JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNIK UNIVERSITAS SEBELAS MARET SURAKARTA

perpustakaan.uns.ac.id

digilib.uns.ac.id

PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PEMETAAN PROFIL KECAMATAN DI KABUPATEN SRAGEN BERDASARKAN INDEKS PEMBANGUNAN MANUSIA MENGGUNAKAN ALGORITMA SELF ORGANIZING MAPS (SOM)

Skripsi Sebagai Persyaratan Untuk Memperoleh Gelar Sarjana Teknik

AGUNG DWI SANTOSA I 0308028

JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNIK UNIVERSITAS SEBELAS MARET SURAKARTA commit to user 2013 i


digilib.uns.ac.id

ABSTRAK Agung Dwi Santosa, NIM I0308028. PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PEMETAAN PROFIL KECAMATAN DI KABUPATEN SRAGEN BERDASARKAN INDEKS PEMBANGUNAN MANUSIA MENGGUNAKAN ALGORITMA SELF ORGANIZING MAPS (SOM). Tugas Akhir. Surakarta : Jurusan Teknik Industri Fakultas Teknik, Universitas Sebelas Maret, Januari 2013. Sistem pendukung keputusan pemetaan profil kecamatan adalah suatu prosedur yang didasarkan pada model untuk pemrosesan data – data yang menggambarkan profil setiap kecamatan guna membantu pihak pemegang kebijakan dalam menetapkan suatu keputusan. Sistem pendukung keputusan pemetaan profil kecamatan menggunakan indikator – indikator Indeks Pembangunan Manusia (IPM) sebagai input yang menjadi pertimbangan dalam menetapkan suatu keputusan. Indikator – indikator IPM terdiri dari indikator Angka Harapan Hidup (AHH), Angka Melek Huruf (AMH) dan rata – rata lama sekolah (Mean Years School / MYS), dan Purchasing Power Parity (PPP) atau pengeluaran per kapita real disesuaikan. Indikator – indikator penyusun IPM tersebut merupakan indikator yang bersifat jamak sehingga masing - masing indikator terdiri dari beberapa indikator penyusun. Pemetaan profil kecamatan dilakukan di Kabupaten Sragen dikarenakan memiliki perkembangan yang cukup pesat dalam hal pembangunan yang ditunjukkan dengan capaian angka IPM yang terus membaik pada tahun 2007 hingga 2010. Pemetaan profil kecamatan dilakukan dengan menggunakan algoritma Self Organizing Maps (SOM) karena SOM mampu memetakan data berdimensi tinggi kedalam bidang dua dimensi. Hasil pemetaan profil kecamatan berupa informasi cluser – cluster kecamatan yang menggambarkan kesamaan dan perbedaan karakteristik dari masing – masing kecamatan. Manfaat dari pemetaan profil kecamatan di Kabupaten Sragen adalah memberikan informasi tentang kesamaan dan perbedaan profil kecamatan berdasarkan hasil pemetaaan profil kecamatan di Kabupaten Sragen sehingga dapat diberikan perlakuan yang sama untuk kecamatan – kecamatan yang memiliki kemiripan karakteristik. Dengan demikian diharapkan dapat member nilai tambah terhadap kebijakan yang dibuat. Kata Kunci: Sistem pendukung keputusan, Self Organizing Maps (SOM), pemetaan profil kecamatan, Indeks Pembangunan Manusia (IPM), Clustering xvii + 93 halaman; 38 gambar; 29 tabel; lampiran Daftar pustaka : 43 (1969 – 2012) commit to user

vii


digilib.uns.ac.id

ABSTRACT Agung Dwi Santosa, NIM I0308028. DESIGNING DECISION SUPPORT SYSTEM OF DISTRICT PROFILE MAPPING IN SRAGEN BASED ON HUMAN DEVELOPMENT INDEX USING SELF MAPS ORGANIZING (SOM) ALGORITHM. Thesis. Surakarta: Department of Industrial Engineering, Faculty of Engineering, Sebelas Maret University, January 2013. Decision support system of district profile mapping is a procedure that’s based on a model for data processing which describes each district profile to helping policy makers to establish a decision. Decision support system of district profile mapping is using indicators which is called Human Development Index (HDI) as an input for consideration in establishing a decision. HDI indicators consist of Life Expectancy, Literacy Rate , Mean Years School, and Purchasing Power Parity indicators. Those HDI composer indicators have plural characteristics so each indicator is composed of several composer indicators. District profiles mapping is done in Sragen because they have rapidly grown in terms of development as indicated by their HDI number performance continues to improve from 2007 to 2010. District profiles mapping is done using Self Organizing Maps (SOM) algorithms because SOM is able to map high dimensional data into two dimensional plane. The results of district profiles mapping are in form of districts cluster informations which describes similarities and differences of each district characteristics. The benefit of profile mapping in Sragen is providing information about the similarities and differences in district profile based on the result of profile mapping in Sragen, so same treatments can be given to any district which has similar characteristics. It’s expected to give value added for policy that has been establised. Keywords: Decision support system, Self Organizing Maps (SOM), District profile mapping, Human Development Index (HDI), Clustering. xvii + 93 pages; 38 pictures; 29 tables; attachments References: 43 (1969 – 2012)

commit to user

viii


digilib.uns.ac.id

KATA PENGANTAR Alhamdulillah, puji syukur penulis panjatkan kehadirat Allah SWT karena berkat rahmat dan karunia-Nya penulis dapat menyusun dan menyelesaikan laporan Skripsi ini. Pada kesempatan ini penulis ingin mengucapkan terima kasih kepada pihak-pihak yang telah banyak membantu selama penyusunan laporan skripsi ini yaitu : 1. Allah SWT yang selalu mencurahkan nikmat dan karunia-Nya kepada kita semua. 2. Bapak, Ibu dan Mas Hendri yang selalu mendukung dan memberikan motivasi yang tak pernah henti. 3. Bapak Dr. Cucuk Nur Rosyidi, ST, MT, selaku Ketua Jurusan Teknik Industri UNS. 4. Bapak Yusuf Priyandari, ST, MT, selaku pembimbing I yang telah memberikan motivasi, bimbingan dan pengarahannya. 5. Bapak I Wayan Suletra, ST, MT, selaku pembimbing II yang telah memberikan motivasi, bimbingan dan pengarahannya. 6. Bapak Pringgo Widyo Laksono, ST, MT dan Bapak Taufiq Rochman, STP, MT selaku penguji yang telah memberikan kritik dan saran terhadap penelitian ini. 7. Buat mbaknya, makasih ya udah sukses mencuri hatiku.., Ciaaat ciaaat ciaattt Hehehe 8. Temen – temen 2008 sebimbingan (Yanu, Dina, Uta, Taufan, Januar, Radit, Dhonny P, Kiki, dan Fafan), Buat yang udah ST, selamat dan moga sukses selalu yaa. Buat yang belum, tetap semangat dan jangan menyerah yaa. 9. Konco – konco dolan (Yanu, Andri, Anan, Tyo, Sony, Rio, Reza, Nuski, Sofyan, Raga, Mas Bison dan lain – lain). Ayo turunkan tekat kita ke adek kelas “Garap skripsi jangan sampe ganggu waktu dolan”. Hahaha. 10. Teman-teman Teknik Industri 2008 yang tidak dapat disebutkan satu persatu terima kasih atas waktu, kekompakan, bantuan, ilmu, semangat dan motivasi yang telah diberikan. commit to user

v


digilib.uns.ac.id

11. Teman-teman Teknik Industri 2007 yang telah mau berbagi pengalaman dan membantu dalam sharing ilmu. 12. Teman-teman asisten OPSI dari angkatan termuda 2010 (Ade, Tomo, Abdul, Dyah, Ifen dan Astrid), angkatan 2009 (Arizal, Desta, Drestanta, Arief, Akbar dan Putra), angkatan 2008 (Radit, M. Dhonny, Dhonny P, Fafan, Yanuar dan Yunan), angkatan 2007 (Mas Bunyan, Mas Jonatan, Mas Dibsi, Mas Didit, Mbak Utami, dan Mas Agung) dan mas mas mbak mbak asisten OPSI dari angkatan 2006 hingga angkatan pertama yang menjadi asistan OPSI. Terima kasih sudah mau berbagi ilmu dengan kami. Sukses terus anak OPSI !!! 13. Semua pihak yang tidak dapat disebutkan satu persatu, terima kasih atas segala bantuan dan doa yang telah diberikan. Penulis menyadari bahwa laporan ini jauh dari sempurna dan banyak memiliki kekurangan. Oleh karena itu penulis mengharapkan kritik, masukan dan saran yang membangun untuk penyempurnaan laporan ini. Semoga laporan ini dapat memberikan manfaat bagi pembaca sekalian.

Surakarta, 5 Februari 2013

Penulis

commit to user

vi


digilib.uns.ac.id

DAFTAR ISI HALAMAN JUDUL ..................................................................................... i LEMBAR PENGESAHAN .......................................................................... ii SURAT PERNYATAAN ORISINALITAS KARYA ILMIAH ................ iii SURAT PERNYATAAN PUBLIKASI KARYA ILMIAH ....................... iv KATA PENGANTAR ................................................................................... v ABSTRAK ..................................................................................................... vii ABSTRACT ................................................................................................... viii DAFTAR ISI.................................................................................................. ix DAFTAR TABEL ......................................................................................... xii DAFTAR GAMBAR ..................................................................................... xiv DAFTAR LAMPIRAN ................................................................................. xvi DAFTAR SINGKATAN DAN ISTILAH ................................................... xvii

BAB I

PENDAHULUAN 1.1

Latar Belakang ........................................................................ I-1

1.2

Perumusan Masalah ................................................................ I-4

1.3

Tujuan Penelitian .................................................................... I-4

1.4

Manfaat Penelitian .................................................................. I-5

1.5

Sistematika Penulisan ............................................................. I-5

BAB II TINJAUAN PUSTAKA 2.1

Profil Kabupaten Sragen ......................................................... II-1

2.2

Indeks Pembangunan Manusia ............................................... II-1

2.3

Sistem Pendukung Keputusan................................................. II-7

2.4

Jaringan Syaraf Tiruan ............................................................ II-9

2.5

Clustering................................................................................ II-13

2.6

Acuan Penelitian ..................................................................... II-20

BAB III METODOLOGI PENELITIAN 3.1

Identifikasi Masalah ................................................................ III-2 commit to user 3.1.1 Studi Pustaka ................................................................ III-2 ix


digilib.uns.ac.id

3.1.2 Identifikasi Masalah ..................................................... III-2 3.1.3 Perumusan Masalah ...................................................... III-3 3.1.4 Penetapan Tujuan ......................................................... III-3 3.2

Pengumpulan dan Pengolahan Data........................................ III-4 3.2.1 Pengumpulan Data ....................................................... III-4 3.2.2 Penghitungan Menurut Algoritma SOM ...................... III-5 3.2.3 Verifikasi Cluster ......................................................... III-9 3.2.4 Penyusunan Kerangka SPK .......................................... III-9 3.2.5 Pembuatan Database..................................................... III-10 3.2.6 Pembuatan Desain Antarmuka ..................................... III-10

3.3

Analisis, Interpretasi Hasil, Kesimpulan, dan Saran............... III-10 3.3.1 Analisis dan Interpretasi Hasil ..................................... III-10 3.3.2 Kesimpulan dan Saran .................................................. III-11

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1

Pengumpulan Data .................................................................. IV-1 4.1.1. Indeks Harapan Hidup .................................................. IV-2 4.1.2. Indeks Pendidikan ....................................................... IV-6 4.1.3. Indeks Standar Hidup Layak ........................................ IV-10

4.2

Pengolahan Data ..................................................................... IV-14 4.1.1. Penghitungan Algoritma SOM ..................................... IV-14 4.1.2. Verifikasi Cluster ......................................................... IV-30 4.1.3. Penyusunan Kerangka SPK ......................................... IV-34 4.1.4. Pembuatan Database..................................................... IV-34 4.1.5. Pembuatan Desain Antarmuka ..................................... IV-35

BAB V ANALISIS DAN INTERPRETASI HASIL 5.1

Analisis Metode Pengumpulan Data ....................................... V-1

5.2

Analisis Identifikasi Indikator................................................. V-2

5.3

Analisis Desain Antarmuka Aplikasi Sistem Pendukung Keputusan Pemetaan Profil Kecamatan ................................................... V-3

5.4 5.5

Analisis Penentuan Learning Rate .......................................... V-3 to user............................................ V-6 Analisis Penentuancommit Lebar Kernel

x


digilib.uns.ac.id

5.6

Analisis Output Algoritma Self Organizing Maps .................. V-9

5.7

Analisis Verifikasi Cluster ...................................................... V-10

5.8

Interpretasi Hasil Pembentukan Cluster ................................. V-11

BAB VI KESIMPULAN DAN SARAN 6.1

Kesimpulan ............................................................................. VI-1

6.2

Saran ....................................................................................... VI-2

DAFTAR PUSTAKA LAMPIRAN

commit to user

xi


digilib.uns.ac.id

DAFTAR TABEL Tabel 2.1

Nilai maksimum dan minimum komponen IPM ................... II-3

Tabel 2.2

Tahun konversi dari pendidikan yang ditamatkan ................ II-4

Tabel 2.3

Daftar paket komoditas PPP .................................................. II-5

Tabel 4.1

Daftar indikator ..................................................................... IV-1

Tabel 4.2

Persentase kasus diare yang ditangani................................... IV-2

Tabel 4.3

Persentase balita gizi buruk ................................................... IV-3

Tabel 4.4

Angka kematian balita ........................................................... IV-4

Tabel 4.5

Persentase kelahiran bayi yang hidup ................................... IV-4

Tabel 4.6

Persentase kelahiran ditangani medis .................................... IV-5

Tabel 4.7

Presentase penduduk tamat SMP .......................................... IV-6

Tabel 4.8

Persentase penduduk usia sekolah ......................................... IV-7

Tabel 4.9

Angka partisipasi murni ........................................................ IV-8

Tabel 4.10

Angka melek huruf ................................................................ IV-9

Tabel 4.11

Angka putus sekolah ............................................................. IV-9

Tabel 4.12

Angka beban tanggungan (Dependency Ratio) ..................... IV-11

Tabel 4.13

Persentase penduduk miskin ................................................. IV-11

Tabel 4.14

Jumlah sarana perekonomian ................................................ IV-12

Tabel 4.15

Persentase rumah tangga tidak layak huni ............................ IV-13

Tabel 4.16

Reference vector neuron ........................................................ IV-14

Tabel 4.17

Reference vector neuron pada t = 1000 ................................. IV-24

Tabel 4.18

Hasil pembentukan cluster .................................................... IV-26

Tabel 4.19

Entitas dan atribut .................................................................. IV-35

Tabel 4.20

Menu dan submenu ............................................................... IV-36

Tabel 5.1

Perubahan lokasi reference vector neuron pada beberapa nilai learning rate (indeks harapan hidup) .................................... V-4

Tabel 5.2

Perubahan lokasi reference vector neuron pada beberapa nilai learning rate (indeks pendidikan) ......................................... V-5

Tabel 5.3

Perubahan lokasi reference vector neuron pada beberapa nilai commit to user learning rate (indeks standar hidup layak)............................ V-5 xii


Tabel 5.4

digilib.uns.ac.id

Perubahan lokasi reference vector neuron pada beberapa nilai lebar kernel (indeks harapan hidup) ...................................... V-7

Tabel 5.5

Perubahan lokasi reference vector neuron pada beberapa nilai lebar kernel (indeks pendidikan) ........................................... V-7

Tabel 5.6

Perubahan lokasi reference vector neuron pada beberapa nilai lebar kernel (indeks standar hidup layak).............................. V-8

commit to user

xiii


digilib.uns.ac.id

DAFTAR GAMBAR Gambar 2.1

Bagan indikator – indikator yang berpengaruh terhadap IPM ............................................................................................... II-7

Gambar 2.2

Sistematika SPK .................................................................... II-8

Gambar 2.3

Arsitektur Layer Jamak ......................................................... II-11

Gambar 2.4

Arsitektur Layer Kompetitif .................................................. II-12

Gambar 2.5

Arsitektur SOM ..................................................................... II-16

Gambar 2.6

Reference vector neuron ........................................................ II-16

Gambar 2.7

Reference vector winner ........................................................ II-17

Gambar 2.5

Update lokasi reference vector winner dan tetangganya ....... II-18

Gambar 3.1

Flowchart metodologi penelitian .......................................... III-1

Gambar 3.2

Influence diagram.................................................................. III-3

Gambar 3.3

Flowchart proses identifikasi indikator ................................. III-5

Gambar 3.4

Flowchart algoritma SOM ................................................... III-6

Gambar 3.5

Flowchart verifikasi cluster .................................................. III-9

Gambar 3.6

Flowchart pembuatan database ............................................. III-10

Gambar 4.1

Pemetaan lokasi reference vector neuron awal ..................... IV-15

Gambar 4.2

Reference vector neuron t = 1000 (indeks harapan hidup) ... IV-24

Gambar 4.3

Reference vector neuron t = 1000 (indeks pendidikan) ........ IV-25

Gambar 4.4

Reference vector neuron t = 1000 (indeks standar hidup layak) ............................................................................................... IV-25

Gambar 4.5

Hasil pembentukan cluster berdasarkan indeks harapan hidup untuk output 2 cluster ............................................................ VI-27

Gambar 4.6


Gambar 4.7


Gambar 4.8

Hasil pembentukan cluster berdasarkan indeks harapan hidup untuk output 5 cluster ............................................................ VI-28 commit to user

xiv


Gambar 4.9

digilib.uns.ac.id

Hasil pembentukan cluster berdasarkan indeks pendidikan untuk output 2 cluster ...................................................................... VI-28

Gambar 4.10


Gambar 4.11


Gambar 4.12

Hasil pembentukan cluster berdasarkan indeks standar hidup layak untuk output 2 cluster ............................................................ VI-29

Gambar 4.13


Gambar 4.14


Gambar 4.15

Diagram jarak rata – rata antar kecamatan berdasarkan indeks harapan hidup ........................................................................ VI-31

Gambar 4.16

Diagram jarak rata – rata antar kecamatan berdasarkan indeks pendidikan ............................................................................. VI-32

Gambar 4.17

Diagram jarak rata – rata antar kecamatan berdasarkan indeks standar hidup layak ................................................................ VI-34

Gambar 4.18

Kerangka SPK ........................................................................ VI-34

Gambar 4.19 Entity Relationship Diagram ................................................. VI-35 Gambar 4.20

Desain antarmuka halama utama ........................................... VI-36

Gambar 4.21

Desain antarmuka sub menu proses clustering berdasarkan indeks harapan hidup ........................................................................ VI-37

Gambar 4.22

Desain antarmuka sub menu proses clustering berdasarkan indeks pendidikan ............................................................................. VI-37

Gambar 4.23

Desain antarmuka sub menu proses clustering berdasarkan indeks standar hidup layak ................................................................ VI-37

Gambar 4.24

Desain antarmuka tampilan pembentukan cluster ................. VI-38

commit to user

xv


digilib.uns.ac.id

DAFTAR LAMPIRAN Lampiran 1 Tabel jarak antar kecamatan ..................................................... L-1 Lampiran 2 Desain antarmuka ..................................................................... L-2

commit to user

xvi


digilib.uns.ac.id

BAB I PENDAHULUAN Pada bab ini membahas mengenai latar belakang masalah, perumusan masalah, tujuan penelitian, manfaat penelitian serta sistematika penulisan. 1.1

LATAR BELAKANG Kabupaten Sragen merupakan salah satu kabupaten yang terletak di

Propinsi Jawa Tengah yang memiliki perkembangan yang cukup pesat dalam hal pembangunan. Hal ini ditunjukkan bahwa selama empat tahun terakhir pencapaian angka IPM (Indeks Pembangunan Manusia) Kabupaten Sragen relatif terus membaik. Pada tahun 2007 hingga 2010, pencapaian angka IPM Kabupaten Sragen mengalami kenaikan sebesar 1,95 poin dari 68,98 menjadi 70,93 (Badan Pusat Statistik Kabupaten Sragen, 2011). Namun dibalik perkembangan capaian IPM tersebut, IPM Kabupaten Sragen berada pada level bawah jika dibandingkan dengan daerah lain di kawasan eks Karesidenan Surakarta yaitu menempati peringkat 6 dari 7 kabupaten / kota di eks Karesidenan Surakarta. Apabila dibandingkan dengan daerah lain dikawasan Propinsi Jawa Tengah, IPM Kabupaten Sragen menempati peringkat 25 dari 35 kabupaten / kota di Propinsi Jawa Tengah (Badan Pusat Statistik Kabupaten Sragen, 2011). IPM diperkenalkan United Nation Development Program (UNDP) pada tahun 1990 sebagai suatu ukuran yang merefleksikan upaya pembangunan manusia. Biasanya IPM digunakan sebagai rujukan oleh pemerintah baik pemerintah pusat maupun daerah untuk menilai hasil dari pelaksanaan kebijakan pemerintah yang berdampak pada kinerja sosial maupun ekonomi masyarakatnya (Badan Pusat Statistik Kabupaten Sragen, 2011). IPM didasarkan pada indikator Angka Harapan Hidup (AHH), Angka Melek Huruf (AMH) dan rata – rata lama commit to user sekolah (Mean Years School / MYS), dan Purchasing Power Parity (PPP) atau

I-1


digilib.uns.ac.id

pengeluaran perkapita real disesuaikan. Indikator penyusun IPM tersebut merupakan indikator yang bersifat jamak yang terdiri dari beberapa indikator penyusun. Sebagai contoh, indikator AHH terdiri dari indikator angka kelahiran anak hidup dan jumlah anak yang masih hidup (Badan Pusat Statistik, 2008). Pencapaian IPM Kabupaten Sragen tidak lepas dari dukungan sarana dan prasarana yang ada di setiap kecamatan. Sebagai contoh, jumlah sekolah yang memadai di suatu lokasi berkorelasi terhadap AMH. Begitu pula dengan indikator – indikator lainnya, ada keterkaitan antara indikator satu dengan indikator lainnya yang mempengaruhi IPM di tingkat kabupaten. Oleh karena itu, selain menggunakan IPM sebagai indikator Kabupaten Sragen secara umum, penting juga untuk diketahui oleh Pemerintah Daerah (Pemda) Kabupaten Sragen mengenai profil setiap wilayah (kecamatan, kelurahan atau desa) yang dikelolanya. Informasi tentang profil setiap wilayah tentunya memberikan aspek positif bagi Pemda dalam pengambilan kebijakan untuk setiap wilayah. Salah satu cara memahami profil setiap wilayah adalah melalui pemetaan atau clustering. Clustering menurut Han dan Kamber (2001) adalah suatu proses mengelompokkan data ke dalam kelas atau cluster sehingga data dengan kesamaan cluster memiliki kemiripan yang tinggi dibandingkan dengan yang lain dalam satu cluster, tapi sangat berbeda untuk data pada cluster yang lain. Tujuan dilakukan clustering menurut Aldenderfer dan Blashﬁeld (1984) adalah untuk mengembangkan klasifikasi dan investigasi skema konseptual yang digunakan untuk pengelompokan entitas, hipotesa, eksplorasi data, dan pengujian terhadap hipotesa. Clustering atau pemetaan profil kecamatan di Kabupaten Sragen dilakukan dengan mengelompokkan kecamatan di Kabupaten Sragen berdasarkan kemiripan karakteristik dari masing – masing kecamatan yang didasarkan pada to user Sragen menghasilkan informasi data. Pemetaan profil kecamatancommit di Kabupaten

I-2


digilib.uns.ac.id

berupa cluster – cluster kecamatan yang dapat membantu pihak pengambil kebijakan dalam menetapkan suatu kebijakan. Sebagai contoh, kecamatan yang berada pada satu cluster yang sama dapat diberikan perlakuan / kebijakan yang sama karena kecamatan tersebut memiliki karakteristik yang mirip. Arti dkk. (2010) telah melakukan penelitian tentang pemetaan yaitu pemetaan teknologi komunikasi dan informasi menggunakan algoritma Self Organizing Maps (SOM) di Jakarta untuk mengetahui ketersediaan fasilitas pendukung internet dan telekomunikasi. Permasalahan pemetaaan profil kecamatan di Kabupaten Sragen dapat dilakukan seperti halnya pada pemetaan teknologi komunikasi dan informasi tersebut. Hal ini dikarenakan algoritma SOM merupakan salah satu bentuk topologi dari Unsupervised Artificial Neural Network (Unsupervised ANN) sehingga dalam proses pelatihannya tidak memerlukan pengawasan (target output). Pada pemetaan profil kecamatan di Kabupaten Sragen, algoritma SOM digunakan untuk membentuk cluster - cluster kecamatan berdasarkan indikator - indikator yang dimiliki. Algoritma SOM diperkenalkan oleh Kohonen pada tahun 1982 sebagai metode pemetaan yang mampu menggambarkan dan menganalisis relasi kelompok pada dimensi data yang tinggi dengan memproyeksikan data kedalam gambar dua dimensi yang menjelaskan indikator wilayah kemiripan (Kohonen, 2000). Selain algoritma SOM, dikenal juga beberapa metode pemetaan yang lain diantaranya Sammon’s Mapping yang diperkenalkan oleh Sammon (1969) sebagai suatu metode untuk pemetaan non linier pada data multidimensi ke dalam dua atau tiga ruang multidimensi. Metode ini menitikberatkan pendekatan terhadap inherensif struktur data dan secara luas digunakan dalam pengenalan pola. Selain itu, Mirkin (2005) menjabarkan metode K-Means sebagai salah satu metode data commit to user data yang ada ke dalam bentuk clustering non hierarki yang mampu mempartisi

I-3


digilib.uns.ac.id

satu atau lebih cluster / kelompok. Pada dasarnya metode K-Means dilakukan dalam dua tahap yaitu pendeteksian lokasi pusat tiap cluster dan proses pencarian anggota dari tiap cluster. Dari beberapa metode pemetaan yang telah dijabarkan diatas, algoritma SOM dipilih sebagai metode yang relvan untuk melakukan pemetaan kecamatan di Kabupaten Sragen. Dengan menggunakan algoritma SOM dapat dilakukan pemetaan input secara nyata kedalam bentuk dua dimensi. Selain itu, dapat diperlihatkan juga pemetaan unit distribusi kepadatan ruang input kedalam ruang output dua dimensi (Henriques dan Bacao, 2001). 1.2

PERUMUSAN MASALAH Berdasarkan latar belakang diatas, permasalahan yang dapat dirumuskan

adalah bagaimana pemetaan profil kecamatan berdasarkan IPM di Kabupaten Sragen menggunakan algoritma Self Organizing Maps (SOM). 1.3

TUJUAN PENELITIAN Adapun tujuan yang ingin dicapai dalam penelitian ini adalah sebagai

berikut. 1. Menentukan indikator - indikator IPM yang berperan dalam pemetaan profil kecamatan. 2. Menentukan cluster - cluster kecamatan di Kabupaten Sragen berdasarkan hasil pemetaan profil menggunakan indikator – indikator IPM. 3. Menyusun aplikasi sistem pendukung keputusan yang memberikan informasi tentang kesamaan dan perbedaan profil kecamatan di Kabupaten Sragen yang memudahkan pembuat kebijakan meng-update indikator IPM yang sudah ada sebelumnya.

commit to user

I-4


1.4

digilib.uns.ac.id

MANFAAT PENELITIAN Manfaat dari penelitian ini adalah sebagai berikut. 1. Memberikan informasi tentang kesamaan dan perbedaan profil kecamatan berdasarkan hasil pemetaaan profil kecamatan di Kabupaten Sragen menggunakan indikator – indikator IPM sehingga dapat diberikan perlakuan yang sama untuk kecamatan – kecamatan yang memiliki kemiripan karakteristik. 2. Pengambil kebijakan mendapatkan informasi tentang kesamaan dan perbedaan profil dari tiap kecamatan di Kabupaten Sragen sehingga diharapkan dapat memberikan nilai tambah terhadap kebijakan yang berdampak pada peningkatan nilai capaian IPM.

1.5

SISTEMATIKA PENULISAN Sistematika penulisan yang digunakan dalam penelitian ini adalah sebagai

berikut. BAB I PENDAHULUAN Bab ini menguraikan latar belakang mengenai permasalahan yang akan dibahas, perumusan masalah yang diangkat, tujuan dan manfaat yang ingin dicapai dalam penelitian. BAB II TINJAUAN PUSTAKA Berisikan landasan teori yang merupakan penjelasan secara terperinci mengenai teori-teori yang digunakan, sebagai landasan pemecahan masalah, serta memberikan penjelasan secara garis besar metode yang digunakan sebagai kerangka pemecahan masalah. Tinjauan pustaka ini diambil dari berbagai sumber. BAB III METODOLOGI PENELITIAN Bab ini merupakan gambaran terstruktur proses pelaksanaan penelitian commit to user yang digambarkan dalam bentuk flowchart dan tiap tahapnya diberi penjelasan.

I-5


digilib.uns.ac.id

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA Bab ini menguraikan data-data yang diperlukan untuk penyelesaian masalah dan cara pengolahan data yang dilakukan untuk mencapai tujuan penelitian. BAB V ANALISIS DAN INTERPRETASI HASIL Bab ini berisi analisis dan interpretasi hasil terhadap pengolahan data sesuai permasalahan yang dirumuskan. BAB VI KESIMPULAN DAN SARAN Bab ini berisi kesimpulan dari permasalahan yang dibahas dan saran-saran yang berkaitan dengan permasalahan yang ada.

commit to user

I-6


digilib.uns.ac.id

BAB II TINJAUAN PUSTAKA Pada bagian ini akan diuraikan teori-teori yang digunakan dalam pencapaian tujuan penelitian. Teori - teori yang digunakan dalam penelitian ini meliputi profil Kabupaten Sragen, Indeks Pembangunan Manusia (IPM), Sistem Pendukung Keputusan, Jaringan Syaraf Tiruan, clustering dan acuan penelitian yang terkait dengan penelitian ini. 2.1

PROFIL KABUPATEN SRAGEN Kabupaten Sragen adalah sebuah kabupaten di Provinsi Jawa Tengah yang

berbatasan dengan Kabupaten Grobogan di utara, Kabupaten Ngawi (Provinsi Jawa Timur) di timur, Kabupaten Karanganyar di selatan, serta Kabupaten Boyolali di barat. Wilayah Sragen terbagi atas 20 Kecamatan, 266 Desa, dan 12 Kelurahan. Wilayah Kabupaten Sragen berada di dataran dengan ketinggian rata rata 109 meter diatas permukaa laut. Kabupaten Sragen menpunyai iklim tropis dengan suhu harian yang berkisar antara 19 - 31 °C. Curah hujan rata-rata di bawah 3000 mm per tahun dengan hari hujan di bawah 150 hari per tahun. Kabupaten Sragen memiliki keunggulan komoditi dalam sektor pertanian dan perkebunan. Sektor pertanian meliputi jagung dan ubi kayu sedangkan sektor perkebunan berupa tebu, kopi, kelapa dan cengkeh. 2.2

INDEKS PEMBANGUNAN MANUSIA (IPM) Indeks Pembangunan Manusia (IPM) pertama kali diperkenalkan oleh

UNDP (United Nation Development Program) pada tahun 1990 sebagai salah satu ukuran yang merefleksikan upaya pembangunan manusia. IPM dijadikan rujukan oleh pemerintah baik pusat maupun daerah untuk menilai hasil dari pelaksanaan commit to user

II-1


digilib.uns.ac.id

kebijakan pemerintah yang berdampak kepada kinerja sosial maupun ekonomi masyarakat. IPM tersusun berdasarkan pada tiga indikator, yaitu Angka harapan Hidup (AHH), Angka Melek Huruf penduduk dewasa (AMH) dan Rata – rata Lama Sekolah (Mean Years School / MYS) serta Purchasing Power Parity (PPP) atau Pengeluaran per Kapita Real disesuaikan (Badan Pusat Statistik, 2008). Secara matematis, IPM dirumuskan seperti pada persamaan (2.1). ∑ˠ

Ƽōˠ

Dimana :

,ˠ

..........................................(2.1)

Ƽōˠ = Nilai indeks pembangunan manusia untuk wilayah ke-j = Nilai indeks komponen IPM ke-i untuk wilayah ke-j

,ˠ

i

= Indeks indikator dalam IPM, untuk i = 1, 2, 3

j

= Indeks wilayah, untuk j = 1, 2, ….., k

Proses perolehan indeks

adalah dengan membandingkan antara

,ˠ

selisih nilai suatu indikator dan nilai minimumnya dengan selisih nilai maksimum dan nilai minimum indikator yang bersangkutan. Secara matematis dapat dirumuskan pada persamaan (2.2).

ú,碰

Dimana : ú,碰 ú

i j

ú

,

佸.

Ǵ

佸

……............................(2.2)

= indeks komponen IPM ke i wilayah ke j PM ú

= nilai maksimum dari indikator = nilai minimum dari indikator

ú

ú

= Indeks indikator dalam IPM, untuk i = 1, 2, 3 = Indeks wilayah, untuk j = 1, 2, ….., k

Nilai maksimum dan nilai minimum indikator commit to user

II-2

ú

disajikan pada tabel 2.1


digilib.uns.ac.id

Tabel 2.1 Nilai maksimum dan minimum komponen IPM

Indikator IPM

Nilai Nilai Keterangan Maksimum Minimum Harapan 85 25 Standar UNDP

Angka Hidup Angka Melek Huruf Rata – rata lama sekolah (tahun) Kemampuan daya beli

100

0

15

0

732.72

Standar UNDP

Standar UNDP menggunakan combined gross enrolment ratio 300.000 Standar UNDP menggunakan PDE (1996) riil perkapita yang telah disesuaikan 360.000 (1999)

Sumber : Badan Pusat Statistik, 2008

Selanjutnya perolehan indeks – indeks komponen IPM dapat diilustrasikan sebagai berikut. 2.2.1. Indeks Harapan Hidup (X(1)) Indeks harapan hidup dihitung berdasarkan angka harapan hidup ketika lahir yang berasal dari variabel rata – rata anak lahir hidup dan rata – rata anak yang masih hidup dengan sumber data berasal dari keterangan pokok rumah tangga hasil survei sosial ekonomi nasional (Susenas). Angka harapan hidup tersebut dihitung menggunakan paket program mortpack (Metode Trussel dengan model West) dengan pilihan quartil kedua, tiga dan lima. 2.2.2. Indeks Pendidikan (X(2)) Indeks pendidikan diukur berdasarkan rata – rata lama sekolah (Mean Years School / MYS) dan presentase Angka Melek Huruf (AMH). rata – rata lama sekolah diperoleh dari dua variabel yang dihitung secara bersamaan yaitu tingkat/kelas yang pernah dijalani dan jenjang pendidikan tertinggi yang ditamatkan sedangkan presentase AMH diperoleh dari variabel kemampuan membaca dan menulis penduduk usia 15 tahun keatas. Kemudian untuk commit to user

II-3


digilib.uns.ac.id

menjadikan satu indeks, kedua ukuran tersebut dilakukan pembobotan yaitu MYS sebesar 1/3 dan AMH 2/3. Sebagai pembentuk rata – rata sekolah, jenjang pendidikan tertinggi diperoleh dengan mengkonversi lamanya tahun pada masing masing jenjang seperti ditampilkan pada tabel 2.2. Tabel 2.2 Tahun konversi dari pendidikan tertinggi yang ditamatkan

Jenjang pendidikan tertinggi 1. Tidak Pernah Sekolah 2. Sekolah Dasar (SD) 3. Sekolah Lanjutan Tingkat Pertama (SLTP) 4. Sekolah Lanjutan Tingkat Atas (SLTA/SMU) 5. Diploma I 6. Diploma II 7. Diploma III / Akademi 8. Diploma IV / Sarjana 9. Magister (S2) 10. Doktor (S3)

Rata – rata lama sekolah 0 6 9 12 13 14 15 16 18 21


2.2.3. Indeks Standar Hidup Layak (X(3)) Indeks standar hidup layak diukur dengan pengeluaran perkapita yang didasarkan pada paritas daya beli dalam rupiah atau Purchasing Power Parity (PPP). Komponen standar hidup layak diukur dengan indikator rata – rata konsumsi riil perkapita riil yang telah disesuaikan sebagai ukuran komponen tersebut karena tidak tersedia indikator lain yang lebih baik untuk keperluan pembandingan antar negara. Penghitungan indikator konsumsi riil perkapita yang telah disesuaikan dilakukan melalui tahap sebagai berikut. 1. Menghitung pengeluaran konsumsi perkapita dari Susenas (dinotasikan sebagai A) 2. Mendeflasikan nilai A dengan Indeks Harga Konsumen (IHK) kabupaten dalam propinsi yang sesuai (dinotasikan sebagai B). commit to unit user(PPP / Unit) 3. Menghitung paritas daya beli setiap

II-4


digilib.uns.ac.id

4. Data dasar yang digunakan adalah data harga dan kuantum dari suatu paket komoditi yang terdiri dari nilai 27 komoditi yang diperoleh dari Susenas. 5. Membagi nilai B denga PPP/unit (dinotasikan sebagai C). 6. Menyesuaikan nilai C dengan formula Atkinson sebagai upaya untuk memperkirakan nilai marginal utility dari C. Penghitungan PPP / unit dilakukan dengan persamaan (2.3) sebagai berikut. aaa

Dimana : PPP

j

,ˠ

,ˠ

......................................(2.3)

= Purchasing Power Parity

ú,碰

= pengeluaran untuk komoditi i di kabupaten j

ú,碰

= volume komoditi i (unit) yang dikonsumsi di kabupaten j

ú

i

∑ˠ

∑ˠ a ˠ

= harga komoditi i di DKI Jakarta

= komoditas dalam penghitungan PPP, untuk i = 1, 2, 3, ….., 27 = kabupaten, untuk j = 1, 2, 3, …..k Tabel 2.3 Daftar paket komoditas PPP Komoditi 1. Beras 2. Tepung 3. Singkong 4. Tuna / 5. Teri 6. Daging 7. Ayam 8. Telur 9. Susu 10. Bayam 11. Kacang 12. Kacang 13. Tempe 14. Jeruk

Unit

Proporsi dari Total Konsumsi (%) Kg 7,25 Kg 0,10 Kg 0,22 Kg 0,50 Ons 0,32 Kg 0,78 Kg 0,65 Butir 1,48 397 gram 0,48 Kg 0,30 Kg 0,32 Kg 0,22 Kg 0,79 commit Kg to user 0,39

II-5


digilib.uns.ac.id

Tabel 2.3 Daftar paket komoditas PPP (lanjutan)

Komoditi

Unit

Proporsi dari Total Konsumsi (%) 15. Pepaya Kg 0,18 16. Kelapa Butir 0,56 17. Gula Ons 1,61 18. Kopi Ons 0,60 19. Garam Ons 0,15 20. Merica Ons 0,13 21. Mie 80 gram 0,79 22. Rokok 10 batang 2,86 23. Listrik Kwh 2,06 3 24. Air 0,46 m 25. Bensin Liter 1,02 26. Minyak Liter 1,74 27. Sewa Unit 11,56 Total 37,52


Dari masing - masing indeks komponen IPM tersebut dapat diuraikan menjadi beberapa indikator yang memiliki pengaruh terhadap masing masing nilai indeks komponen IPM. Dalam MGDs (Millennium Development Goals) dijabarkan indikator – indakator yang menjadi target utama pembangunan bagi pemerintah. Beberapa indikator – indikator pada MGDs memiliki kaitan dengan indikator pada IPM. Pada gambar 2.1 dijelaskan tentang bagan indikator – indikator MGDs yang berkaitan dengan IPM.

commit to user

II-6


digilib.uns.ac.id

Persentase kasus diare yang ditangani Persentase balita gizi buruk Angka kematian balita Persentase kelahiran bayi yang hidup Indeks Harapan Hidup

Persentase penduduk yang rawat inap Angka kematian ibu Persentase balita mendapat imunisasi lengkap Angka kematian akibat TB paru Jumlah kematian karena AIDS Persentase kelahiran ditangani medis Persentase penduduk tamat SMP Persentase penduduk usia sekolah Angka partisipasi murni

IPM

Indeks Pendidikan

Angka melek huruf Angka putus sekolah Persentase penduduk buta huruf Angka partisipasi kasar Angka partisipasi sekolah Angka beban tanggungan (dependency ratio) Persentase penduduk miskin

Indeks Standar Hidup Layak

Jumlah sarana perekonomian Persentase rumah tangga tidak layak huni Persentase pengangguran penduduk usia kerja Persentase penduduk bekerja sebagai buruh

Gambar 2.1 Bagan indikator - indikator yang berpengaruh terhadap IPM 2.3

SISTEM PENDUKUNG KEPUTUSAN Little (1970) dalam Turban dkk. (2005) mendefinisikan sistem pendukung

keputusan (SPK) sebagai sebuah prosedur yang didasarkan pada model untuk commit to user

II-7


digilib.uns.ac.id

pemrosesan dan penilaian data guna membantu manajer dalam pembuatan keputusan. Bonczek dkk. (1980) dalam Turban dkk. (2005) mendefinisikan SPK sebagai sistem berbasis komputer yang terdiri dari tiga komponen yang saling berinteraksi yaitu sistem bahasa (mekanisme untuk memberikan komunikasi antara pengguna dengan komponen lain), sistem pengetahuan (repositori pengetahuan domain masalah, baik sebagai data maupun sebagai prosedur), dan sistem pemrosesan masalah (hubungan antar komponen yang terdiri dari satu atau lebih kapabilitas manipulasi masalah umum untuk pengambilan keputusan). SPK biasanya dibangun untuk mendukung solusi terhadap suatu masalah atau mengevaluasi suatu peluang yang disebut dengan aplikasi SPK. Dalam membangun SPK harus terlebih dahulu disusun sistematika SPK. Sistematika SPK secara umum terdiri dari subsistem manajemen data, subsistem manajemen model, subsistem berbasis pengetahuan, dan subsistem antarmuka pengguna. Sistematika SPK menurut Turban dkk. (2005) ditunjukkan seperti pada gambar 2.2. Data : Eksternal dan internal

Sistem lainnya yang berbasis komputer

Internet, intranet, ekstranet

Manajemen model

Manajemen data

Subsistem berbsis pengetahuan

Antarmuka pengguna

Basis pengetahuan organisasional

Manajer (pengguna)

Gambar 2.2 Sistematika SPK : Turban dkk., 2005 commitSumber to user

II-8

Model eksternal


digilib.uns.ac.id

1. Subsistem Manajemen Data. Subsistem manajemen data memasukkan satu database yan berisi data relevan untuk situasi dan dikelola oleh perangkat lunak yang disebut sistem manajemen database (DBMS). Subsistem manajemen data dapat dikoneksikan dengan data warehouse perusahaan, suatu repositori untuk data perusahaan yang relevan untuk pengambilan keputusan. 2. Subsistem Manajemen Model Merupakan paket perangkat lunak yang memasukkan model keuangan, model statistik, ilmu manajemen atau model kuantitatif lainnya yang memberikan kapabilitas analitik dan manajemen perangkat lunak yang tepat. Perangkat lunak ini sering disebut sistem manajemen basis (MBMS). Komponen ini dapat dikoneksikan ke penyimpanan eksternal yang ada pada model. 3. Sistem Antarmuka Pengguna Pengguna berkomunikasi dengan memerintahkan SPK melalui subsistem ini. Pengguna adalah bagian yang dipertimbangkan dari sistem. Para peneliti menegaskan bahwa beberapa kontribusi unik dari SPK berasal dari interaksi yang intensif antara komputer dengan pembuat keputusan. 4. Subsistem Manajemen Berbasis Pengetahuan Subsistem ini dapat mendukung semua subsistem lain atau bertindak sebagai suatu komponen independen yang memberikan intelegensi untuk memperbesar

pengetahuan

pengambil

keputusan.

Subsistem

ini

dapat

diinterkoneksikan dengan repositori pengetahuan perusahaan (bagian dari sistem pengetahuan) yang sering disebut basis pengetahuan organisasi. 2.4

JARINGAN SYARAF TIRUAN

Jaringan Syaraf Tiruan (JST) atau dikenal pula dengan sebutan Artificial commit to user Neural Network (ANN) adalah suatu metode komputasi yang meniru sistem

II-9


digilib.uns.ac.id

jaringan syaraf biologis. Metode ini menggunakan elemen perhitungan non linier dasar yang disebut neuron yang diorganisasikan sebagai jaringan yang saling berhubungan sehingga mirip dengan jaringan syaraf manusia. JST dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran (Yani, 2005). JST merupakan suatu sistem yang bersifat “fault tolerans” dalam 2 hal. Pertama, dapat mengenali sinyal input yang agak berbeda dari yang pernah diterima sebelumnya. Kedua, tetap mampu bekerja meskipun beberapa neuronnya tidak mampu bekerja dengan baik. Jika sebuah neuron rusak, neuron lain dapat dilatih untuk menggantikan fungsi neuron yang rusak tersebut. JST memiliki karakteristik seperti manusia yang belajar dari suatu contoh karena mempunyai karakteristik yang adaptif yaitu dapat belajar dari data – data sebelumnya dan mengenal pola data yang selalu berubah. Selain itu, JST merupakan sistem yang tak terprogram, artinya semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran / pelatihan. JST memiliki arsitektur jaringan yang sering digunakan dalam berbagai aplikasi. Arsitektur jaringan JST menurut Kusumadewi (2003) adalah sebagai berikut. 1. Jaringan lapisan tunggal (Single Layer Feed Forward Network) Jaringan lapisan tunggal terdiri 1 layer input dan 1 layer output. Setiap neuron yang terdapat di dalam layer input selalu terhubung dengan setiap neuron yang terdapat pada layer output. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.

commit to user

II-10


digilib.uns.ac.id

2. Jaringan lapisan jamak (Multi Layer Feed Forward Network) Jaringan lapisan jamak memiliki ciri khas tertentu yaitu memiliki 3 jenis layer yaitu layer input, layer output dan layer tersembunyi. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih kompleks dibandingkan jaringan dengan lapisan tunggal. Namun proses pelatihan sering membutuhkan waktu yang cenderung lama. Contoh algoritma yang menggunakan metode ini yaitu madaline, Backpropagation, Neocognitron. Nilai input

X2

X1 V21 V11

V12

V22

X3

Lapisan input

V31 V32 Z2

Z1

W1

Matrik bobot pertama

Lapisan tersembunyi Matrik bobot kedua

W2

Lapisan output

Y

Nilai output

Gambar 2.3 Arsitektur Layer Jamak Sumber : Kusumadewi, 2003

3. Jaringan lapisan kompetitif (competitive layer network) Pada jaringan ini sekumpulan neuron bersaing untuk menjadi neuron yang aktif. Contoh algoritma yang menggunakan metode ini adalah LVQ.

commit to user

II-11


digilib.uns.ac.id

1 A1

1

-n

A1 -n

-n

-n -n A1

A1

-n

1

1

Gambar 2.4 Arsitektur Layer Kompetitif Sumber : Kusumadewi, 2003

Cara berlangsungnya pembelajaran atau pelatihan JST dikelompokkan menjadi 3 yaitu (Puspitaningrum, 2006). 1.

Supervised learning (pembelajaran terawasi) Pada metode ini, setiap pola yang diberikan kedalam JST telah diketahui

outputnya. Selisih antara pola output yang dihasilkan dengan pola output yang dikehendaki (output target) yang telah diketahui oleh JST. Contoh algoritma JST yang menggunakan metode ini adalah Hebbian, Perceptron, Adaline, Boltzman, Hopfield, Backpropagation. 2.

Unsupervised learning (pembelajaran tak terawasi) Unsupervised learning tidak memerlukan target output. Metode ini tidak

dapat ditentukan seperti apakah hasil yang diharapkan selama proses pembelajaran. Selama proses pembelajaran nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit – unit yang hampir sama dalam suatu area tertentu. Pembelajaran ini biasanya sangat cocok untuk klasifikasi pola. Contoh algoritma JST yang menggunakan metode ini adalah Competitive, Hebbian, Kohonen, LQV (Learning Vector Quantization), Neocognition. commit to user

II-12


3.

digilib.uns.ac.id

Hybrid Learning (Pembelajaran hibrida) Hybrid Learning merupakan kombinasi dari metode pembelajaran

supervised learning dan unsupervised learning. Sebagian dari bobot – bobotnya ditentukan melalui pembelajaran terawasi dan sebagian lainnya melalui pembelajaran tak terawasi. Contoh algoritma JST yang menggunakan metode ini yaitu algoritma RRBF (Recurrent Radial Basis Function). 2.5

CLUSTERING Clustering adalah suatu proses mengelompokkan data ke dalam kelas atau

cluster sehingga data dengan kesamaan cluster memiliki kemiripan yang tinggi dibandingkan dengan yang lain dalam satu cluster, tapi sangat berbeda untuk data pada cluster yang lain (Han dan Kamber, 2001). Tujuan dilakukan clustering menurut Aldenderfer dan Blashﬁeld (1984) adalah untuk mengembangkan klasifikasi

dan

investigasi

skema

konseptual

yang

digunakan

untuk

pengelompokan entitas, hipotesa, eksplorasi data, dan pengujian terhadap hipotesa. Dalam melakukan clustering, terdapat beberapa metode yang dapat dilakukan. Pemilihan metode clustering bergantung pada tipe data dan tujuan clustering tersebut. Metode – metode beserta algoritma yang termasuk didalamnya dijabarkan dalam Berkhin (2002) meliputi. 1. Partitioning methods Partitioning methods dilakukan dengan membangun berbagai partisi dan kemudian mengevaluasi beberapa partisi tersebut dengan beberapa kriteria. Algoritma yang termasuk dalam metode ini meliputi K-means, K-medoid, PROCLUS, CLARA, CLARANS, dan PAM. commit to user

II-13


digilib.uns.ac.id

2. Hierarchical methods Hierarchical methods dilakukan dengan membuau suatu penguraian secara hierachical dari himpunan data dengan menggunakan beberapa kriteria. Metode ini terdiri atas dua macam yaitu Agglomerative yang menggunakan strategi bottom - up dan Disisive yang menggunakan strategi top – down. Algoritma yang menggunakan metode ini meliputi BIRCH, AGNES, DIANA, CURE dan CHAMELEON. 3. Density Based Mathods Density Based Methods dilakukan berdasarkan koneksivitas dan fungsi densitas. Algoritma yang menggunakan metode ini meliputi algoritma DBSCAN, OPTICS dan DENCLU. 4. Grid Based Methods Grid Based Methods dilakukan berdasarkan struktur granularitas multi level. Algoritma yang menggunakan metode ini meliputi algoritma STING, WaveCluster dan CLIQUE. 5. Model Based Methods Suatu model dihipotesakan untuk masing – masing cluster dan ide untuk mencari best fit untuk model tersebut untuk masing – masing yang lain. Algoritma yang menggunakan metode ini meliputi algoritma COBWEB dan jaringan syaraf tiruan yaitu SOM Beberapa algoritma yang sering digunakan untuk melakukan data clustering meliputi. 2.5.1. K-Means K-Means menurut Berkhin (2002) merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk to user satu atau lebih cluster. Metode inicommit mempartisi data ke dalam cluster sehingga data

II-14


digilib.uns.ac.id

yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam cluster yang lain (Agusta, 2007). Algoritma K-Means adalah metode clustering berbasis jarak yang membagi data kedalam sejumlah cluster dan algoritma ini hanya bekerja pada atribut numerik. Algoritma K-Means termasuk partitioning clustering yang memisahkan data ke beberapa daerah yang terpisah. Algoritma K-Means sangat terkenal karena kemudahan dan kemampuannya untuk membentuk cluster data dan data outliner dengan sangat cepat. Clustering data menggunakan metode K-Means ini secara umum dilakukan dengan algoritma dasar sebagai berikut (Hartigan, 1975). 1. Tentukan jumlah cluster. 2. Tentukan koordinat lokasi centroid (titik pusat cluster) . 3. Hitung jarak masing – masing data terhadap centroid. 4. Alokasikan data ke centroid berdasarkan kedekatan jarak. 5. Update koordinat lokasi centroid. 6. Mengulangi langkah ke-3 sampai langkah ke-5 hingga tidak mengalami perubahan dalam alokasi data ke setiap centroid. 2.5.2. Self Organizing Maps (SOM) SOM diperkenalkan oleh Kohonen pada tahun 1982 sebagai salah satu jaringan syaraf tiruan yang biasa digunakan untuk memetakan data berdimensi tinggi kedalam satu, dua atau tiga dimensi pemetaan yang berupa unit atau syaraf yang terhubung (Henriques dan Bacao, 2009). SOM mengurangi dimensi dengan melakukan pemetaan berdasarkan kemiripan data dengan mengelompokkan objek yang mirip (Gan dkk, 2007). SOM adalah suatu alat untuk menggambarkan dan menganalisis cluster yang dapat digunakan untuk menjelajahi kelompok dan commit to user

II-15


digilib.uns.ac.id

merelasikan dengan dimensi data yang tinggi dengan memproyeksikan data kedalam dua gambar dimensi yang menjelaskan indikator wilayah kemiripan. SOM merupakan salah satu bentuk topologi dari Unsupervised Artificial Neural Network (Unsupervised ANN) dimana dalam proses pelatihannya tidak memerlukan pengawasan (target output). Arsitektur SOM terdiri dari dua layer yang secara penuh saling terhubung yaitu layer input dan layer Kohonen. Neuron pada Kohonen layer tersusun dalam jeruji - jeruji berdimensi satu atau dua. Gambar 2.5 menggambarkan tampilan pemetaan berdimensi satu dimana reference vector neuron tersusun dalam sebuah jeruji berdimensi satu. Tiap neuron dalam layer input memiliki pengaruh terhadap tiap neuron pada layer Kohonen (Gan dkk, 2007). Kohonen layer

Input layer

Gambar 2.5 Arsitektur SOM Sumber : Gan dkk, 2007

Untuk dapat melakukan clustering menggunakan SOM, terdapat algoritma yang harus dilakukan. Algoritma SOM adalah sebagai berikut. 1. Inisialisasi neuron input (x1, x2, x3 …. xk) 2. Inisialisasi reference vector neuron (mj1, mj2, mj3, …. mji).

Gambar 2.6 Reference vector neuron commit to user Sumber : Haykin, 1998

II-16


digilib.uns.ac.id

3. Menentukan jumlah iterasi (T). 4. Menghitung jarak antara neuron input xk dengan semua reference vector neuron. 謰ú

Dimana:

伐

驠xM ,

………............................(2.4)

碰ú

謰ú

= jarak neuron input k terhadap semua reference vector neuron

驠M

= neuron input k dimana k = 1, 2, 3,..., n

= reference vector neuron ke i dimana i = 1, 2, 3,..., n

碰ú

= dimensi

5. Dari seluruh jarak (謰ú ) dicari yang paling kecil. reference vector neuron yang memiliki jarak terpendek dengan neuron input disebut winner. arg

g 驠M

碰ú

....................................(2.5)

Gambar 2.7 Reference vector winner Sumber : Haykin, 1998

6. Melakukan update lokasi reference vector winner dan tetangganya menggunakan rumus yang dapat dilihat pada persamaan berikut : 碰ú

Dimana : 碰ú

x

1

x

1

碰ú

x

냘ú x ∗ 驠M x

碰ú

x ….........(2.6)

= reference vector neuron pada 1 iterasi selanjutnya commit to user

II-17


digilib.uns.ac.id

냘ú x

= neighborhood function dari titik reference vector winner

驠M x

= winner pada neuron input k iterasi ke-t

t

= banyaknya iterasi yang dilakukan (t = 1, 2, 3, ….)

hingga titik winner neuron pada iterasi t

碰ú

x

= reference vector neuron pada iterasi t

Gambar 2.8 Update lokasi Reference vector winner dan tetangganya Sumber : Haykin, 1998

7. Langkah 4 hingga 6 akan diulang hingga t = T. Pada algoritma SOM terdapat beberapa istilah penting dan harus diketahui yang mana dijelaskan sebagai berikut. a. Neuron Dalam istilah kesehatan, neuron adalah jenis tertentu dari sel pada makhluk hidup yang khusus untuk menyimpan dan mengirimkan informasi. Secara umum neuron pada SOM memiliki fungsi yang mirip dengan neuron yang ada pada tubuh makhluk hidup. Neuron pada SOM terdiri dari neuron input yang terletak pada layer input dan reference vector neuron yang berada pada Kohonen layer. Neuron input merupakan suatu obyek dengan koordinat berdimensi banyak yang digunakan sebagai input dalam melakukan clustering sedangkan reference vector neuron berupa kumpulan objek dengan koordinat tertentu, setiap neuron input akan diproyeksikan (dialokasikan) pada salah satu obyek tersebut.

commit to user

II-18


digilib.uns.ac.id

b. Neighborhood function Neighborhood function adalah suatu fungsi yang memberi pengaruh perubahan bobot secara proporsional dari neuron best matching ke neuron neuron tetangganya. Neighborhood function bernilai 0 ≤ 냘ú x ≤ 1. Semakin bertambahnya iterasi, nilai dari fungsi ini semakin kecil dan menuju ke 0 pada

akhir iterasi (Budhi dkk, 2008). Nilai neighborhood function dapat dihitung menggunakan rumus seperti pada persamaan (2.7). 냘ú

Dimana : 냘ú

x exp

‖

‖

……..........................(2.7)

= neighborhood function dari titik reference vector winner hingga

titik winner neuron pada iterasi t = vector location pada reference vector neuron ke - i

ú



t

= vector location pada winner c x

= lebar kernel pada iterasi t = banyaknya iterasi yang dilakukan (t = 1, 2, 3, ….)

Kemudian dalam menghitung nilai neighborhood function, sebelumnya perlu diketahui besarnya lebar kernel dari data yang diinputkan. untuk menghitung nilai lebar kernel digunakan rumus seperti pada persamaan (2.8).

Dimana : x T

x

exp

2

∗

= lebar kernel pada iterasi t = lebar kernel pada awal iterasi = iterasi maksimum

commit to user

II-19

.........................................(2.8)


digilib.uns.ac.id

c. Learning rate Learning rate digunakan untuk menunjukkan bagaimana adaptasi pembelajaran terhadap data. Fungsi skalar adaptasi learning rate bernilai 0 ≤ x ≤ 1. Semakin besar nilai

x , semakin cepat bobot koneksi beradaptasi

semakin besar pengaruh vektor input terhadap perubahan bobot koneksi yang terjadi. Learning rate ini semakin lama akan semakin mengecil, berkurang seiring pertambahan iterasi yang dilakukan. Semakin nilai learning rate

x mendekati

0, perubahan bobot akan semakin kecil dan vektor-vektor input dapat dipetakan dengan baik. Fungsi

x yang digunakan adalah penurunan konstan, dapat

dilihat pada persamaan (2.9)

x

Dimana :

0

2.6

x

∗ 1

…........... ............................(2.9)

= learning rate factor pada iterasi t (0 ≤ = learning rate factor pada iterasi awal

x ≤ 1)

t

= banyaknya iterasi yang dilakukan (t = 1, 2, 3, ….)

T

= iterasi maksimum

ACUAN PENELITIAN Penelitian tentang clustering menggunakan algoritma Self Organizing

Maps (SOM) telah banyak dilakukan sebelumnya dan beberapa penelitian digunakan sebagai referensi pada penelitian ini. Penelitian tersebut antara lain Taner (1997) melakukan penelitian tentang jaringan Kohonen’s Organizing Maps yang berturut – turut. Budhi dkk. (2008) melakukan cluster analysis untuk memprediksi talenta pemain basket menggunakan jaringan saraf tiruan Self Organizing Maps (SOM). Henriques dkk. (2009) melakukan penelitian tentang spatial clustering menggunakan SOM dan GEOSOM. Chen dkk. (2010) commit to user

II-20


digilib.uns.ac.id

membandingkan clustering teks pada SOM dan K-Means. Arti dkk. (2010) yang telah melakukan pemetaan perkembangan teknologi komunikasi dan informasi menggunakan SOM. Hermadi dkk. (2010) melakukan clustering data pusat penerimaan mahasiswa baru (PPMB) di Institut Pertanian Bogor (IPB) menggunakan Self Organizing Maps. Ariana (2011) melakukan costumers segmentation dengan metode Self Organizing Maps. Hermanto (2011) melakukan klasifikasi unggas / burung (aves) menggunakan algoritma Grey Self-Organizing Feature Maps.

commit to user

II-21


digilib.uns.ac.id

BAB III METODOLOGI PENELITIAN Pada bab ini diuraikan secara sistematis mengenai tahapan-tahapan yang dilakukan dalam penelitian. Langkah-langkah yang dilakukan tampak pada gambar 3.1 di bawah ini. Mulai

Studi Pustaka

Identifikasi Masalah

Identifikasi Masalah

Perumusan Masalah

Penetapan Tujuan

Pengumpulan Data

Penghitungan Menurut Algoritma SOM

Verifikasi cluster Tidak

Pengumpulan dan Pengolahan Data

Sesuai ?

Ya

Penyusunan Kerangka SPK

Pembuatan Database

A

commit to user Gambar 3.1 Flowchart metodologi penelitian III-1


digilib.uns.ac.id

A

Pembuatan Desain Antarmuka

Analisis, Interpretasi Hasil, Kesimpulan dan Saran

Analisis dan Interpretasi Hasil

Kesimpulan dan Saran

Selesai

Gambar 3.1 Flowchart metodologi penelitian (lanjutan) Metodologi penelitian tersebut diuraikan dalam beberapa tahap. Uraian tiap tahapnya akan dijelaskan sebagai berikut. 3.1

IDENTIFIKASI MASALAH Tahap identifikasi masalah merupakan langkah awal dalam melakukan

penelitian. Adapun kegiatan yang tercakup dalam tahapan ini akan diuraikan sebagai berikut. 3.1.1. Studi Pustaka Studi pustaka merupakan tahap pemahaman teori-teori yang mendasari penelitian. Tahap ini dilakukan untuk mendapatkan informasi yang lebih akurat secara teoritis dan digunakan untuk menunjang penyelesaian masalah yang diangkat dalam penelitian ini. 3.1.2. Identifikasi Masalah Tahap ini digunakan untuk mengetahui permasalahan yang terjadi, kemudian dapat dicari bahan, materi, serta literatur yang digunakan agar dapat menentukan metode yang tepat digunakan untuk memecahkan permasalahan yang commit to user

III-2


digilib.uns.ac.id

terjadi. Permasalahan pada penelitian ini dijabarkan pada gambar 3.2 sebagai berikut. Angka beban tanggungan Persentase rumah tangga tidak layak huni Indeks Standar Hidup Layak

Persentase penduduk miskin

Jumlah sarana perekonomian

Angka partisipasi murni

Persentase penduduk tamat SMP

Cluster kecamatan

Indeks Pendidikan Persentase penduduk usia sekolah Angka Melek Huruf

Angka kematian balita

Angka putus sekolah

Persentase balita gizi buruk Indeks Pembangunan Manusia (IPM) Persentase kasus diare yang ditangani

Persentase kelahiran bayi hidup Indeks Harapan Hidup

Persentase kelahiran ditangani medis

Gambar 3.2 Influence diagram 3.1.3. Perumusan masalah Perumusan masalah dilakukan untuk merangkum permasalahan yang terjadi dan bagaimana memecahkan masalah tersebut. Pada penelitian ini dirumuskan masalah bagaimana memetakaan profil kecamatan di Kabupaten Sragen berdasarkan IPM menggunakan algoritma Self Organizing Maps (SOM). 3.1.4. Penetapan Tujuan Pada tahap ini ditetapkan tujuan penelitian yang ingin dicapai. Beberapa tujuan penelitian tersebut meliputi: 1. Menentukan indikator - indikator IPM yang berperan dalam pemetaan profil kecamatan. commit to user

III-3


digilib.uns.ac.id

2. Menentukan cluster - cluster kecamatan di Kabupaten Sragen berdasarkan hasil pemetaan profil kecamatan menggunakan indikator – indikator IPM. 3. Menyusun aplikasi sistem pendukung keputusan yang memberikan informasi tentang kesamaan dan perbedaan profil kecamatan di Kabupaten Sragen yang memudahkan pembuat kebijakan meng-update indikator IPM yang sudah ada sebelumnya. 3.2

PENGUMPULAN DAN PENGOLAHAN DATA Pada tahap ini dilakukan pengumpulan dan pengolahan data. Secara garis

besar tahap pengumpulan dan pengolahan data terbagi dalam dua kegiatan utama yaitu pengumpulan data dan pengolahan data. Pengumpulan Data dilakukan dengan mengumpulkan data – data yang dibutuhkan untuk penelitian yang dilakukan sedangkan pengolahan data dilakukan dengan menginputkan data – data yang diperoleh dari proses pengumpulan data sehingga dihasilkan suatu output yang berupa informasi. Proses pengolahan data yang dilakukan meliputi penghitungan terhadap data – data yang diperoleh kedalam algoritma SOM, verifikasi cluster, pembuatan database dan pembuatan desain antarmuka. Adapun kegiatan yang tercakup dalam tahapan ini akan diuraikan sebagai berikut. 3.2.1. Pengumpulan Data Tahap pengumpulan data diawali dengan melakukan identifikasi indikator yang digunakan untuk mengetahui dan menentukan indikator - indikator IPM yang butuhkan dalam pemetaan profil kecamatan di Kabupaten Sragen. Proses identifikasi indikator dilakukan dengan wawancara dan diskusi dengan jajaran pimpinan di Badan Pusat Statistik (BPS) Kabupaten Sragen, Dinas Pendidikan Kabupaten Sragen, Dinas Kesehatan Kabupaten Sragen, dan Badan Perencanaan commit to user

III-4


digilib.uns.ac.id

Pembangunan Daerah (Bappeda) Kabupaten Sragen. Tahap – tahap dalam identifikasi indikator dilakukan seperti pada flowchart sebagai berikut. M ulai

M em buat usulan indikator yang berkaitan dengan IP M

M elakukan w aw ancara dan diskusi

M em ilih indikator IP M berdasarkan pendapat jajaran pim pinan

S elesai

Gambar 3.3 Flowchart proses identifikasi indikator Setelah diketahui indikator – indikator IPM yang dibutuhkan, kemudian dilakukan proses pengumpulan data – data berdasarkan indikator – indikator IPM yang telah diperoleh. Proses pengumpulan data dilakukan melalui pencarian informasi yang berkaitan dengan penelitian yang dilakukan dengan mencari buku – buku panduan terbitan Pemerintah Daerah Kabupaten Sragen dan mencari informasi melalui media internet. 3.2.2. Penghitungan terhadap data – data yang diperoleh kedalam algoritma SOM Proses penghitungan dilakukan dengan menginputkan data – data yang diperoleh dari proses pengumpulan data kedalam persamaan – persamaan pada algoritma SOM. Algoritma SOM terdiri dari beberapa perintah yang berupa urutan proses yang harus dilakukan untuk membentuk data – data kedalam cluster. Algoritma SOM digambarkan dalam flowchart sebagai berikut:

commit to user

III-5


digilib.uns.ac.id

Mulai

Inisiasi neuron input

Inisiasi reference vector neuron

Menentukan jumlah iterasi (T) dan t = 1

Melakukan random pemilihan neuron input

Menghitung jarak antara neuron input yang dipilih dengan semua reference vector neuron

Memilih reference vector neuron yang memiliki jarak tependek, disebut winner

Mengupdate lokasi reference vector winner dan tetangganya t= t+1

t =t +1

t>= T

Tidak

Ya Selesai

Gambar 3.4 Flowchart algoritma SOM Flowchart algoritma SOM tersebut terdiri dari beberapa proses yang dijelaskan sebagai berikut.

commit to user

III-6


digilib.uns.ac.id

1. Inisiasi neuron input Langkah pertama pada algoritma SOM yaitu inisiasi neuron input. Inisiasi neuron input dilakukan dengan menentukan data – data yang akan digunakan sebagai input proses clustering. Pada kasus ini yang disebut dengan neuron input adalah kecamatan – kecamatan di Kabupaten Sragen yang mana setiap kecamatan memiliki karakteristik masing – masing yang ditunjukkan dengan data – data numerik indikator IPM. 2. Inisiasi reference vector neuron

Reference vector neuron adalah sekumpulan obyek dengan koordinat tertentu, setiap neuron input akan diproyeksikan (dialokasikan) pada salah satu obyek tersebut. Reference vector neuron terdiri dari obyek dengan koordinat yang memiliki pola teratur. Pada kasus ini reference vector neuron ditentukan sebanyak 20 titik pada koordinat dua dimensi dengan nilai kelipatan 0,4. 3. Menentukan jumlah iterasi Jumlah iterasi yang ditentukan menunjukkan jumlah perulangan yang akan dilakukan terhadap algoritma SOM. Semakin banyak jumlah iterasi yang ditentukan berdampak terhadap tingkat ketelitian dalam proses clustering yang semakin tinggi, namun waktu yang dibutuhkan lebih lama. Sebaliknya semakin sedikit jumlah iterasi yang ditentukan berdampak terhadap tingkat ketelitian dalam proses clustering yang semakin rendah, namun waktu yang dibutuhkan lebih cepat. 4. Melakukan random pemilihan neuron input. Pada tahap ini, dipilih neuron input (kecamatan) secara random pada setiap iterasi. Pemilihan kecamatan secara random dilakukan agar setiap kecamatan memiliki peluang yang sama untuk dipilih sehingga semua kecamatan commit to user

III-7


digilib.uns.ac.id

memiliki kesempatan yang sama untuk dilakukan proyeksi dengan semua reference vector neuron. 5. Menghitung jarak antara neuron input yang dipilih dengan semua reference vector neuron Pada tahap ini dilakukan penghitungan jarak antara kecamatan yang dipilih dengan semua reference vector neuron. Setiap kecamatan memiliki titik koordinat dalam dimensi banyak sesuai dengan jumlah indikator, sementara reference vector neuron memiliki koordinat dalam dua dimensi. Penghitungan jarak dilakukan dengan menggunakan euclidean distance yaitu jarak lurus anara titik lokasi kecamatan dengan titik lokasi reference vector neuron. Metode penghitungan jarak euclidean distance digunakan karena dapat menghitung jarak geometrik dalam ruang dimensi ganda. 6. Memilih reference vector neuron yang memiliki jarak terpendek Setelah dilakukan penghitungan jarak antara neuron input (kecamatan) yang dipilih dengan semua reference vector neuron selanjutnya dipilih reference vector neuron yang memiliki jarak terdekat. Reference vector neuron yang memiliki jarak terdekat tersebut disebut dengan winning neuron atau winner. 7. Melakukan update lokasi reference vector winner dan tetangganya Pada kasus ini reference vector winner adalah reference vector neuron yang memiliki jarak terdekat dengan kecamatan yang dipilih pada setiap iterasi yang dilakukan sedangkan tetangga dari reference vector winner merupakan reference vector neuron yang berada di dalam radius lebar kernel. Update lokasi reference vector winner dan tetangganya dilakukan mengikuti pada persamaan (2.6). Untuk melakukan penghitungan update lokasi reference vector winner dan tetangganya, ada beberapa hal yang harus diketahui yaitu nilai learning rate, lebar kernel dan neighborhood function.commit to user

III-8


digilib.uns.ac.id

Learning rate merupakan suatu fungsi yang menunjukkan bagaimana adaptasi pembelajaran terhadap data dan lebar kernel merupakan fungsi pengurang untuk menentukan tetangga dari reference vector winner sedangkan neighborhood function merupakan suatu fungsi yang memberi pengaruh perubahan bobot secara proporsional dari neuron winner ke neuron - neuron tetangganya. Penghitungan nilai learning rate, lebar kernel dan neighborhood function mengikuti persamaan (2.7), (2.8) dan (2.9). 3.2.3. Verifikasi Cluster Tahap verifikasi cluster digunakan untuk membuktikan kebenaran terhadap hasil pembentukan cluster pada aplikasi yang telah dibuat. Langkah – langkah dalam verifikasi cluster seperti dijelaskan pada gambar 3.5 sebagai berikut. Mulai

Mencari jarak antar data input

Membandingkan jarak antar data input

Sesuai ?

Tidak

Ya

Gambar 3.5 Flowchart verifikasi cluster 3.2.4. Penyusunan Kerangka Sistem Pendukung Keputusan Pada tahap ini dilakukan penyusunan kerangka sistem pendukung keputusan yang digunakan sebagai dasar dalam pengembangan aplikasi sistem pendukung keputusan pemetaan profil kecamatan di Kabupaten Sragen. commit to user Penyusunan kerangka sistem pendukung keputusan dilakukan dengan III-9


digilib.uns.ac.id

mengadaptasi dari penjabaran sistematika SPK yang disampaikan dalam Turban dkk. (2005). 3.2.5. Pembuatan Database Pada tahap ini dilakukan pembuatan database yang digunakan sebagai media penyimpanan data untuk sistem pendukung keputusan yang akan dibuat. Pada tahap pembuatan database dilakukan seperti pada gambar 3.6 sebagai berikut. Mulai

Menentukan entitas database

Menentukan atribut dari setiap entitas

Menentukan relasi antar entitas

Selesai

Gambar 3.6 Flowchart pembuatan database 3.2.6. Pembuatan Desain Antarmuka Pada tahap ini dilakukan pembutan desain antarmuka. Desain antarmuka berfungsi untuk memperindah tampilan pada aplikasi yang dibuat. Selain itu, desain antarmuka juga berfungsi untuk memperjelas perintah – perintah yang terdapat dalam aplikasi. 3.3

ANALISIS, INTERPRETASI HASIL, KESIMPULAN DAN SARAN

3.3.1. Analisis dan interpretasi hasil Pada tahap ini dilakukan analisis dan interpretasi terhadap pengolahan data yang telah dilakukan. Data-datacommit yang to telah userdiolah, kemudian dianalisis dan

III-10


digilib.uns.ac.id

dijadikan pedoman dalam melakukan perbaikan. Pada tahap ini dilakukan analisis dan interpretasi terhadap hasil pemetaan profil kecamatan di Kabupaten Sragen. 3.3.2. Kesimpulan dan saran Langkah akhir adalah menarik kesimpulan berdasarkan hasil analisis yang telah dilakukan, serta memberikan saran-saran yang dapat dijadikan masukan bagi pihak - pihak yang membutuhkan maupun untuk penelitian selanjutnya.

commit to user

III-11


digilib.uns.ac.id

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA Pada bab ini menguraikan tentang tahap pengumpulan data dan pengolahan data sebagai dasar dalam memberikan analisis. 4.1

PENGUMPULAN DATA Pada sub bab ini disajikan data - data yang dibutuhkan untuk pengolahan

data yang berasal dari instansi – instansi pemerintahan di Kabupaten Sragen yaitu Badan Perencanaan Pembangunan Daerah (Bappeda) Kabupaten Sragen, Badan Pusat Statistik (BPS) Kabupaten Sragen, Dinas Pendidikan Kabupaten Sragen, dan Dinas Kesehatan Kabupaten Sragen. Data – data yang disajikan merupakan indikator – indikator yang berkaitan dengan Indeks Pembangunan Manusia (IPM) yang meliputi indeks harapan hidup, indeks pendidikan, dan indeks standar hidup layak diuraikan ke dalam indikator – indikator yang mempengaruhinya. Indikator yang termasuk dalam indeks harapan hidup, indeks

pendidikan dan indeks

standar hidup layak ditampilkan seperti pada tabel 4.1 sebagai berikut. Tabel 4.1 Daftar Indikator Kategori Indikator

Indeks Harapan Hidup

Indeks Pendidikan

Indeks Standar Hidup Layak

Indikator Persentase kasus diare ditangani Persentase balita gizi buruk Angka kematian balita Persentase kelahiran bayi yang hidup Jumlah kelahiran yang ditangani medis Persentase penduduk tamat SMP Persentase penduduk usia sekolah Angka partisipasi murni Angka melek huruf Angka putus sekolah Angka beban tanggungan (dependency ratio) Persentase penduduk miskin Jumlah sarana perekonomian Persentase rumah tangga tidak layak huni

Setelah diperoleh indikator – indikator yang berkaitan dengan IPM, kemudian dilakukan pengumpulan data berdasarkan indikator – indikator tersebut. commit to user

IV-1


4.1.1

digilib.uns.ac.id

Indeks Harapan Hidup Indeks harapan hidup merupakan tingkat kesempatan rata – rata lama

tahun yang dapat ditempuh seseorang untuk hidup. Angka harapan hidup dihitung dengan menggunakan pendekatan tak langsung (indirect estimation). Ada dua jenis data yang digunakan dalam penghitungan indeks harapan hidup yaitu Angka Lahir Hidup (ALH) dan Angka Masih Hidup (AMH). Indikator – indikator yang berpengaruh terhadap perolehan indeks harapan hidup meliputi persentase kasus diare ditangani, persentase balita gizi buruk, angka kematian balita, persentase kelahiran bayi yang hidup, dan jumlah kelahiran yang ditangani medis. 1. Persentase kasus diare yang ditangani Diare dapat menyerang siapa pun mulai dari anak-anak hingga orang tua dan biasanya menyerang orang – orang yang tinggal di lingkungan kumuh. Diare sering dianggap remeh dikalangan masyarakat kita. Namun jika seseorang terserang diare, sebaiknya segera diberikan pelayanan medis. Berikut data persentase kasus diare yang ditangani Kabupaten Sragen tahun 2010 ditunjukkan oleh tabel 4.2. Tabel 4.2 Persentase kasus diare yang ditangani No

Kecamatan

Jumlah Kasus Persalinan

1 Kalijambe 822 2 Plupuh 895 3 Masaran 1253 4 Kedawung 1,057 5 Sambirejo 813 6 Gondang 729 7 Sambungmacan 860 8 Ngrampal 765 9 Karangmalang 1,033 10 Sragen 1,315 11 Sidoharjo 911 12 Tanon 941 13 Gemolong 909 14 Miri 642 15 Sumberlawang 911 16 Mondokan 712 17 Sukodono 521 18 Gesi 380 19 Tangen 451 20 Jenar 556 Sumber : Dinas Kesehatan Kabupaten commit Sragen, 2011 to user

IV-2

Persalinan ditolong Medis Jumlah Persentase 749 91.1 894 99.9 1210 96.6 1,057 100.0 769 94.6 682 93.6 798 92.8 741 96.9 999 96.7 1,248 94.9 812 89.1 919 97.7 877 96.5 580 90.3 798 87.6 668 93.8 471 90.4 346 91.1 423 93.8 522 93.9


digilib.uns.ac.id

2. Persentase balita gizi buruk Ditemukannya kasus balita gizi buruk di Kabupaten Sragen merupakan salah satu bukti tidak merata dan kurang maksimalnya pelayanan kesehatan yang diberikan oleh pemerintah. Data tentang kasus balita gizi buruk sering digunakan sebagai dasar untuk menetapkan kebijakan yang kaitannya dengan upaya pemerataan pelayanan kesehatan. Data persentase balita gizi buruk yang tersebar di masing – masing kecamatan di Kabupaten Sragen ditunjukkan seperti pada tabel 4.3. Tabel 4.3 Persentase balita gizi buruk Jumlah Balita Balita Gizi Buruk Ditimbang Jumlah Persentase 1 Kalijambe 3,461 24 0.69% 2 Plupuh 3,154 22 0.70% 3 Masaran 5,691 20 0.35% 4 Kedawung 4,376 35 0.80% 5 Sambirejo 2,377 2 0.08% 6 Gondang 3,021 9 0.30% 7 Sambungmacan 3,049 15 0.49% 8 Ngrampal 2,343 24 1.02% 9 Karangmalang 4,282 30 0.70% 10 Sragen 4,185 33 0.79% 11 Sidoharjo 3,183 14 0.44% 12 Tanon 3,607 25 0.69% 13 Gemolong 3,556 5 0.14% 14 Miri 2,431 2 0.08% 15 Sumberlawang 3,668 6 0.16% 16 Mondokan 2,521 2 0.08% 17 Sukodono 1,779 13 0.73% 18 Gesi 1,364 26 1.91% 19 Tangen 1,773 3 0.17% 20 Jenar 1,753 3 0.17% JUMLAH (KAB/KOTA) 61,574 313 0.51% Sumber : Dinas Kesehatan Kabupaten Sragen, 2011 No

Kecamatan

3. Angka kematian balita Angka kematian balita adalah jumlah anak yang dilahirkan pada tahun tertentu dan meninggal sebelum mencapai usia 5 tahun, dinyatakan sebagai angka per 1000 kelahiran hidup. Nilai normatif angka kematian balita > 140 sangat tinggi, antara 71 – 140 sedang dan < 20 rendah. Walaupun di Kabupaten Sragen memiliki klasifikasi angka kematian balita yang rendah, namun perlu dipertimbangkan untuk lebih ditingkatan pelayanan kesehatan yang diberikan commit to user untuk mencapai angka kematian balita nol. Data angka kematian balita dari IV-3


digilib.uns.ac.id

masing – masing kecamatan di Kabupaten Sragen tahun 2010 ditunjukkan oleh tabel 4.4. Tabel 4.4 Angka kematian balita Jumlah Kematian No Kecamatan Anak Bayi Balita Balita 1 Kalijambe 12 0 12 2 Plupuh 15 5 20 3 Masaran 11 3 14 4 Kedawung 9 0 9 5 Sambirejo 1 1 2 6 Gondang 1 0 1 7 Sambungmacan 8 2 10 8 Ngrampal 2 0 2 9 Karangmalang 8 4 12 10 Sragen 3 1 4 11 Sidoharjo 9 1 10 12 Tanon 7 0 7 13 Gemolong 3 0 3 14 Miri 4 0 4 15 Sumberlawang 10 1 11 16 Mondokan 7 0 7 17 Sukodono 7 1 8 18 Gesi 8 0 8 19 Tangen 10 3 13 20 Jenar 2 2 4

Angka Kematian Balita 0.012 0.02 0.014 0.009 0.002 0.001 0.01 0.002 0.012 0.004 0.01 0.007 0.003 0.004 0.011 0.007 0.008 0.008 0.013 0.004

Sumber : Dinas Kesehatan Kabupaten Sragen, 2011

4. Persentase kelahiran bayi yang hidup Persentase kelahiran bayi yang hidup merupakan salah satu indikator yang dapat digunakan untuk melihat tingkat harapan hidup. Semakin besar persentase kelahiran bayi yang hidup, tingkat harapan hidupnya akan wilayah tersebut semakin baik. Jika semakin kecil persentase kelahiran bayi yang hidup, tingkat harapan hidupnya akan wilayah tersebut semakin rendah. Persentase kelahiran bayi yang hidup di Kabupaten Sragen tahun 2010 ditunjukkan oleh tabel 4.5. Tabel 4.5 Persentase kelahiran bayi yang hidup No 1 2 3 4 5

Kecamatan Kalijambe Plupuh Masaran Kedawung Sambirejo

Jumlah Kelahiran Hidup Mati 751 904 1,216 1,073 commit729 to user

IV-4

8 7 3 5 1

Persentase Kelahiran 98.95% 99.23% 99.75% 99.54% 99.86% 100.00%


digilib.uns.ac.id

Tabel 4.5 Persentase kelahiran bayi yang hidup (lanjutan) No

Kecamatan

6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Gondang Sambungmacan Ngrampal Karangmalang Sragen Sidoharjo Tanon Gemolong Miri Sumberlawang Mondokan Sukodono Gesi Tangen Jenar

Jumlah Kelahiran Hidup Mati 688 810 746 978 1,232 1,044 921 868 568 820 645 480 351 428 529

0 9 1 2 0 8 4 2 0 4 6 3 0 7 2

Persentase Kelahiran 100.00% 98.90% 99.87% 99.80% 100.00% 99.24% 99.57% 99.77% 100.00% 99.51% 99.08% 99.38% 100.00% 98.39% 99.62%

Sumber : Dinas Kesehatan Kabupaten Sragen, 2011

5. Persentase kelahiran ditangani medis Banyak masyarakat di Kabupaten Sragen yang masih mempercayakan prosesi kelahiran bayinya kepada dukun beranak sehingga persentase bayi yang ditangani medis di Kabupaten Sragen masih rendah. Data persentase kelahiran yang ditangani medis di Kabupaten Sragen tahun 2010 ditunjukkan oleh tabel 4.6. Tabel 4.6 Persentase kelahiran ditangani medis No Kecamatan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Kalijambe Plupuh Masaran Kedawung Sambirejo Gondang Sambungma Ngrampal Karangmalan Sragen Sidoharjo Tanon Gemolong Miri Sumberlawa Mondokan Sukodono Gesi Tangen Jenar

Jumlah Persalinan 822 895 1253 1,057 813 729 860 765 1,033 1,315 911 941 909 642 911 712 521 380 451 556

Persalinan Ditolong Medis Jumlah Persentase 749 91.12% 894 99.89% 1210 96.57% 1,057 100.00% 769 94.59% 682 93.55% 798 92.79% 741 96.86% 999 96.71% 1,248 94.90% 812 89.13% 919 97.66% 877 96.48% 580 90.34% 798 87.60% 668 93.82% 471 90.40% 346 91.05% 423 93.79% 522 93.88%

commit to user 2011 Sumber : Dinas Kesehatan Kabupaten Sragen,

IV-5


4.1.2

digilib.uns.ac.id

Indeks Pendidikan Dalam IPM, indeks pendidikan dihitung berdasarkan pada angka melek

huruf (AMH) dan rata – rata lama sekolah (Means Year School / MYS). Indikator yang terkait dalam indeks pendidikan meliputi presentase penduduk tamat SMP, persentase penduduk usia sekolah, angka partisipasi murni, angka melek huruf dan angka putus sekolah. 1. Presentase penduduk tamat SMP Presentase penduduk tamat SMP dihitung berdasarkan jumlah penduduk berpendidikan minimal SMP dibagi dengan jumlah penduduk diatas 10 tahun secara keseluruhan. Kualitas SDM dapat dilihat dari pendidikan yang ditamatkan. Gerakan wajib belajar 9 tahun (1994) menargetkan pendidikan yang ditamatkan minimal tamat SMP. Persentase penduduk usia 10 tahun ke atas yang tidak/belum pernah sekolah sebesar 9,24 persen, tidak tamat/belum SD 19,28 persen, tamat SD/MI/sederajat 30,55 persen dan tamat SMP/MTs/sederajat sebesar 16,89 persen. Presentase penduduk tamat SMP ditampilkan seperti pada tabel 4.7 sebagai berikut. Tabel 4.7 Persentase penduduk tamat SMP No

Kecamatan

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Kalijambe Plupuh Masaran Kedawung Sambirejo Gondang Sambungmaca Ngrampal Karangmalang Sragen Sidoharjo Tanon Gemolong Miri Sumberlawang Mondokan Sukodono Gesi Tangen Jenar

Persentase Usia 10 Tahun Berdasarkan Tingkat Pendidikan SMA / AK / SMP / MTs Universitas Rata - rata SMK / MA Diploma 73.50% 52.00% 96.00% 84.00% 45.50% 47.00% 52.50% 40.50% 73.00% 73.50% 57.50% 67.00% 56.50% 41.50% 44.50% 33.50% 34.50% 20.50% 19.50% 20.00%

51.50% 30.50% 77.50% 54.50% 21.50% 38.50% 42.50% 40.00% 79.50% 14.50% 58.00% 41.50% 51.00% 20.50% 26.00% 11.00% 18.00% 9.50% 10.50% 8.50%

3.50% 2.50% 6.00% 3.50% 2.50% 3.00% 3.00% 3.00% 8.50% 10.50% 5.00% 4.00% 4.00% 1.50% 2.00% 1.50% 1.50% 1.00% 1.00% 0.50%

Sumber : Dinas Pendidikan Kabupaten commit Sragen, 2011 to user

IV-6

5.50% 5.00% 10.50% 5.00% 1.50% 4.50% 4.50% 4.50% 18.00% 25.50% 8.50% 4.50% 8.50% 2.00% 2.50% 1.00% 1.50% 1.00% 1.00% 0.50%

33.50% 22.50% 47.50% 36.75% 17.75% 23.25% 25.63% 22.00% 44.75% 31.00% 32.25% 29.25% 30.00% 16.38% 18.75% 11.75% 13.88% 8.00% 8.00% 7.38%


digilib.uns.ac.id

2. Persentase penduduk usia sekolah Persentase penduduk usia sekolah dihitung dari jumlah penduduk pada rentang usia 7 sampai 24 tahun dibandingkan dengan jumlah penduduk keseluruhan dikali 100%. Penduduk usia sekolah hendaknya perlu mendapatkan perhatian yang serius dari pemerintah karena penduduk usia sekolah inilah yang nantinya akan menentukan masa depan dari suatu wilayah. Data persentase penduduk usia sekolah dibandingkan dengan jumlah penduduk disajikan seperti pada tabel 4.8 sebagai berikut. Tabel 4.8 Persentase penduduk usia sekolah No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Kecamatan

Persentase Penduduk Usia Sekolah

Kalijambe Plupuh Masaran Kedawung Sambirejo Gondang Sambungmacan Ngrampal Karangmalang Sragen Sidoharjo Tanon Gemolong Miri Sumberlawang Mondokan Sukodono Gesi Tangen Jenar

9.02% 8.32% 9.11% 8.19% 7.99% 8.01% 7.87% 9.04% 8.56% 7.92% 8.07% 8.23% 8.45% 8.64% 7.90% 8.35% 7.69% 8.06% 8.54% 7.26%

Sumber : Dinas Pendidikan Kabupaten Sragen, 2011

3. Angka Partisipasi Murni Angka Partisipasi Murni (APM) merupakan salah satu tolok ukur yang digunakan dalam mengukur pencapaian kesetaraan gender dibidang pendidikan. APM mengukur proporsi anak yang bersekolah tepat waktu, yang dibagi dalam tiga kelompok jenjang pendidikan yaitu SD untuk penduduk usia 7-12 tahun, SMP untuk penduduk usia 13-15 tahun, dan SMA untuk penduduk usia 16-18 tahun. commit to user

IV-7


digilib.uns.ac.id

Data Angka Partisipasi Murni Kabupaten Sragen tahun 2010 ditunjukkan oleh tabel 4.9. Tabel 4.9 Angka Partisipasi Murni No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Kecamatan Kalijambe Plupuh Masaran Kedawung Sambirejo Gondang Sambungmacan Ngrampal Karangmalang Sragen Sidoharjo Tanon Gemolong Miri Sumberlawang Mondokan Sukodono Gesi Tangen Jenar

APM tingkat SD

APM tingkat SMP

APM tingkat SMA

APM

94.16 109.1 93.17 120.9 97 65.54 103.46 83.76 114.85 102.01 106.91 99.61 102.64 87.93 125.55 90.51 101.77 93.33 107.09 102.19

96.14 120.13 122.86 89.09 86.77 80.93 93.28 88.38 74.21 95.06 81.88 110.76 95.13 78.06 106.57 73.62 81.4 63.22 77.18 61.63

34.95 61.23 23.83 20.11 53.6 83.58 33.12 49.49 78.85 221.14 0 15.32 162.83 49.07 26.79 47.83 22.96 23.4 22.29 7.32

75.08 96.82 79.95 76.70 79.12 76.68 76.62 73.88 89.30 139.40 62.93 75.23 120.20 71.69 86.30 70.65 68.71 59.98 68.85 57.05


4. Angka Melek Huruf Angka Melek Huruf (AMH) merupakan pencapaian pendidikan dasar dan program pemelekan huruf dalam memberikan keahlian melek huruf dasar terhadap penduduk, dengan cara ini diharapkan penduduk menerapkan dalam kehidupannya sehari hari sehingga dapat mengembangkan kondisi sosial dan ekonomi. AMH merupakan perbandingan antara penduduk usia 15 tahun keatas yang bisa membaca dan menulis dengan jumlah penduduk usia 15 tahun ke atas. Data angka melek huruf Kabupaten Sragen tahun 2010 ditunjukkan oleh tabel 4.10 sebagai berikut.

commit to user

IV-8


digilib.uns.ac.id

Tabel 4.10 Angka Melek Huruf No

Kecamatan

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20


Penduduk Usia 15 Tahun Keatas Jumlah Melek Huruf 39575 35796 56934 47419 29542 34723 37035 31028 51543 55325 42786 42785 37275 26909 36282 27818 24704 16484 21554 21810

Angka Melek Huruf

35246 28541 49918 40854 25915 28507 29693 25783 44200 50192 34842 35062 32991 22987 30072 21613 19338 12817 16669 16416

0.891 0.797 0.877 0.862 0.877 0.821 0.802 0.831 0.858 0.907 0.814 0.819 0.885 0.854 0.829 0.777 0.783 0.778 0.773 0.753


5. Angka Putus Sekolah (APS) Angka Putus Sekolah mencerminkan anak-anak usia sekolah yang sudah tidak bersekolah lagi atau yang tidak menamatkan suatu jenjang pendidikan tertentu. Penyebab utama putus sekolah antara lain karena kurangnya kesadaran orang tua akan pentingnya pendidikan anak sebagai investasi masa depannya, kondisi ekonomi orang tua yang miskin, dan keadaan geografis yang kurang menguntungkan. yang sedang/pernah dijalani dan jenjang pendidikan tertinggi yang ditamatkan. Data Angka Putus Sekolah Kabupaten Sragen tahun 2010 ditunjukkan oleh tabel 4.11. Tabel 4.11 Angka Putus Sekolah No 1 2 3 4 5

Kecamatan Kalijambe Plupuh Masaran Kedawung Sambirejo

Angka Putus Sekolah SD SMP SMA 0 0.4 0 0 0.06 0.41 commit to user 0.04 0 0 0.16

IV-9

0 1.33 0.72 0 0

Rata - rata 0.13 0.44 0.40 0.01 0.05


digilib.uns.ac.id

Tabel 4.11 Angka Putus Sekolah (lanjutan) No

Kecamatan

5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Sambirejo Gondang Sambungmacan Ngrampal Karangmalang Sragen Sidoharjo Tanon Gemolong Miri Sumberlawang Mondokan Sukodono Gesi Tangen Jenar

Angka Putus Sekolah SD SMP SMA 0 0.14 0 0 0.11 0 0 0 0.07 0 0.04 0.11 0.26 0 0 0.27

0.16 0 0 0 0 0 0.17 0.46 0 0.25 0 0.32 0.16 0.23 0 0

0 0 0 0 0.88 0.49 0 0 0.37 1.77 0 0 0 0 0 0

Rata - rata 0.05 0.05 0.00 0.00 0.33 0.16 0.06 0.15 0.15 0.67 0.01 0.14 0.14 0.08 0.00 0.09


4.1.3

Indeks Standar Hidup Layak Indeks standar hidup layak mengukur tingkat kesejahteraan masyarakat

dilihat dari sektor ekonomi. Indikator yang terkait dalam indeks standar hidup layak meliputi angka beban tanggungan (dependency ratio), persentase penduduk miskin, jumlah sarana perekonomian dan persentase rumah tangga tidak layak huni. 1. Angka beban tanggungan (Dependency ratio) Angka beban tanggungan (Dependency Ratio) adalah angka yang menyatakan perbandingan antara penduduk usia tidak produktif (di bawah 15 tahun dan 65 tahun ke atas) dengan usia produktif (antara 15 sampai 64 tahun) dikalikan 100. Angka beban tanggungan dapat digunakan sebagai indikator ekonomi dari suatu negara, apakah tergolong negara maju atau bukan Data Angka Beban Tanggungan (Dependency Ratio) tahun 2010 dapat ditunjukkan oleh tabel 4.12 sebagai berikut.

commit to user

IV-10


digilib.uns.ac.id

Tabel 4.12 Angka beban tanggungan (Dependency Ratio) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Jumlah Penduduk Berdasarkan Usia 0 - 14 15 - 64 > 65 13821 30274 3194 12742 29786 3560 17019 44947 4125 15521 40532 4089 9770 25077 2547 11394 29121 3383 11602 29372 3451 9419 24161 2775 15013 40398 3591 16383 45425 4513 13058 35181 3272 14935 35766 4368 14291 30642 3389 9287 21012 2718 12930 29262 3630 10297 21942 2309 8825 20335 2856 5580 14521 1789 7844 17619 1770 7538 17803 1690


Dependency Ratio 56.20% 54.73% 47.04% 48.38% 49.12% 50.74% 51.25% 50.47% 46.05% 46.00% 46.42% 53.97% 57.70% 57.13% 56.59% 57.45% 57.44% 50.75% 54.57% 51.83%

Sumber : Badan Pusat Statistik Kabupaten Sragen, 2011

2. Persentase penduduk miskin Penduduk miskin didefinisikan sebagai penduduk yang memiliki rata-rata pengeluaran per kapita per bulan di bawah garis kemiskinan. Garis kemiskinan dihitung berdasarkan rata-rata pengeluaran makanan dan non makanan per kapita pada kelompok referensi yang telah ditetapkan. Kelompok referensi ini didefinisikan sebagai penduduk kelas marjinal. Data persentase penduduk miskin Kabupaten Sragen tahun 2010 ditunjukkan oleh tabel 4.13. Tabel 4.13 Persentase penduduk miskin No

Kecamatan 1 2 3 4 5 6 7 8 9

Kalijambe Plupuh Masaran Kedawung Sambirejo Gondang Sambungmacan Ngrampal Karangmalang

Jumlah Penduduk

Jumlah Penduduk Miskin

47289 12680 46088 9638 66091 12216 60142 6000 37394 7426 43898 8648 44425 10659 commit to user 36355 6596 49002 9766

IV-11

Persentase Penduduk Miskin 26.81% 20.91% 18.48% 9.98% 19.86% 19.70% 23.99% 18.14% 19.93%


digilib.uns.ac.id

Tabel 4.13 Persentase penduduk miskin (lanjutan) No

Kecamatan

Jumlah Penduduk

Jumlah Penduduk Miskin

Persentase Penduduk Miskin

9 Karangmalang 49002 9766 10 Sragen 66321 7358 11 Sidoharjo 51511 8254 12 Tanon 55069 11997 13 Gemolong 48322 10460 14 Miri 33017 13207 15 Sumberlawang 45822 12847 16 Mondokan 34548 7084 17 Sukodono 32016 8260 18 Gesi 21890 3672 19 Tangen 27233 4837 20 Jenar 27031 7155 Sumber : Badan Pusat Statistik Kabupaten Sragen, 2011

19.93% 11.09% 16.02% 21.79% 21.65% 40.00% 28.04% 20.50% 25.80% 16.77% 17.76% 26.47%

3. Jumlah sarana perekonomian Sarana perekonomian merupakan salah satu faktor yang berpengaruh terhadap pertumbuhan ekonomi suatu wilayah. Sarana perekonomian meliputi pasar, koperasi dan sektor – sektor yang berpengaruh terhadap perekonomian masyarakat. Data jumlah sarana perekonomian Kabupaten Sragen tahun 2010 ditunjukkan oleh tabel 4.14. Tabel 4.14 Jumlah sarana perekonomian No

Kecamatan

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Kalijambe Plupuh Masaran Kedawung Sambirejo Gondang Sambungmacan Ngrampal Karangmalang Sragen Sidoharjo Tanon Gemolong Miri Sumberlawang Mondokan Sukodono

Sarana Perekonomian Pasar KUD KSP 6 5 4 7 8 5 5 5 3 6 5 10 4 4 5 5 commit 4

to

IV-12

1 2 2 2 1 2 2 2 2 1 3 1 1 1 1 user1 1

1 2 1 1 4 7 12 2 1 4 1

Jumlah 7 7 7 11 9 8 8 11 12 19 10 12 9 6 6 6 5


digilib.uns.ac.id

Tabel 4.14 Jumlah sarana perekonomian (lanjutan) No

Kecamatan

Sarana Perekonomian Pasar KUD KSP

18 Gesi 4 1 1 19 Tangen 3 1 20 Jenar 5 1 Sumber Badan Pusat Statistik Kabupaten Sragen, 2011

Jumlah 6 4 6

4. Persentase rumah tangga tidak layak huni Persentase rumah tangga tidak layak huni adalah salah satu indikator yang menjadi pertimbangan dalam indeks standar hidup yang layak. Menurut berita Suara Merdeka (2012) kriteria rumah layak huni bisa dilihat berdasarkan beberapa variabel diantaranya jenis lantai, atap, dinding, luas tanah di atas 10 meter persegi, luas rumah dibandingkan dengan jumlah penghuni dan rumah, tempat pembuangan air, jenis air minum harus berjarak minimal 10 meter dari tempat pembuangan tinja, akses terhadap air bersih, sumber air untuk mencuci dan memasak, tempat pembuangan tinja harus tertutup, dan bahan bakar untuk memasak. Persentase rumah tidak layak huni pada masing – masing kecamatan di Kabupaten Sragen ditunjukkan seperti pada tabel 4.15 sebagai berikut. Tabel 4.15 Persentase rumah tangga tidak layak huni No

Kecamatan

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20


Jumlah KK 14554 15524 19973 17237 11022 7107 13656 11836 18010 18247 17418 17299 13806 10458 14033 10168 10080 7250 8477 8337

Rumah Tangga Tidak Layak Huni 355 805 232 198 385 386 352 670 504 288 759 769 533 265 329 36 538 401 150 commit 317 to user

Sumber : Badan Pusat Statistik Kabupaten Sragen, 2011

IV-13

Persentase Rumah Tangga Tidak Layak Huni 2.44% 5.19% 1.16% 1.15% 3.49% 5.43% 2.58% 5.66% 2.80% 1.58% 4.36% 4.45% 3.86% 2.53% 2.34% 0.35% 5.34% 5.53% 1.77% 3.80%


4.2

digilib.uns.ac.id

PENGOLAHAN DATA Setelah diperoleh data – data yang dibutuhkan, tahap selanjutnya yaitu

melakukan pengolahan terhadap data – data tersebut. Pengolahan data yang dilakukan meliputi penghitungan terhadap data – data yang diperoleh kedalam algoritma SOM, verifikasi cluster, pembuatan database dan pembuatan desain antarmuka.Uraian terhadap tiap – tiap proses dalam pengolahan data dijelaskan sebagai berikut. 4.2.1

Penghitungan algoritma SOM Penghitungan algoritma SOM dilakukan dengan menginputkan data – data

yang telah diperoleh dari proses pengumpulan data kedalam algoritma SOM. Penghitungan algoritma SOM dijelaskan dalam tahap – tahap sebagai berikut. 1. Inisiasi neuron input Inisiasi neuron input dilakukan dengan menentukan data – data yang akan digunakan sebagai input proses clustering. Pada kasus ini neuron input adalah kecamatan – kecamatan di Kabupaten Sragen yang mana setiap kecamatan memiliki karakteristik masing – masing yang ditunjukkan dengan data – data numerik indikator IPM. 2. Inisialisasi reference vector neuron Reference vector neuron merupakan sekumpulan obyek dengan koordinat tertentu, setiap neuron input akan diproyeksikan (dialokasikan) pada salah satu obyek tersebut. Reference vector neuron terdiri dari obyek dengan koordinat yang memiliki pola teratur dengan kelipatan 0,4. Nilai masing – masing reference vector neuron dijabarkan seperti pada tabel 4.16 sebagai berikut. Tabel 4.16 Reference Vector Neuron

mji

i

1 2 3 4 5

j 1 0.40 0.80 1.20 1.60 2.00

mji

2 6 0.40 7 0.40 0.40 i 8 9 0.40 10 0.40

j 1 0.40 0.80 1.20 1.60 2.00

mji

1 2 11 0.40 0.80 12 0.80 0.80 0.80 i 13 1.20 14 1.60 0.80 15 2.00 0.80

commit to user

IV-14

j

mji

1 2 16 0.40 1.20 17 0.80 1.20 1.20 i 18 1.20 19 1.60 1.20 20 2.00 1.20

j 2 1.60 1.60 1.60 1.60 1.60


digilib.uns.ac.id

Lokasi reference vector neuron yang telah ditentukan pada awal iterasi jika dipetakan kedalam bidang dua dimensi seperti pada gambar 4.1 sebagai berikut.

Gambar 4.1 Pemetaan lokasi reference vector neuron 3. Menentukan jumlah iterasi (T) Pada kasus ini, iterasi yang dilakukan adalah sebanyak 1000 kali. Semakin banyak jumlah iterasi yang dilakukan akan berdampak terhadap waktu proses yang semakin lama dan tingkat ketakuratan hasil akan semakin tinggi. Sebaliknya jika jumlah iterasi yang dilakukan semakin sedikit maka akan berdampak terhadap waktu proses yang semakin cepat dan tingkat keakuratan hasil yang semakin rendah. 4. Melakukan random pemilihan neuron input (kecamatan). Pemilihan kecamatan dilakukan secara random agar setiap kecamatan memiliki peluang yang sama untuk dipilih sehingga semua kecamatan memiliki kesempatan yang sama untuk dilakukan proyeksi dengan semua reference vector neuron.

Hasil

random

pemilihan

kecamatan

adalah

kecamatan

(Sumberlawang) terpilih sebagai neuron input pada iterasi pertama. commit to user

IV-15

ke-15


digilib.uns.ac.id

5. Menghitung jarak neuron input (kecamatan) dengan semua reference vector neuron Penghitungan jarak kecamatan dengan semua reference vector neuron dilakukan mengikuti pada persamaan (2.4). Pada kasus ini kecamatan terdiri dari 5 dimensi (untuk indeks harapan hidup dan indeks pendidikan) atau 4 dimensi (untuk indeks standar hidup layak) dan reference vector neuron terdiri dari 2 dimensi. Pada penghitungan jarak, dimensi ke – 3, 4, dan 5 pada reference vector neuron diasumsikan bernilai nol. Penghitungan jarak dilakukan dengan menggunakan euclidean distance yaitu jarak lurus anara titik lokasi kecamatan dengan titik lokasi reference vector neuron. Penghitungan jarak antara kecamatan dengan reference vector neuron ditunjukkan seperti pada function sebagai berikut. Function Jarak(ByVal j As Integer, ByVal m As Integer) Dim sum As Single For i = 0 To 4 sum = ((DataInput(j)(i) - ReferenceVector(m, i)) ^ 2) + sum Next Return Math.Sqrt(sum) End Function

Kemudian untuk contoh penghitungan manual jarak kecamatan terhadap semua reference vector neuron dilakukan pada kategori indikator indeks harapan hidup dengan neuron input kecamatan ke – 15 adalah sebagai berikut. ‫ܐ‬Ƽ

‫ܐ‬罀

⧘ext n ,

嶰Ƽ

dimana k = 15 dan i = 1 sampai dengan 20

= ((0.52 - 0.4)2+(0.16 - 0.4)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2 = 1.9489

‫ܐ‬

= ((0.52 - 0.8)2+(0.16 - 0.4)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

‫ܐ‬

= ((0.52 – 1.2)2+(0.16 - 0.4)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

y

= ((0.52 – 1.6)2+(0.16 - 0.4)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

y

= ((0.52 – 2.0)2+(0.16 - 0.4)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

y

2 2 2 1/2 = ((0.52 - 0.4)2+(0.16 - 0.8)to2+(0.01 commit user - 0) +(0.99 - 0) +(0.88 - 0) )

= 2.0129

= 2.3969

= 3.1009

= 4.1249

IV-16


digilib.uns.ac.id

= 2.4289 y)

= ((0.52 - 0.8)2+(0.16 - 0.8)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

y

= ((0.52 – 1.2)2+(0.16 - 0.8)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

y

= ((0.52 – 1.6)2+(0.16 - 0.8)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

y罀

= ((0.52 – 2.0)2+(0.16 - 0.8)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

y罀罀

= ((0.52 - 0.4)2+(0.16 – 1.2)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

y罀

= ((0.52 - 0.8)2+(0.16 – 1.2)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

y罀

= ((0.52 – 1.2)2+(0.16 – 1.2)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

y罀

= ((0.52 – 1.6)2+(0.16 – 1.2)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

y罀

= ((0.52 – 2.0)2+(0.16 – 1.2)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

y罀

= ((0.52 - 0.4)2+(0.16 – 1.6)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

y罀)

= ((0.52 - 0.8)2+(0.16 – 1.6)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

y罀

= ((0.52 – 1.2)2+(0.16 – 1.6)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

‫ܐ‬罀

= ((0.52 – 1.6)2+(0.16 – 1.6)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

‫ܐ‬

= ((0.52 – 2.0)2+(0.16 – 1.6)2+(0.01 - 0)2+(0.99 - 0)2+(0.88 - 0)2)1/2

= 2.4929

= 2.8769

= 3.5809

= 4.6049

= 3.2289

= 3.2929

= 3.6769

= 4.3809

= 5.4049

= 4.3489

= 4.4129

= 4.7969

= 5.5009

= 6.5249 commit to user

IV-17


digilib.uns.ac.id

6. Memilih reference vector neuron yang memiliki jarak terpendek Setelah dilakukan penghitungan jarak antara kecamatan yang dipilih dengan semua reference vector neuron selanjutnya dipilih reference vector neuron yang memiliki jarak terdekat. Reference vector neuron yang memiliki jarak terdekat dengan kecamatan disebut dengan winning neuron atau winner. Berdasarkan hasil penghitungan jarak kecamatan terhadap semua reference vector neuron dengan kecamatan ke – 15 (Sumberlawang) sebagai kecamatan yang terpilih pada iterasi pertama diketahui winning neuron adalah mj1 dengan jarak 1.9489 7. Melakukan update lokasi reference vector winner dan tetangganya. Sebelum melakukan update lokasi reference vector neuron dan tetangganya, harus dilakukan penghitungan terlebih dahulu untuk mengetahui nilai learning rate, lebar kernel dan neighborhood function. Penghitungan learning rate, lebar kernel dan neighborhood function dilakuan sebagai berikut. a. Menghitung learning rate Learning rate digunakan untuk menunjukkan bagaimana adaptasi pembelajaran terhadap data. Untuk menghitung nilai learning rate dilakukan dengan menggunakan rumus pada persamaan (2.8). Untuk menentukan besarnya nilai learning rate ditentukan seperti pada function sebagai berikut. Function alpha(ByVal t As Integer) alpha = 0.9 * (1 - (t / 1000)) End Function

Kemudian untuk contoh penghitungan manual penentuan learning rate pada t = 1 dengan nilai learning rate awal = 0.9 ditunjukkan sebagai berikut. 1

0.9 ∗ 1

罀

罀

= 0.8991

b. Menghitung lebar kernel Lebar kernel adalah fungsi pengurang untuk menentukan tetangga dari reference vector winner. Tujuan penghitungan lebar kernel adalah untuk menentukan radius yang menjadi parameter untuk menentukan tetangga dari reference vector winner. Untuk menghitung nilai lebar kernel dilakukan dengan menggunakan rumus pada persamaan (2.7). Untuk menentukan besarnya nilai commit to user lebar kernel ditentukan seperti pada function sebagai berikut. IV-18


digilib.uns.ac.id

Function sigma(ByVal t As Integer) sigma = (0.45 * Math.Exp(-2 * 0.45 * ((t / 1000))) End Function

Kemudian untuk contoh penghitungan manual penentuan lebar kernel pada t = 1 dengan nilai lebar kernel awal = 0.45 ditunjukkan sebagai berikut. 1

0.45 ∗ nd

2 ∗ 0.45 ∗

罀

罀

= 0.4495

c. Menghitung neighborhood function

Neighborhood function adalah suatu fungsi yang memberi pengaruh perubahan bobot secara proporsional dari winning neuron ke neuron - neuron tetangganya. Untuk menghitung neighborhood function dilakukan menggunakan rumus pada persamaan (2.6). Untuk menentukan nilai neighborhood function dilakuan seperti pada procedure sebagai berikut. Sub Neighborhood (ByVal winner As Integer, ByVal j As Integer) Dim neuron As Integer = 20 For m = 0 To neuron - 1 FungsiTetangga(t, win) = alpha(t) * Math.Exp((JarakWinnerkeTetangga(t, m, win)^2)/(2*(sigma(t) ^ 2)))) If JarakWinnerkeTetangga(t, m, win) < sigma(t) Then N(t, m, win) = 1 Else N(t, m, win) = 0 End If Next End Sub

Kemudian untuk contoh penghitungan manual penentuan neighborhood function pada iterasi t = 1 dengan reference vector winner = mj1 adalah sebagai berikut. 罀,罀罀, 罀, 罀, 罀,

0.8991 ∗ exp

.

.

.

.

.

.

.

.

0.8991 ∗ exp

.

罀.

.

.

.

罀.

.

.

0.8991 ∗ exp

.

.

.

.

0.8991 ∗ nd 0.8991 ∗ exp

commit to user

IV-19

^

/

= 0.8991

^

/

= 0.339949

^

/

= 0.128534

^

/

= 0.048599

^

/

= 0.018375


罀, 罀,) 罀, 罀, 罀,罀罀,罀罀罀,罀罀,罀罀,罀罀,罀罀,罀罀,罀) 罀,罀罀,罀罀,

digilib.uns.ac.id

0.8991 ∗ exp

.

.

.

.

0.8991 ∗ exp

.

.

.

.

0.8991 ∗ exp

.

罀.

.

.

0.8991 ∗ exp

.

罀.

.

.

0.8991 ∗ exp

.

.

.

.

0.8991 ∗ exp

.

.

.

罀.

0.8991 ∗ exp

.

.

.

罀.

0.8991 ∗ exp

.

罀.

.

罀.

0.8991 ∗ exp

.

罀.

.

罀.

0.8991 ∗ exp

.

.

.

罀.

0.8991 ∗ exp

.

.

.

罀.

0.8991 ∗ exp

.

.

.

罀.

0.8991 ∗ exp

.

罀.

.

罀.

0.8991 ∗ exp

.

罀.

.

罀.

.

.

.

罀.

0.8991 ∗ exp

^

/

= 0.339949

^

/

= 0.227223

^

/

= 0.102166

^

/

= 0.041503

^

/

= 0.016302

^

/

= 0.128534

^

/

= 0.102166

^

/

= 0.057424

^

/

= 0.026968

^

/

= 0.011609

^

/

= 0.048599

^

/

= 0.041503

^

/

= 0.026968

^

/

= 0.014512

^

/

= 0.006948

d. Mencari tetangga dari reference vector winner Pada kasus ini yang dimaksud dengan tetangga adalah reference vector neuron yang berada didalam radius lebar kernel yang ditentukan dengan reference vector winner sebagai titik pusatnya. Jadi untuk mengetahui apakah suatu reference vector neuron menjadi tetangga dari reference vector winner atau tidak, commit to user harus diketahui terlebih dahulu jarak antara setiap reference vector neuron dengan

IV-20


digilib.uns.ac.id

reference vector winner. Penghitungan jarak antara masing – masing reference vector neuron dengan reference vector winner ditunjukkan sebagai berikut. ⧘

Ƽ

⧘罀罀

⧘ext

嶰

,

嶰Ƽ

= ((0.4 – 0.4)2 + (0.4 - 0.4)2 ) 1/2 =0

⧘罀

= ((0.4 – 0.8)2 + (0.4 - 0.4)2 ) 1/2

⧘罀

= ((0.4 – 1.2)2 + (0.4 - 0.4)2 ) 1/2

⧘罀

= ((0.4 – 1.6)2 + (0.4 - 0.4)2 ) 1/2

⧘罀

= ((0.4 – 2.0)2 + (0.4 - 0.4)2 ) 1/2

⧘罀

= ((0.4 – 0.4)2 + (0.4 - 0.482 ) 1/2

⧘罀)

= ((0.4 – 0.8)2 + (0.4 - 0.8)2 ) 1/2

⧘罀

= ((0.4 – 1.2)2 + (0.4 – 0.8)2 ) 1/2

⧘罀

= ((0.4 – 1.6)2 + (0.4 - 0.8)2 ) 1/2

⧘罀罀

= ((0.4 – 2.0)2 + (0.4 - 0.8)2 ) 1/2

⧘罀罀罀

= ((0.4 – 0.4)2 + (0.4 – 1.2)2 ) 1/2

⧘罀罀

= ((0.4 – 0.8)2 + (0.4 – 1.2)2) 1/2

⧘罀罀

= ((0.4 – 1.2)2 + (0.4 – 1.2)2 ) 1/2

⧘罀罀

= ((0.4 – 1.6)2 + (0.4 – 1.2)2 ) 1/2 commit to user = 1.442

= 0.4

= 0.8

= 1.2

= 1.2

= 0.4

= 0.565

= 0.894

= 1.264

= 1.649

= 0.8

= 0.894

= 1.131

IV-21


digilib.uns.ac.id

⧘罀罀

= ((0.4 – 2.0)2 + (0.4 – 1.2)2 ) 1/2

⧘罀罀

= ((0.4 – 0.4)2 + (0.4 – 1.6)2 ) 1/2

⧘罀罀)

= ((0.4 – 0.8)2 + (0.4 – 1.6)2 ) 1/2

⧘罀罀

= ((0.4 – 1.2)2 + (0.4 – 1.6)2 ) 1/2

⧘罀罀

= ((0.4 – 1.6)2 + (0.4 – 1.6)2 ) 1/2

⧘罀

= ((0.4 – 2.0)2 + (0.4 – 1.6)2 ) 1/2

= 1.788

= 1.2

= 1.264

= 1.442

= 1.697

=2

Setelah diketahui nilai untuk masing – masing reference vector neuron terhadap reference vector winner , selanjutnya dapat diketahui reference vector neuron yang menjadi tetangganya. Syarat menjadi tetangga adalah jarak antara reference vector neuron dengan reference vector winner lebih kecil dari lebar kernel yang ditentukan. Pada kasus ini yang menjadi tetangga dari reference vector winner mj1 adalah mj1, mj2, dan mj6. Setelah diketahui nilai learning rate, lebar kernel, neighborhood function, dan tetangga dari reference vector winner, selanjutnya dapat dilakukan penghitungan

update lokasi

reference vector

winner

dan

tetangganya.

Penghitungan update lokasi reference vector winner dan tetangganya mengikuti pada persamaan (2.5). Untuk menghitung nilai update lokasi reference vector winner dan tetangganya untuk setiap iterasinya dilakukan seperti pada procedure sebagai berikut. Sub UpdateReference(ByVal winner As Integer, ByVal j As Integer) For m = 0 To neuron – 1 If N(t, m, win) = 1 Then For i = 0 To 1 ReferenceVector(t + 1, m, i) = ReferenceVector(t, m, i) + (FungsiTetangga(t, win) * (Datainput(j)(i) ReferenceVector(t, m, i))) Next commit to user Else

IV-22


digilib.uns.ac.id

For i = 0 To 1 ReferenceVector(t + 1, m, i) = ReferenceVector(t, m, i) Next End If Next End Sub

Kemudian untuk contoh penghitungan manual untuk melakukan update lokasi reference vector neuron dan tetangganya untuk t = 1 dengan reference vector winner mj1 adalah sebagai berikut. 罀,罀

t

1

t t 罀罀 t ∗ n罀罀罀,罀 t = 0.4 + (0.8991 * (0.52 – 0.4)) = 0.508

罀,

t

1

t 罀罀 t ∗ n 罀 t 罀, t = 0.4 + (0.8991 * (0.16 – 0.4)) = 0.184

,罀

t

1

t 罀 t ∗ n罀罀 t ,罀 t = 0.8 + (0. 339949* (0.52 – 0.8)) = 0.705

,

t

1

t 罀 t ∗ n罀罀 t , t = 0.4 + (0. 339949 * (0.16 – 0.4)) = 0.318

,罀

t

1

,

t

1

罀,罀

罀,

,罀 ,

,罀

t

罀

t ∗ n罀罀 t

,罀

t

,罀

t

罀

t ∗ n罀罀 t

,罀

t

= 0.4 + (0.339949 * (0.52 – 0.4)) = 0.441

= 0.8 + (0.339949 * (0.16 – 0.8)) = 0.582 8. Hasil proyeksi data input terhadap reference vector neuron Reference vector neuron digunakan untuk menggambarkan hasil proyeksi data input ke dalam bentuk satu, dua atau tiga dimensi. Pada aplikasi sistem pendukung keputusan pemetaan profil kecamatan di Kabupaten Sragen, data input yang berupa data – data profil kecamatan di Kabupaten Sragen diproyeksikan dengan reference vector neuron yang berupa data berdimensi dua. Proyeksi dua dimensi yang ditunjukkan oleh reference vector neuron setelah dilakukan 1000 iterasi ditampilkan seperti pada tabel 4.17 sebagai berikut. commit to user

IV-23


digilib.uns.ac.id

Tabel 4.17 Reference vector neuron pada t = 1000 mij

i

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Indeks harapan hidup j=1 j=2 0.476 0.457 0.821 0.464 1.162 0.456 1.588 0.398 1.988 0.399 0.481 0.810 0.819 0.807 1.158 0.802 1.513 0.800 2.000 0.800 0.462 1.167 0.817 1.147 1.156 1.145 1.518 1.154 0.810 1.200 0.807 1.522 0.802 1.516 0.800 1.538 0.800 1.600 2.000 1.600

Indeks pendidikan j=1 j=2 0.395 1.986 0.716 1.986 1.173 0.819 1.600 0.400 2.000 0.400 0.395 2.308 0.716 2.308 1.037 2.308 1.553 1.199 2.000 0.800 0.395 2.629 0.716 2.629 1.037 2.629 1.358 2.628 1.932 1.579 0.395 2.949 0.716 2.949 1.037 2.949 1.358 2.949 1.895 2.154

Indeks standar hidup layak j=1 j=2 0.399 0.396 0.818 0.381 2.309 0.284 2.455 0.284 2.602 0.284 0.400 0.800 0.813 0.763 2.309 0.430 2.455 0.430 2.602 0.430 0.400 1.200 0.791 1.180 1.182 1.109 2.455 0.577 2.602 0.577 0.400 1.600 0.800 1.600 1.200 1.600 1.600 1.600 2.000 1.600

Berdasarkan proyeksi kecamatan terhadap reference vector neuron yang ditunjukkan pada tabel 4.17 ditampilkan pada bidang dua dimensi seperti pada gambar 4.2, gambar 4.3 dan gambar 4.4 sebagai berikut.

Gambar 4.2 Reference vector neuron t = 1000 (indeks harapan hidup)

commit to user

IV-24


digilib.uns.ac.id

Gambar 4.3 Reference vector neuron t = 1000 (indeks pendidikan)

Gambar 4.4 Reference vector neuron t = 1000 (indeks standar hidup layak) 9. Hasil pembentukan cluster Dari proses clustering kecamatan yang telah dilakukan menggunakan algoritma SOM dihasilkan output berupa cluster – cluster kecamatan. Clustering kecamatan dilakukan untuk setiap kategori indikator yang mana terdiri dari indeks harapan hidup, indeks pendidikan, dan indeks standar hidup layak. Untuk setiap kategori indikator, tersedia pilihan pembentukan cluster yang terdiri dari 2 cluster, commit to user 3 cluster, 4 cluster, dan 5 cluster. Berikut ditampilkan hasil pembentukan cluster IV-25


digilib.uns.ac.id

dari masing masing kategori indikator berdasarkan pembentukan cluster yang dipilih seperti ditampilkan pada tabel 4.18 sebagai berikut. Tabel 4.18 Hasil pembentukan cluster


Indeks Pendidikan Output Cluster 2 3 4 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 1 1 1 1 1 1 2 3 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 4 1 1 1 1 1 4

Indeks Standar Hidup Layak Output Cluster 2 3 4 5 1 1 1 1 2 2 2 3 3 2 3 3 1 2 2 1 2 2 1 1 1 1 2 2 1 2 2 2 3 3 1 2 2 1 2 2 1 2 2 1 1 1 1 1 1 2 3 4 1 2 2 1 2 2 2 3 3 1 2 2 Tidak terbentuk cluster

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Indeks Harapan Hidup Output Cluster 2 3 4 5 1 1 1 1 1 1 1 1 2 2 2 2 1 3 3 3 1 3 4 4 1 3 4 4 1 3 4 4 1 1 1 5 1 3 3 3 1 3 3 3 1 3 4 4 1 3 3 3 1 3 4 4 1 3 4 4 1 3 4 4 1 3 4 4 1 3 3 3 1 1 3 5 1 3 4 4 1 3 4 4

Tidak terbentuk cluster

Kategori No

Untuk memudahkan dalam memahami hasil pembentukan cluster seperti yang ditunjukkan pada tabel 4.18, kemudian informasi tentang pembentukan cluster ditampilkan pada gambar peta Kabupaten Sragen dengan menggunakan image editor software. Informasi cluster ditunjukkan dengan warna pada masing – masing kecamatan. Jika diantara beberapa kecamatan memiliki warna yang sama, maka beberapa kecamatan tersebut berada dalam cluster yang sama pula. Sebaliknya jika diantara beberapa kecamatan memiliki warna berbeda, maka beberapa kecamatan tersebut berada dalam cluster yang berbeda.

commit to user

IV-26


digilib.uns.ac.id

Gambar 4.5 Hasil pembentukan cluster berdasarkan indeks harapan hidup untuk output 2 cluster


Gambar 4.7 Hasil pembentukan cluster berdasarkan indeks harapan hidup untuk output 4 cluster commit to user

IV-27


digilib.uns.ac.id


Gambar 4.9 Hasil pembentukan cluster berdasarkan indeks pendidikan untuk output 2 cluster

Gambar 4.10 Hasil pembentukan cluster berdasarkan indeks pendidikan commit to user untuk output 3 cluster

IV-28


digilib.uns.ac.id

Gambar 4.11 Hasil pembentukan cluster berdasarkan indeks pendidikan untuk output 4 cluster

Gambar 4.12 Hasil pembentukan cluster berdasarkan indeks standar hidup layak untuk output 2 cluster

Gambar 4.13 Hasil pembentukan cluster berdasarkan indeks standar hidup commit to user layak untuk output 3 cluster IV-29


digilib.uns.ac.id

Gambar 4.14 Hasil pembentukan cluster berdasarkan indeks standar hidup layak untuk output 4 cluster 4.2.2 Verifikasi Cluster Verifikasi cluster dilakukan untuk membuktikan kebenaran terhadap hasil pembentukan cluster. Proses verifikasi cluster dilakukan dengan membandingkan jarak dari setiap kecamatan. Kecamatan yang berada dalam satu cluster cenderung memiliki jarak yang relatif lebih dekat dibandingkan anggota pada cluster yang lain. Verifikasi cluster dilakukan pada setiap kategori indikator yaitu indeks harapan hidup, indeks pendidikan, dan indeks standar hidup layak. Jarak antar kecamatan untuk kategori indikator indeks harapan hidup, indeks pendidikan dan indeks standar hidup layak yang disajikan pada lampiran l. 1. Jarak antar kecamatan berdasarkan indeks harapan hidup Setelah semua jarak selesai dihitung, kemudian dibandingkan jarak antara kecamatan satu dengan kecamatan yang lain. Kecamatan yang berada dalam satu cluster cenderung memiliki jarak yang lebih dekat dibanding kecamatan yang berada pada cluster yang lain. Sebagai contoh pada tabel 4.18, untuk jumlah output 3 cluster terdiri dari Cluster 1 (beranggotakan Kecamatan Kalijambe, Plupuh, Ngrampal, dan Gesi), Cluster 2 (beranggotakan Kecamatan Masaran) dan Cluster

3

(beranggotakan

KecamatanKedawung,

Sambirejo,

Gondang,

Sambungmacan, Karangmalang, Sragen, Sidoarjo, Tanon, Gemolong, Miri, Sumberlawang, Mondokan, Sukodono, Tangen, dan Jenar). Kemudian dibuktikan dengan melihat tabel jarak antarcommit kecamatan berdasarkan indeks harapan hidup to user

IV-30


digilib.uns.ac.id

(lampiran 1) ditunjukkan bahwa kecamatan yang berada dalam 1 cluster cenderung memiliki jarak yang lebih dekat dibandingkan kecamatan yang berada pada cluster yang lain. Tingkat kemiripan dari masing – masing kecamatan dalam satu cluster dapat dilihat dari kedekatan jarak antar kecamatan sedangkan tingkat perbedaan antar kecamatan pada cluster yang berbeda dapat dilihat dari semakin besarnya jarak antar kecamatan pada cluster yang berbeda . Semakin kecil jarak rata – rata kecamatan yang berada dalam satu cluster yang sama, maka semakin mirip karakteristik dari masing – masing anggota cluster (kecamatan) tersebut. Semakin besar jarak rata – rata antara kecamatan yang berada dalam cluster yang berbeda, maka semakin jauh berbeda karakteristik dari masing – masing kecamatan tersebut. Jarak rata – rata kecamatan yang berada dalam satu cluster yang sama dan jarak rata – rata antar kecamatan pada cluster yang berbeda untuk masing – masing jumlah output cluster digambarkan dalam diagram sebagai berikut.

Gambar 4.15 Diagram jarak rata – rata antar kecamatan berdasarkan indeks harapan hidup 2. Jarak antar kecamatan berdasarkan indeks pendidikan Pada penghitungan jarak antar kecamatan berdasarkan indeks pendidikan, Setelah semua jarak selesai dihitung, kemudian dilakukan pembandingan jarak antara kecamatan satu dengan kecamatan yang lain. Kecamatan yang berada dalam satu cluster cenderung memiliki jarak yang lebih kecil dibanding commit to user kecamatan yang berada pada cluster yang lain. Sebagai contoh, pada tabel 4.18

IV-31


digilib.uns.ac.id

untuk jumlah output 4 cluster terdiri dari Cluster 1 (beranggotakan Kecamatan Kalijambe, Plupuh, Masaran, Kedawung, Sambirejo, Gondang, Sambungmacan, Ngrampal, Karangmalang, Sidoharjo, Tanon, Miri, Sumberlawang, Mondokan, dan Tangen), Cluster 2 (beranggotakan Kecamatan Sragen), Cluster 3 (beranggotakan Kecamatan Gemolong) dan Cluster 4 (beranggotakan Kecamatan Gesi dan Jenar). Kemudian dibuktikan dengan melihat tabel jarak antar kecamatan berdasarkan indeks pendidikan (lampiran 1) ditunjukkan bahwa kecamatan yang berada dalam 1 cluster cenderung memiliki jarak yang lebih dekat dibandingkan kecamatan yang berada pada cluster yang lain. Tingkat kemiripan dari masing – masing kecamatan dalam satu cluster dapat dilihat dari kedekatan jarak antar kecamatan sedangkan tingkat perbedaan antar kecamatan pada cluster yang berbeda dapat dilihat dari semakin besarnya jarak antar kecamatan pada cluster yang berbeda . Semakin kecil jarak rata – rata kecamatan yang berada dalam satu cluster yang sama, maka semakin mirip karakteristik dari masing – masing anggota cluster (kecamatan) tersebut. Semakin besar jarak rata – rata antara kecamatan yang berada dalam cluster yang berbeda, maka semakin jauh berbeda karakteristik dari masing – masing kecamatan tersebut. Jarak rata – rata kecamatan yang berada dalam satu cluster yang sama dan jarak rata – rata antar kecamatan pada cluster yang berbeda untuk masing – masing jumlah output cluster digambarkan dalam diagram sebagai berikut.

Gambar 4.16 Diagram jarak rata – rata antar kecamatan berdasarkan indeks commit to user pendidikan

IV-32


digilib.uns.ac.id

3. Jarak antar kecamatan berdasarkan indeks standar hidup layak Pada penghitungan jarak antar kecamatan berdasarkan indeks standar hidup layak, setelah semua jarak selesai dihitung kemudian dilakukan pembandingan jarak antar kecamatan satu dengan kecamatan yang lain. Kecamatan yang berada dalam satu cluster cenderung memiliki jarak yang lebih kecil dibanding kecamatan yang berada pada cluster yang lain. Sebagai contoh, pada tabel 4.18 untuk jumlah output 2 cluster terdiri dari Cluster 1 (beranggotakan

Kecamatan

Kalijambe,

Plupuh,

Sambirejo,

Gondang,

Sambungmacan, Ngrampal, Karangmalang, Sidoharjo, Tanon, Gemolong, Miri, Sumberlawang, Sukodono, Gesi dan Jenar ), cluster 2 (beranggotakan Kecamatan Masaran, Kedawung, Sragen, Mondokan dan Tangen). Kemudian dibuktikan dengan melihat tabel jarak antar kecamatan berdasarkan indeks standar hidup layak (lampiran 1) ditunjukkan bahwa kecamatan yang berada dalam 1 cluster cenderung memiliki jarak yang lebih dekat dibandingkan kecamatan yang berada pada cluster yang lain. Tingkat kemiripan dari masing – masing kecamatan dalam satu cluster dapat dilihat dari kedekatan jarak antar kecamatan sedangkan tingkat perbedaan antar kecamatan pada cluster yang berbeda dapat dilihat dari semakin besarnya jarak antar kecamatan pada cluster yang berbeda . Semakin kecil jarak rata – rata kecamatan yang berada dalam satu cluster yang sama, maka semakin mirip karakteristik dari masing – masing anggota cluster (kecamatan) tersebut. Semakin besar jarak rata – rata antara kecamatan yang berada dalam cluster yang berbeda, maka semakin jauh berbeda karakteristik dari masing – masing kecamatan tersebut. Jarak rata – rata kecamatan yang berada dalam satu cluster yang sama dan jarak rata – rata antar kecamatan pada cluster yang berbeda untuk masing – masing jumlah output cluster digambarkan dalam diagram sebagai berikut.

commit to user

IV-33


digilib.uns.ac.id

Gambar 4.17 Diagram jarak rata – rata kecamatan berdasarkan indeks standar hidup layak 4.2.3 Penyusunan Kerangka Sistem Pendukung Keputusan Kerangka sistem pendukung keputusan digunakan sebagai dasar dalam pengembangan aplikasi sistem pendukung keputusan pemetaan profil kecamatan di Kabupaten Sragen. Penyusunan kerangka sistem pendukung keputusan dilakukan dengan mengadaptasi dari penjabaran sistematika SPK yang disampaikan dalam Turban dkk. (2005). Pada kasus ini kerangka sistem pendukung keputusan disusun sebagai berikut. Data IPM kecamatan di Kabupaten Sragen

DBMS (Database Management System)

Metode Self Organizing Maps (SOM)

Informasi cluster kecamatan

Desain antarmuka sistem pendukung keputusan pemetaan profil kecamatan

Pengguna

Gambar 4.18 Kerangka SPK 4.2.4 Pembuatan Database Database digunakan untuk melakukan penyimpanan terhadap data – data commit to userpendukung keputusan yang akan yang akan digunakan pada aplikasi sistem

IV-34


digilib.uns.ac.id

dibuat. Database yang digunakan dalam aplikasi sistem pendukung keputusan pemetaan profil kecamatan ini terdiri dari 6 entitas yaitu entitas indikator, entitas kategori_indikator, entitas nilai_indikator, entitas kecamatan, entitas user dan entitas group. Setiap entitas memiliki beberapa atribut penyusun yang dijabarkan pada tabel 4.19 sebagai berikut. Tabel 4.19 Entitas dan atribut Entitas

Atribut penyusun Id_Indikator (pk) Nama_Indikator Id_Penginput (fk) Indikator Tanggal_Penginput Id_Updater (fk) Tanggal_Update Id_Kategori (fk) Id_Indikator (fk) Id_Kecamatan (fk) Nilai_Indikator Tahun Nilai Id_Kecamatan (pk) Kecamatan Nama_Kecamatan

Entitas

Atribut penyusun Id_Kategori Kategori_Indikator Nama_Kategori Keterangan Id_Group (pk) Group Nama_Group Id_user (pk) Nama_Karyawan Nama_User Password User Status Keterangan Id_group (fk) Kondisi

Dari setiap entitas memiliki relasi dengan entitas lain yang digambarkan dalam Entity Relationship Diagram (ERD) sebagai berikut.

Gambar 4.19 Entity Relationship Diagram 4.2.5 Pembuatan Desain Antarmuka Desain antarmuka berfungsi sebagai media untuk mengkomunikasikan aplikasi sistem pendukung keputusan pemetaan profil kecamatan yang dibuat agar memudahkan dalam penggunaannya. Pada desain antarmuka yang dibuat, terdiri user dari 5 menu utama yaitu halamancommit muka,tomanajemen user, manajemen indikator,

IV-35


digilib.uns.ac.id

manajemen kecamatan, dan proses clustering. Setiap menu utama terdiri dari beberapa sub menu yang dijelaskan seperti pada tabel 4.20 sebagai berikut. Tabel 4.20 Menu dan sub menu Menu Utama Halaman muka

Manajemen User Manajemen Indikator

Manajemen Kecamatan Proses Clustering

Sub Menu Login Logout Keluar Manajemen User Manajemen Group Indikator Nilai Kategori Manajemen Kecamatan Berdasarkan Indeks harapan hidup Berdasarkan Indeks pendidikan Berdasarkan Indeks standar hidup layak

Desain antarmuka yang digunakan pada aplikasi sistem pendukung keputusan pemetaan profil kecamamatan di Kabupaten Sragen adalah seperti pada gambar 4.20 berikut.

Gambar 4.20 Desain antarmuka halaman utama

commit to user

IV-36


digilib.uns.ac.id

Gambar 4.21 Desain antarmuka sub menu proses clustering berdasarkan Indeks Harapan Hidup

Gambar 4.22 Desain antarmuka sub menu proses clustering berdasarkan Indeks Pendidikan

Gambar 4.23 Desain antarmuka sub menu proses clustering berdasarkan Indeks commit to user Standar Hidup Layak

IV-37


digilib.uns.ac.id

Gambar 4.24 Desain antarmuka tampilan pembentukan cluster

commit to user

IV-38


digilib.uns.ac.id

BAB V ANALISIS DAN INTERPRETASI HASIL Pada bab ini dilakukan analisis terhadap proses dan hasil perancangan aplikasi sistem pendukung keputusan pemetaan profil kecamatan di Kabupaten Sragen. Analisis yang dilakukan adalah analisis metode pengumpulan data, analisis identifikasi indikator, analisis desain antarmuka aplikasi sistem pendukung keputusan pemetaan profil kecamatan, analisis penentuan learning rate, analisis penentuan lebar kernel, analisis output algoritma Self Organizing Maps, analisis verifikasi cluster dan interpretasi hasil pembentukan cluster. 5.1

Analisis Metode Pengumpulan Data Analisis metode pengumpulan data dilakukan untuk mengetahui

kekurangan dan kelebihan dari proses pengumpulan data yang dilakukan. Pengumpulan data dilakukan dengan meminta data secara langsung kepada instansi – instansi yang terkait diantaranya Badan Perencanaan Pembangunan Daerah (Bappeda) Kabupaten Sragen, Badan Pusat Statistik (BPS) Kabupaten Sragen, Dinas Pendidikan Kabupaten Sragen, dan Dinas Kesehatan Kabupaten Sragen. Data yang dapat dikumpulkan merupakan data mentah dimana data tersebut belum dilakukan pengolahan sebelumnya. Pada proses pengumpulan data, tidak semua data bisa diperoleh ditempat – tempat tersebut melainkan ada beberapa data yang diperoleh melalui pencarian di internet dan buku – buku terbitan Pemerintah Daerah Kabupaten Sragen misalnya buku berjudul Sragen dalam Angka, PDRB Kabupaten Sragen dan sebagainya. Data yang diperoleh dalam proses pengumpulan data pada penelitian merupakan data – data profil Kabupaten Sragen tahun 2010. Walaupun penelitian ini dilakukan pada bulan April 2012, namun data – data tahun 2011 belum bisa commit to user diambil secara keseluruhan karena masih dalam tahap rekapitulasi oleh pihak

V-1


digilib.uns.ac.id

yang terkait. Menurut informasi dari pejabat setempat, untuk data – data tahun 2011 baru bisa diambil setelah bulan Juli 2012. Meskipun data yang diambil adalah data – data tahun 2010, namun tidak menjadi permasalahan dalam penelitian ini dikarenakan inti dari pengumpulan data ini adalah melakukan pengumpulan data terhadap data – data yang mampu menggambarkan profil dari masing –masing kecamatan di Kabupaten Sragen. 5.2

Analisis Identifikasi Indikator Analisis identifikasi indikator dilakukan untuk mengetahui gambaran

secara umum tentang proses identifikasi indikator. Identifikasi indikator dilakukan melalui wawancara dan diskusi dengan jajaran pimpinan di Badan Perencanaan Pembangunan Daerah (Bappeda) Kabupaten Sragen, Badan Pusat Statistik (BPS) Kabupaten Sragen, Dinas Pendidikan Kabupaten Sragen, Dinas Kesehatan Kabupaten Sragen, dan beberapa instansi lain yang terkait dengan penelitian. Wawancara dan diskusi dilakukan terhadap tokoh – tokoh yang memiliki peranan dalam penentuan kebijakan pembangunan di Kabupaten Sragen sehingga dapat diketahui faktor faktor yang menjadi pertimbangan saat proses penentuan kebijakan. Selain itu, proses identifikasi indikator juga dilakukan melalui pencarian informasi yang berkaitan dengan penelitian yang dilakukan dengan mencari buku – buku panduan terbitan Pemerintah Daerah Kabupaten Sragen dan mencari informasi melalui media internet. Menurut informasi yang diperoleh, kebijakan yang berkaitan dengan Indeks Pembangunan Manusia (IPM) merupakan salah satu hal yang menjadi fokus perencanaan pembangunan Kabupaten Sragen. Kemudian dilakukan wawancara dan diskusi dengan jajaran pimpinan instansi – instansi tersebut untuk mengetahui indikator - indikator yang berpengaruh terhadap indikator utama commit to user penyusun IPM. Informasi yang diperoleh melalui wawancara dan diskusi yang

V-2


digilib.uns.ac.id

telah dilakukan bersifat subjektif dan hanya berdasarkan atas pengalaman dari pihak pihak yang berperan dalam penentuan kebijakan sehingga pendapat dari salah seorang tidak selalu sama dengan pendapat yang lain. 5.3

Analisis Desain Antarmuka Aplikasi Sistem Pendukung Keputusan Pemetaan Profil Kecamatan Desain antarmuka dirancang untuk memudahkan pengguna dalam

menggunakan aplikasi sistem pendukung keputusan pemetaan profil kecamatan. Desain antarmuka mempertimbangkan kapabilitas penting dari sebuah aplikasi sistem pendukung keputusan pemetaan profil kecamatan antara lain drill down, serta menyajikan informasi dalam suatu tabel yang berupa data hasil proses clustering kecamatan. Pada proses pembuatan desain antarmuka aplikasi sistem pendukung keputusan pemetaan profil kecamatan tidak dikonfirmasikan kepada pihak pengambil kebijakan yang mana sebagai pengguna dari aplikasi tersebut sehingga memingkinkan adanya ketidaksesuaian antarmuka pengguna. Idealnya pengembangan

desain

antarmuka

dilakukan

dengan

konfirmasi

kepada

penggunanya. Untuk meminimalkan error saat menggunakan aplikasi sistem pendukung keputusan pemetaan profil kecamatan, perlu diberikan training sebelumnya kepada pihak – pihak yang terkait. 5.4

Analisis Penentuan Learning Rate Learning rate digunakan untuk menunjukkan adaptasi pembelajaran

terhadap data. Fungsi skalar adaptasi learning rate bernilai 0 ≤ α(t) ≤ 1. Semakin besar nilai learning rate, semakin cepat bobot koneksi beradaptasi dan semakin besar pengaruh input vector terhadap perubahan bobot koneksi yang terjadi. Nilai learning rate semakin lama akan semakin mengecil, berkurang seiring pertambahan iterasi. Jika nilai learning rate semakin mendekati 0, perubahan commit to user lokasi reference vector neuron akan semakin kecil dan input vector dapat V-3


digilib.uns.ac.id

dipetakan dengan baik. Penentuan nilai learning rate awal harus dipilih dengan benar, jika terlalu kecil maka proses pembelajaran akan lama dan jika terlalu besar maka akan terjadi penyimpangan. Analisis penentuan learning rate dilakukan dengan membandingkan perubahan lokasi reference vector neuron pada t = 1000 dengan nilai learning rate 0.5; 0.7; 0.9 dan 1. Analisis penentuan learning rate dilakukan pada 3 kategori indikator yaitu indeks harapan hidup, indeks pendidikan dan indeks standar hidup layak. Perubahan lokasi reference vector neuron untuk kategori indikator indeks harapan hidup, indeks pendidikan dan indeks standar hidup layak ditampilkan berturut turut seperti pada tabel 5.1, 5.2 dan 5.3 sebagai berikut. Tabel 5.1 Perubahan lokasi reference vector neuron pada beberapa nilai learning rate (indeks harapan hidup) mij

i

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Data awal j=1 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200 1.600 2.000

j=2 0.400 0.400 0.400 0.400 0.400 0.800 0.800 0.800 0.800 0.800 1.200 1.200 1.200 1.200 1.200 1.600 1.600 1.600 1.600 1.600

0.5 j=1 0.417 0.810 1.188 1.594 1.992 0.436 0.811 1.176 1.576 2.000 0.436 0.804 1.176 1.570 2.000 0.432 0.805 1.184 1.600 2.000

j=2 0.406 0.435 0.406 0.399 0.399 0.812 0.804 0.803 0.791 0.800 1.180 1.181 1.170 1.191 1.200 1.561 1.551 1.568 1.600 1.600

Learning rate 0.7 0.9 j=1 j=2 j=1 j=2 0.446 0.430 0.476 0.457 0.816 0.450 0.821 0.464 1.176 0.430 1.162 0.456 1.591 0.399 1.588 0.398 1.990 0.399 1.988 0.399 0.458 0.812 0.481 0.810 0.816 0.805 0.819 0.807 1.167 0.803 1.158 0.802 1.551 0.794 1.513 0.800 2.000 0.800 2.000 0.800 0.449 1.174 0.462 1.167 0.811 1.165 0.817 1.147 1.167 1.157 1.156 1.145 1.553 1.185 1.518 1.154 2.000 1.200 0.810 1.200 0.446 1.541 0.807 1.522 0.807 1.535 0.802 1.516 1.176 1.553 0.800 1.538 1.600 1.600 0.800 1.600 2.000 1.600 2.000 1.600

commit to user

V-4

1.0 j=1 0.488 0.823 1.156 1.587 1.986 0.492 0.821 1.154 1.503 2.000 0.468 0.820 1.151 1.507 2.000 0.467 0.809 1.163 1.600 2.000

j=2 0.466 0.471 0.466 0.398 0.399 0.810 0.809 0.802 0.800 0.800 1.164 1.139 1.139 1.147 1.200 1.509 1.507 1.528 1.600 1.600


digilib.uns.ac.id

Tabel 5.2 Perubahan lokasi reference vector neuron pada beberapa nilai learning rate (indeks pendidikan) mij

i

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Data awal j=1 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200 1.600 2.000

0.5

j=2 0.400 0.400 0.400 0.400 0.400 0.800 0.800 0.800 0.800 0.800 1.200 1.200 1.200 1.200 1.200 1.600 1.600 1.600 1.600 1.600

j=1 0.399 0.743 1.185 1.600 2.000 0.400 0.743 1.086 1.555 2.000 0.400 0.743 1.086 1.430 1.963 0.400 0.743 1.086 1.429 1.920

j=2 1.534 1.537 0.631 0.400 0.400 1.891 1.891 1.891 1.180 0.800 2.234 2.234 2.234 2.229 1.409 2.577 2.577 2.577 2.575 2.022

Learning rate 0.7 0.9 j=1 j=2 j=1 j=2 0.398 1.763 0.395 1.986 0.730 1.766 0.716 1.986 1.179 0.725 1.173 0.819 1.600 0.400 1.600 0.400 2.000 0.400 2.000 0.400 0.398 2.100 0.395 2.308 0.730 2.100 0.716 2.308 1.062 2.100 1.037 2.308 1.563 1.110 1.553 1.199 2.000 0.800 2.000 0.800 0.398 2.432 0.395 2.629 0.730 2.432 0.716 2.629 1.062 2.432 1.037 2.629 1.394 2.430 1.358 2.628 1.947 1.494 1.932 1.579 0.398 2.764 0.395 2.949 0.730 2.764 0.716 2.949 1.062 2.764 1.037 2.949 1.394 2.763 1.358 2.949 1.913 2.058 1.895 2.154

1.0 j=1 0.394 0.711 1.185 1.600 2.000 0.394 0.711 1.027 1.547 2.000 0.394 0.711 1.027 1.344 1.925 0.394 0.711 1.027 1.344 1.888

j=2 2.077 2.077 0.634 0.400 0.400 2.394 2.394 2.394 1.243 0.800 2.710 2.710 2.710 2.710 1.620 3.027 3.027 3.027 3.027 2.195

Tabel 5.3 Perubahan lokasi reference vector neuron pada beberapa nilai learning rate (indeks standar hidup layak) mij

i

1 2 3 4 5 6 7 8 9 10

Data awal j=1 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200 1.600 2.000

j=2 0.400 0.400 0.400 0.400 0.400 0.800 0.800 0.800 0.800 0.800

0.5 j=1 j=2 0.399 0.397 0.806 0.391 2.144 0.303 2.343 0.303 2.541 0.303 0.400 0.795 0.796 0.782 2.144 0.501 2.343 0.501 2.541 0.501

Learning rate 0.7 0.9 j=1 j=2 j=1 j=2 0.399 0.397 0.399 0.396 0.804 0.388 0.818 0.381 2.238 0.291 2.309 0.284 2.407 0.291 2.455 0.284 2.576 0.291 2.602 0.284 0.399 0.792 0.400 0.800 0.804 0.766 0.813 0.763 2.238 0.460 2.309 0.430 2.407 0.460 2.455 0.430 2.576 0.460 2.602 0.430

commit to user

V-5

1.0 j=1 j=2 0.399 0.395 0.807 0.382 2.339 0.281 2.477 0.281 2.614 0.281 0.400 0.800 0.798 0.767 2.339 0.418 2.477 0.418 2.614 0.418


digilib.uns.ac.id

Tabel 5.3 Perubahan lokasi reference vector neuron pada beberapa nilai learning rate (indeks standar hidup layak) (lanjutan) mij

i

11 12 13 14 15 16 17 18 19 20

Data awal j=1 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200 1.600 2.000

j=2 1.200 1.200 1.200 1.200 1.200 1.600 1.600 1.600 1.600 1.600

0.5 j=1 0.400 0.794 1.190 2.343 2.541 0.400 0.800 1.200 1.600 2.000

j=2 1.200 1.186 1.124 0.699 0.699 1.600 1.600 1.600 1.600 1.600

Learning rate 0.7 0.9 j=1 j=2 j=1 j=2 0.400 1.200 0.400 1.200 0.794 1.186 0.791 1.180 1.190 1.130 1.182 1.109 2.407 0.629 2.455 0.577 2.576 0.629 2.602 0.577 0.400 1.600 0.400 1.600 0.800 1.600 0.800 1.600 1.200 1.600 1.200 1.600 1.600 1.600 1.600 1.600 2.000 1.600 2.000 1.600

1.0 j=1 0.400 0.789 1.179 2.477 2.614 0.400 0.800 1.200 1.600 2.000

j=2 1.200 1.176 1.098 0.556 0.556 1.600 1.600 1.600 1.600 1.600

Algoritma Self Organizing Maps (SOM) merupakan suatu metode heuristik sehingga memerlukan beberapa kali percobaan untuk mendapatkan hasil yang diharapkan. Penentuan nilai learning rate awal hendaknya tidak terlalu besar maupun tidak terlalu kecil. Pada perancangan sistem pendukung keputusan pemetaan kecamatan di Kabupaten Sragen ditentukan nilai learning rate awal sebesar 0.9. 5.5

Analisis Penentuan Lebar Kernel Selain penentuan nilai learning rate, harus dipertimbangkan juga dalam

menentukan nilai lebar kernel. Besarnya nilai lebar kernel berpengaruh terhadap proses pencarian tetangga dalam algoritma SOM. Semakin besar nilai lebar kernel, maka semakin banyak neuron yang akan menjadi tetangga dari winner. Analisis penentuan lebar kernel dilakukan dengan membandingkan perubahan lokasi reference vector neuron pada t = 1000 dengan nilai lebar kernel 0.1; 0.3; 0.45 dan 0.7. Analisis penentuan lebar kernel dilakukan pada 3 kategori indikator yaitu indeks harapan hidup, indeks pendidikan dan indeks standar hidup commit to user layak. Perubahan lokasi reference vector neuron untuk kategori indikator indeks

V-6


digilib.uns.ac.id

harapan hidup, indeks pendidikan dan indeks standar hidup layak ditampilkan berturut turut seperti pada tabel 5.4, 5.5 dan 5.6 sebagai berikut. Tabel 5.4 Perubahan lokasi reference vector neuron pada beberapa nilai lebar kernel (indeks harapan hidup) Data awal

mij

i

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

j=1 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200 1.600 2.000

j=2 0.400 0.400 0.400 0.400 0.400 0.800 0.800 0.800 0.800 0.800 1.200 1.200 1.200 1.200 1.200 1.600 1.600 1.600 1.600 1.600

0.1 j=1 j=2 0.400 0.400 0.800 0.400 1.200 0.400 1.600 0.400 2.000 0.400 0.400 0.800 0.800 0.800 1.200 0.800 1.600 0.800 2.000 0.800 0.400 1.200 0.800 1.200 1.200 1.200 1.600 1.200 2.000 1.200 0.400 1.600 0.800 1.600 1.200 1.600 1.600 1.600 2.000 1.600

Lebar Kernel 0.3 0.45 j=1 j=2 j=1 j=2 0.400 0.400 0.399 0.395 0.800 0.400 0.807 0.382 1.200 0.400 2.339 0.281 1.600 0.400 2.477 0.281 2.000 0.400 2.614 0.281 0.400 0.800 0.400 0.800 0.800 0.800 0.798 0.767 1.200 0.800 2.339 0.418 1.600 0.800 2.477 0.418 2.000 0.800 2.614 0.418 0.400 1.200 0.400 1.200 0.800 1.200 0.789 1.176 1.200 1.200 1.179 1.098 1.600 1.200 2.477 0.556 2.000 1.200 2.614 0.556 0.400 1.600 0.400 1.600 0.800 1.600 0.800 1.600 1.200 1.600 1.200 1.600 1.600 1.600 1.600 1.600 2.000 1.600 2.000 1.600

0.7 j=1 j=2 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620 0.481 0.620

Tabel 5.5 Perubahan lokasi reference vector neuron pada beberapa nilai lebar kernel (indeks pendidikan) Data awal

mij

i

1 2 3 4 5 6 7 8

j=1 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200

j=2 0.400 0.400 0.400 0.400 0.400 0.800 0.800 0.800

Lebar Kernel 0.1 0.3 0.45 j=1 j=2 j=1 j=2 j=1 j=2 0.400 0.400 0.400 0.400 0.491 0.386 0.800 0.400 0.800 0.400 0.844 0.386 1.200 0.400 1.200 0.400 1.194 0.386 1.600 0.400 1.600 0.400 1.544 0.386 2.000 0.400 2.000 0.400 1.895 0.386 0.400 0.800 0.400 0.800 0.489 0.738 0.800 0.800 0.800 0.800 0.844 0.736 commit1.200 to user 1.200 0.800 0.800 1.194 0.736

V-7

0.7 j=1 0.793 0.793 0.793 0.793 0.793 0.793 0.793 0.793

j=2 0.227 0.227 0.227 0.227 0.227 0.227 0.227 0.227


digilib.uns.ac.id

Tabel 5.5 Perubahan lokasi reference vector neuron pada beberapa nilai lebar kernel (indeks pendidikan) (lanjutan) Data awal

mij

i

9 10 11 12 13 14 15 16 17 18 19 20

j=1 1.600 2.000 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200 1.600 2.000

j=2 0.800 0.800 1.200 1.200 1.200 1.200 1.200 1.600 1.600 1.600 1.600 1.600

0.1 j=1 1.600 2.000 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200 1.600 2.000

j=2 0.800 0.800 1.200 1.200 1.200 1.200 1.200 1.600 1.600 1.600 1.600 1.600

Lebar Kernel 0.3 0.45 j=1 j=2 j=1 j=2 1.600 0.800 1.544 0.736 2.000 0.800 1.896 0.737 0.400 1.200 0.441 1.132 0.800 1.200 0.843 1.087 1.200 1.200 1.194 1.086 1.600 1.200 1.544 1.086 2.000 1.200 1.944 1.125 0.400 1.600 0.413 1.555 0.800 1.600 0.811 1.509 1.200 1.600 1.194 1.445 1.600 1.600 1.582 1.507 2.000 1.600 1.988 1.575

0.7 j=1 j=2 0.793 0.227 0.793 0.227 0.793 0.227 0.793 0.227 0.793 0.227 0.793 0.227 0.793 0.227 0.793 0.227 0.793 0.227 0.793 0.227 0.793 0.227 0.793 0.227

Tabel 5.6 Perubahan lokasi reference vector neuron pada beberapa nilai lebar kernel (indeks standar hidup layak) mij 1 2 3 4 5 6 7 8 9 10 i 11 12 13 14 15 16 17 18 19 20

Data awal j=1 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200 1.600 2.000 0.400 0.800 1.200 1.600 2.000

j=2 0.400 0.400 0.400 0.400 0.400 0.800 0.800 0.800 0.800 0.800 1.200 1.200 1.200 1.200 1.200 1.600 1.600 1.600 1.600 1.600

Lebar Kernel 0.1 0.3 0.45 j=1 j=2 j=1 j=2 j=1 j=2 0.400 0.400 0.400 0.400 0.403 0.399 0.800 0.400 0.800 0.400 0.831 0.392 1.200 0.400 1.200 0.400 2.371 0.307 1.600 0.400 1.646 0.397 2.564 0.307 2.000 0.400 2.038 0.397 2.757 0.307 0.400 0.800 0.400 0.800 0.403 0.797 0.800 0.800 0.800 0.800 0.831 0.778 1.200 0.800 1.200 0.799 2.371 0.500 1.600 0.800 1.646 0.789 2.564 0.500 2.000 0.800 2.038 0.789 2.757 0.500 0.400 1.200 0.400 1.200 0.403 1.195 0.800 1.200 0.800 1.200 0.802 1.195 1.200 1.200 1.200 1.200 1.223 1.148 1.600 1.200 1.600 1.200 2.564 0.693 2.000 1.200 2.000 1.200 2.757 0.693 0.400 1.600 0.400 1.600 0.400 1.600 0.800 1.600 0.800 1.600 0.800 1.600 1.200 1.600 1.200 1.600 1.200 1.600 1.600 1.600 1.600 1.600 1.600 1.600 commit to user 2.000 1.600 2.000 1.600 2.000 1.600

V-8

0.7 j=1 j=2 4.387 0.213 4.387 0.213 4.387 0.213 4.387 0.213 4.387 0.213 4.387 0.213 4.387 0.213 4.387 0.213 4.387 0.213 4.387 0.213 0.400 1.191 4.387 0.213 4.387 0.213 4.387 0.213 4.387 0.213 0.400 1.587 4.387 0.213 4.387 0.213 4.387 0.213 4.387 0.213


digilib.uns.ac.id

Seperti terlihat pada tabel 5.4, 5,5 dan 5.5, jika lebar kernel awal ditentukan terlalu kecil (misalnya 0.1) akan berdampak terhadap jumlah anggota yang menjadi tetangga dari winner sedikit sehingga pada proses update reference vector neuron hanya sedikit atau bahkan tidak ada reference vector neuron yang mengalami perubahan lokasi. Sebaliknya, jika nilai lebar kernel awal ditentukan terlalu besar (misalnya 0.9) berdampak terhadap jumlah anggota yang menjadi tetangga dari winner banyak sehingga pada proses update reference vector neuron hanya hampir semua atau bahkan

semua reference vector neuron yang

mengalami perubahan lokasi. Pada aplikasi sistem pendukung keputusan pemetaan profil kecamatan di Kabupaten Sragen ditentukan lebar kernel awal sebesar 0.45. 5.6

Analisis Output Algoritma Self Organizing Maps Algoritma Self Organizing Maps (SOM) adalah salah satu anggota dari

jaringan syaraf tiruan yang biasa digunakan untuk memetakan data berdimensi tinggi kedalam satu, dua atau tiga dimensi pemetaan yang berupa unit atau syaraf yang terhubung. SOM mengurangi dimensi dengan melakukan pemetaan berdasarkan kemiripan data dengan mengelompokkan objek yang mirip (Gan dkk, 2007). Jika tingkat keseragaman datanya tinggi, maka variasi output cluster rendah atau jumlah cluster yang terbentuk sedikit. Sebaliknya, jika tingkat keseragaman datanya rendah, maka jumlah cluster yang terbentuk banyak. Pada aplikasi sistem pendukung keputusan pemetaan profil kecamatan di Kabupaten Sragen, tersedia pilihan untuk menentukan jumlah output cluster yang diharapkan. Jika pada aplikasi sistem pendukung keputusan pemetaan profil kecamatan di Kabupaten Sragen dipilih output cluster yang nilainya lebih besar dari output cluster yang dihasilkan oleh algoritma SOM, maka output cluster yang commit to user ditampilkan adalah sesuai dengan output cluster dari algoritma SOM. Sebaliknya,

V-9


digilib.uns.ac.id

jika pada aplikasi sistem pendukung keputusan pemetaan profil kecamatan di Kabupaten Sragen dipilih output cluster yang nilainya lebih kecil dari output cluster dari algoritma SOM, maka dilakukan clustering reference vector neuron yang dihasilkan oleh algoritma SOM menggunakan K-means cluster. 5.7

Analisis Verifikasi Cluster Analisis dilakukan pada proses verifikasi cluster dimana setiap anggota

memiliki jarak yang lebih dekat dengan anggota lain dalam satu cluster dan memiliki jarak yang lebih jauh dengan anggota lain yang berada pada cluster yang berbeda. Verifikasi cluster bertujuan untuk menguji kebenaran dari proses pembentukan cluster yang dilakukan. Proses verifikasi cluster dilakukan dengan membandingkan jarak antar kecamatan. Setiap kecamatan cenderung memiliki jarak yang lebih dekat dengan kecamatan lain yang berada dalam satu cluster dan cenderung memiliki jarak yang lebih jauh dengan kecamatan lain yang berada pada cluster yang berbeda. Analisis pembentukan cluster terhadap data profil kecamatan yang ada di Kabupaten Sragen dilakukan dalam tiga kategori indikator yaitu indeks harapan hidup, indeks pendidikan, dan indeks standar hidup layak. 5.7.1. Indeks harapan hidup Pada tabel hasil pembentukan cluster tersebut jika dikaitkan dengan data data indeks harapan hidup baik yang digunakan sebagai data uji maupun diluar data uji, akan diperoleh suatu relasi tertentu. Relasi tersebut terlihat bahwa kecamatan – kecamatan yang memiliki karakteristik yang mirip cenderung tergabung dalam 1 cluster yang sama. Selain itu, setiap kecamatan yang berada dalam satu cluster yang sama memiliki ciri tertentu yang berlaku untuk semua kecamatan yang tergabung dalam cluster tersebut. Pada hasil pembentukan cluster untuk kategori indikator indeks harapan commit to user hidup dengan output cluster sebanyak 2 cluster jika dikaitkan dengan data – data

V-10


digilib.uns.ac.id

uji terlihat bahwa kecamatan – kecamatan yang berada dalam cluster 1 memiliki karakteristik dimana angka kematian bayi kurang dari 0.02 sedangkan kecamatan – kecamatan yang berada dalam cluster 2 memiliki karakteristik dimana angka kematian bayi lebih dari atau sama dengan 0.02 seperti yang telihat pada tabel 4.4. 5.7.2. Indeks pendidikan Untuk hasil pembentukan cluster pada kategori indikator indeks pendidikan dengan output cluster sebanyak 2 cluster jika dikaitkan dengan data – data uji terlihat bahwa kecamatan – kecamatan yang berada dalam cluster 1 memiliki karakteristik dimana angka melek huruf kurang dari 0.885 sedangkan kecamatan – kecamatan yang berada dalam cluster 2 memiliki karakteristik dimana angka melek huruf lebih dari atau sama dengan 0.885 seperti yang telihat pada tabel 4.10. 5.7.3. Indeks standar hidup layak Untuk hasil pembentukan cluster pada kategori indikator indeks standar hidup layak dengan output cluster sebanyak 2 cluster jika dikaitkan dengan data – data uji terlihat bahwa kecamatan – kecamatan yang berada dalam cluster 1 memiliki karakteristik dimana persentase rumah tangga tidak layak huni dengan nilai lebih dari 1.77% . Kemudian untuk kecamatan yang berada pada cluster 2 memiliki karakteristik dimana persentase rumah tangga tidak layak huni kurang dari 1.77% seperti yang telihat pada tabel 4.15. 5.8

Interpretasi Hasil Pembentukan Cluster Hasil pembentukan cluster diharapkan dapat menggambar profil dari tiap

cluster kecamatan yang dihasilkan. Kecamatan yang berada dalam cluster yang sama cenderung memiliki karakteristik yang mirip. Analisis hasil pembentukan cluster dilakukan dengan membandingkan data baik data uji maupun data diluar commit to user data uji dengan hasil pembentukan cluster untuk menebak ciri dari tiap cluster

V-11


digilib.uns.ac.id

yang dihasilkan. Setelah diketahui ciri – ciri dari tiap cluster, selanjutnya dapat diberikan kebijakan terhadap untuk masing – masing cluster kecamatan. 5.8.1. Indeks harapan hidup Dalam

upaya

meningkatkan pelayanan kesehatan

masyarakat

di

Kabupaten Sragen yang berdampak terhadap peningkatan angka capaian IPM, pemerintah harus memberikan kebijakan yang tepat untuk setiap wilayahnya. Aplikasi sistem pendukung keputusan pemetaan profil kecamatan di Kabupaten Sragen diharapkan dapat membantu pihak pengambil kebijakan dalam menetapkan kebijakan yang tepat untuk setiap wilayahnya. Pada aplikasi tersebut dilakukan pembentukan cluster – cluster kecamatan berdasarkan indikator – indikator IPM menggunakan algoritma Self Organizing Maps. Hasil pembentukan cluster - cluster kecamatan berdasarkan indikator - indikator IPM seperti yang telah ditampilkan pada tabel 4.18. Hasil pembentukan cluster untuk kategori indikator indeks harapan hidup dengan output cluster sebanyak 2 cluster jika dikaitkan dengan data – data uji, terlihat bahwa kecamatan – kecamatan yang berada dalam cluster 1 memiliki karakteristik dimana angka kematian bayi kurang dari 0.02 sedangkan kecamatan – kecamatan yang berada dalam cluster 2 memiliki karakteristik dimana angka kematian bayi lebih dari atau sama dengan 0.02 seperti yang telihat pada tabel 4.4. Kecamatan yang berada didalam cluster 2 memiliki tingkat kematian bayi yang cukup tinggi yaitu diatas 0.02 atau minimal sebanyak 20 bayi dilahirkan meninggal dari setiap 1000 kasus kelahiran bayi. Kecamatan – kecamatan yang berada didalam cluster 2 hendaknya perlu diberikan perhatian serius dalam hal peningkatan pelayanan kesehatan khususnya yang berkaitan dengan pencegahan kematian bayi saat lahir. Jenis kebijakan yang dapat diberikan antara lain commit to user

V-12


digilib.uns.ac.id

menggalakkan program posyandu, penambahan jumlah sarana (fasilitas) kesehatan sehingga lebih mudah dijangkau oleh masyarakat dan lain sebagainya. 5.8.2. Indeks pendidikan Mutu pendidikan masyarakat yang baik memiliki dampak yang positif terhadap masa depan dari suatu wilayah. Dalam upaya meningkatkan mutu pendidikan masyarakat di Kabupaten Sragen yang berdampak terhadap peningkatan angka capaian IPM, pemerintah harus memberikan kebijakan yang tepat untuk setiap wilayahnya. Aplikasi sistem pendukung keputusan pemetaan profil kecamatan di Kabupaten Sragen diharapkan dapat membantu pihak pengambil kebijakan dalam menetapkan kebijakan yang tepat untuk setiap wilayahnya. Output yang dihasilkan oleh aplikasi tersebut adalah berupa cluster – cluster kecamatan yang terbentuk berdasarkan kemiripan karakteristik yang dimiliki oleh setiap kecamatan.. Cluster yang terbentuk biasanya memiliki suatu ciri – ciri khusus yang membedakan dengan cluster yang lain. Untuk hasil pembentukan cluster pada kategori indikator indeks pendidikan dengan output cluster sebanyak 2 cluster jika dikaitkan dengan data – data uji terlihat bahwa kecamatan – kecamatan yang berada dalam cluster 1 memiliki karakteristik dimana angka melek huruf kurang dari 0.885 sedangkan kecamatan – kecamatan yang berada dalam cluster 2 memiliki karakteristik dimana angka melek huruf lebih dari atau sama dengan 0.885 seperti yang telihat pada tabel 4.10. Kecamatan yang berada dalam cluster 1 memiliki capaian angka melek huruf yaitu kurang dari 0.885 atau sebanyak 88.5% dari penduduk berusia diatas 15 tahun dari suatu wilayah yang bisa membaca dan menulis. Pemerintah harus lebih serius dalam memberikan perhatian terhadap kecamatan – kecamatan yang committingkat to userpendidikan penduduk usia muda berada dalam cluster ini dikarenakan

V-13


digilib.uns.ac.id

menjadi investasi bagi suatu wilayah yang berdampak terhadap maju atau mundurnya suatu wilayah dimasa mendatang. Kebijakan yang dapat diberikan untuk kecamatan – kecamatan yang berada dalam cluster ini misalnya meningkatkan jumlah sarana (fasilitas) pendidikan, menggalakkkan program beasiswa untuk siswa – siswi berprestasi dan lain sebagainya. 5.8.3. Indeks standar hidup layak Indeks standar hidup layak memiliki pengaruh dalam capaian angka IPM yang diperoleh. Komponen standar hidup layak diukur dengan indikator rata – rata konsumsi riil yang telah disesuaikan. Dalam upaya meningkatkan mutu standar hidup masyarakat di Kabupaten Sragen, pemerintah harus memberikan kebijakan yang tepat untuk setiap wilayahnya. Aplikasi sistem pendukung keputusan pemetaan profil kecamatan di Kabupaten Sragen diharapkan dapat membantu pihak pengambil kebijakan dalam menetapkan kebijakan yang tepat untuk setiap wilayahnya. Output yang dihasilkan oleh aplikasi tersebut adalah berupa cluster – cluster kecamatan yang terbentuk berdasarkan kemiripan karakteristik yang dimiliki oleh setiap kecamatan. Cluster yang terbentuk biasanya memiliki suatu ciri – ciri khusus yang membedakan dengan cluster yang lain. Untuk hasil pembentukan cluster pada kategori indikator indeks standar hidup layak dengan output cluster sebanyak 2 cluster jika dikaitkan dengan data – data uji terlihat bahwa kecamatan – kecamatan yang berada dalam cluster 1 memiliki karakteristik dimana persentase rumah tangga tidak layak huni dengan nilai lebih dari 1.77% . Kemudian untuk kecamatan yang berada pada cluster 2 memiliki karakteristik dimana persentase rumah tangga tidak layak huni kurang dari atau sama dengan 1.77% seperti yang telihat pada tabel 4.15. commit to user

V-14


digilib.uns.ac.id

Kecamatan yang berada dalam cluster 1 dilihat dari persentase rumah tangga yang tidak layak huni memiliki tingkat kehidupan yang lebih rendah jika dibandingkan dengan kecamatan yang berada dalam cluster 2. Untuk itu, kecamatan yang berada dalam cluster 1 perlu diberikan pelayanan yang lebih serius oleh pemerintah. Bentuk kebijakan yang dapat diberikan misalnya dengan melakukan relokasi warga yng tinggal di bantaran sungai, membangun tempat pembuangan sampah untuk meningkatkan pola hidup bersih masyarakat, dan lain sebagainya.

commit to user

V-15


digilib.uns.ac.id

BAB VI KESIMPULAN DAN SARAN 6.1

KESIMPULAN Berdasarkan hasil analisis yang telah dilakukan, dapat diambil suatu

kesimpulan sebagai berikut. 1. Pada aplikasi sistem pendukung keputusan pemetaan profil kecamatan di Kabupaten Sragen dilakukan clustering kecamatan – kecamatan di Kabupaten Sragen berdasarkan Indeks Pembangunan Manusia (IPM) menggunakan algoritma Self Organizing Maps (SOM). Indikator penyusun IPM didasarkan pada kategori indikator indeks harapan hidup, indeks pendidikan dan indeks standar hidup layak. 2. Indikator yang termasuk dalam indeks harapan hidup meliputi persentase kasus diare ditangani, persentase balita gizi buruk, angka kematian balita, persentase kelahiran bayi yang hidup, dan jumlah kelahiran yang ditangani medis. 3. Indikator yang termasuk dalam indeks pendidikan meliputi persentase penduduk tamat SMP, persentase penduduk usia sekolah, angka partisipasi murni, angka melek huruf dan angka putus sekolah. 4. Indikator yang termasuk dalam indeks standar hidup layak meliputi angka beban tanggungan (dependency ratio), persentase penduduk miskin, jumlah sarana perekonomian dan persentase rumah tangga tidak layak huni. 5. Learning rate awal ditentukan sebesar 0.9 dan setiap lebar kernel awal ditentukan sebesar 0.45 dengan jumlah iterasi yang dilakukan sebanyak 1000 iterasi. 6. Berdasarkan hasil pemetaan profil kecamatan di Kabupaten Sragen yang telah dilakukan dapat diketahui bahwa commit to user kecamatan – kecamatan yang

VI-1


digilib.uns.ac.id

tergabung dalam 1 cluster yang sama memiliki kemiripan karakteristik dilihat dari indikator – indikator IPM, sedangkan kecamatan – kecamatan yang tergabung dalam cluster yang berbeda memiliki karakteristik jauh berbeda dilihat dari indikator – indikator IPM. 6.2

SARAN Saran yang dapat diberikan dari penelitian ini adalah sebagai berikut.

1. Aplikasi sistem pendukung keputusan pemetaan profil kecamatan di Kabupaten Sragen merupakan suatu aplikasi sistem pendukung keputusan yang

dapat

digunakan

oleh

pihak

pengambil

kebijakan

sebagai

pertimbangan dalam menentukan suatu kebijakan, bukanlah suatu alat pembuat kebijakan. Dengan demikian, diharapkan dapat meningkatkan kualitas kebijakan yang dibuat. 2. Algoritma SOM tidak membutuhkan target output dalam melakukan clustering data. Dalam pembuatan aplikasi clustering menggunakan algoritma SOM, hendaknya tidak disediakan menu pilihan jumlah output cluster sehingga pembentukan cluster yang dihasilkan adalah murni hasil pembentukan cluster dari algoritma SOM, bukan hasil pembentukan cluster dari algoritma SOM yang kombinasi dengan algoritma clustering yang lain.

commit to user

VI-2

JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNIK UNIVERSITAS SEBELAS MARET SURAKARTA

Recommend Documents