VISUALISASI AREA ANTAR PEDUKUHAN HASIL CLUSTERING PENDUDUK MISKIN MENGGUNAKAN FUZZY C-MEANS
DOI:
https://doi.org/10.3415/jurtek.v13i1.2951Keywords:
clustering, fuzzy c-means, kemiskinan, visualisasiAbstract
Visualisasi dari suatu informasi menjadi salah satu hal yang lebih sering diminati daripada informasi berupa teks. Salah satu kelebihan dari proses visualisasi adalah lebih mudahnya informasi dibaca. Kemiskinan dari dahulu sampai sekarang selalu menjadi masalah yang diperhatikan oleh daerah-daerah. Berbagai bantuan sudah diadakan dengan harapan dapat terdistribusi dengan tepat sesuai sasaran. Penentuan keluarga yang dianggap miskin pada bidang tertentu masih susah dilakukan, sebagian besar hanya dilihat dari beberapa aspek penting saja misalnya penghasilan per bulan ataupun jenis pekerjaan. Jumlah penduduk miskin di DIY menurut Badan Pusat Statistik tahun 2019 mencapai 440,89 ribu jiwa. Angka ini mengalami penurunan dari tahun sebelumnya yaitu sebanyak 440,89 ribu jiwa. Sedangkan di Kabupaten Bantul, jumlah penduduk miskin tahun 2018 sebanyak 134,84 ribu jiwa dan tahun 2019 sebanyak 131,15 ribu jiwa. Penduduk di wilayah Kecamatan Bantul disebut sebagai keluarga miskin berdasarkan aspek pangan, sandang, papan, penghasilan, kesehatan, pendidikan, kekayaan, air bersih, listrik maupun jumlah jiwa. Penelitian ini dapat memvisualisasikan penduduk sesuai hasil clustering berdasarkan area pedukuhan. Clustering dilakukan dengan metode Fuzzy C-Means. Dari 23, 500, 1000 dan 1313 jumlah data uji yang digunakan, hasil pengujian menggunakan validity index xie beni menunjukkan jumlah cluster optimal untuk clustering penduduk miskin sebanyak 4 cluster dengan nilai Xie Beni sebesar 0,1704. Visualisasi dapat menunjukkan suatu pedukuhan paling banyak terdapat penduduk miskin berdasarkan kriteria tertentu.
Downloads
References
Astuti, F., D.. 2016. Implementasi Fuzzy C-Means untuk Clustering Penduduk Miskin (Studi Kasus : Kecamatan Bantul). TEKNOMATIKA. ISSN : 1979-7656. Hlm. 59-70.
Badan Pusat Statistik, https://www.bps.go.id/ dynamictable/2017/08/03/1260/jumlah-penduduk-miskin-menurut-kabupaten-kota-2015---2019.html .[Accessed: 2-Mei-2020].
Bezdek dan James. 1981. Pattern Recognition with Fuzzy Objective Function Algorithm. New York : Plenum Press.
Ernawati, N. 2012. Pemetaan Potensi Penduduk Miskin Kab. Bantul Yogyakarta. Jurnal Bumi Indonesia. Volume 1 Nomor 3. hlm. 477-481.
Febianto, N., I., Palasara, N., D. 2019. Analisis Clustering K-Means pada Data Informasi Kemiskinan di Jawa Barat Tahun 2018. Jurnal SISFOKOM. Vol. 8.. No. 2. ISSN : 2301-7988. E-ISSN:2581-0588. hlm. 130-140.
Purnami, Y., S., Machmud B., Subroto, M., I. 2015. Analisis Cluster Hirarki dan Pemetaan Kemiskinan Daerah Istimewa Yogyakarta Tahun 2015. Seminar Nasional Pendidikan Matematika Ahmad Dahlan. ISBN 978-979-3812-46-5. hlm. 279-285.
Prahasta, Eddy, Sistem Informasi Geografis. 2002. Konsep-Konsep Dasar Informasi Goegrafis. Bandung : Informatika Bandung.
Redjeki, S., Guntara, M., Anggoro, P. 2014. Perancangan Sistem Identifikasi dan Pemetaan Potensi Kemiskinan untuk Optimalisasi Program Kemiskinan. Jurnal Sistem Informasi (JSI). Vol. 6. No.2. ISSN print : 2085-1588. ISSN online : 2355-4614. hlm. 731-743.
Supriyanto, A., Winarno, E., Utomo, A., P. 2011. SIM Kemiskinan Sebagai Dasar Informasi Geografis Untuk Pemetaan prioritas Pengentasan Kemiskinan di Kabupaten Banjarnegara. IJCCS. Vol. 5. No. 3. hlm. 45-51.
Todaro, Michael P. dan Stephen C. Smith. 2006. Pembangunan Ekonomi Edisi Kesembilan, Jakarta : Erlangga.
Wang L. 1997. A Course in Fuzzy Systems and Control America : Prentice –Hall International.
Wang, X. 2004. Yadong Wang, dan Lijuan Wang, Improving Fuzzy C-Means Clustering Based On Feature-Weight Learning. Science Direct. 1123–1132.
Yuniarto, D., Helmiawan M., A., Sofiyan Y., Y. 2019. Kesiapan Visualisasi Data Kemiskinan Sebagai Rujukan dalam Perencanaan Pengembangan Kebijakan. Jurnal ilmu-ilmu Informatika dan Manajemen. vol.13. No. 1 hlm. 19-25.
