1 D adalah himpunan daerah Bogor yang terdiri dari 68 desa/kelurahan di Kota Bogor. 2 Mengonversi himpunan daerah tersebut ke dalam matriks di MATLAB. 3 Menentukan daerah R menggunakan MBR (Minimum Bounding Rectangle) yang digunakan untuk melihat daerah mana saja yang berbatasan dengan daerah yang sedang diamati dalam poligon Desa/Kelurahan Kota Bogor. Kemudian mengambil nilai pada ruang R dari tiap kelurahan V(R) dan membentuk neighbour list (MBR). 4 Menentukan fungsi f(R) pada ruang R tersebut dari nilai V(R) yang didapat. Fungsi yang digunakan adalah nilai sebaran normal Z-Value (Abs[(nilai persentase tiap kelurahan – rataan)/simpangan baku]). 5 Lalu ditampilkan outlier list yang merupakan daftar kelurahan yang outlier dari tiap kandidat. 6 Kemudian divisualisasikan ke dalam bentuk peta Kelurahan Kota Bogor. Lingkungan Pengembangan Sistem outlier detection ini menggunakan perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut : 1 Perangkat keras a Intel® Core 2 Duo Processor @2.4 GHz b Memori DDR2 2 GB c Harddisk 180 GB d Monitor e Keyboard dan mouse 2 Perangkat lunak a Windows XP SP2 dan Mac OS X Leopard Versi 10.5.2 Operating System b MATLAB 7.4.0.287 R 2007a c Microsoft Office 2007 d Arcview 3.3
HASIL DAN PEMBAHASAN
metode pembahasan yaitu mengamati outlier melalui grafik batang menggunakan pendekatan statistika Z-Value, mengamati outlier melalui metode klasifikasi Equal Interval dan Natural Breaks dan mengamati outlier melalui algoritme Naive. Analisis ke dalam ketiga metode ini dimaksudkan untuk memberikan perbandingan antar metode sehingga terlihat kemiripan dan perbedaan hasil di antara ketiga metode tersebut. • Metode 1 Mengamati outlier berdasarkan grafik batang menggunakan pendekatan statistika Z- Value. Analisis ini dilakukan dengan cara mengamati grafik batang dari data hasil penghitungan suara tiap Kandidat Walikota Bogor melalui pendekatan statistika yaitu persamaan Z-Value, sebagai berikut :
Z=
X−X s
dengan X = nilai persentase, X = nilai rataan persentase dan s=simpangan baku. Persamaan diatas semakin besar nilai persentase (X) semakin besar juga nilai Z artinya memiliki perbandingan yang lurus. Dalam hal ini ditetapkan θ (threshold) bernilai dua (Z > 2) artinya terdapat sebanyak kurang lebih 4% – 5% jumlah outlier dari data. Penentuan nilai θ ini didasarkan pada nilai yang didapatkan dari ZValue kemudian direpresentasikan ke dalam bentuk histogram sehingga terlihat jarak antar bin yang satu dengan bin yang lainnya. Seluruh histogram dilihat pada Lampiran 2. Dari seluruh histogram, didapatkan jarak rata – rata antar bin lebih dari 2. Proporsi pembagian data dari tiap kandidat dilihat pada Tabel 1. Contohnya pada histogram Kandidat satu di Gambar 4, jika nilai θ = 2 memiliki makna bahwa pada selang 0,029 – 1,768 terdapat bagian data sebanyak 95,59% dan terdapat 4,41% (100 % - 95,59%) jumlah outlier yang terdapat pada data Kandidat satu. Jika nilai θ = 3, maka 100% bagian data terdapat pada selang 0,029 – 2,975. Pada metode pertama ini nilai sebaran normal Z-Value ini dihitung dari nilai persentase 68 kelurahan pada tiap kandidat.
Penelitian ini membahas masalah spatial outlier detection pada hasil penghitungan suara pemilihan Walikota Bogor yang terdiri dari lima Kandidat Walikota Bogor sehingga didapatkan hasil. Analisis hasil ini dibahas ke dalam tiga
4
Tabel 1 Proporsi data tiap kandidat No
Kandidat
θ=2
θ=3
1
Kandidat 1
95,59 %
100 %
2
Kandidat 2
95,59 %
98 %
3
Kandidat 3
94,12 %
100 %
4
Kandidat 4
95,59 %
99 %
5
Kandidat 5
94,12 %
99 %
2 Kandidat dua (Ki Gendeng Pamungkas – H. Chusaery) Data hasil penghitungan suara untuk kandidat dua ini dilihat pada grafik batang pada Gambar 6.
Gambar 6 Grafik batang hasil penghitungan suara Kandidat Walikota Bogor kedua Pada kandidat dua ini daftar daerah yang outlier dilihat pada Tabel 3. Gambar 4 Threshold kandidat satu 1 Kandidat satu (H. Syafei Bratasendjaja – H. Akik Darul Tahkik) Data hasil penghitungan suara untuk kandidat satu ini dilihat pada grafik batang pada Gambar 5.
Tabel 3 Outlier list kandidat dua berdasarkan ZValue Id
Kelurahan
Nilai Z
18
Tegallega
5,320
27
Cibuluh
2,166
65
Harjasari
3,074
3 Kandidat tiga (Hj. Iis Supriatini – dr. Ahani) Data hasil penghitungan suara untuk kandidat tiga ini dilihat pada grafik batang pada Gambar 7.
Gambar 5 Grafik batang hasil penghitungan suara Kandidat Walikota Bogor kesatu Pada kandidat satu ini daftar daerah yang outlier dilihat pada Tabel 2. Tabel 2 Outlier list kandidat satu berdasarkan ZValue Id
Kelurahan
Nilai Z
1
Kayu Manis
2,469
14
Sempur
2,027
68
Rancamaya
2,975
Gambar 7 Grafik batang hasil penghitungan suara Kandidat Walikota Bogor ketiga Pada kandidat tiga ini daftar daerah yang outlier dilihat pada Tabel 4.
5
Tabel 4 Outlier list kandidat tiga berdasarkan ZValue Id
Kelurahan
Nilai Z
6
Sukaresmi
2,749
13
Pabaton
2,517
60
Mulyaharja
698
63
Genteng
2,244
4 Kandidat empat (Dody Rosadi – Erik Suganda) Data hasil penghitungan suara untuk kandidat empat ini dilihat pada grafik batang pada Gambar 8.
Gambar 8 Grafik batang hasil penghitungan suara Kandidat Walikota Bogor keempat Pada kandidat empat ini daftar daerah yang outlier dilihat pada Tabel 5.
Gambar 9 Grafik batang hasil penghitungan suara Kandidat Walikota Bogor kelima Pada kandidat lima ini daftar daerah yang outlier dilihat pada Tabel 6. Tabel 6 Outlier list kandidat lima berdasarkan Z-Value Id
Kelurahan
Nilai Z
6
Sukaresmi
3,213
25
Ciluar
2,072
40
Situ Gede
2,279
68
Rancamaya
2,232
Pada metode pertama ini terdapat kelurahan yang outlier lebih dari dua kandidat, contohnya seperti Kelurahan Sukaresmi (id 6). Kelurahan yang memiliki kondisi seperti itu dikarenakan nilai Z yang dihasilkan melebihi batas threshold pada kandidat lainnya (lebih dari satu kandidat).
Tabel 5 Outlier list kandidat empat berdasarkan Z-Value Id
Kelurahan
Nilai Z
2
Kencana
2,212
4
Sukadamai
2,748
6
Sukaresmi
4,910
5 Kandidat lima (H. Diani Budiarto – H. Ahmad Ru’yat) Data hasil penghitungan suara untuk kandidat lima ini dilihat pada grafik batang pada Gambar 9.
• Metode 2 Mengamati outlier melalui metode klasifikasi Equal Interval dan Natural Breaks Pada bagian ini, diberikan histogram pembagian kelas berdasarkan nilai persentasenya dan visualisasi kelurahan di Kota Bogor ke dalam peta yang dibagi ke dalam tiga kelas yaitu kelas rendah (merah), kelas sedang (kuning) dan kelas tinggi (hijau). Pengamatan satu per satu secara visualisasi langsung dari outlier dilihat berdasarkan metode klasifikasinya yaitu Equal Interval dan Natural Breaks (bagian yang dilingkari). Tabel id kelurahan secara lengkap dilihat pada Lampiran 3. • Equal Interval Metode yang menggunakan kelas interval konstan dalam penentuan klasifikasinya (Chang 2002).
6
• Natural Breaks
Equal Interval
Metode yang bergantung kepada kelompok data value dalam klasifikasinya yang menggunakan penghitungan sebuah algoritme (optimasi jenk’s). Pada algoritme ini, data value akan dibagi kedalam beberapa kelas, kemudian akan dicari nilai minimal, maksimal, rataan dan standar deviasinya, setelah itu dihitung TSSD (Total Sum of Standard Deviation). TSSD yang didapat kemudian dibandingkan antar kelasnya melalui perluasan atau penyempitan rentang (interval) pada tiap kelasnya hingga di dapat TSSD yang optimal. TSSD yang optimal adalah TSSD yang bernilai kecil dan berguna untuk meminimalisir perbedaan antara data value pada kelas yang sama dan TSSD yang bernilai besar berguna untuk memaksimalkan perbedaan antar kelasnya (Chang 2002).
Kayu Manis
1 Kandidat satu (H. Syafei Bratasendjaja – H. Akik Darul Tahkik) Dari hasil visualisasi pada kandidat satu ini di bagian klasifikasi dengan Equal Interval pada Gambar 10 (i) dan Natural Breaks di Gambar 10 (ii) terlihat kelurahan yang outlier (bagian yang dilingkari) seperti pada Tabel 7.
Sempur
Tabel 7 Outlier list kandidat satu berdasarkan metode klasifikasi Klasisfikasi
Id
Kelurahan
1
Kayu Manis
14
Sempur
35
Sindangrasa
68
Rancamaya
1
Kayu Manis
35
Sindangrasa
Sindangrasa
Rancamaya
Equal Interval (i) Natural Breaks
Natural Breaks
Jika dibandingkan dengan hasil outlier yang didapat dari kandidat pertama yaitu id 1, 14 dan 68 pada metode satu, di Equal Interval semua hasil terdapat di dalamnya tetapi di Natural Breaks hanya id 1 saja yang termasuk kelurahan outlier. Pada id 14 (Sempur) dan 68 (Rancamaya) yang termasuk ke dalam kelas tinggi tidak termasuk dalam Natural Breaks dikarenakan daerah tersebut masih dipengaruhi oleh daerah kelas tinggi lainnya yang berbatasan dengan daerah tersebut.
7
Tabel 8 Lanjutan
Kayu Manis
Klasisfikasi
Natural Breaks
Sindangrasa
Id
Kelurahan
36
Sindang Sari
64
Pamoyanan
65
Harjasari
Jika dibandingkan dengan hasil outlier yang didapat dari kandidat kedua yaitu id 18, 27 dan 65 pada metode satu, di Equal Interval id 27 (Tanah Baru) yang masuk ke dalam kelas sedang tidak termasuk di dalamnya dikarenakan masih ada kelurahan kelas sedang lainnya yang berbatasan dengan Kelurahan Tanah Baru ini tetapi di Natural Breaks semua daerah terdapat di dalamnya. Equal Interval
(ii) Gambar 10 (i) Pembagian kelas dan visualisasi dengan Equal Interval dan Gambar 10 (ii) Pembagian kelas dan visualisasi dengan Natural Breaks pada kandidat satu
2 Kandidat Dua (Ki Gendeng Pamungkas – H. Chusaery) Dari hasil visualisasi pada kandidat dua ini di bagian klasifikasi dengan Equal Interval pada Gambar 11 (i) dan Natural Breaks di Gambar 11 (ii) terlihat kelurahan yang outlier (bagian yang dilingkari) seperti pada Tabel 8. Tabel 8 Outlier list kandidat dua berdasarkan metode klasifikasi Klasisfikasi
Id
Kelurahan
15
Babakan
18
Tegallega
62
Muarasari
65
Harjasari
26
Ciluar
17
Kebon Kelapa
27
Tanah Baru
18
Tegallega
52
Pasir Kuda
34
Tajur
Equal Interval
Natural Breaks
Babakan Tegallega
Muarasari Harjasari
(i) 8
Natural Breaks
Tabel 9 Outlier list kandidat tiga berdasarkan metode klasifikasi Klasisfikasi
Id
Kelurahan
43
Bubulak
19
Panaragan
13
Pabaton
52
Pasir Kuda
34
Tajur
36
Sindang Sari
65
Harjasari
67
Bojong Kerta
43
Bubulak
17
Kebon Kelapa
50
Pasir Jaya
51
Pasir Mulya
65
Harjasari
67
Bojong Kerta
Equal Interval
Natural Breaks
Ciluar Kebon Kelapa Tanah Baru Tegallega Pasir Kuda Tajur Sindang Sari Pamoyanan Harjasari
(ii) Gambar 11(i) Pembagian kelas dan visualisasi dengan Equal Interval dan Gambar 11 (ii) Pembagian kelas dan visualisasi dengan Natural Breaks pada kandidat dua
3 Kandidat Tiga (Hj. Iis Supriatini – dr. Ahani)
Jika dibandingkan dengan hasil outlier yang didapat dari kandidat ketiga yaitu id 6, 13, 60 dan 63 pada metode satu, di Equal Interval id 13 (Pabaton) saja yang termasuk ke dalam outlier list sedangkan yang lainnya tidak termasuk. Hal ini dikarenakan id 6 (Sukaresmi) yang termasuk kelas rendah berbatasan dengan kelas rendah lainnya, lalu id 60 (Mulyaharja) dan id 63 (Genteng) yang termasuk kelas tinggi juga masih berbatasan dengan kelurahan kelas tinggi lainnya. Untuk Natural Breaks, seluruh hasil outlier pada metode satu tidak termasuk ke dalam outlier listnya karena id 6 (Sukaresmi) / kelas rendah berbatasan dengan kelas rendah lainnya. Begitu juga dengan kelas tinggi seperti id 13 (Pabaton), id 60 (Mulyaharja) dan id 63 (Genteng) berbatasan dengan kelurahan dari kelas tinggi yang ada disekitarnya sehingga tidak termasuk outlier di Natural Breaks.
Dari hasil visualisasi pada kandidat tiga ini di bagian klasifikasi dengan Equal Interval pada Gambar 12 (i) dan Natural Breaks di Gambar 12 (ii) terlihat kelurahan yang outlier (bagian yang dilingkari) seperti pada Tabel 9.
9
Equal Interval
Bubulak
Kebon Kelapa Pasir Jaya Pasir Mulya
Harjasari Bojong Kerta (ii) Gambar 12 (i) Pembagian kelas dan visualisasi dengan Equal Interval dan Gambar 12 (ii) Pembagian kelas dan visualisasi dengan Natural Breaks pada kandidat tiga
Bubulak Panaragan Pabaton Pasir Kuda
Tajur
Sindang Sari
4 Kandidat Empat (Dody Rosadi – Erik Suganda) Dari hasil visualisasi pada kandidat empat ini di bagian klasifikasi dengan Equal Interval pada Gambar 13 (i) dan Natural Breaks di Gambar 13 (ii) terlihat kelurahan yang outlier (bagian yang dilingkari) seperti pada Tabel 10. Tabel
Harjasari Bojong Kerta (i)
10
Outlier list kandidat empat berdasarkan metode klasifikasi
Klasisfikasi
Equal Interval
Natural Breaks
Id
Kelurahan
25
Ciparigi
6
Sukaresmi
16
Cibogor
32
Sukasari
36
Sindangsari
Natural Breaks
Jika dibandingkan dengan hasil outlier yang didapat dari kandidat keempat yaitu id 2, 4 dan 6 pada metode satu, di Equal Interval id 2 (Kencana) dan id 4 (Sukadamai) yang termasuk ke dalam kelas sedang masih berbatasan dengan kelurahan dari kelas sedang lainnya sehingga tidak termasuk ke dalam outlier list. Id 2, 4 dan 6 (Sukaresmi) di Natural Breaks yang ketiganya merupakan kelas tinggi juga tidak termasuk ke dalam outlier list karena dikelilingi oleh kelurahan kelas tinggi lainnya. 10
Equal Interval
Sukasari Sindang Sari
(ii) Gambar 13 (i) Pembagian kelas dan visualisasi dengan Equal Interval dan Gambar 13 (ii) Pembagian kelas dan visualisasi dengan Natural Breaks pada kandidat empat
Ciparigi Sukaresmi Cibogor
5 Kandidat Lima (H. Diani Budiarto – H. Ahmad Ru’yat) Dari hasil visualisasi pada kandidat lima ini di bagian klasifikasi dengan Equal Interval pada Gambar 14 (i) dan Natural Breaks di Gambar 14 (ii) terlihat kelurahan yang outlier (bagian yang dilingkari) seperti pada Tabel 11. Tabel 11 Outlier list kandidat lima berdasarkan metode klasifikasi Klasisfikasi
(i) Natural Breaks
Equal Interval
Id
Kelurahan
3
Mekarwangi
25
Ciparigi
38
Curug Mekar
36
Sindangsari
68
Rancamaya
46
Sindang Barang
13
Pabaton
16
Cibogor
29
Cimahpar
65
Harjasari
68
Rancamaya
Natural Breaks
Jika dibandingkan dengan hasil outlier yang didapat dari kandidat kelima yaitu id 6, 25, 40 dan 68 pada metode satu, di Equal Interval id 6 11
(Sukaresmi) dan id 40 (Situ Gede) yang termasuk ke dalam kelas rendah dan kelas sedang masih berbatasan dengan kelurahan dari kelas yang sama pada masing – masing kelasnya. Id 6 dan 25 (Ciparigi) yang termasuk ke dalam kelas rendah dan id 40 yang termasuk ke dalam kelas sedang juga masih berbatasan dengan kelurahan di kelas yang sama pada tiap kelasnya sehingga tidak termasuk ke dalam outlier list di Natural Breaks.
Natural Breaks
Equal Interval
Sindang Barang Pabaton Cibogor Cimahpar
Mekarwangi Ciparigi Curug Mekar Harjasari Rancamaya (ii)
Sindang Sari
Gambar 14 (i) Pembagian kelas dan visualisasi dengan Equal Interval dan Gambar 14 (ii) Pembagian kelas dan visualisasi dengan Natural Breaks pada kandidat lima
Rancamaya (i)
• Metode 3 Mengamati outlier melalui algoritme Naive Sebelum membahas lebih jauh pada bagian ini, dibahas terlebih dahulu mengenai batasan atau definisi yang digunakan dalam penelitian ini, sebagai berikut: 1 Definisi Spatial Dataset D Dataset D adalah himpunan dari poligonpoligon spatial dalam hal ini adalah kelurahan / 12
desa di Kota Bogor yang memiliki hak pilih dalam pemilihan Walikota Bogor tahun 2008 dilihat pada Gambar 15.
4 Definisi Fungsi yang digunakan f(R) Fungsi yang digunakan untuk menentukan wilayah kelurahan adalah nilai sebaran normal Z-Value (Abs[nilai persentase tiap kelurahan – rataan]/ simpangan baku) dengan berdasarkan nilai yang didapat dari V(R). Terdapat perbedaan penghitungan nilai sebaran normal ZValue antara metode 1 dan metode 3 ini, pada metode ini nilai sebaran normal Z-Value hanya dihitung pada tiap kelurahan yang berbatasan saja atau yang masuk ke dalam neighbour list.
Setelah semua definisi dijelaskan, penentuan kelurahan/desa yang outlier dengan algoritme Naive adalah sebagai berikut: Gambar 15 Himpunan dataset D Poligon adalah kelurahan di Kota Bogor yang dibatasi oleh batas administratif kelurahan. Batas kelurahan adalah batas garis yang mengelilingi satu poligon kelurahan. Spatial data ini adalah peta Bogor tahun 2003.
2 Definisi Region R Region R adalah himpunan poligon yang diamati, dengan R = (PL, PU),PL,PU € R dimana PL adalah lower-left verteks (XL, YL) dan PU adalah upper-right verteks (XU,YU) dilihat pada Gambar 16.
1 Me-load spatial data/shapefile (.shp) berupa data peta dan non spatial data(.xls) berupa data hasil penghitungan suara ke dalam MATLAB. 2 Menentukan MBR (Minimum Bounding Rectangle) dari tiap poligon dan menyimpannya ke dalam bentuk matriks sehingga muncul matriks ketetanggaan ,contoh dari MBR yang telah diubah ke dalam bentuk matriks dilihat pada Gambar 17. Id Kelurahan
PU=(XU, YU) 8 7
9
5 2 PL=(XL, YL)
Gambar 16 Himpunan daerah/poligon yang diamati.
Id Kelurahan
3
1
2
3
4
5
6
7
8
9
1
0
0
1
1
0
0
0
1
0
2
0
0
1
0
1
0
1
0
0
3
1
1
0
0
0
0
1
0
0
4
1
0
0
0
0
0
0
1
0
5
0
1
0
0
0
1
1
0
1
6
0
0
0
0
1
0
0
0
0
7
0
1
1
0
1
0
0
1
1
8
1
0
0
1
0
0
1
0
0
9
0
0
0
0
1
0
1
0
0
Gambar 17 Matriks ketetanggaan 3 Definisi Nilai yang ada pada Region R (VR) VR adalah himpunan nilai yang terdapat dalam region R yaitu berupa nilai persentase dari hasil penghitungan suara dari tiap kelurahan di Kota Bogor.
Nilai “1” pada matriks menunjukkan bahwa poligon tersebut masuk ke dalam MBR (bertetanggaan) dan nilai “0” menunjukkan bahwa poligon tersebut tidak masuk ke dalam MBR (tidak bertetanggaan). Contohnya pada Gambar 17, id kelurahan satu (1) berbatasan dengan id kelurahan 3, 4 dan 8.
13
3 Matriks hasil MBR (matriks tetangga) tersebut dieksekusi oleh fungsi di algoritme Naive untuk merekap poligon mana saja yang berbatasan dari tiap poligon dan disimpan ke dalam bentuk matriks MBR.
2 Kandidat Dua Visualisasi kandidat dua ini dilihat pada Gambar 19 terdapat tiga daerah yang outlier. Daftar daerah outlier disajikan ke dalam Tabel 13.
4 Lalu matriks MBR tersebut dilakukan eksekusi beserta matriks data hasil perhitugan suara untuk dilakukan sebuah fungsi yaitu nilai sebaran normal Z-Value (Abs[nilai persentase tiap kelurahan – rataan]/ simpangan baku) dan menyimpannya ke dalam bentuk matriks outlier.
27 18
5 Setelah matriks outlier terbentuk maka terlihat daftar kelurahan mana saja yang outlier. 6 Kemudian diplotkan dan diberi warna merah di peta Kota Bogor untuk daerah yang termasuk ke dalam outlier list pada matriks outlier. Berikut ini adalah hasil eksekusi mengunakan algoritme Naive dari tiap kandidat:
65
Gambar 19 Hasil visualisasi kandidat dua Tabel 13 Outlier list kandidat dua berdasarkan algoritme Naive Id
1 Kandidat Satu Visualisasi kandidat satu ini dilihat pada Gambar 18 terdapat tiga daerah yang outlier. Daftar daerah outlier disajikan ke dalam Tabel 12.
Kelurahan
18
Tegallega
27
Tanah Baru
65
Harjasari
3 Kandidat Tiga
1
Visualisasi kandidat tiga ini dilihat pada Gambar 20 dan didapat satu daerah outlier yaitu id 13 (Pabaton).
31 45
13 Gambar 18 Hasil visualisasi kandidat satu Tabel 12 Outlier list kandidat satu berdasarkan algoritme Naive Id
Kelurahan
1
Kayu manis
31
Baranang Siang
45
Marga Jaya
Gambar 20 Hasil visualisasi kandidat tiga
14
Tabel 14 Kemiripan hasil outlier
4 Kandidat Empat Pada visualisasi kandidat empat ini dilihat pada Gambar 21 dan didapat satu daerah outlier yaitu id 6 (Sukaresmi).
Metode Kandidat
6
Id
ZValue
EI
NB
1
14
35
45
15
17 18 Gambar 21 Hasil visualisasi kandidat empat
5 Kandidat Lima
2
Pada visualisasi kandidat lima ini dilihat pada Gambar 22 dan didapat satu daerah outlier adalah id 6 (Sukaresmi).
34
36
52
65
6
13
17
Jika kita bandingkan dengan hasil yang didapat pada metode 1, metode 2 dan metode 3, maka didapat tabel kemiripan hasil outlier pada Tabel 14.
64
Gambar 22 Hasil visualisasi kandidat lima
62
6
26 27
31 1
68
Naive
19
34
36
43
3
50
51
52 60
63
65
67
15
Naive
pada kelurahan ini terdapat kediaman dari salah satu pasangan kandidat kelima yang juga merupakan lokasi dari konsituen / massa terbesar untuk kandidat kelima ini serta terdapat TPS (Tempat Pemungutan Suara) dimana calon Wakil Walikota dari pasangan kandidat kelima ini memberikan hak pilih suaranya.
Pola menarik lainnya dari tabel kemiripan hasil outlier juga terdapat kelurahan yang hasilnya sama pada ketiga metode, yaitu :
Tabel 14 Lanjutan Metode Kandidat
4
Id
ZValue
2
4
6
EI
NB
16
25
1. Kelurahan Tanah Baru (id 27) pada kandidat dua.
32
36
3. Kelurahan Sukaresmi (id 6) pada kandidat empat.
3 6
13
16
25
2. Kelurahan Pabaton (id 13) pada kandidat tiga.
4. Kelurahan Rancamaya (id 68) pada kandidat lima.
KESIMPULAN DAN SARAN
29 5 36
Kesimpulan
38
Berdasarkan penelitian yang dilakukan dalam mendeteksi spatial outlier pada data hasil penghitungan suara PILWALKOT Bogor tahun 2008, maka dapat diambil kesimpulan sebagai berikut :
40
46
65
68
Hasil yang didapat dari Tabel 14 diatas, terdapat beberapa hasil yang memiliki kemiripan yang cukup menarik. Contohnya terdapat kemiripan hasil pada empat metodenya yaitu pada kandidat satu untuk Kelurahan Kayu Manis (id 1) dan pada kandidat dua untuk Kelurahan Tegallega (id 18) dan Kelurahan Harjasari (id 65). Ketiga kelurahan tersebut memiliki kemiripan pada keempat metode dikarenakan pada data aslinya memang terdapat perbedaan yang cukup signifikan pada kandidat kelima yang mengungguli kandidat lainnya. Perolehan suara kandidat kelima untuk ketiga kelurahan tersebut yaitu pada Kelurahan Kayu Manis mendapatkan 3117 suara, Kelurahan Tegallega mendapatkan 3856 suara dan Kelurahan Harjasari mendapatkan 2688 suara, sedangkan hasil yang diperoleh oleh kandidat lainnya memiliki rataan yaitu 567 suara. Contohnya Kelurahan Tegallega (id 18),
1 Dari metode 1 didapatkan hasil kelurahan yang outlier berdasarkan pendekatan statistika melalui Z-Value yaitu untuk kandidat satu, dua dan empat adalah tiga daerah outlier sedangkan kandidat tiga dan lima adalah empat daerah outlier. 2 Dari metode 2 yang berdasarkan visual langsung dan pembagian kelas berdasarkan metode klasifikasi Equal Interval dan Natural Breaks, didapatkan hasil outlier yang lebih baik adalah menggunakan metode klasifikasi Equal Interval. 3 Dari metode 3 pendeteksian kelurahan yang outlier menggunakan algoritme Naive memiliki kemiripan hasil pada metode 1 dan metode 2, contohnya Kelurahan Kayu Manis yang memiliki hasil yang sama dengan hasil metode 1 dan metode 2 pada kandidat pertama. 4 Hasil poligon yang terdeteksi sebagai outlier menggunakan algoritme Naive memiliki kesamaan dengan hasil yang diamati secara visual melalui klasifikasi Equal Interval dan Natural Breaks, contohnya pada 16
