suatu hal yang asing dalam kehidupan kita, kemiskinan yang di maksud disini adalah kemiskinan ditinjau dari sisi material (ekonomi). Menurut Muljono (2010) masyarakat miskin pada umumnya lemah dalam kemampuan berusaha dan terbatas aksesnya kepada kegiatan ekonomi sehingga tertinggal jauh dari masyarakat lainnya yang mempunyai potensi yang lebih tinggi. Penduduk miskin biasanya dikaji dalam unit rumah tangga, bukan dalam unit individu.. Ada beberapa alasan untuk menganalisis rumah tangga miskin daripada penduduk atau individu miskin. Pertama, kemiskinan pada hakikatnya merupakan cermin keadaan ekonomi rumah tangga. Kedua, apabila ditemukan data-data rumah tangga miskin maka intervensi terhadap rumah tangga akan lebih efektif dibanding intervensi kemiskinan terhadap individu yang cenderung mengarah pada pandangan bahwa orang miskin memiliki karakteristik sebagai penyebab kemiskinannya. Ketiga, data-data tentang rumah tangga miskin lebih mudah untuk dikembangkan daripada data-data individu miskin. Fakta di lapangan menunjukkan bahwa kemiskinan mengandung dimensi spasial. Terdapat kecenderungan bahwa lokasi masyarakat miskin tidaklah acak, tetapi cenderung mengelompok pada lokasi-lokasi dengan karakteristik tertentu. Sejauh ini Kabupaten Tegal tidak termasuk ke dalam daftar 15 kabupaten miskin di Jawa Tengah Berdasarkan data Persentase Penduduk Miskin BPS Provinsi Jawa Tengah, Kabupaten Tegal berada pada urutan ke-15 dari 35 kabupaten di Jawa Tengah dengan persentase sebesar 10,09%. Kenyataan di atas bukan berarti bahwa Kabupaten Tegal bebas dari masalah 228 Prosiding Seminar Nasional Matematika dan Pendidikan Matematika, Integrasi Budaya, Psikologi, dan Teknologi dalam Membangun Pendidikan Karakter Melalui Matematika dan Pembelajarannya.
2 kemiskinan. Tercatat pada tahun 2014 jumlah penduduk miskin yaitu Hanya saja, proporsi penduduk miskin yang berada diatas 10% merupakan permasalahan yang serius. Mengingat Kabupaten Tegal berpenduduk terbesar kelima di Jawa Tengah, dampak kemiskinan dan upaya penanggulangannya yang terjadi di Kabupaten Tegal dapat memberikan kontribusi signifikan secara provinsi. Analisis multivariat merupakan salah satu analisis yang dapat digunakan dalam mengatasi permasalahan sehari-hari. Untuk itu dalam mengelompokkan objek-objek yang mempunyai kesamaan dalam hal ini kemiskinan analisis cluster menjadi salah satu metode yang dapat digunakan. Analisis cluster bertujuan untuk mengelompokkan objek-objek pengamatan berdasakan karakteristik yang dimiliki. Berdasarkan latar belakang diatas, maka penulis akan mengaplikasikan metode self organizing maps dalam judul Analisis Cluster Terhadap Rumah Tangga Miskin Di Kabupaten Tegal Menggunakan Self Organizing Maps (Som) Tahun KAJIAN LITERATUR DAN PEGEMBANGAN HIPOTESI 2.1 Analisis Cluster Analisis cluster adalah teknik multivariat yang tujuan utamanya adalah untuk mengelompokan objek berdasarkan kesamaan sifat yang dimiliki. Analisis cluster mengklasifikasikan objek sehingga setiap objek sangat mirip dengan objek lain akan ada dalam satu cluster dengan beberapa kriteria seleksi yang telah ditentukan. Cluster yang dihasilkan dari objek harus menunjukkan kesamaan yang tinggi di dalam cluster (homogenitas) dan antar cluster (heterogenitas) (Joseph 1998). 2.2 Self Organizing Maps Self Organizing Maps(SOM) adalah merupakanneural network yang sering digunakan untuk menganalisis data yang berdimensi tinggi. SOM bekerja dengan melakukan kompresi data dari dimensi tinggi ke dimensi rendah. SOM merupakan tipe unsupervised training artinya SOM tidak memerlukan data training untuk proses pembelajaran, melainkan langsung menggunakan input (Bullinaria, 2004). SOM pertama kali dikembangkan oleh Profesor Teuvo Kohonen dan metode ini telah diaplikasikan dalam banyak bidang Bullinaria (2004) menjelaskan beberapa proses-proses dalam SOM, yaitu: 1. Competitive processes : Untuk setiap pola input, neuron menghitung nilai masing-masing fungsi diskriminan yang memberi dasar untuk kompetisi. Neuron tertentu dengan nilai terkecil dari fungsi diskriminan dinyatakan sebagai pemenang. Terdapat input Xi, x= {xi : i=1,...,d} dan connection weight antara input unit i dan neuronj ditulisikan sebagai Wj= {wji : j=1,...,d}. Adapun fungsi diskrimanan didapatkan dari akar jarak Euclidean antara input vektor X dan weight vector Wj D d j (x) = (x i w ji ) 2 i=1 Neuron yang memiliki weight vectorlebih dekat kepada input vector akan dianggap sebagai winning neuron. 2. Cooperative Processes : Winning neuron menentukan lokasi spasial dari topological neighbourhood suatu neuron-neuron yang aktif sehingga memberikan dasar untuk kerjasama antara neuron-neuron yang bertetangga. Apabila Sij adalah jarak lateral antara neuron i dan jdan I(X) adalah index dari winning neuron, maka: T j,i(x) = exp ( S j,i(x) 2σ 2 ) Fitur khusus dari SOM adalah ukuran σdariketetanggaan harus menurun berdasarkan waktu. Sebuah time dependence yang biasa digunakan adalah suatu peluruhan eksponensial : σ(t) = σ 0 exp ( t ) t = 0,1,2. ; σ τ 0 1 = initialσ; τ 1 = waktukonstan 3. Adaptive Processes : Excited neuron menurunkan nilai fungsi diskriminan yang berkaitan dengan pola input melalui penyesuaian bobot terkait sehingga respon dari neuron pemenang keaplikasi berikutnya dengan pola input yang sama akan meningkat.dalam 2 Pendidikan Matematika Universitas Muhammadiyah Purworejo, Ruang Seminar UMP, Sabtu, 12 Mei
3 prakteknya, persamaan dari pembaharuan bobot tersebut adalah: Δw ji = w ji + η(t)t j,i(x) (t). (x i w ji ) Perlu diingat bahwa η(t)adalah learning-rate yang nilainya 0 η(t) 1. Nilai learning rate pada setiap epoch akan berkurang menjadi η(t + 1) = 0.5η 0 ; t = 0,1,2,.. Kondisi penghentian pengujian dilakukan apabila nilai w ji berubah hanya sedikit, berarti pengujian telah mencapai konvergensi sehingga dapat dihentikan. 2.3 Teori Kemiskinan Supriatna (1997) menjelaskan bahwa kemiskinan adalah situasi yang serba terbatas yang terjadi bukan atas kehendak orang yang bersangkutan. Suatu penduduk dikatakan miskin bila ditandai oleh rendahnya tingkat pendidikan, produktivitas kerja, pendapatan, kesehatan dan gizi serta kesejahteraan hidupnya, yang menunjukkan lingkaran ketidakberdayaan. Lebih lanjut Emil Salim (dalam Supriatna, 1997: 82) mengemukakan lima karakteristik penduduk miskin. Kelima karakterisktik penduduk miskin tersebut adalah: 1) Tidak memiliki faktor produksi sendiri, 2) Tidak mempunyai kemungkinan untuk memperoleh aset produksi dengan kekuatan sendiri, 3) Tingkat pendidikan pada umumnya rendah, 4) Banyak di antara mereka yang tidak mempunyai fasilitas, dan 5) Di antara mereka berusia relatif muda dan tidak mempunyai keterampilan atau pendidikan yang memadai. 3. METODE PENELITIAN Penelitian ini dilakukan di Kabupaten Tegal. Data yang digunakan dalam penelitian ini merupakan data sekunder dari hasil Pemutakhiran Basis Data Terpadu (PBDT) Tahun 2015 yang dirancang oleh Badan Perencanaan Pembangunan Daerah Kabupaten Tegal. Unit analisis dalam penelitian ini adalah rumah tangga miskin di Kabupaten Tegal dengan jumlah rumah tangga. Variabel X1 ID - X2 Luas lantai (m 2 ) X3 Jenis lantai terluas X4 Jenis dinding terluas Tabel 2. Lanjutan Variabel X5 Sumber air minum X6 Sumber penerangan utama Kategori - 1.Marmer/granit 2.Keramik 3.Parket/vinil/permadani 4.Ubin/tegel/teraso 5.Kayu/papan kualitas tinggi 6.Semen/bata merah 7.Bambu 8. Kayu/papan kualitas rendah 9.Tanah 10. Lainnya 1.Tembok 2.Plesteran anyaman bambu/kawat 3.Kayu 4.Anyaman bambu 5.Batang kayu 6.Bambu 7. Lainnya Kategori 1. Air kemasan bermerk 2.Air isi ulang 3.Leding meteran 4.Leding eceran 5.Sumur bor/pompa 6.Sumur terlindung 7.Sumur tak terlindung 8.Mata air terlindung 9.Mata air tak terlindung 10.Air sungai /danau/ waduk 11.Air hujan 12. Lainnya 1.Listrik PLN 2.Listrik non PLN 3.Bukan listrik Tabel 3.1 Variabel Penelitian X7 Bahan bakar untuk 1. Listrik 2. Gas >3kg 230 Prosiding Seminar Nasional Matematika dan Pendidikan Matematika, Integrasi Budaya, Psikologi, dan Teknologi dalam Membangun Pendidikan Karakter Melalui Matematika dan Pembelajarannya.
4 memasak X8 Penggunaan fasilitas BAB 3. Gas 3kg 4. Gas kota/biogas 5. Minyak tanah 6. Briket 7. Arang 8. Kayu bakar 9. Tidak memasak di rumah 1. Sendiri 2. Bersama 3. Umum 4. Tidak ada 4. HASIL DAN PEMBAHASAN Data rumah tangga miskin di Kabupaten Tegal Tahun 2015 diperoleh dari Badan Perencanaan Pembangunan Daerah Kabupaten Tegal. Sebelum dilakukan analisis cluster, terlebih dahulu dilakukan analisis deskriptif terhadap data, untuk melihat bagaimana gambaran umum tentang kondisi rumah tangga miskin di wilayah Kabupaten Tegal. perubahan kesejahteraan dari miskin menjadi tidak miskin ataupun sebaliknya. Kriteria pengukuran kemiskinan memiliki beberapa versi. Peneliti menggunakan kriteria pengukuran kemiskinan menurut BPS pada PSE05 yang menjadi dasar dilakukannya Pemutakhiran Basis Data Terpadu Tahun Analisis Cluster Analisis cluster dengan menggunakan metode Self Organizing Maps berkonsentrasi pada objek yang memiliki kemiripan. Semakin sama maka didalam pemetaan akan semakin berdekatan. Setelah dilakukan analisis Cluster dengan menggunakan software R diperoleh hasil berupa diagram fan untuk melihat karakteristik setiap anggota kelompok yang terbentuk. Gambar 4.2 Grafik banyaknya rumah tangga miskin pada setiap kelompok kecamatan di Kabupaten Tegal Gambar 4.1 Grafik Jumlah Penduduk Miskin Kabupaten Tegal Tahun Pada gambar 1 diatas merupakan grafik batang yang memperlihatkan jumlah penduduk miskin di Kabupaten Tegal. Studi semeru menunjukkan adanya program pemerintah, sebagian masyarakat dapat keluar dari kemiskinan. Dalam empat tahun terakhir terlihat fluktuatif dari tahun 2012 berada diangka 151,7 ribu rumah tangga kemudian ditahun berikutnya mengalami penurunan 0,006%, kemudian tahun 2014 terjadi penurunan dari 149,8 ribu menadi 140,3 ribu atau 0,03%. Artinya ada sebagian penduduk miskin pada tahun 2013 dan 2014 yang berubah menjadi tidak miskin. Sebaliknya ditahun 2015 terjadi kenaikan sebesar 0,01% atau 3,2ribu. Hal ini menunjukkan terjadi Pada gambar 2 diatas merupakan grafik banyaknya rumah tangga miskin pada setiap kelompok kecamatan di Kabupaten Tegal. Secara umum penduduk miskin paling banyak berada diantara cluster 1 dan cluster 2. Sebanyak 11% penduduk dengan kesejahteraan terendah berada di cluster 1. Untuk cluster 2 sebanyak 82%. Cluster ini merupakan cluster dengan anggota paling banyak. Cluster 3 dan 4 masing-masing 4% dan 3%. Tabel 4.1 Hasil Pembagian Cluster Kelompok Jumlah Anggota Cluster Cluster Pendidikan Matematika Universitas Muhammadiyah Purworejo, Ruang Seminar UMP, Sabtu, 12 Mei
5 Cluster Cluster Untuk mengetahui karakteristik masingmasing cluster, dapat dilihat melalui diagram fan berikut : hijau bakar untuk memasak dan penggunaan fasilitas BAB Diasosiasikan dalam suatu kelompok yang didominasi variabel Jenis dinding terluas, Penggunaan bahan bakar untukmemasak, Penggunaan fasilitas BAB Warna merah Karakteristik Dapat diasosiasikan dalam suatu kelompok yang didominasi variabel Luas lantai, Jenis dinding terluas, Sumber penerangan utama, Penggunaan fasilitas BAB. 5. KESIMPULAN Berdasarkan uraian pada pembahasan sebelumnya, dapat disimpulkan bahwa : Gambar 4.3 Output SOM Proses memahami diagram di algoritma Self Organizing Maps menurut Wehrens (2007) adalah ketika diagram telah memiliki suatu warna dan diberi batasan dengan vektor-vektor yang tervisualisasi dalam plot pemetaan. Berdasarkan diagram fan diatas, diketahui karakteristik dari masing-masing kelompok: Tabel 4.2 Karakteristik Masing-masing Cluster Warna biru orange Karakteristik Dapat diasosiasikan dalam suatu kelompok yang didominasi variabel Jenis lantai terluas, Jumlah penggunaan bahan bakar untuk memasak, sumber penerangan utama. Dapat diasosiasikan dalam suatu kelompok yang memiliki yang didominasi variabel Jenis lantai terluas, Jenis dinding terluas, penggunaan bahan 1. Diantara rumah tangga miskin di Kabupaten Tegal tahun 2015, 11% termasuk cluster 1, 82% termasuk cluster 2, sedangkan cluster 3 dan cluster 4 masingmasing 4% dan 3%. 2. Pengelompokkan dengan metode SOM menghasilkan empat cluster. Kemudian diasosiasikan menjadi dalam suatu kelompok warna yaitu biru, orange, hijau dan merah. Selain itu dari metode SOM memperoleh beberapa variabel penting atau dominan yaitu Jenis dinding terluas dan Penggunaan fasilitas BAB 6. REFERENSI Badan Pusat Statistik, Departemen Sosial Penduduk Fakir Miskin Indonesia, Jakarta: Badan Pusat Statistik Bulinaria, John A Lecture 16: Introduction to Neural Networks: Self Organizing Maps: Fundamentals. JR. Joseph F.Hair, Anderson, R.E, Tatham, R.L dan Black, W.C, Multivariate Data Analysis. 232 Prosiding Seminar Nasional Matematika dan Pendidikan Matematika, Integrasi Budaya, Psikologi, dan Teknologi dalam Membangun Pendidikan Karakter Melalui Matematika dan Pembelajarannya.
6 5thEdition.Prentice-Hall International, Inc Muljiono, P Model Pemberdayaan Masyarakat melalui Posdaya Masyarakat, Kebudayaan dan Politik. Th 23. No.(1): 9-16 Supriatna, T Birokrasi Pemberdayaan dan Pengentasan Kemiskinan. Bandung. Humaniora Utama Wehrens, dkk. Self and Super-organizing Maps in R : The Kohonen Package. Journal of Statistical Software. October 2007, Volume 21. Issue 5. Pendidikan Matematika Universitas Muhammadiyah Purworejo, Ruang Seminar UMP, Sabtu, 12 Mei
APLIKASI PENGGUNAAN METODE KOHONEN PADA ANALISIS CLUSTER (Studi Kasus: Pendapatan Asli Daerah Jawa Tengah Dalam Menghadapi Asean Community 2015)
APLIKASI PENGGUNAAN METODE KOHONEN PADA ANALISIS CLUSTER (Studi Kasus: Pendapatan Asli Daerah Jawa Tengah Dalam Menghadapi Asean Community 015) Rezzy Eko Caraka 1 (1) Statistics Center Undip, Jurusan Statistika,
Lebih terperinciClustering Dampak Gempa Bumi di Indonesia Menggunakan Kohonen Self Organizing Maps
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 2017, Hal. 188-194 p-issn: 2580-4596; e-issn: 2580-460X Halaman 188 Clustering Dampak Gempa Bumi di Indonesia
Lebih terperinciPENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TENGAH BERDASARKAN PERSENTASE PENDUDUK MISKIN TAHUN MENGGUNAKAN METODE KOHONEN
Prosiding Seminar Nasional Matematika dan Terapannya 016 p-issn : 550-0384; e-issn : 550-039 PENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TENGAH BERDASARKAN PERSENTASE PENDUDUK MISKIN TAHUN 009-013 MENGGUNAKAN
Lebih terperinciIndikator Kemiskinan
PEMERINTAH KABUPATEN MALANG Indikator Kemiskinan berdasarkan: Pemutakhiran Basis Data Terpadu (PBDT) Tahun 2015 Tim Nasional Percepatan Penanggulangan Kemiskinan (TNP2K) Malang, Nopember 2016 Dasar Hukum
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1.1 Latar Belakang BAB I PENDAHULUAN Kartu Perlindungan Sosial (KPS) adalah kartu yang diterbitkan oleh Pemerintah Indonesia dalam Percepatan dan Perluasan Perlindungan Sosial (P4S). Rumah tangga yang
Lebih terperinciIMPLEMENTASI SELF ORGANIZING MAPS UNTUK CLUSTERING KETAHANAN DAN KERENTANAN PANGAN DESA DI KABUPATEN MAGETAN 2014
IMPLEMENTASI SELF ORGANIZING MAPS UNTUK CLUSTERING KETAHANAN DAN KERENTANAN PANGAN DESA DI KABUPATEN MAGETAN 2014 Kanthi Wulandari, Akhmad Fauzy Program Studi Statistika, FMIPA Universitas Islam Indonesia
Lebih terperinciPenerapan Algoritma Fuzzy C-Means untuk Pengelompokan Kabupaten/Kota di Jawa Tengah Berdasarkan Status Kesejahteraan Tahun 2015
Penerapan Algoritma Fuzzy C-Means untuk Pengelompokan Kabupaten/Kota di Jawa Tengah Berdasarkan Status Kesejahteraan Tahun 2015 Nurika Nidyashofa 1*, Deden Istiawan 22 1 Statistika, Akademi Statistika
Lebih terperinciTraining. Level Transformasi Wavelet. Banyak Fitur. Ukuran Dimensi. 0 40x x30 600
Citra asli Citra ya Inisialisasi: Topologi jaringan, Bobot awal, Lebar tetangga, Nilai laju awal pembelajaran Kriteria pemberhentian Training Error> -6 Epoch< 4 Alpha> HASIL DAN PEMBAHASAN Pada penelitian
Lebih terperinciCLUSTERING DATA PENCEMARAN UDARA SEKTOR INDUSTRI DI JAWA TENGAH DENGAN KOHONEN NEURAL NETWORK
CLUSTERING DATA PENCEMARAN UDARA SEKTOR INDUSTRI DI JAWA TENGAH DENGAN KOHONEN NEURAL NETWORK Budi Warsito, Dwi Ispriyanti dan Henny Widayanti Program Studi Statistika FMIPA UNDIP Semarang ABSTRACT Industrial
Lebih terperinciAplikasi Algoritma Competitive Network Untuk Clustering Minat Mahasiswa Terhadap Topik-Topik Penelitian
Aplikasi Algoritma Competitive Network Untuk Clustering Minat Mahasiswa Terhadap Topik-Topik Penelitian Wiji Lestari, Singgih Purnomo STMIK Duta Bangsa Surakarta ABSTRAK Clustering adalah suatu metode
Lebih terperinciP E N D A H U L U A N Latar Belakang
KLASIFIKASI KEKERAPAN KUNJUNGAN LOKASI BERBASIS LOCATION BASED SERVICE (LBS) MENGGUNAKAN SELF-ORGANIZING MAP (SOM) Oleh : Dhanang Fitra Riaji (NRP : 2208205737) PROGRAM MAGISTER JURUSAN TEKNIK INDUSTRI
Lebih terperinciPEMBUATAN PETA SIMILARITAS KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN SELF-ORGANIZING MAPS (SOM)
Pembuatan Peta Similaritas Kota di Provinsi Jawa Tengah... (Palgunadi dkk.) PEMBUATAN PETA SIMILARITAS KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN SELF-ORGANIZING MAPS (SOM) Sarngadi Palgunadi, Risalatul
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciBAB III PEMBAHASAN. Algoritma Self Organizing Map (SOM) merupakan suatu metode NN yang
BAB III PEMBAHASAN Algoritma Self Organizing Map (SOM) merupakan suatu metode NN yang diperkenalkan oleh Professor Teuvo Kohonen pada tahun 1982. Self Organizing Map merupakan salah satu bentuk topologi
Lebih terperinciPEMETAAN SEBARAN MUTU PENDIDIKAN DASAR MENGGUNAKAN METODE SELF ORGANIZING MAPS
PEMETAAN SEBARAN MUTU PENDIDIKAN DASAR MENGGUNAKAN METODE SELF ORGANIZING MAPS Ahmad Mulla Ali Basthoh 1, Surya Sumpeno 2, dan I Ketut Eddy Purnama 3 Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS
Lebih terperinciProses Pengelompompokan Saraf Menggunakan Jaringan Saraf Tiruan (JST) dengan Algoritme Self-Organizing Maps (SOM)
Prosiding Statistika ISSN: 2460-6456 Proses Pengelompompokan Saraf Menggunakan Jaringan Saraf Tiruan (JST) dengan Algoritme Self-Organizing Maps (SOM) 1 Tantri Lestari, 2 Abdul Kudus, 2 Sutawanir Darwis
Lebih terperinciRINGKASAN EKSEKUTIF HASIL PENDATAAN SUSENAS Jumlah (1) (2) (3) (4) Penduduk yang Mengalami keluhan Sakit. Angka Kesakitan 23,93 21,38 22,67
RINGKASAN EKSEKUTIF HASIL PENDATAAN SUSENAS 2015 Dalam kaitan dengan upaya peningkatan kesejahteraan, meningkatnya derajat kesehatan penduduk di suatu wilayah, diharapkan dapat meningkatkan produktivitas
Lebih terperinciBUPATI JEMBRANA PERATURAN BUPATI JEMBRANA NOMOR 25 TAHUN 2012 TATA CARA PEMBERDAYAAN KELUARGA MISKIN DI KABUPATEN JEMBRANA
BUPATI JEMBRANA PERATURAN BUPATI JEMBRANA NOMOR 25 TAHUN 2012 TENTANG TATA CARA PEMBERDAYAAN KELUARGA MISKIN DI KABUPATEN JEMBRANA DENGAN RAHMAT TUHAN YANG MAHA ESA BUPATI JEMBRANA, Menimbang : bahwa untuk
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinci2.1 Definisi Operasional Indikator Pemerataan Pendidikan
BAB II TINJAUAN PUSTAKA 2.1 Definisi Operasional Indikator Pemerataan Pendidikan Pendidikan di Indonesia diselenggarakan sesuai dengan sistem pendidikan nasional yang ditetapkan dalam UU No. 20 tahun 2003
Lebih terperinciTeknik Informatika, Universitas Kanjuruhan Malang, 2. Teknik Informatika, Universitas Kanjuruhan Malang,
CLUSTERING DATA MAHASISWA MENGGUNAKAN METODE SELF ORGANIZING MAPS UNTUK MENENTUKAN STRATEGI PROMOSI UNIVERSITAS KANJURUHAN MALANG Nomadeni Fitroh Arno 1 Moh. Ahsan 2 1 Teknik Informatika, Universitas Kanjuruhan
Lebih terperinci1 PENDAHULUAN 1.1 Latar Belakang
1 PENDAHULUAN 1.1 Latar Belakang Curah hujan merupakan faktor yang berpengaruh langsung terhadap perubahan cuaca yang semakin memburuk. Curah hujan merupakan total air hujan yang terjatuh pada permukaan
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman 429-437 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN METODE K MEANS DAN SELF ORGANIZING MAP (STUDI KASUS:
Lebih terperinciJURNAL PENGELOMPOKAN SKRIPSI MENGGUNAKAN SELF ORGANIZING MAPS CLUSTERING (STUDI KASUS : PRODI TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI)
JURNAL PENGELOMPOKAN SKRIPSI MENGGUNAKAN SELF ORGANIZING MAPS CLUSTERING (STUDI KASUS : PRODI TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI) CLASSIFICATION OF THESIS USING SELF ORGANIZING MAPS CLUSTERING
Lebih terperinciANALISIS CLUSTER DAN DIAGNOSA PENYAKIT MENGGUNAKAN JARINGAN SYARAF TIRUAN
Prosiding FMIPA Universitas Pattimura 03 ISBN: 978-60-975-0-5 ANALISIS CLUSTER DAN DIAGNOSA PENYAKIT MENGGUNAKAN JARINGAN SYARAF TIRUAN Zeth Arthur Leleury, Henry Willyam Michel Patty Jurusan Matematika
Lebih terperinciPROSIDING ISSN: M-22 ANALISIS PERUBAHAN KELOMPOK BERDASARKAN INDIKATOR KESEJAHTERAAN RAKYAT TAHUN DI PROVINSI JAWA TENGAH
M-22 ANALISIS PERUBAHAN KELOMPOK BERDASARKAN INDIKATOR KESEJAHTERAAN RAKYAT TAHUN 2010-2015 DI PROVINSI JAWA TENGAH Rukini Badan Pusat Statistik Kabupaten Grobogan email:rukini@bps.go.id Abstrak Pembangunan
Lebih terperinciAnalisis Klaster untuk Pengelompokan Kemiskinan di Jawa Barat Berdasarkan Indeks Kemiskinan 2016
Analisis Klaster untuk Pengelompokan Kemiskinan di Jawa Barat Berdasarkan Indeks Kemiskinan 2016 Rana Amani Desenaldo 1 Universitas Padjadjaran 1 rana.desenaldo@gmail.com ABSTRAK Kesejahteraan sosial adalah
Lebih terperinciPemetaan Prioritas Berbasis Penggalian Data Multidimensi Menggunakan WEBSOM (Priority Mapping Based on Multi-dimensional Data Mining Using WEBSOM)
Pemetaan Prioritas Berbasis Penggalian Data Multidimensi Menggunakan WEBSOM (Priority Mapping Based on Multi-dimensional Data Mining Using WEBSOM) ITS,08-07-2010 NINIK WIDAYATI Latar Belakang Masalah Pembuatan
Lebih terperinciSISTEM CLUSTERING KECERDASAN MAJEMUK MAHASISWA MENGGUNAKAN ALGORITMA SELF ORGANIZING MAPS (SOM) Oleh: Wiji Lestari STMIK Duta Bangsa Surakarta
SISTEM CLUSTERING KECERDASAN MAJEMUK MAHASISWA MENGGUNAKAN ALGORITMA SELF ORGANIZING MAPS (SOM) Oleh: Wiji Lestari STMIK Duta Bangsa Surakarta ABSTRAK Kecerdasan majemuk adalah hal penting dalam pembelajaran.
Lebih terperinciPenerapan Algoritma Self Organizing Maps Untuk Pemetaan Penyandang Kesejahteraan Sosial (PMKS) di Provinsi Jawa Tengah Tahun 2016
Penerapan Algoritma Self Organizing Maps Untuk Pemetaan Penyandang Kesejahteraan Sosial (PMKS) di Provinsi Jawa Tengah Tahun 2016 Amrul Hafiludien 1*, Deden Istiawan 2 Akademi Statistika Muhammadiyah Semarang
Lebih terperinciLingkungan Implementasi Clustering Menggunakan SOM HASIL DAN PEMBAHASAN Pengumpulan Data Perkembangan Anak Validasi Cluster Menggunakan
sehingga dapat diproses dengan SOM. Pada tahap seleksi data, dipilih data perkembangan anak berdasarkan kategori dan rentang usianya. Kategori perkembangan tersebut merupakan perkembangan kognitif, motorik
Lebih terperinciAPLIKASI ANALISIS DISKRIMINAN UNTUK MENENTUKAN FUNGSI PENGELOMPOKAN PADA PROGRAM PEMBAGIAN KARTU KELUARGA SEJAHTERA (KKS)
APLIKASI ANALISIS DISKRIMINAN UNTUK MENENTUKAN FUNGSI PENGELOMPOKAN PADA PROGRAM PEMBAGIAN KARTU KELUARGA SEJAHTERA (KKS) (Studi Kasus pada Kelurahan 1 Ulu Kecamatan Seberang Ulu 1 Palembang) Didin Astriani
Lebih terperinciVII. KEMISKINAN DI TINGKAT RUMAHTANGGA
VII. KEMISKINAN DI TINGKAT RUMAHTANGGA Sensus kemiskinan rumahtangga di wilayah desa merupakan kegiatan yang dilaksanakan oleh pemerintah daerah kabupaten/kota setempat atas dasar kebutuhan dan desakan
Lebih terperinciBUPATI BANYUWANGI SALINAN PERATURAN BUPATI BANYUWANGI NOMOR 28 TAHUN 2013 TENTANG INDIKATOR KELUARGA MISKIN DI KABUPATEN BANYUWANGI
1 BUPATI BANYUWANGI SALINAN PERATURAN BUPATI BANYUWANGI NOMOR 28 TAHUN 2013 TENTANG INDIKATOR KELUARGA MISKIN DI KABUPATEN BANYUWANGI DENGAN RAHMAT TUHAN YANG MAHA ESA BUPATI BANYUWANGI, Menimbang : a.
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring perkembangan zaman, teknologi di bidang medis saat ini semakin berkembang. Teknologi sendiri sudah menjadi kebutuhan di segala bidang khususnya bidang biomedis.
Lebih terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciFuzzy C-means Clustering menggunakan Cluster Center Displacement
Fuzzy C-means Clustering menggunakan Cluster Center Displacement Fitri Hidayah Sundawati 1), Jadi Suprijadi 2), Titi Purwandari 3) 1) Mahasiswa Statistika Terapan, UniversitasPadjadjaran-Indonesia 2) Pengajar
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Kemiskinan merupakan masalah yang sulit untuk diatasi. Salah satu sasaran pembangunan nasional adalah penurunan tingkat kemiskinan. Menurut Badan Pusat Statistik,
Lebih terperinciJURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: ( Print) A-430
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-430 VISUALISASI SIMILARITAS TOPIK PENELITIAN DENGAN PENDEKATAN KARTOGRAFI MENGGUNAKAN SELF- ORGANIZING MAPS (SOM) Budi Pangestu,
Lebih terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
Lebih terperinciPROVINSI JAWA TENGAH
PROVINSI JAWA TENGAH PERATURAN BUPATI SRAGEN NOMOR 59 TAHUN 203 TENTANG PEDOMAN PELAKSANAAN VERIFIKASI RUMAH TANGGA MISKIN KABUPATEN SRAGEN DENGAN RAHMAT TUHAN YANG MAHA ESA BUPATI SRAGEN, Menimbang :
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Pola Pengenalan pola (pattern recognition) adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur atau sifat
Lebih terperinciKLASIFIKASI BENTUK DAUN MENGGUNAKAN METODE KOHONEN ABSTRAK
KLASIFIKASI BENTUK DAUN MENGGUNAKAN METODE KOHONEN Safwandi. ST., M.Kom 1, Yenni Maulida, S.T ABSTRAK Penelitian ini menjelaskan tentang suatu metode klasifikasi bentuk daun berdasarkan input berupa bentuk
Lebih terperinciPenggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot
Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier Bernhard M. Wongkar 1, John S. Kekenusa 2, Hanny A.H. Komalig 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, bernhard.wongkar2011@gmail.com
Lebih terperinciBUPATI CIAMIS PROVINSI JAWA BARAT PERATURAN BUPATI CIAMIS NOMOR 29 TAHUN 2016 T E N T A N G INDIKATOR LOKAL KELUARGA MISKIN DI KABUPATEN CIAMIS
1 BUPATI CIAMIS PROVINSI JAWA BARAT PERATURAN BUPATI CIAMIS NOMOR 29 TAHUN 2016 T E N T A N G INDIKATOR LOKAL KELUARGA MISKIN DI KABUPATEN CIAMIS DENGAN RAHMAT TUHAN YANG MAHA ESA BUPATI CIAMIS, Menimbang
Lebih terperinciImplementasi Algoritma Self Organizing Map (SOM) untuk Clustering Mahasiswa pada Matakuliah Proyek (Studi Kasus : JTK POLBAN)
Implementasi Algoritma Self Organizing Map (SOM) untuk Clustering Mahasiswa pada Matakuliah Proyek (Studi Kasus : JTK POLBAN) Ghifari Munawar Jurusan Teknik Komputer dan Informatika, Politeknik Negeri
Lebih terperinciHASIL BASIS DATA TERPADU (BDT) 2015 PROVINSI BALI
HASIL BASIS DATA TERPADU (BDT) 2015 PROVINSI BALI Oleh: TIM KOORDINASI PENANGGULANGAN KEMISKINAN DAERAH (TKPKD) PROV. BALI Disampaikan Pada Acara: Verifikasi dan Validasi Basis Data Terpadu (BDT) 2015
Lebih terperinciRealisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen
Realisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen David Novyanto Candra/0322003 Email: dave_christnc@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Jln.Prof.Drg.Suria
Lebih terperinciKLASIFIKASI RUMAH LAYAK HUNI DI KABUPATEN BREBES DENGAN MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION DAN NAIVE BAYES
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 99-111 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI RUMAH LAYAK HUNI DI KABUPATEN BREBES DENGAN MENGGUNAKAN
Lebih terperinciI. PENDAHULUAN. cepat, sementara beberapa daerah lain mengalami pertumbuhan yang lambat.
I. PENDAHULUAN A. Latar Belakang Tolok ukur keberhasilan pembangunan dapat dilihat dari pertumbuhan ekonomi dan semakin kecilnya ketimpangan pendapatan antar penduduk, antar daerah dan antar sektor. Akan
Lebih terperinciKalimantan Selatan. Pasar Terapung Muara Kuin
418 Penghitungan Indeks Indonesia 2012-2014 Kalimantan Selatan Pasar Terapung Muara Kuin Pasar Terapung Muara [Sungai] Kuin atau Pasar Terapung Sungai Barito adalah pasar terapung tradisional yang berada
Lebih terperinciBAB 4. JARINGAN BERBASIS KOMPETISI
BAB 4. JARINGAN BERBASIS KOMPETISI Jaringan berbasis kompetisi menggunakan ide kompetisi untuk meningkatkan kontras dalam aktivasi neuron (winner take all). Hanya neuron yang aktivasinya diperbolehkan
Lebih terperinciBAB I PENDAHULUAN. keterbukaan sosial dan ruang bagi debat publik yang jauh lebih besar. Untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Indonesia kini adalah negara dengan sistem demokrasi baru yang bersemangat, dengan pemerintahan yang terdesentralisasi, dengan adanya keterbukaan sosial dan
Lebih terperinciPENGELOMPOKKAN KABUPATEN/KOTA DI PROVINSI JAWA TIMUR BERDASARKAN INDIKATOR KEMISKINAN DENGAN METODE CLUSTER ANALYSIS
PENGELOMPOKKAN KABUPATEN/KOTA DI PROVINSI JAWA TIMUR BERDASARKAN INDIKATOR KEMISKINAN DENGAN METODE CLUSTER ANALYSIS 1 Nurul Komariyah (1309 105 013) 2 Muhammad Sjahid Akbar 1,2 Jurusan Statistika FMIPA
Lebih terperinciPENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU Risky Meliawati 1,Oni Soesanto 2, Dwi Kartini 3 1,3Prodi Ilmu Komputer FMIPA UNLAM 2 Prodi Matematika
Lebih terperinciIMPLEMENTASI SELF ORGANIZING MAP DALAM KOMPRESI CITRA DIGITAL
IMPLEMENTASI SELF ORGANIZING MAP DALAM KOMPRESI CITRA DIGITAL Hisar M. Simbolon (1) Sri Suwarno (2) Restyandito (3) hisarliska@gmail.com sswn@ukdw.ac.id dito@ukdw.ac.id Abstraksi Kompresi citra digital
Lebih terperinciBERITA DAERAH KABUPATEN KULON PROGO
BERITA DAERAH KABUPATEN KULON PROGO NOMOR : 32 TAHUN : 2016 PERATURAN BUPATI KULON PROGO NOMOR 30 TAHUN 2016 TENTANG PERUBAHAN KEDUA ATAS PERATURAN BUPATI KULON PROGO NOMOR 39 TAHUN 2011 TENTANG INDIKATOR
Lebih terperinciREPUBLIK INDONESIA SENSUS PERTANIAN 2013 SURVEI RUMAH TANGGA USAHA BUDIDAYA TANAMAN KEHUTANAN TAHUN 2014
ST2013-SBK.S REPUBLIK INDONESIA SENSUS PERTANIAN 2013 SURVEI RUMAH TANGGA USAHA BUDIDAYA TANAMAN KEHUTANAN TAHUN 2014 RAHASIA Jenis tanaman kehutanan terpilih...... 6 1 I. PENGENALAN TEMPAT 101. Provinsi
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciDATA MINING DENGAN TEKNIK CLUSTERING DALAM PENGKLASIFIKASIAN DATA MAHASISWA STUDI KASUS PREDIKSI LAMA STUDI MAHASISWA UNIVERSITAS BINA NUSANTARA
DATA MINING DENGAN TEKNIK CLUSTERING DALAM PENGKLASIFIKASIAN DATA MAHASISWA STUDI KASUS PREDIKSI LAMA STUDI MAHASISWA UNIVERSITAS BINA NUSANTARA Lindawati Jurusan Teknik Information, Fakultas Ilmu Komputer,
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN PEMBAHASAN Pada bab analisis dan pembahasan ini akan jelaskan tentang pola persebaran jumlah penderita kusta dan faktor-faktor yang mempengaruhinya, kemudian dilanjutkan dengan pemodelan
Lebih terperinciSTATISTIK DAN PERANAN PENYEDIAAN PERUMAHAN DAN PERMUKIMAN YANG LAYAK TERHADAP KEMISKINAN DI JAWA TENGAH Disampaikan oleh: BPS Provinsi Jawa Tengah
STATISTIK DAN PERANAN PENYEDIAAN PERUMAHAN DAN PERMUKIMAN YANG LAYAK TERHADAP KEMISKINAN DI JAWA TENGAH Disampaikan oleh: BPS Provinsi Jawa Tengah FGD PENINGKATAN KUALITAS RTLH UNTUK MENDUKUNG PENANGGULANGAN
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sel Darah Merah Sel yang paling banyak di dalam selaput darah adalah sel darah merah atau juga dikenal dengan eritrosit. Sel darah merah berbentuk cakram bikonkaf dengan diameter
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciPENGEMBANGAN SISTEM MANAJEMEN DATABASE DAN PENGAMBILAN KEPUTUSAN KRITERIA PENDUDUK MISKIN KABUPATEN KUTAI KARTANEGARA PROVINSI KALIMANTAN TIMUR
PENGEMBANGAN SISTEM MANAJEMEN DATABASE DAN PENGAMBILAN KEPUTUSAN KRITERIA PENDUDUK MISKIN KABUPATEN KUTAI KARTANEGARA PROVINSI KALIMANTAN TIMUR Ummul Hairah ummihairah@gmail.com Program Studi Teknik Informatika
Lebih terperinciPENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERSENTASE RUMAH TANGGA MENURUT KUALITAS FISIK AIR MINUM DENGAN MENGGUNAKAN K-MEANS CLUSTER
PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERSENTASE RUMAH TANGGA MENURUT KUALITAS FISIK AIR MINUM DENGAN MENGGUNAKAN K-MEANS CLUSTER Artanti Indrasetianingsih Dosen Program Studi Statistika, FMIPA
Lebih terperinciBAB I PENDAHULUAN. Masalah ini menjadi perhatian nasional dan penanganannya perlu dilakukan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Indonesia masih menghadapi masalah kemiskinan dan kerawanan pangan. Masalah ini menjadi perhatian nasional dan penanganannya perlu dilakukan secara terpadu
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Perkembangan teknologi informasi yang semakin pesat berdampak pada terjadinya penurunan substansial dalam biaya penyimpanan data, peningkatan pesat
Lebih terperinciSURVEI DEMOGRAFI DAN KESEHATAN INDONESIA 2012 DAFTAR RUMAH TANGGA I. PENGENALAN TEMPAT II. KUNJUNGAN PETUGAS TANGGAL BULAN
Rahasia SDKI-RT SURVEI DEMOGRAFI DAN KESEHATAN INDONESIA 0 DAFTAR RUMAH TANGGA I. PENGENALAN TEMPAT. PROVINSI. KABUPATEN/KOTA *) 3. KECAMATAN 4. DESA / KELURAHAN 5. DAERAH **) PERKOTAAN - PERDESAAN - 6.
Lebih terperinciPENGELOMPOKAN RUMAH TANGGA MISKIN DI KECAMATAN TABIR BARAT MENGGUNAKAN METODE LATENT CLASS CLUSTER ANALYSIS
Jurnal Ilmiah Matematika dan Pendidikan Matematika (JMP) Vol. 9 No. 2, Desember 2017, hal. 63-74 ISSN (Cetak) : 2085-1456; ISSN (Online) : 2550-0422; https://jmpunsoed.com/ PENGELOMPOKAN RUMAH TANGGA MISKIN
Lebih terperinciCLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS
CLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS Muhammad Toha, 1), I Ketut Edy Purnama 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Konsentrasi CIO) Jurusan Teknik Elektro
Lebih terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
Lebih terperinciAPLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT
APLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT Fradika Indrawan Jurusan Teknik Informatika, Universitas Ahmad Dahlan, Yogyakarta Jl.
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
Lebih terperinciStatistik Deskriptif. Perumahan. Seminar Hasil Tugas Akhir
Statistik Deskriptif Perumahan Sebagian besar status penguasaan bangunan tempat tinggal rumah tangga miskin dan tidak miskin di Kota Malang tahun 2009 adalah milik sendiri dengan persentase jauh lebih
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Bab ini menjelaskan mengenai analisis dan proses perancangan. Bagian analisis meliputi deskripsi umum sistem yang dibangun, spesifikasi kebutuhan perangkat lunak, data
Lebih terperinciGorontalo. Menara Keagungan Limboto
Laporan Provinsi 509 Menara Keagungan Limboto Menara ini dibangun tahun 2001 dan berlokasi di Limboto, ibu kota Kabupaten. Menara Kea gungan yang menjadi kebanggaan ma syarakat ini memiliki daya tarik
Lebih terperinciP r o f i l K e m i s k i n a n P B D T i
P r o f i l K e m i s k i n a n P B D T 2 0 1 5 i ii P r o f i l K e m i s k i n a n P B D T 2 0 1 5 PROFIL KEMISKINAN (PBDT 2015) PEMERINTAH KABUPATEN BANTUL BADAN PERENCANAAN PEMBANGUNAN DAERAH 2016
Lebih terperinciMETODE PENELITIAN. Penelitian ini menggunakan metode deskriptif dengan pendekatan
III. METODE PENELITIAN Penelitian ini menggunakan metode deskriptif dengan pendekatan kuantitatif. Pada penelitian deskriptif, prosedur pemecahan masalah yang diselidiki dengan menggambarkan atau melukiskan
Lebih terperinciPenerapan Kohonen Self Organized Map Dalam Kuantisasi Vektor Pada Kompresi Citra Bitmap 24 Bit
Penerapan Kohonen Self Organized Map Dalam Kuantisasi Vektor Pada Kompresi Citra Bitmap 24 Bit Gadis Fransiska Yulianti Tae, Sri Suwarno, Widi Hapsari Fakultas Teknologi Informasi, Program Studi Teknik
Lebih terperinciPEMANFAATAN METODE CLUSTER SOM IDB SEBAGAI ANALISA PENGELOMPOKAN PENERIMA BEASISWA
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 11 PEMANFAATAN METODE CLUSTER SOM IDB SEBAGAI ANALISA PENGELOMPOKAN PENERIMA BEASISWA Lilia Rahmawati 1, Andharini Dwi Cahyani 2, Sigit Susanto Putro
Lebih terperinciPEMANFAATAN METODE SELF ORGANIZING MAP PADA OPTIMASI MASALAH TRAVELLING SALESMAN PROBLEM
Jurnal Computech & Bisnis, Vol. 5, No. 2, Desember 2011, 95-102 ISSN Pemanfaatan 1978-9629 Metode Self Organizing Map...(Yulistian S, Irawan A) PEMANFAATAN METODE SELF ORGANIZING MAP PADA OPTIMASI MASALAH
Lebih terperinciKalimantan Tengah. Jembatan Kahayan
402 Penghitungan Indeks Indonesia 2012-2014 Kalimantan Tengah Jembatan Kahayan Jembatan Kahayan adalah jembatan yang membelah Sungai Kahayan di Palangkaraya, Kalimantan Tengah, Indonesia. Jembatan ini
Lebih terperinciBAB 3 GAMBARAN UMUM PEREKONOMIAN DAN KEUANGAN DAERAH KAB/KOTA DI JAWA TENGAH
BAB 3 GAMBARAN UMUM PEREKONOMIAN DAN KEUANGAN DAERAH KAB/KOTA DI JAWA TENGAH 3.1 Keadaan Geografis dan Pemerintahan Propinsi Jawa Tengah adalah salah satu propinsi yang terletak di pulau Jawa dengan luas
Lebih terperinciBab 4 Hasil dan Pembahasan
Bab 4 Hasil dan Pembahasan Model prediksi variabel makro untuk mengetahui kerentanan daerah di Provinsi Jawa Tengah, dilakukan dengan terlebih dahulu mencari metode terbaik. Proses pencarian metode terbaik
Lebih terperinciPENGGUNAAN METODE ANALISIS DISKRIMINAN, REGRESI LOGISTIK, NEURAL NETWORK, DAN MARS UNTUK ANALISIS PERMASALAHAN KLASIFIKASI DATA HBAT DAN DATA IRIS
Jurnal Barekeng Vol. 7 No. 2 Hal 47 51 (2013) PENGGUNAAN METODE ANALISIS DISKRIMINAN, REGRESI LOGISTIK, NEURAL NETWORK, DAN MARS UNTUK ANALISIS PERMASALAHAN KLASIFIKASI DATA HBAT DAN DATA IRIS The Applications
Lebih terperinciPENYELESAIAN MASALAH TRAVELING SALESMAN PROBLEM DENGAN JARINGAN SARAF SELF ORGANIZING
Media Informatika, Vol. 6, No. 1, Juni 2008, 39-55 ISSN: 0854-4743 PENYELESAIAN MASALAH TRAVELING SALESMAN PROBLEM DENGAN JARINGAN SARAF SELF ORGANIZING Sukma Puspitorini Program Studi Teknik Informatika
Lebih terperinciAnalisa Anggaran Pendapatan dan Belanja Daerah (APBD) dengan Metode Hierarchical Clustering
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Analisa Anggaran Pendapatan dan Belanja Daerah (APBD) dengan Metode Hierarchical Clustering Viga Apriliana Sari, Nur Insani Jurusan Pendidikan
Lebih terperinciTIM KOORDINASI PENANGGULANGAN KEMISKINAN DAERAH KABUPATEN KENDAL. 0 Laporan Pelaksanaan Penanggulangan Kemiskinan Daerah (LP2KD) Kabupaten Kendal
LP2KD Laporan Pelaksanaan Penanggulangan Kemiskinan Daerah Kabupaten Kendal TIM KOORDINASI PENANGGULANGAN KEMISKINAN DAERAH KABUPATEN KENDAL TAHUN 2012 0 Laporan Pelaksanaan Penanggulangan Kemiskinan Daerah
Lebih terperinciDhiani Tresna Absari,ST. Dosen Jurusan Teknik Informatika Universitas Surabaya
PERENCANAAN PEMBUATAN SISTEM PENUNJANG KEPUTUSAN DENGAN MENGGUNAKAN METODE CLUSTERING PADA STUDI KELAYAKAN PEMBUKAAN JARINGAN TRAYEK ANGKUTAN KOTA (SISTEM PENUNJANG KEPUTUSAN JARINGAN TRAYEK ANGKUTAN KOTA)
Lebih terperinciPemetaan Status Gizi Balita Terhadap Kecamatan-Kecamatan Di Kabupaten Trenggalek Dengan Metode Analisis Korespondensi
Pemetaan Status Gizi Balita Terhadap Kecamatan-Kecamatan Di Kabupaten Trenggalek Dengan Metode Analisis Korespondensi Oleh : Teguh Purianto (0 09 06) Dosen Pembimbing : Wibawati, S.Si., M.Si. ABSTRAK Anak
Lebih terperinciKLASIFIKASI BERBASIS LVQ MENGGUNAKAN OPTIMASI LEARNING RATE UNTUK MEMILIH SISWA PESERTA OSN
KLASIFIKASI BERBASIS LVQ MENGGUNAKAN OPTIMASI LEARNING RATE UNTUK MEMILIH SISWA PESERTA OSN Wahyu Hadi Pujianto 1), Mochamad Hariadi 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Kosentrasi CIO)
Lebih terperinci1. Latar Belakang Pertumbuhan ekonomi tidak dapat dijadikan indikator tunggal untuk menyatakan adanya perbaikan kesejahteraan rakyat.
1. Latar Belakang Pertumbuhan ekonomi tidak dapat dijadikan indikator tunggal untuk menyatakan adanya perbaikan kesejahteraan rakyat. Fenomena kemiskinan sangat meluas. Dengan mendasarkan pada UU Nomor
Lebih terperinci14 KRITERIA MISKIN MENURUT STANDAR BPS ; 1. Luas lantai bangunan tempat tinggal kurang dari 8m2 per orang.
14 KRITERIA MISKIN MENURUT STANDAR BPS ; 1. Luas lantai bangunan tempat tinggal kurang dari 8m2 per orang. 2. Jenis lantai tempat tinggal terbuat dari tanah/bambu/kayu murahan. 3. Jenis dinding tempat
Lebih terperinciTeknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil
Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil Ronny Susetyoko, Elly Purwantini Politeknik Elektronika Negeri Surabaya
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Tanaman karet merupakan tanaman yang memiliki peran penting di bidang industri terutama sebagai bahan baku di bidang industri ban dan otomotif (Sinaga, 2011). Indonesia
Lebih terperinciSumatera Barat. Jam Gadang
Laporan Provinsi 123 Sumatera Barat Jam Gadang Jam gadang adalah nama untuk menara jam yang terletak di pusat Bukittinggi, Sumatera Barat, Indonesia. Menara jam ini memiliki jam dengan ukuran besar di
Lebih terperinciPETUNJUK PELAKSANAAN Verifikasi/VALIDASI DATA RUMAH TANGGA Dalam Mekanisme Pemutakhiran Mandiri (MPM) Data Terpadu Program Penanganan Fakir Miskin
PETUNJUK PELAKSANAAN VERIFIKASI/VALIDASI DATA DALAM RUMAH TANGGA PETUNJUK PELAKSANAAN Verifikasi/VALIDASI DATA RUMAH TANGGA Dalam Mekanisme Pemutakhiran Mandiri (MPM) Data Terpadu Program Penanganan Fakir
Lebih terperinciSecond-Order Confirmatory Factor Analysis pada Kemiskinan di Kabupaten Jombang
JURNAL SAINS DAN SENI POMITS Vol. 3, No., (014) 337-350 (301-98X Print) D-78 Second-Order Confirmatory Factor Analysis pada di Kabupaten Jombang Masnatul Laili dan Bambang Widanarko Otok Jurusan Statistika,
Lebih terperinci