4 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
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
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 :
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 Z-Value 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.
s
X
X
5 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 %
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.
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 Z-Value
Id Kelurahan Nilai Z
1 Kayu Manis 2,469
14 Sempur 2,027
68 Rancamaya 2,975
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.
Tabel 3 Outlier list kandidat dua berdasarkan Z-Value 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 7 Grafik batang hasil penghitungan suara Kandidat Walikota Bogor ketiga Pada kandidat tiga ini daftar daerah yang outlier dilihat pada Tabel 4.
6 Tabel 4 Outlier list kandidat tiga berdasarkan
Z-Value 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.
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.
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).
• 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).
7 • Natural Breaks
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).
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.
Tabel 7 Outlier list kandidat satu berdasarkan metode klasifikasi Klasisfikasi Id Kelurahan Equal Interval 1 Kayu Manis 14 Sempur 35 Sindangrasa 68 Rancamaya
Natural Breaks 1 Kayu Manis 35 Sindangrasa
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.
Equal Interval (i) Natural Breaks
Kayu Manis
Sempur
Sindangrasa
Rancamaya
8 (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 Equal Interval 15 Babakan 18 Tegallega 62 Muarasari 65 Harjasari Natural Breaks 26 Ciluar 17 Kebon Kelapa 27 Tanah Baru 18 Tegallega 52 Pasir Kuda 34 Tajur Tabel 8 Lanjutan Klasisfikasi Id Kelurahan Natural Breaks 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 (i)
Kayu Manis
Sindangrasa
Babakan
Tegallega
Muarasari
Harjasari
9 Natural Breaks
(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)
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.
Tabel 9 Outlier list kandidat tiga berdasarkan metode klasifikasi Klasisfikasi Id Kelurahan Equal Interval 43 Bubulak 19 Panaragan 13 Pabaton 52 Pasir Kuda 34 Tajur 36 Sindang Sari 65 Harjasari 67 Bojong Kerta Natural Breaks 43 Bubulak 17 Kebon Kelapa 50 Pasir Jaya 51 Pasir Mulya 65 Harjasari 67 Bojong Kerta
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.
Ciluar
Kebon Kelapa
Tanah Baru
Tegallega
Pasir Kuda
Tajur
Sindang Sari
Pamoyanan
Harjasari
10 Equal Interval
(i) Natural Breaks
(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
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 10 Outlier list kandidat empat
berdasarkan metode klasifikasi Klasisfikasi Id Kelurahan Equal Interval 25 Ciparigi 6 Sukaresmi 16 Cibogor Natural Breaks 32 Sukasari 36 Sindangsari
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.
Bubulak
Panaragan
Pabaton
Pasir Kuda
Tajur
Sindang Sari
Harjasari
Bojong Kerta
Bubulak
Kebon Kelapa
Pasir Jaya
Pasir Mulya
Harjasari
Bojong Kerta
11 Equal Interval
(i) Natural Breaks
(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
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 Id Kelurahan Equal Interval 3 Mekarwangi 25 Ciparigi 38 Curug Mekar 36 Sindangsari 68 Rancamaya Natural Breaks 46 Sindang Barang 13 Pabaton 16 Cibogor 29 Cimahpar 65 Harjasari 68 Rancamaya
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
Ciparigi
Sukaresmi
Cibogor
Sukasari
12 (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.
Equal Interval
(i)
Natural Breaks
(ii)
Gambar 14 (i) Pembagian kelas dan visualisasi dengan Equal Interval dan Gambar 14 (ii) Pembagian kelas dan visualisasi dengan
Natural Breaks pada kandidat lima
• 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 poligon- poligon spatial dalam hal ini adalah kelurahan /
Sindang Barang
Pabaton
Cibogor Cimahpar
Harjasari
Rancamaya
Curug Mekar
Ciparigi
Mekarwangi
Sindang Sari
Rancamaya
13 desa di Kota Bogor yang memiliki hak pilih
dalam pemilihan Walikota Bogor tahun 2008 dilihat pada Gambar 15.
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.
Gambar 16 Himpunan daerah/poligon yang diamati.
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.
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 Z-Value 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:
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 1 2 3 4 5 6 7 8 9 Id K el u ra h an 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 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. PL=(XL, YL) PU=(XU, YU) 7 5 2 3 8 9
14 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. 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.
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:
1 Kandidat Satu
Visualisasi kandidat satu ini dilihat pada Gambar 18 terdapat tiga daerah yang outlier. Daftar daerah outlier disajikan ke dalam Tabel 12.
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 2 Kandidat Dua
Visualisasi kandidat dua ini dilihat pada Gambar 19 terdapat tiga daerah yang outlier. Daftar daerah outlier disajikan ke dalam Tabel 13.
Gambar 19 Hasil visualisasi kandidat dua Tabel 13 Outlier list kandidat dua berdasarkan
algoritme Naive Id Kelurahan 18 Tegallega 27 Tanah Baru 65 Harjasari 3 Kandidat Tiga
Visualisasi kandidat tiga ini dilihat pada Gambar 20 dan didapat satu daerah outlier yaitu id 13 (Pabaton).
Gambar 20 Hasil visualisasi kandidat tiga 1 31 45 27 18 65 13
15 4 Kandidat Empat
Pada visualisasi kandidat empat ini dilihat pada Gambar 21 dan didapat satu daerah outlier yaitu id 6 (Sukaresmi).
Gambar 21 Hasil visualisasi kandidat empat
5 Kandidat Lima
Pada visualisasi kandidat lima ini dilihat pada Gambar 22 dan didapat satu daerah outlier adalah id 6 (Sukaresmi).
Gambar 22 Hasil visualisasi kandidat lima
Jika kita bandingkan dengan hasil yang didapat pada metode 1, metode 2 dan metode 3, maka didapat tabel kemiripan hasil outlier pada Tabel 14.
Tabel 14 Kemiripan hasil outlier
Kandidat Id Metode Z- Value EI NB Naive 1 1 14 31 35 45 68 2 15 17 18 26 27 34 36 52 62 64 65 3 6 13 17 19 34 36 43 50 51 52 60 63 65 67 6 6
16 Tabel 14 Lanjutan Kandidat Id Metode Z- Value EI NB Naive 4 2 4 6 16 25 32 36 5 3 6 13 16 25 29 36 38 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),
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 : 1. Kelurahan Tanah Baru (id 27) pada kandidat
dua.
2. Kelurahan Pabaton (id 13) pada kandidat tiga.
3. Kelurahan Sukaresmi (id 6) pada kandidat empat.
4. Kelurahan Rancamaya (id 68) pada kandidat lima.
KESIMPULAN DAN SARAN
Kesimpulan
Berdasarkan penelitian yang dilakukan dalam mendeteksi spatial outlier pada data hasil penghitungan suara PILWALKOT Bogor tahun 2008, maka dapat diambil kesimpulan sebagai berikut :
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
