Penerapan Partition Entropy Index, Partition Coefficient Index dan Xie BeniIndex untuk Penentuan Jumlah Klaster Optimal pada Algoritma Fuzzy C-Means dalam Pemetaan Tingkat Kesejahteraan Penduduk Jawa Tengah
Keywords:
Kemiskinan, Fuzzy C-Means, Cluster Validity Index, Klaster OptimalAbstract
Kemiskinan merupakan salah satu indikator ekonomi untuk melihat
tingkat kesejahteraan penduduk di suatu daerah. Menurut data BPS
pada September 2016, Jawa Tengah tercatat sebagai provinsi dengan
tingkat kemiskinan tertinggi di Jawa. Dalam strategi penanggulangan
kemiskinan dibutuhkan data kemiskinan yang akurat sesuai
karakteristik tingkat kesejahteraan, sehingga pemerintah dapat
menghasilkan kebijakan yang tepat sasaran dan tepat guna. Untuk
pengelompokkan tingkat kesejahteraan kabupaten/kota di Jawa
Tengah diusulkan algoritma Fuzzy C-Means (FCM). FCM memiliki
kelebihan dalam ketepatan penempatan pusat klaster dan sangat stabil
terhadap outlier, namun jumlah klaster dalam FCM harus ditentukan
terlebih dahulu sebelum melakukan penelitian. Untuk penentuan
jumlah klaster optimal pada algoritma FCM, pada penelitian ini
diusulkan Cluster Validity Index (CVI). CVI merupakan sebuah ukuran
validitas untuk menemukan jumlah klaster optimal yang sepenuhnya
dapat menjelaskan struktur data dengan cara mengukur derajat
kekompakan dalam satu klaster dan separasi antar klaster. Pada
penelitian ini diusulkan CVI Partition Entropy Index (PEI), Partition
Coefficient Index (PCI) dan Xie Beni Index (XBI). Hasil penelitian
menunjukkan jumlah klaster optimal berdasarkan CVI adalah dua
klaster. Klaster pertama terdiri dari 22 kabupaten/kota dan klaster
kedua terdiri dari 13 kabupaten/kota.
References
Kemiskinan di Jawa Timur?, Statistika, 1, pp. 27–33.
Bezdek, J. C. (1974) „Numerical Taxonomy with Fuzzy Sets?, Journal of Mathematical Biology,
1, pp. 57–71.
Bezdek, J. C. (1981) Pattern Recognition with Fuzzy Objective Function Algorithms. 1st edn.
Edited by M. Nadler. New York: Springer. doi: DOI 10.1007/978-1-4757-0450-1.
Bezdek, J. C., Ehrlich, R. and Full, W. (1984) „FCM : The Fuzzy C-Means Clustering
Algorithm?, Computer & Geosciences, 10(2), pp. 191–203.
[BPS] (2016) Data dan Informasi Kemiskinan Kabupaten/Kota Tahun 2016. Badan Pusat
Statistik.
[BPS] (2017) Profil Kemiskinan di Indonesia 2016, Berita Resmi Statistik. Badan Pusat
Statistik.
Erilli, N. A. et al. (2011) „Determining the Most Proper Number of Cluster in Fuzzy Clustering
by Using Artificial Neural Networks?, Elsevier, 38, pp. 2248–2252. doi:
10.1016/j.eswa.2010.08.012.
Han, J., Kamber, M. and Pei, J. (2012) Data Mining Concepts and Techniques. Third. Morgan
Kaufmann.
Hudaya, D. (2009) Faktor-Faktor yang Mempengaruhi Tingkat Kemiskinan di Indonesia.
Institut Pertanian Bogor.
Ishartono and Raharjo, S. T. (2015) „Sustainable Development Goals (Sdgs) dan Pengentasan
Kemiskinan?, Social Work Journal, 6, pp. 159–167.
Jajuli, R. (2015) Analisis Faktor-faktor yang Mempengaruhi Kemiskinan di Jawa Tengah
Tahun 1991-2013. Universitas Muhammadiyah Surakarta.
Kolesnikov, A., Trichina, E. and Kauranne, T. (2014) „Estimating the Number of Clusters in a
Numerical Data Set Via Quantization Error Modeling?, Pattern Recognition. Elsevier,
pp. 1–12. doi: 10.1016/j.patcog.2014.09.017.
Mingoti, S. A. and Lima, J. O. (2006) „Comparing SOM Neural Network with Fuzzy C-Means,
K-Means and Traditional Hierarchical Clustering Algorithms?, European Journal of
Operational Research, 174(3), pp. 1742–1759. doi: 10.1016/j.ejor.2005.03.039.
Nidyasofa, N. (2017) „Penerapan Algoritma Fuzzy C-Means untuk Pengelompokan
Kabupaten/Kota di Jawa Tengah Berdasarkan Status Kesejahteraan Tahun 2015?,
URECOL. Magelang, 6, pp. 23–30.
Pal, N. R. and Bezdek, J. C. (1995) „On Cluster Validity for the Fuzzy C-Means Model?, IEEE
Transactions on Information Theory, 3(3), pp. 370–377.
Pimentel, B. A. and de Souza, R. M. C. R. (2016) „Multivariate Fuzzy C-Means Algorithms
with Weighting?, Neurocomputing. Elsevier, 174, pp. 946–965. doi:
10.1016/j.neucom.2015.10.011.
Purnamasari, S. B., Yasin, H. and Wuryandari, T. (2014) „Pemilihan Cluster Optimum pada
Fuzzy C-Means (Studi Kasus: Pengelompokan Kabupaten/Kota di Provinsi Jawa
Tengah berdasarkan Indikator Indeks Pembangunan Manusia)?, Jurnal Gaussian, 3, pp.
491–498.
Rezaee, B. (2010) „A Cluster Validity Index for Fuzzy Clustering?, Fuzzy Sets and Systems.
Elsevier, 161(23), pp. 3014–3025. doi: 10.1016/j.fss.2010.07.005.
Scitovski, R., Vidovi, I. and Bajer, D. (2016) „A New Fast Fuzzy Partitioning Algorithm?,
Expert Systems with Applications. doi: 10.1016/j.eswa.2015.12.034.
Simhachalam, B. and Ganesan, G. (2015) „Performance Comparison of Fuzzy and Non-Fuzzy
Classification Methods?, Egyptian Informatics Journal. Ministry of Higher Education
and Scientific Research. doi: 10.1016/j.eij.2015.10.004.
Sivarathri, S. and Govardhan, A. (2014) „Experiments on Hypothesis “Fuzzy K-Means is Better
than K-Means For Clustering”?, Internatinal Journal of Data Mining & Knowledge
Management Process (IJDKP), 4(5), pp. 21–34. doi: 10.5121/ijdkp.2014.4502.
[TNP2K] „Tim Nasional Percepatan Penanggulangan Kemiskinan.Pengembangan, Pengelolaan,
dan Pemanfaatan Basis Data Terpadu (BDT).2015?.
Wang, W. and Zhang, Y. (2007) „On Fuzzy Cluster Validity Indices?, Fuzzy Sets and Systems,
158, pp. 2095–2117. doi: 10.1016/j.fss.2007.03.004.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2018 Syayidati Mashfuufah, Deden Istiawan
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
