PENENTUAN TINGKAT KEMISKINAN DENGAN METODE FUZZY CMEANS DI KABUPATEN BONE BOLANGO Nurrahmah Fitriani Kahar1), Lillyan Hadjaratie2), Sitti Suhada3). 1
Fakultas Teknik, Universitas Negeri Gorontalo Email :
[email protected]
2
Fakultas Teknik, Universitas Negeri Gorontalo Email :
[email protected]
3
Fakultas Teknik, Universitas Negeri Gorontalo Email :
[email protected]
INTISARI
Pemerintah Kabupaten Bone Bolango menetapkan stratifikasi kemiskinan ke dalam berbagai tingkatan yaitu miskin, hampir miskin dan sangat miskin. Indikator kemiskinan dalam menentukan rumah tangga miskin terdiri dari 14 Indikator yang meliputi luas lantai, jenis lantai, jenis dinding, fasilitas MCK, sumber penerangan, sumber air minum, makanan, pakaian, kesehatan, penghasilan, pendidikan, tabungan dan daerah tempat tinggal. Metode yang digunakan dalam penelitian ini adalah metode Data Mining clustering dengan algoritma Fuzzy C-Means (FCM). Data yang sudah di cluster dapat diberi label berdasarkan derajat keanggotaan yang terbesar. Hasil penelitian ini berupa perangkat lunak aplikasi penentuan rumah tangga miskin di Kabupaten Bone Bolango yang telah melalui pengujian black box. Kata Kunci : Data Mining, Clustering, Fuzzy c-means ABSTRACT Government in district of Bone Bolango sets stratification of poverty in various levels such as the poor, near poor, and very poor. There were 14 poverty indicators to determine poor households such as floor area, type of flooring, type of wall, toilet facilities, lighting source, the source of drinking water, food, clothing, health, income, education, savings, and residence area. The research method applied mining data clustering with algorithm of Fuzzy C-Means (FCM). Data which were clustered, can be labeled by the largest membership degree. The result was software application in determining poor household in district of Bone Bolango. The software application had been through black box test. Keywords : Mining Data, Clustering, Fuzzy C-Means manapun. Banyak aspek penting yang mendukung strategi penanggulangan kemiskinan diantaranya yaitu adanya data kemiskinan yang akurat serta tepat sasaran. Penyebab kemiskinan sendiri sangat bervariasi dimana antara lain
1. PENDAHULUAN Kemiskinan dan pengangguran merupakan dua masalah yang saling terkait. Masalah kemiskinan merupakan salah satu persoalan utama yang menjadi perhatian utama pemerintah di negara 1
disebabkan oleh karena faktor lingkungan, sosial kultural, ekonomi, politik, kebijakan publik dan sebagainya. Dengan menggunakan teknik data mining maka data-data penduduk kemiskinan akan di cluster berdasarkan 14 indikator kemiskinan (SK Gubernur, 2013), yaitu : 1. Luas lantai bangunan tempat tinggal kurang dari 8 m² per orang. 2. Jenis lantai bangunan tempat tinggal terbuat dari tanah/bambu/ kayu murahan. 3. Jenis dinding tempat tinggal terbuat dari bambu/rumbia/kayu berkualitas rendah. 4. Tidak memiliki fasilitas buang air besar/bersama-sama dengan rumah tangga lain. 5. Sumber penerangan rumah tangga tidak menggunakan listrik. 6. Sumber air minum berasal dari sumur/ mata air tidak terlindungi/ sungai/ air hujan. 7. Hanya mengkonsumsi daging/susu/ayam satu kali dalam seminggu. 8. Hanya membeli satu stel baju dalam setahun. 9. Hanya sanggup makan sebanyak satu/dua kali dalam sehari. 10. Tidak sanggup membayar biaya pengobatan di puskesmas/ poliklinik. 11. Sumber penghasilan kepala rumah tangga adalah : Petani dengan luas lahan 0,5 ha, Buruh tani, Nelayan, Buruh bangunan, Buruh perkebunan,atau pekerjaan lainnya dengan pendapatan dibawah Rp.300.000 perbulan dan atau memiliki pendapatan dibawah garis kemiskinan. 12. Pendidikan tertinggi kepala rumah tangga tidak sekolah/ tidak tamat SD/ hanya SD. 13. Tidak memiliki tabungan/ barang yang mudah dijual dengan nilai minimal Rp.500.000 seperti sepeda
motor, emas, ternak, kapal motor, atau barang modal lainnya. 14. Karakteristik wilayah akses pelayanan adalah perkotaan, pedesaan/pesisir. Sehingga akan didapatkan hasil kelompok rumah tangga miskin yang berdasarkan tingkatannya yaitu miskin, hampir miskin dan sangat miskin.
2. KAJIAN LITERATUR Algoritma Fuzzy C-Means (FCM) Penerapan metode data mining dengan menggunakan algoritma Fuzzy C-Means (Kusumadewi dan Purnomo, 2004)adalah sebagai berikut: 1. Tentukan nilai dari jumlah cluster, fungsi objektif awal, nilai Itersi awal. 2. Input data yang akan dicluster X, berupa matriks berukuran n x m (n= jumlah sample data, m=atribut setiap data). Xij=data sample kei(i=1,2,…,n), atribut kej(j=1,2,…,m). 3. Bangkitkan nilai acak μik, i=1,2,…,n; k=1,2,…,c; sebagai elemen-elemen matriks partisi awal u. Menghitung jumlah tiap kolom (atribut) : c
Qj
k 1
ik
………….. (1)
4. Menghitung pusat cluster ke – k: , dengan k=1,2,...,c; dan j=1,2,...,m n
Vkj
W
ik
i 1
n
X ij
W
ik
i 1
..…...(2)
5. Hitung fungsi obyektif pada iterasi ke-t, Pt. n
pt i 1
2
m
X c
k 1
j 1
ij
2 W Vkj ik
…...(3)
6. Hitung perubahan matriks partisi: b. Pembersihan Data (Cleaning) Data yang diperoleh dari Badan Perencanaan Pembangunan Daerah (BAPPEDA) Bone Bolango yaitu data penduduk miskin tahun 2013. Data tersebut memiliki atribut-atribut yang tidak semua diperlukan dalam proses data mining, maka dari itu perlu dilakukan pembersihan/ cleaning yang bertujuan memilih atribut data yang menjadi fokus penelitian dan menghapus atribut yang tidak dipakai.
1
W 1 m 2 X ij Vkj j 1
ik
1
X c
k 1
m
j 1
ij
W 1 2 Vkj
…..…..…(4)
7. Cek kondisi berhenti untuk menentukan pusat cluster.
3. METODE PENELITIAN Metode penelitian yang digunakan adalah metode eksperimen. “Metode eksperimen merupakan rancangan penelitian yang mengidentifikasi hubungan kausal (sebab akibat)”. Penelitian ini dilakukan di Badan Perencanaan Pembangunan Daerah (BAPPEDA) Kabupaten Bone Bolango. Objek penelitian adalah data penduduk miskin tahun 2013.
c. Pemilihan Fitur (Featur Subset Selection) Data yang sudah di cleaning selanjutnya akan dipilih dengn cara pemilihan fitur yang tepat atau hanya dengan menggunakan atribut-atribut yang diperlukan. d. Transformasi Data (Transformation) Transformasi data perlu dilakukan untuk membuat keseluruhan nilai yang mempunyai suatu sifat khusus. Dalam logika fuzzy nilai keanggotaan dalam suatu himpunan dilihat dari angka 0-1.
4. HASIL DAN PEMBAHASAN 1. Pengumpulan Data Penduduk Data yang digunakan dalam penelitian ini adalah data rumah tangga miskin pada tahun 2013 yang dibagi menjadi perkepala keluarga di 18 Kecamatan yang ada di Kabupaten Bone Bolango. Data tersebut nantinya akan dibagi menurut stratifikasi kemiskinan yakni hamir miskin, miskin dan sangat miskin dengan menggunakan acuan 14 indikator.
3. Data Mining Data 100 (seratus) kepala keluarga tersebut akan dihitung dengan menggunakan algoritma Fuzzy C-Means yang terdapat tujuh tahap perhitungan : 1. Mentukan nilai dari Jumlah cluster, Fungsi Objektif Awal, Nilai Iterasi.
2. Praproses Data a. Seleksi Data (Selection) Data yang akan menjadi data set dalam perhitungan ini adalah data kepala keluarga (kk) rumah tangga miskin diwilayah Kabupaten Bone Bolango sejumlah 100 kk, yang diperoleh dari perhitungan sampel dengan Rumus Slovin (Selvia et al.,2007), yang diperoleh dari populasi sebanyak 10.661 kk tersebar di 18 Kecamatan yang ada di Kabupaten Bone Bolango.
2. Menetapkan matriks partisi awal U : Tahapa pertama, yang menajdi matriks partisi awal adalah nilai yang dipilih sesuai dengan keadaan dan 14 indikator kemiskinan yang dibagi menjadi masing-masing menjadi tiga cluster.
3
5. Hitung fungsi objektif (P) Fungsi objektif pada iterasi pertama (P1) dihitung dengan menggunakan persamaan (3), yaitu mencari nilai dari L1, L2 dan L3. L1 = ( ∑ Vkj - ∑ Xij) x (µi)² = (6.93 - 0.09) x 0.013 = 0.088 = 0.09
Cluster Cluster Cluster 1 2 3 1 0.5 0.5 0.5 2 1 1 1 3 0.3 0.3 0.3 4 0 0 0 5 0 0 0 6 0.5 0.5 0.5 7 0.5 0.5 0.5 8 1 1 1 9 0 0 0 10 1 1 1 11 1 1 1 12 0.3 0.3 0.3 13 1 1 1 14 0.5 0.5 0.5 Table 1 Nilai Input matriks awal U
Indikator
L2 = ( ∑ Vkj - ∑ Xij) x (µi)² = (7.2 - 0.46) x 0.064 = 0.43 L3 = ( ∑ Vkj - ∑ Xij) x (µi)² = (7.6 – 4.26) x 0.561 = 1.87 LT = L1 + L2 + L3 = 0.09 + 0.43 + 1.87 = 2.39
3. Mencari Nilai acak Membangkitkan nilai acak μik, i=1,2,…,n; k=1,2,…,c; sebagai elemenelemen matriks partisi awal u. Berdasarkan persamaan (1) Maka nilai acak/random yang terbentuk adalah : Cluster 1 = 0.113 Cluster 2 = 0.253 Cluster 3 = 0.749
6. Hitung perubahan matriks partisi (U) Perubahan matriks partisi (U) dihitung menggunakan persamaan (4) : Ini adalah cara untuk mencari nilai U1 sampai dengan U3 adalah : U1 = L1 / Lt = 0.09 / 2.39 = 0.04
4. Menghitung pusat cluster (V) Menghitung pusat cluster pada iterasi pertama dengan menggunakan persamaan (2) yaitu : Vkj 1 = Xij 1 / (µi)² = 0.01 / 0.013 = 0.77 Vkj 2
Vkj 3
U2 = L2 / Lt = 0.43/ 2.39 = 0.18 U3 = L3 / Lt = 1.87/ 2.39 = 0.78
= Xij 1 / (µi)² = 0.03 / 0.064 = 0.468 = 0.47
7. Cek kondisi berhenti untuk pusat cluster langkah ke enam : Dengan melihat nilai dari U1, U2, U3 yang mendekati satu atau nilai yang tertinggi berada pada U3 yang berarti sangat miskin.
= Xij 1 / (µi)² = 0.28 / 0.561 = 0.499 = 0.5
4
4. Implementasi Sistem Halaman menu utama adalah halaman setelah login dan menampilkan grafik persentase dari metode Fuzzy C-Means, seperti yang terlihat pada gambar 1 dibawah ini :
Gambar 1 Halaman Menu Utama Halaman proses RTM yang menampilkan kode RTM, nama RTM, status RTM, terdapat perintah tambah data yang berarti akan masuk pada form biodata penduduk, Seperti pada gambar 2 dibawah ini :
Gambar 3 Form Hasil Analisa PEMBAHASAN Pada proses clustering dengan menggunakan metode Fuzzy C-Means 14 indikator kemiskinan diberikan bobot atau nilai keanggotaan berdasarkan nilai dari logika fuzzy yakni antara 0-1. Dengan menggunakan penerapan metode Fuzzy C-Means diperoleh hasil cluster terbanyak ada dikategori sangat miskin yaitu 50%, miskin 34% dan hampir miskin 16%. Berbanding terbalik dengan hasil cluster yang menggunakan indikator kemiskinan dari pemerintah, dimana hasil cluster terbanyak ada di kategori hampir miskin.
Gambar 2 Tampilan Form Data RTM Halaman hasil analisa merupakan hasil dari penerapan metode Fuzzy C-Means yang menampilkan hasil perhitungan dari satu sampai dengan tujuh. Dapat dlihat pada gambar 3.
5
Cara kerja aplikasi dalam menentukan rumah tangga miskin yakni dengan menginput data Kecamatan dan data Desa terlebih dahulu, selanjutnya data tersebut akan digunakan pada proses penginputan data rtm. Setiap kepala keluarga yang ditambahkan akan sesuai dengan Desa yang ada di Kecamatan dan Kabupaten Bone Bolango. Setelah mengisi biodata kepala keluarga tersebut akan dilanjutkan dengan verifikasi data rtm, dimana form verifikasi terdapat indikator kemiskinan yang harus di isi sebagai nilai inputan untuk setiap orang kepala keluarga. Data tersebut akan di analisa dengan menggunakan metode Fuzzy C-Means (FCM) sehingga akan diperoleh status kemiskinan yang menurut indikator kemiskinan dan metode fuzzy c-means (fcm). Aplikasi ini dapat dibuka pada web browser karena sudah dilakukan uji coba dengan menggunakan black box testing dan sudah sesuai dengan tujuan pembuatan sistem. Tombol-tombol dan linknya berfungsi dengan baik serta validasi untuk penginputan juga telah berfungsi sesuai dengan desainnya.
Saran 1. Diharapkan pengembangan selanjutnya menggunakan algoritma berbeda sehingga diperoleh hasil yang lebih bervariasi. 2. Data kemiskinan yang diambil bisa lebih luas yang mencakupi Provinsi Gorontalo. 6. REFERENSI Data Penduduk Rumah Tangga Miskin (RTM) Kabupaten Bone Bolango. 2013. Badan Perencanaan Pembangunan Daerah (BAPPEDA) Kabupaten Bone Bolango. Gorontalo Kusumadewi,S dan Purnomo,H.2004. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta : Graha Ilmu Selvia, Consuelo G. et. al. 2007. Research Methods. Rex Printing Company: Quezon City Surat Keputusan (SK) Gubernur Gorontalo tentang Penanggulangan Kemiskinan. Nomor 4 Tahun 2013
5. KESIMPULAN DAN SARAN Kesimpulan Penerapan metode fuzzy c-means dalam menentukan rumah tangga miskin mempeoleh hasil cluster sangat miskin 50%, miskin 34% dan hampir miskin 16%. Dengan menggunakan data rumah tangga miskin (RTM) pada 100 (seratus) sampel kepala keluarga (KK) yang tersebar di 18 Kecamatan dan 157 Desa di Kabupaten Bone Bolango. Algoritma fuzzy c-means memperoleh kesimpulan hasil cluster terbanyak ada dalam kategori kemiskinan sangat miskin. Sebaliknya dalam data pemerintah yang digunakan kategori kemiskinan hampir miskin yang lebih banyak.
6
