No title

Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

PENGELOMPOKANPENERIMA BANTUAN KESEJAHTERAAN MASYARAKAT DENGAN PENDEKATAN DATA MINING TERINTEGRASI SISTEM PENDUKUNG KEPUTUSAN. STUDI KASUS: DESA TARAI BANGUN, KABUPATEN KAMPAR Deka O. Yurnas1), Devvi Sarwinda2), Fitriani Muttakin3 Fakultas Ilmu Komputer, Universitas Muhammadiyah Riau e-mail: [email protected], [email protected], [email protected] 1,2,3

Abstrak Kesejahteraaan sosial masyarakat merupakan misi utama pemerintah untuk membangun bangsadan negara menjadi lebih baik, Oleh karena itu, pemerintah terus melakukan program-program untuk meratakan keadaan sosial di masyarakat. Dalam menjalankan program tersebut pemerintah pusat dan pemerintah daerah saling berkoordinasi agar setiap program yang dijalankan tepat sasaran tanpa ada unsur-unsur penyelewengan yang dilakukan oleh oknum-oknum pemerintah dalam menjalankan tugasnya. Pada penelitian ini, penulis melakukan pendekatan data mining untuk mendapatkan beberapa kelompok masyarakat yang tergolong dalam kategori layak mendapat bantuan, perlu tinjau ulang, dan tidak layak mendapat bantuan. Algoritma K-Means Clustering dipilih sebagai salah satu metode yang digunakan dalam data mining untuk mengelompokkan data. Adapun sampel data yang digunakan dalam penelitian ini yaitu data dari Desa Tarai Bangun yang terletak di Kabupaten Kampar, Riau. Hasil eksperimen menunjukkan bahwa kelompok yang masuk kategori layak mendapat bantuan yang diperoleh dari Algoritma K-Means Clusteringakan diseleksi lagi dengan menggunakan metode perangkingan, dimana implementasi Sistem Pendukung Keputusan akan berperan. Sistem pendukung keputusan ini dibuat untuk menentukan masyarakat yang lebih prioritas mendapatkan bantuan. Dalam penelitian ini, metode Simple Additive Weight (SAW) digunakan untuk melakukan perangkingan dalam membantu mengambil keputusan. Kata Kunci :Data mining, sistem pendukung keputusan, simple additive weight, k-means clustering, kesejahteraan sosial 1. PENDAHULUAN Pembangunan nasional merupakanrangkaian upaya yang berkesinambungan dan meliputi seluruh kehidupan masyarakat bangsa dan negara untuk mewujudkan tujuan nasional yang tercantum dalam UUD 1945, yaitu melindungi segenap bangsa dan seluruh tumpah darah Indonesia, memajukan kesejahteraan umum,mencerdaskan kehidupan bangsa dan ikut melaksanakan ketertiban dunia yang berdasarkan perdamaian abadi dan keadilan sosial.Untuk mewujudkan itu semua tentunya ada upaya-upaya yang harus dilakukan segenap bangsa Indonesia. Salah satunya adalah bidang sosial yang dimaksudkan untuk membantu mensejah terakan masyarakat. Keterpurukan ekonomi ini membawa dampak pada lahirnya kesenjangan sosial. Problem dasar dari kesenjangan sosial adalah kekurangan kebutuhan dasar, ketidak berdayaan dan keterlibatan masyarakat luas dalam proses pengambilan keputusan, serta

problem ketentraman dan kerawanan terhadap resiko-resiko di luar dirinya. Untuk menanggulagi semua masalah sosial maka pemerintah selaku pengerak untuk mencapai kesetaraan masalah sosial masyarakat di Indonesia terus melakukan program-program untuk sampai ke tujuan tersebut. Dalam hal ini, pegawai daerah selalu ditunjuk untuk menyalurkan dan mengelola setiap dana bantuan kesejahteraan masyarakat. Untuk penyaluran program-program yang akan dilaksanakan harus ditinjau terlebih dahulu, apakah semua diberikan tepat sasaran tanpa ada unsur-unsur KKN (Korupsi Kolusi dan Nepotisme). Pada penelitian ini, peneliti menggunakan pendekatan data mining untuk melakukan pengelompokkan bagi penerima bantuan kesejahteraan masyarakat. Adapun kelompok yang dibentuk terdiri atas tiga kelas yaitu kelas layak mendapat bantuan, perlu ditinjau ulang, dan tidak layak mendapat bantuan. Dalam membuktikan bahwa setiap keputusan yang diambil oleh setiap oknum pegawai daerah yang ditunjuk untuk

Deka O. Yurnas1), Devvi Sarwinda2), Fitriani Muttakin3 1,2,3 Fakultas Ilmu Komputer, Universitas Muhammadiyah Riau

14


menyalurkan dan mengelola setiap programprogram pamerintah dalam masalah sosial ini, maka dibuktikan dengan pendekatan data mining dalam pemilihan dari calon penerima bantuan dengan menggunakan metode clustering, agar bisa mengelola data dari setiap daerah. Adapun tujuan yang ingin dicapai dalam penelitian ini adalah sebagai berikut: 1. Menganalisa pola data penduduk berdasar data KK penduduk desa Tarai Bangun yang ada dengan menggunakan teknik clustering. 2. Melakukan pengujian terhadap pengelompokandata menggunakan metode clustering dengan algoritma KMeans Clustering memiliki tingkat akurasi klaster yang baik, yang dibuktikan dengan hasil classifycation data dengan algoritma K-Nearest Neighbor (KNN). 3. Ingin mengetahui seberapa besar Sistem Pengambil Keputusan (SPK) bisa melakukan perengkingan setiap data penduduk yang tergolong layak dan diprioritaskan siapa yang paling layak untuk menerima bantuan. 2. KAJIAN LITERATUR Adapun kajian literature ayng dijadikan sebagai penunjang dalam konsep penelitian ini adalah: 1. -

-

2.

Data mining Merupakan suatu proses utama saat metode diterapkan untuk menemukan pengetahuan/pola berharga dan tersembunyi dari data. Metode-metode data mining antara lain : a. Model prediksi (prediction anlysis), contoh Nearest-Neighbor Classifier, Naïve Bayes Classifier, Artificial Neural Networks (ANN), Support Vector Machine (SVM), Fuzzy K-Nearest Neighbor (Fuzzy K-NN), dll. b. Analisis Kelompok (cluster analysis), contoh K-Means, Hierarchical Clustering, DBSCAN, Fuzzy C-Means, Self-Organizing Map (SOM), dll c. Analisis asosiasi (association analysis), contoh algoritma apriori. d. Deteksi anomali (anomaly detection), contoh, K-Nearest Neighbor (KNN), Outlier Removal Clustering, dll.

K-Means Clustering

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

Dalam pengelompokan obyek ke dalam kelompok k kelompok atau klaster. Untuk melakukan klastering ini nilai k harus ditentukan terlebih dahulu. Yang biasanya user telah mempunyai informasi awal tentang obyek yang sedang di pelajari, termasuk beberapa jumlah klaster yang paling tepat secara tidak langsung kita bisa menggunakan ukuran ketidak miripan untuk mengelokmpokan obyek kita. Ketidak miripan bisa diterjemahkan kedalam konsep jarak. Jika jarak dua obyek atau data titik cukup dekat maka dua obyek tersebut tergolong mirip. Semakin dekat maka akan semakin tinggi kemiripan. Semakain tinggi nilai jarak, maka akan semakin tinggi pula ketidakmiripannya. Algoritma K-means klastering dapat di ilustrasikan sebagai berikut : a. Pilih terlebih dahulu jumlah cluster yang diinginkan. b. Inisialisasi pusat cluster K ini bisa dilakukan dengan berbagai cara. Yang paling sering diggunakan adalah dengan cararandom. Pusat cluster awal di beri dengan nilai nilai angka random. c. Tempatkan setiap data tau obyek ke cluster terdekat, kedekatan dua obyek ditentukan berdasarkan jarak kedua obyek tersebut. Demikian juga kedakatan suatu data ke cluster tertentu ditentukan jarak antara data dengan pusat cluster (centroid). Dalam tahap ini perlu di hitug jarak antara tiap data ke pusat cluster jarak terdekat dengan suatu data dengan satu cluster tertentu akan menentukan data masuk cluster mana d. Hitung kembali pusat cluster dengan keanggotaan cluster baru dengan penentuan pusat cluster adalah rata-rata dari semua data atau obyek cluster tertentu, jika dihendaki bisa juga pakai median dari cluster tersebut. Jadi ratarata atau mean bukan satu-satunya ukuran yang bisa di pakai e. Tugaskan lagi setiap obyek dengan memakai pusat cluster yang baru. Jika pusat kluster tidak berubah lagi, maka proses pengklasteran akan selesai, atau kembali lagi ke langkah nomor 3 sampai pusat cluster tidak berubah lagi. Dan untuk menentukan jarak dari setiap cluster dapat di tentukan dengan menggunakan formula euclidean distance. Eulidean Distance = (𝑥1 − 𝑥2 )2 + (𝑦1 − 𝑦2 )2 + (𝑥𝑛 − 𝑦𝑦 )2 (1) dengan :


15


x1 = nilai data x2 = nilai 𝐶𝑒𝑛𝑡𝑟𝑜𝑖𝑑 Dalam salah satu langkah dalam prosedur pengklasteran bahwa rata rata mean sebagai pusat cluster bisa di ganti dengan ukuran pemutusan yang lain seperti median. Untuk kasus kasus tertentu pemakaian median sebagai alternatif dari mean memberikan hasil yang lebih baik. Seperti kita ketahui median tidak sensitif terhadap data outlier, data yang terletak jauh dari kebanyakan data yang lain.



 3.

Sistem Pendukung Keputusan Sistem Pendukung Keputusan (SPK) adalah sistem berbasis komputer interaktif, yang membantu para pengambil keputusan untuk menggunakan data dan berbagai model untuk memecahkan masalah-masalah tidak terstruktur [11]. Sistem pendukung keputusan merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan dan manipulasi data [6]. Sistem itu digunakan untuk membantu pengambilan keputusan dalam situasi yang semiterstruktur dan situasi tidak terstruktur, di mana tak seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat. Dari definisi di atas dapat dikatakan bahwa sistem pendukung keputusan adalah suatu sistem informasi spesifik yang ditujukan untuk membantu dalam pengambilan keputusan berkaitan dengan persoalan yang bersifat semiterstruktur. Proses pengambilan keputusan memiliki tiga tahap utama yaitu tahap intelegensi (intelligence phase), tahap perancangan (design phase), dan tahap pilihan (choice phase). Sedangkan tahap keempat yaitu implementasi (implementation), ditambahkan kemudian.  Tahap Inteligensi : Merupakan tahap pendefinisian masalah serta identifikasi informasi yang dibutuhkan yang berkaitan dengan persoalan yang dihadapi serta keputusan yang akan diambil. Langkah ini sangat menentukan tingkat ketepatan keputusan yang akan diambil, tentunya persoalan yang dihadapi harus dirumuskan terlebih dahulu secara jelas.  Tahap Perancangan : Merupakan tahap analisa dalam kaitan mencari atau merumuskan alternatif - alternatif tindakan yang mungkin dilakukan untuk memecahkan masalah. Setelah permasalahan dirumuskan dengan baik, maka tahap berikutnya adalah merancang atau membangun model pemecahan

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

masalahnya dan menyusun berbagai alternatif pemecahan masalah. Sebuah model masalah pengambilan keputusan dikonstruksi, dites dan divalidasi. Tahap Pilihan : Tahap ini merupakan tindakan pengambilan keputusan yang kritis. Pada tahap ini dilakukan proses pemilihan diantara berbagai alternatif tindakan yang mungkin dijalankan. Hasil pemilihan tersebut kemudian di implementasikan dalam proses pengambilan keputusan. Tahap Implementasi: Tahap ini merupakan tahap pelaksanaan dari keputusan yang telah di ambil. Pada tahap ini perlu di susun serangkaian tindakan yang terencana, sehingga hasil keputusan dapat dipantau dan disesuaikan apabila diperlukan perbaikan-perbaikan. Proses pelaksanaan pengambilan keputusan memberikan evaluasi bagi para pembuat keputusan dan menjadi gambaran bagi para pembuat keputusan, bagian mana yang perlu ditambahkan atau di perbaiki pada aplikasi.

4.

Simple Additive Weighting (SAW) Konsep dasar dari SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut [7]. Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternative yang ada. 𝑟𝑖𝑗 =

𝑥 𝑖𝑗 𝑀𝑎𝑥 𝑥 𝑖𝑗 𝑖 𝑀𝑎𝑥 𝑥 𝑖𝑗 𝑖

jika j adalah atribut keuntungan 𝑏𝑒𝑛𝑒𝑓𝑖𝑡

𝑥 𝑖𝑗

(2) jika j adalah atribut biaya 𝑐𝑜𝑠𝑡

dengan 𝑟𝑖𝑗 adalah nilai matriks dominan discordance untuk pasangan ai dan aj dan 𝑥𝑖𝑗 adalah indeks concordance untuk pasangan ai dan aj Sedangkan nilai preferensi untuk setiap alternatif (V𝑖 ) diberikan sebagai : V𝑖 =

n j=1 wj rij

(3)

dimanaV𝑖𝑎 adalah nilai maksimal alternative, wj : bobot kriteria j, dan nilai V𝑖 yang lebih besar mengindikasikan bahwa alternatif A𝑖 lebih terpilih.


16


3. METODE PENELITIAN Dalam pembangunan dan pengembangan sistem ini, penulis menggunakan model pendekatan SDLC (System Development Life Cyrcle) dengan model Waterfall[10]. Sistem Development Life Cycle adalah proses pembuatan dan pengubahan sistem serta model dan metodologi yang digunakan untuk mengembangkan sistem-sistem tersebut. Konsep ini umumnya merujuk pada sistem komputer atau informasi. Adapun bentuk kerangka pemikiran pada penelitian sekarang ini dapat dilihat pada Gambar 1 di bawah ini.

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

4.2 Siklus Proses Data Pada penelitian ini penerapan data mining menggunakan teknik clustering untuk menemukan informasi mengenai data penduduk Desa Tarai Bangun Kec.Tambang Kab.Kampar Riau. Sedangkan Sistem Pengambilan Keputusan Menggunakan Metode Simple Additive Weighting. Siklus Pemrosesan data dapat dilihat pada Gambar 2.

Gambar 2. Siklus proses Data Dari Gambar 2, dapat dilihat bahwa ada dua tahapan eksperimen yang dilakukan dalam penelitian ini: Gambar 1. Metodologi Penelitian

4. HASIL DAN PEMBAHASAN 4.1 Analisa Sistem Pada tahapan analisis ini, peneliti melakukan wawancara dengan perangkat Desa Tarai Bangun, sehingga didapatkan permasalahan yang muncul yaitu dalam proses penentuan kelayakan mendapatkan bantuan yang diselenggarakan pemerintah berdasarkan penilaian atau pendapat RT dan RW saja tanpa di lengkapi dengan data-data pendukung. Untuk itu, solusi yang diterapkan adalah membentuk cluster penduduk yang layak, tidak layak dan tinjau ulang dengan pendekatan data mining.Setelah itu, dilanjutkan proses sistem pengambil keputusan untuk memilih penduduk berdasarkan cluster layak, mana yang paling diprioritaskan untuk menerima bantuan kesejahteraan. Metode sistem pengambil keputusan yang digunakan dalam penelitian ini adalah Simple Additive Weighting (SAW).

a.

Eksperimen 1 (Pengelompokkan data dengan clustering) Dalam eksperimen ini, peneliti melakukan proses mining dengan pendekatan clustering untuk mendapatkan pengelompokkan terhadap tiga buah cluster yang terdiri atas cluster layak, tinjau ulang dan tidak layak. Metode K-Means Clustering dipilih sebagai metode untuk melakukan pengelompokkan tersebut. Adapun tahapan yang dilakukan terlebih dahulu antara lain: 1) DataSelection ; 2) Preprocessing Data; 3) Data Minin; dan 4) Clustering Setelah data diseleksi dan di-preprocessing, maka semua data dirubah ke dalam bentuk nilai numerik (pengkodean) seperti yang terlihat pada Tabel 1, dan nilai-nilai inilah yang akan dihitung dengan menggunakan KMeans Clustering. Adapun simulasi dari metode K-Means Clustering dapat dilihat pada Tabel 2. Hasil eksperimen yang ditunjukkan oleh Tabel 3 dengan menggunakan tools


17


WEKA ini menjelaskan tentang simulasi dengan menggunakan perhitungan pada persamaan (1) untuk mengelompokkan data menjadi tiga kelompok (cluster).

proses iterasi K-Means Clustering menggunakan persamaan (1) seperti pada Tabel 3. b. Eksperimen 2 (Sistem Pendukung Keputusan) Dari hasil Eksperimen 1 yang mendapatkan 3 kelompok penerima bantuan yaitu kelompok layak, tinjau ulang dan tidak layak, maka selanjutnya dilakukan percobaan untuk mendapatkan penerima yang benarbenar layak mendapat bantuan. Dalam hal ini, peneliti menggunakan Sitem Pendukung Keputusan (SPK) untuk melakukan hal tersebut. Adapun pemodelan SPK dengan metode SAW dapat dilihat pada Gambar 2.

Tabel 1.Transformasi data untuk Kriteria Pendapatan Pendapatan

Kode 7

0 <= x <= 1000.000,-

6

1000.001,- <= x <= 2000.000,-

5

2000.001,- <= x <= 3000.000,-

4

3000.001,- <= x <= 4000.000,-

3

4000.000,- <= x <= 5000.000,-

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

2

5000.001,- <= x <= 6000.0000,-

1

>= 7000.000,-

Tabel 2.Data Awal Status No

Nama Lengkap

Pendapatan

Tanggungan

Tempat

PANYAHATAN

4

2

6

4

1

1

5

1

6

3

1

5

2

1

5

...............

....................

..........

3

2

5

Tinggal

1

HASIBUAN MARTIN YUSUF

2

GINTING HISAR

3

SIANTURI

4

APRI YANDRA REFDES

5

HENDRI .............................

...

.......................

20

DULARI

..................

Gambar 3.SPK Pemilihan PendudukPenerima Bantuan Kesejahteraan

Selanjutnya dari Tabel 2, dihitung jarak terhadap masing-masing centroid dengan

Tabel 3. Proses Iterasi K-Means Clustering ITERASI KE -4 CLUSTER BARU 3,11

1,19

1,83

CLUSTER BARU 2,51

1,47

4,91

CLUSTER BARU 5,77

1,27

C1 4,63

Tdk Layak

1,92

2,35

1,22 2,88 3,18 3,36 3,46

4,21 2,69 0,68 0,69 0,74

4,04 1,02 2,80 3,79 3,85

C1

1,39 2,99 4,18 4,27 2,32

3,97 2,70 1,28 1,90 1,16

5,24 1,23 3,09 2,24 2,93

C1

0,28 3,39 4,52

2,98 1,58 4,61

3,82 1,94 1,56

C1

3,27

0,72

2,88

2)

C3

C2 C3

C2 C2 C2 C3 C2 C2 C2 C2 C3 C2

KLP

Layak

C2

4,34

1)

C2 Tinjau Ulang

C1 C3 C2 C2 C2 C1 C3 C2 C2 C2 C1 C2 C3 C2

3

Deka O. Yurnas , Devvi Sarwinda , Fitriani Muttakin 1,2,3 Fakultas Ilmu Komputer, Universitas Muhammadiyah Riau

18


Selanjutnya dengan melakukan perhitungan menggunakan persamaan (2) dan (3) untuk metode SAW, maka diperoleh simulasi pemodelan SPK seperti pada Tabel 4 berikut:

3.

Tabel 4.Simulasi Algoritma SAW Nama

TGG

Bobot

0,3

STT

PDP

PKJ

PDD

0,2

0,3

0,1

0,1

Hisar

5

1

6

3

4

Anjas

5

2

6

2

4

Adlan

7

2

6

4

4

Taslim

6

1

6

4

6

Pembagi

7

2

6

4

Normalisasi

0,714

0,5

1

0,75

0,714

1

1

0,5

1

1

1

1

6 0,66 7 0,66 7 0,66 7

0,857

0,5

1

1

1

Adapun, hasil akhir dari aplikasi ini adalah perangkingan alternatif yang paling mendekati kriteria yang diinginkan oleh Pengambil Keputusan. Tabel 3.Hasil Perangkingan Algoritma SAW Hasil

Nama

Rangking

0,740952381

HISAR

4

0,880952381

ANJAS

3

0,946666667

ADLAN

1

0,837142857

TASLIM

2

5. KESIMPULAN Dari hasil penelitian yang telah ditunjukkan pada paper ini adalah: 1.

2.

Penerapan pendekatan data mining dengan algoritma K-Means clustering mampu untuk mengelompkkan data penduduk dan memiliki tingkat akurasi yang cukup tinggi Penerapan algoritma Simple Additive Weighting (SAW) dalam sistem ini berhasil memberikan solusi atau

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

keputusan untuk menentukan alternatif calon penerima bantuan kesejahteraan yang paling diprioritaskan. Sistem pendukung keputusan ini hanya sebagai alat bantu bagi pengambil keputusan, dan keputusan akhir tetap berada di tangan pengambil keputusan.

6. REFERENSI [1] Adi, R. 1994. Pekerjaan Sosial dan Ilmu Kesejahteraan Sosial. Jakarta: P.T. Rajawali. [2] Didik D. P. 2004. Aplikasi Database Client/Server Menggunakan MySQL. PT.Elex Media Komputindo. Jakarta [3] Fishburn,P.C.1967. Additive Utilities with Incomplete Product Set: Application to Priorities and Assignments. [4] Hwang, C.L. dan Yoon, K, 1981, Multiple Attribute Decision Making: Methods and Applications, Springer-Verlag, New York. [5] Janko, W. 2005. Multi-Criteria Decision Making dalam Fuzzy Multi-Attribute Decision Making (FUZZY MADM). Graha Ilmu: Yogyakarta. [6] Kusrini,2007.Konsep dan Aplikasi Sistem Pendukung Keputusan. PenerbitAndi, Yogyakarta. [7] MacCrimmon,K.R.1968. Decision Making among Multiple Atribut Alternatives: a Survey and Consolidated Approach [8]Peraturan Pemerintah Republik INDONESIA No 39 Tahun 2012 Tentang Penyelenggaran Kesejahteraan Sosial. [9] Rudolphi, Wictoria, 2000. Multi Criteria Decision Analysis As A Framework For Integrated Land Use Management In Canadian Natinal Parks. [10] Royce, Winston 1970. Managing the Development of Large Software Systems, Proceedings of IEEE, pp. 3-9. [11] Turban, E., dkk. 2005. Decision Support Systems and Intelligent Systems.Yogyakarta: Andi Offset. [12] Turban, E. and Aronson, J. E. 2001. Decision Support and Intelegent Systems, Prentice-Hall Inc, New Jersey. [13] Tan, P.N., Steinbach, M. dan Kumar, V. 2006, Introduction to Data Mining,Pearson Education, Inc, Boston. [14] Zimmermann.1991. Fuzzy Sets Theory and Its Applications. Edisi 2. Kluwer Academic Publisher. Massachusetts.


19

No title

Recommend Documents