Statistika Terapan (S2)

Permanent URI for this collection

https://repository.unpad.ac.id/handle/kandaga/273

Browse

Browsing Statistika Terapan (S2) by Subject "Analisis Cluster"

Now showing 1 - 3 of 3
  • No Thumbnail Available
    Item
    Hybrid Analysis Menggunakan Metode Fuzzified Particle Swarm Optimization dan K-Harmonic Means Clustering (Pembentukan Sister Village Daerah Sulit di Provinsi Papua dalam Survei Sosial Ekonomi Nasional
    (2018-01-15) STEFANIE INTAN CHRISTIENOVA; Yusep Suparman; Zulhanif
    Kondisi geografis dan sosial-politik suatu daerah di Indonesia dapat menjadi kendala dalam pelaksanaan sensus/survei sehingga mengakibatkan keterlambatan pelaporan hasil kegiatan pendataan, permintaan penggantian sampel, dan non respon untuk daerah-daerah yang sulit diakses. Permintaan penggantian sampel seringkali terjadi pada pelaksanaan survei dengan pendekatan rumah tangga dan sebagian besar berasal dari Provinsi Papua. Oleh sebab itu, pada tahap pengambilan sampel, BPS telah menentukan daerah yang dianggap sulit dan dikeluarkan dari sampling frame. Penentuan daerah sulit dilakukan berdasarkan ketersediaan sarana transportasi, biaya transportasi, dan lama waktu yang diperlukan jika perjalanan ditempuh dengan jalan kaki. Namun, tidak tercakupnya suatu daerah karena dikatakan sulit bisa menyebabkan tidak terwakilinya karakteristik daerah tersebut. Adanya daerah lain yang memiliki kemiripan karakteristik (sister village) dan dapat menggantikan daerah sulit dalam sampel menjadi sesuatu yang penting. Pembentukan sister village sendiri terinspirasi dari konsep pembentukan sister city. Berdasarkan Surat Edaran Menteri Dalam Negeri Nomor:193/1652/PUOD/1993 tertanggal 26 April 1993, pembentukan sister city harus didasarkan pada beberapa kriteria, seperti adanya kesamaan kedudukan atas status administrasi, kesamaan besaran dan fungsi, kesamaan karakteristik, dan kesamaan permasalahan. Analisis Cluster digunakan untuk melakukan pengelompokan daerah bukan sulit agar berada pada cluster yang sama dengan daerah sulit yang memiliki kesamaan karakteristik (sister village). K-Means (KM) merupakan metode clustering non hirarki yang seringkali digunakan karena kesederhanaannya dan kemudahannya untuk diimplementasikan. Akan tetapi, KM memiliki kelemahan pada proses penentuan titik awal pusat cluster yang dilakukan secara acak. K-Harmonic Means (KHM) adalah algoritma clustering yang dapat memecahkan masalah inisialisasi pada algoritma KM, namun KHM masih belum dapat mengatasi masalah lokal optima. Particle Swarm Optimization (PSO) merupakan algoritma stokastik yang dapat digunakan untuk mengatasi permasalahan lokal optima, tapi pencapaian konvergensinya cenderung lambat. Untuk mencapai konvergen yang lebih cepat, PSO akan dikombinasikan dengan logika fuzzy menjadi Fuzzified PSO (FPSO). Oleh sebab itu, penelitian ini menggunakan hybrid analysis hasil integrasi algoritma Fuzzified Particle Swarm Optimization K-Harmonic Means (FPSOKHM) untuk mendapatkan hasil pengelompokan yang lebih baik.
  • No Thumbnail Available
    Item
    Klasterisasi Data Kategorik Menggunakan Metode Artificial Bee Colony dan K-Modes (ABC-KMO) Pembentukan Sister Village Di Kabupaten Sintang Dalam Survei Angkatan Kerja Nasional
    (2021-02-22) EVI OCTAVIANY; Jadi Suprijadi; Irlandia Ginanjar
    BPS sebagai pembina data statistik di Indonesia berperan penting dalam penyediaan statistik berkualitas hingga di tingkat dunia. Data dan informasi statistik yang berkualitas dapat menjadi acuan bagi pengambil kebijakan dalam membuat rancangan, memantau, dan evaluasi hasil, sehingga tujuan dapat dicapai dengan tepat. Data tersebut diperoleh dari sensus atau survei yang dilakukan sendiri dan juga dari departemen atau lembaga pemerintahan lainnya sebagai data sekunder. Penggunaan metode sampling dalam survei memungkinkan terjadinya kesalahan, salah satunya nonsampling error. Salah satu bentuk dari nonsampling error adalah kasus nonrespon. Beberapa faktor yang dapat memengaruhi nonrespon pada pelaksanaan survei di BPS adalah kejadian bencana (banjir, gempa bumi, tanah longsor, dan lain sebagainya), dan lokasi rumah tangga yang sulit dijangkau (daerah sulit). Sebagai upaya dalam mengurangi nonrespon, maka sebelum tahap pencacahan dimulai, BPS melakukan identifikasi desa-desa yang dianggap sulit berdasarkan kriteria tertentu. Apabila tidak memungkinkan untuk melakukan pencacahan pada daerah sulit karena terjadi bencana alam, konflik, atau alasan lainnya, maka daerah tersebut dapat digantikan oleh daerah lain. Pada kasus ekstrim (beberapa wilayah Indonesia Timur), daerah sulit akan langsung dikeluarkan dari sampling frame. Dampak yang ditimbulkan akibat tidak tercakupnya sampel di daerah sulit adalah terkait representasi sampel. Oleh sebab itu, diperlukan adanya solusi untuk menangani permasalahan ini, salah satunya dengan menemukan daerah lain yang tidak dikategorikan sulit namun memiliki kesamaan karakteristik dengan daerah sulit (sister village). Penelitian ini menggunakan sumber data sekunder yang tersedia hingga level desa, yaitu Data Potensi Desa (Podes). K-Modes adalah salah satu metode nonhirarki dalam analisis cluster yang khusus digunakan untuk mengelompokkan data kategorik. Algoritma k-modes umumnya sering digunakan karena cepat dan mudah dalam pembelajarannya, namun memiliki kelemahan yaitu buruknya inisialisasi awal pusat cluster. Kelemahan tersebut membuat algoritma k-modes sulit untuk konvergen pada solusi yang optimal. Artificial Bee Colony (ABC) merupakan salah satu metode metaheuristik yang dapat digunakan untuk membantu k-modes keluar dari permasalahan lokal optimal. Oleh karena itu, pada penelitian ini akan digunakan penggabungan antara metode artificial bee colony dan k-modes (ABC-KMO). Metode ABC digunakan untuk melakukan proses iterasi hingga menemukan hasil yang paling optimal, sedangkan metode k-modes akan melakukan proses pengelompokan.
  • No Thumbnail Available
    Item
    METODE CLUSTER MENGGUNAKAN KOMBINASI ALGORITMA CLUSTER K-PROTOTYPE DAN ALGORITMA GENETIKA UNTUK DATA BERTIPE CAMPURAN (Studi Kasus:Pengelompokan Desa berdasarkan Indikatpor Ketertinggalan Desa)
    (2015-01-18) RANI NOORAENI; Tidak ada Data Dosen; Tidak ada Data Dosen
    Pemerintah dalam menetapkan kebijakannya memerlukan data yang lengkap dan akurat supaya program tepat sasaran. Semakin banyak data yang dikumpulkan maka semakin kompleks tipe data yang dimiliki. Data mining merupakan salah satu metode yang digunakan untuk tipe data ini. Clustering adalah salah metode utama pada data mining yang berguna untuk mengeksplorasi data. Salah satu metode clustering konvensional yaitu algoritma K-Means efisien untuk dataset berukuran besar dan tipe data numerik tapi tidak untuk data kategorikal. Algoritma K-Prototype menghilangkan keterbatasan pada data numerik tapi dapat juga digunakan pada data kategorikal. Namun solusi yang dihasilkan oleh kedua algoritma tersebut merupakan solusi lokal optimal dimana salah satu penyebabnya adalah penentuan inisial center cluster. Untuk menghadapi masalah tersebut maka algoritma genetika menjadi salah satu usulan yang dapat digunakan untuk mengoptimalkan hasil pengclusteran dengan K-Prototype Hasil dari penelitian menunjukkan optimasi pusat cluster dengan algoritma genetika berhasil meningkatkan akurasi hasil cluster dengan K-Prototype.