Pemetaan Prioritas Berbasis Penggalian Data Multidimensi Menggunakan WEBSOM (Priority Mapping Based on Multi-dimensional Data Mining Using WEBSOM)

(1)

Pemetaan Prioritas

Berbasis Penggalian

Data Multidimensi

Menggunakan

WEBSOM

(Priority Mapping Based on

Multi-dimensional Data Mining

Using WEBSOM)

(2)

Latar Belakang Masalah

• Pembuatan berbagai laporan pemerintah

daerah

Æ

kerja

tidak efisien

.

• Kelemahan pimpinan eksekutif (kepala

daerah) dalam memformulasikan kebijakan

karena kurangnya

referensi global

Æ

sistem

pendukung keputusan

.

• Konsep Pengembangan Inovasi Sektor

Publik

Æ

Resource-Based

dengan

pengetahuan

.

• WebSOM

Æ

algoritma SOM

Æ

data ruang

dimensi tinggi

Æ

vektor 1 dimensi atau 2

dimensi

(3)

Rancangan Model Sistem

Anggota Tim Penyusun: • BAPPEDA

• Sekretariat Daerah:

- Bagian Tata Pemerintahan - Bagian Humas - Bagian Organisasi Laporan Seluruh SKPD: Dinas/Badan/Kantor/Kecamatan Laporan Pemda: LAKIP, LKPJ, LPPD dan ILPPD Referensi Global Pendukung Keputusan

(Kepala Daerah dan Bahan Quesioner)

PB Penggalian Data Multidimensi

(4)

Tujuan Penelitian

• Mengembangkan suatu

penggalian data

multidimensi

yang dapat membantu pemerintah

dan masyarakat untuk menentukan prioritas

data dasar pembangunan daerah yang sesuai

dengan

kriteria utama tujuan bidangnya

.

• Menerapkan

metode WEB Self Organizing Map

(WEBSOM)

sebagai

salah satu metode

pendukung pengambilan keputusan

multidimensi

dengan membuat rancangan

sistemnya.

(5)

KOMPONEN DSS

• Secara alami informasi

memuat berbagai hal

(

raw

data

)

yang berasal dari

berbagai

sumber yang

terpisah-pisah

dan berada

dalam berbagai macam

format

yang berbeda-beda

.

• Disatu sisi, eksekutif

membutuhkan aplikasi yang

sifatnya

sudah jadi

(sudah

diolah sesuai kebutuhan),

akurat, mudah didapat secara

cepat dan siap pakai.

(6)

(7)

Hubungan Data Mining dengan

ilmu lainnya

(8)

Indikator Pemerataan Pendidikan

sesuai UU No. 20 Tahun 2003

• APK (Angka Partisipasi Kasar), dengan rumus:

APK = Jumlah murid di tingkat pendidikan tertentu x 100 % Jumlah penduduk usia sekolah

• APM (Angka Partisipasi Murni), dengan rumus:

APM = Jumlah murid usia kelompok di tingkat pendidikan tertentu x 100% Jumlah penduduk kelompok usia sekolah

• Rasio Guru-Murid, dengan rumus:

Rasio Guru-Murid = Jumlah Guru di tingkat pendidikan tertentu Jumlah Murid di tingkat pendidikan tertentu

• Rasio Kelas-Murid, dengan rumus:

Rasio Kelas-Murid = Jumlah Ruang Kelas di tingkat pendidikan tertentu Jumlah Murid di tingkat pendidikan tertentu

• Rasio Sekolah-Murid, dengan rumus:

Rasio Sekolah-Murid = Jumlah Sekolah di tingkat pendidikan tertentu Jumlah Murid di tingkat pendidikan tertentu

• Angka Shift, dengan rumus:

Angka Shift = Jumlah Ruang Kelas di tingkat pendidikan tertentu

(9)

(10)

(11)

Hubungan nilai variabel indikator dan faktor pengaruh kebijakan

No. Nama Variabel Kondisi Dampak Faktor Pengaruh

Tinggi Baik Partisipasi pendidikan masyarakat meningkat.

Rendah Buruk

Angka partisipasi pendidikan rendah, tingkat partisipasi masyarakat untuk menyekolahkan anaknya pada pendidikan dasar / lanjut kurang baik.

Tinggi Baik Partisipasi pendidikan masyarakat meningkat.

Rendah Buruk

Angka partisipasi pendidikan rendah, tingkat partisipasi masyarakat untuk menyekolahkan anaknya pada pendidikan dasar / lanjut kurang baik..

Rendah Buruk Beban kerja / tingkat kesulitan guru meningkat,

murid tidak mendapat perhatian penuh.

Tinggi Baik Beban kerja / tingkat kesulitan guru menurun,

murid mendapat perhatian penuh.

Rendah Buruk Kelas padat siswa sulit konsentrasi belajar.

Tinggi Baik Kelas kurang padat siswa mudah konsentrasi

belajar.

Rendah Buruk Daya tampung untuk murid yang bersekolah

banyak

Tinggi Baik Daya tampung untuk murid yang bersekolah

sedikit.

Rendah Buruk Penyelenggaraan belajar mengajar tidak bisa

dalam waktu yang bersamaan

Tinggi Baik Penyelenggaraan belajar mengajar bisa dalam

waktu yang bersamaan.

6. Angka Shift

(Rasio Rombongan Belajar - Kelas)

5. Rasio Sekolah-Murid

4. Rasio Kelas-Murid

3. Rasio Guru-Murid

2. APM

(12)

Klasifikasi variabel indikator pemerataan pendidikan

Kondisi Nilai Variabel dan Dampak

Perbedaan

Variasi Warna Kategori Variabel Indikator yang berlaku

Sedang Ada Beda

Cukup Kurang

Tidak Ada Beda Kurang

Sedang Ada Beda

Cukup baik

Tidak Ada Beda Baik

Sedang Ada Beda

Cukup Baik

Tidak Ada Beda Baik

Sedang Ada Beda

Cukup Kurang

Tidak Ada Beda Kurang

Rendah-Buruk Rasio Guru-Murid Rasio Kelas-Murid Rasio Sekolah-Murid Angka Shift Tinggi-Baik Rasio Guru-Murid Rasio Kelas-Murid Rasio Sekolah-Murid Angka Shift Tinggi-Baik APK APM Rendah-Buruk APK APM

(13)

Arsitektur Dasar Metode WebSOM

(14)

Perbedaan View Level WEBSOM

(15)

Contoh Kategori Kata

(16)

Hasil Pencarian Content

(17)

Model Jaringan SOM

& Skema Sistem Keseluruhan

Normalisasi Data Input SOM Map Batch Training Classification Output Map Labelling Map Visualization Klasifikasi Klasterisasi

Profil Data Pendidikan _{Data Storage} Prapemrosesan Data

Proses Kalsterisasi dan Proses Klasifikasi

Output klasifikasi

Sedang Cukup Kurang

(18)

(19)

(20)

(21)

Normalisasi Data

Metoda Softmax

(

)

(

i i i scale

X

std

X

mean

X

=

−

X

new X_scale

exp

1

1 +

=

(22)

Grafik Data Input & Normalisasi SD

A luh A luh Ga m b u t S ung ai T abuk M ar ta pur a T im ur As ta m b u l Ar a n io Pa ra m a s a n S am bung M ak m ur Si m p a n g Em p a t X1 X2 X3 X4 X5 X6 0.00 20.00 40.00 60.00 80.00 100.00 120.00 140.00 160.00 S k a la N ila i V a ria b e l In d ik a to r S D Kecamatan Variabel Indikator SD X1 X2 X3 X4 X5 X6 Al u h A lu h G am but S ungai T abuk M ar tapur a T im u r A s tam bul Ar a n io Pa ra m a s a n S am bung M ak m ur S im pang E m pat X7 X8 X9 X1 0 X1 1 X1 2 0 50 100 150 200 250 300 S k a la N ila i V a ria b e l In d ik a to r Kecamatan Variabel Indikator X7 X8 X9 X10 X11 X12

(23)

Grafik Data Input & Normalisasi SLTP

A luh A luh G a m but S ung ai T abuk M ar tapur a T im ur As ta m b u l Ar a n io Pa ra m a s a n S am bu ng M ak m ur S im p ang E m pa t X7 X8 X9 X1 0 X1 1 X1 2 0 50 100 150 200 250 300 S kal a N il ai V ar iab el I n d ikat o r Kecamatan Variabel Indikator X7 X8 X9 X10 X11 X12 A luh A luh G am but S u ngai T ab uk M ar tap ur a T im u r A s tam bul Ar a n io Pa ra m a s a n S am bun g M ak m ur S im pang E m p at _X7 X8 X9 X1 0 X1 1 X1 2 0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00 S kal a N il ai V ar iab el I n d ika to r

Kecamatan Variabel Indikator

X7 X8 X9 X10 X11 X12

(24)

Grafik Data Input & Normalisasi SLTA

A luh A luh G a m but S ung ai T a buk M ar tapur a T im ur As ta m b u l A rani o Pa ra m a s a n S a m b ung M ak m ur S im pan g E m pat _X1 3 X1 4 X1 5 X1 6 X1 7 X1 8 0.00 10.00 20.00 30.00 40.00 50.00 60.00 70.00 80.00 90.00 S kal a N il a i V a ri ab el I n d ika to r

X13 X14 X15 X16 X17 X18 A luh A luh G am but S un gai T abuk M ar tapur a T im ur A s tam bul Ar a n io Pa ra m a s a n S am bung M ak m ur S im pang E m pa t X1 3 X1 4 X1 5 X1 6 X1 7 X1 8 0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 S kal a N il ai V ar iab el I n d ikat o r

X13 X14 X15 X16 X17 X18

(25)

Algoritma SOM

1. Inisialisasi bobot secara random, menentukan nilai maksimum untuk radius dan pembelajaran α.

2. Kondisi akan berhenti jika bernilai false, jika tidak lakukan langkah 3 sampai 9.

3. Setiap input vektor X, lakukan langkah 4 sampai 6. 4. Untuk setiap keluaran, hitung jarak Euclidean dengan

rumus:

5. Tentukan indeks j untuk D(j) yang paling kecil.

6. Perbaharui bobot untuk semua neighbourhood j dari semua input, dengan rumus:

7. Perbaharui nilai pembelajaran α. Nilai didapat dengan fungsi perkalian nilai learning rate terhadap nilai

pengurangan learning rate.

8. Mengurangi radius neighbourhood (R) pada waktu-waktu tertentu.

9. Kondisi berhenti terpenuhi jika nilai α terkecil

(mendekati nol) yang diinginkan telah terpenuhi. Jika nilai α menjadi sangat kecil maka pembacaan bobot juga akan sangat kecil sehingga proses training dapat dihentikan. Mulai Initialisasi α, R, Y, Wij Inputkan Xi Untuk i = 1, 2,3,..n. Hitung D (j) D(j) terkecil

Pilih indeks untuk D(j) terkecil

Hitung Bobot Wij

Update α Berhenti Selesai Reduce R ( )2 1 ) ( =∑n₌ − i Wij Xi j D ( ( )) * ) ( ) ( )

(new W old t X W old Wij = ij +α i − ij rate learning penurunan nilai t) (0)* _ _ _ ( α α =

(26)

Peta U-matrik Jenjang SD

SOM TingkatSD U-matrix 0.0626 0.174 0.286 SOM TingkatSD U-matrix 0.0626 0.174 0.286 0.0626 0.174 0.286 0.0626 0.174 0.286 0.0626 0.174

(27)

Peta U-matrik Variabel X

₁

- X

₆

U-matrix 0.0626 0.174 0.286 X1 d 101 116 132 X2 d 82.9 91.1 98 X3 d 0.0508 0.0672 0.0825 X4 d 0.0477 0.0528 0.058 X5 d 0.00806 0.00905 0.01 SOM TingkatSD X6 d 0.835 0.924 1.01

(28)

Peta U-matrik Jenjang SLTP

U-matrix 0.0451 0.182 0.319 SOM TingkatSLTP SOM TingkatSLTP U-matrix 0.0451 0.182 0.319 0.0451 0.182 0.319

(29)

Peta U-matrik Variabel X

₇

- X

₁₂

U-matrix 0.0451 0.182 0.319 X7 d 42.8 73 99.2 X8 d 29 55.4 79.3 X9 d 0.0716 0.173 0.293 X10 d 0.0202 0.0454 0.0738 X11 d 0.00168 0.0109 0.0213 X12 d 0.683 0.959 1.22 SOM TingkatSLTP

(30)

Peta U-matrik Jenjang SLTA

SOM TingkatSLTA

U-matrix 0.0376 0.275 0.513 U-matrix 0.0376 0.275 0.513 0.0376 0.275 0.513 0.0376 0.275 0.513 0.0376

(31)

Peta U-matrik Variabel X

₁₃

-X

₁₈

U-matrix 0.0376 0.275 0.513 X13 d 2.4 35.1 79.5 X14 d 1.52 27.3 62.1 X15 d 0.00589 0.13 0.265 X16 d 0.00172 0.0288 0.0566 X17 d 7.14e-005 0.00779 0.0165 X18 d 0.0524 0.639 1.16

(32)

Representasi warna untuk tingkatan nilai

indikator pemerataan pendidikan

Warna Tingkat nilai indikator Symbol Gambar

Biru Kurang Kr

Cyan Cukup Kurang Ck

Hijau Sedang Sd

Kuning Cukup Baik Cb

(33)

(34)

(35)

(36)

(37)

(38)

(39)

Kesimpulan

• Pemetaan Prioritas Perencanaan Pembangunan dapat dilakukan dengan menggunakan metode yang telah dikerjakan pada penelitian ini.

• Dengan melihat gambar peta u-matrik dan proyeksi pie chart pada peta serta grafik PC Projection, dapat dilihat distribusi penyebaran data input pada neuron peta jaringan SOM. Grafik piechart juga menunjukkan komposisi jumlah kecamatan yang tergabung pada satu neuron dengan kecamatan lain.

• Dari penelitian yang telah dilakukan didapatkan hasil untuk masing-masing tingkatan adalah sebagai berikut:

– Tingkatan SD/Sederajat terdiri dari 3 kecamatan di tingkatan kurang, 8 cukup kurang, 3 sedang, 2 kecamatan cukup baik, dan 1 baik.

– Tingkatan indikator pemerataan pendidikan jenjang SLTP/Sederajat terdiri dari 5 kecamatan di tingkatan kurang, 5 cukup kurang, 1 sedang, 5 cukup baik, dan 1 baik.

– Tingkatan indikator pemerataan pendidikan jenjang SLTA/Sederajat terdiri dari 3 kecamatan di tingkatan kurang, 9 cukup kurang, 1 sedang, 3 cukup baik, dan 1 baik.

(40)

(41)