BAB IV
PEMBAHASAN
Pada bab ini akan diberikan beberapa penjelasan mengenai
pengelompokkan kecamatan berdasarkan indikator pemerataan pendidikan dengan
menggunakan metode jaringan saraf Kohonen Self Organizing Maps (SOM).
4.1 Proses Pengambilan Data
Data yang digunakan dalam penulisan skripsi ini yaitu 27 kecamatan
dengan 5 indikator pemerataan pendidikan diantaranya Angka Partisipasi Kasar
(APK) tingkat SMP/sederajat dan tingkat SMA/sederajat, Angka Partisipasi
Murni (APM) tingkat SD/sederajat, dan Angka Melanjutkan (AM) tingkat
SD/sederajat dan tingkat SMP/sederajat yang diperoleh dari Dinas Pendidikan
Kabupaten Lamongan tahun 2009. Data digunakan untuk melakukan pelatihan
dan pengujian menggunakan metode Kohonen SOM. Data tersebut dapat dilihat
pada Lampiran 2.
4.2 Prosedur Jaringan Saraf Tiruan Kohonen SOM
Pada metode Kohonen SOM terdapat 2 tahap yaitu pelatihan (training)
dan pengujian (testing) data. Pelatihan bertujuan untuk memperoleh bobot optimal
yang nantinya akan digunakan sebagai inisialisasi bobot pada tahap kedua yaitu
pengujian.
Jaringan saraf tiruan yang meliputi proses pelatihan dan pengujian data
dengan metode Kohonen SOM secara umum akan dijelaskan pada bagian berikut.
a. Prosedur Pelatihan Data Menggunakan Metode Kohonen SOM
Pada proses pelatihan dilakukan update bobot hingga dicapai bobot
optimal. Update bobot dilakukan dengan mengubah parameter awal yaitu laju
pembelajaran (
), penurunan laju pembelajaran (
), iterasi maksimum (maxepoh),
serta jumlah kelompok (K). Prosedur pelatihan dapat dilihat pada Gambar 4.1.
Prosedur Pelatihan Data Menggunakan Metode Kohonen SOM
{
Input set training (); Inisialisasi bobot (); Input parameter ();
for epoh = 1 to maxepoh
for data = 1 to jmlh_data
for kelompok = 1 to jmlh_kel
Pencarian jarak minimum antara bobot dengan data ();
Pembaharuan bobot();
If (stopping condition);
Epoh = maxepoh
End if
Penurunan laju pembelajaran();
Next data Next epoh
}
b. Prosedur Pengujian Data Menggunakan Metode Kohonen SOM
Proses pengujian digunakan untuk menentukan apakah pengelompokan
yang diperoleh dari proses pelatihan sudah optimum atau belum. Pengelompokan
dikatakan optimum jika pada tahap pengujian telah memiliki nilai Indeks Dunn
maksimum. Prosedur pengujian dapat dilihat pada Gambar 4.2.
Prosedur Pengujian Data Menggunakan Metode Kohonen SOM
input set testing;
inisialisasi bobot dari training data; input parameter;
pencarian jarak minimum antara bobot dengan data; IndeksDunn;
kelompok terbaik;
Gambar 4.2 Prosedur Pengujian
4.2.1 Prosedur Input Pelatihan
Berdasarkan prosedur pelatihan diatas dapat dijelaskan bahwa dilakukan
inputan yang digunakan dan proses yang akan dijalankan. Inputan yang digunakan
adalah sebagai berikut : jmlh_kec adalah jumlah kecamatan yang ada di kabupaten
Lamongan, jmlh_ind adalah jumlah indikator pemerataan pendidikan, jmlh_kel
adalah jumlah kelompok, laju pembelajaran dan penurunan laju pembelajaran
merupakan inisialisasi parameter untuk meng-update bobot selama pelatihan dan
maxepoh adalah iterasi maksimum. Selanjutnya dilakukan proses terhadap inputan
Prosedur Input Pelatihan
{
jmlh_kec=jumlah kecamatan; //jumlah kecamatan
jmlh_ind=jumlah indikator; //jumlah indikator
=alpha //alpha
a=dec alpha //penurunan alpha
maxepoh=iterasi maksimum; //batas iterasi
for i=1 to jmlh_ind
for p=1 to jmlh_kec
X(p,i); //input
next p next i
}
Gambar 4.3 Prosedur Input Pelatihan
4.2.2 Inisialisasi Bobot
Pada prosedur ini akan ditentukan nilai dari masing-masing bobot W[i][j] .
Bobot W[i][j]
adalah bobot antara indikator ke-i dan kelompok ke-j yang diambil
dari nilai random [0,1]. Prosedur inisialisasi bobot dapat dilihat pada Gambar 4.4.
Prosedur inisialisasi bobot ()
{ for(i=1;i<=jmlh_ind;i++) for(j=1;j<=jmlh_kel;j++) W[i][j]=bil_random(); next j next i }
4.2.3 Pencarian Jarak Minimum
Pada proses pencarian jarak minimum, setiap bobot W[i][j] dikurangi unit
X
[p][i]. Dengan menggunakan rumusD(p,j) =
dicari jarak
antara bobot dengan data input, setelah itu mencari jarak minimum dari jarak
tersebut. Keseluruhan proses pencarian jarak minimum tersebut dapat dilihat pada
Gambar 4.5.
Prosedur pencarian jarak minimum()
{ for(p=1;p<=jmlh_kec;p++) for(j=1;j<=jmlh_kel;j++) for(i=1;i<=jmlh_ind;i++) D(p,j) = (W[i][j]-X[p][i])^2; J=D(p,j) If (jarak minimum); J=minimum End if next i next j next p }
Gambar 4.5 Prosedur Pencarian Jarak Minimum
4.2.4 Pembaharuan (Update) Bobot
Proses update bobot merupakan lanjutan dari proses pencarian jarak
minimum. Setelah menemukan jarak minimum, selanjutnya meng-update bobot
lama menjadi bobot baru dengan menggunakan rumus
w
iJ(new) = w
iJ(old) +
α[x
pi– w
iJ(old)].
Prosedur pembaharuan (update) bobot dapat dilihat pada
Gambar 4.6.
Prosedur Pembaharuan (update) bobot { for(i=1;i<=to jmlh_ind;i++) for(j=1;j<=jmlh_kel;j++) for(p=1;p<=jmlh_kec;p++) W_new[i][j]=W[i][j]+Alpha(X[p][i]-W[i][j]); W[i][j]=W_new[i][j]; next j next i }
Gambar 4.6 Prosedur Update Bobot
4.2.5 Prosedur Indeks Dunn
Pada prosedur nilai Indeks Dunn akan dihitung perbandingan antara jarak
dua obyek beda kelompok dengan jarak maksimum dua obyek dalam satu
kelompok dengan rumus IDN =
setelah itu dicari
kelompok yang memiliki nilai Indeks Dunn maksimum sehingga diperoleh jumlah
kelompok optimum. Prosedur Indeks Dunn dapat dilihat pada Gambar 4.7.
Proses Indeks Dunn
{
dpj=jarak antar kelompok
dj=jarak maksimum dalam kelompok jml_kel=jumlah kelompok for j=1 to jml_kel for p=1 to jml_kel IDN=min(dpj/dj) next p next j }
![Tabel 4.1 : Bobot awal bilangan random [0,1]](https://thumb-ap.123doks.com/thumbv2/123dok/2001393.3519795/8.893.234.663.295.834/tabel-bobot-awal-bilangan-random.webp)
