Pemetaan Tingkat Kemiskinan di Provinsi Jawa Tengah Berdasarkan Kabupaten/Kota dengan Metode K-Medoids

(1)

Pemetaan Tingkat Kemiskinan di Provinsi Jawa Tengah Berdasarkan Kabupaten/Kota dengan Metode K-Medoids

Fitriani Dwi Ratna Sari^1,*, Sotya Partiwi Ediwijojo²

1 Program StudiTeknik Elektronika, Politeknik Dharma Patria, Kebumen, Jawa Tengah, Indonesia

2 Program StudiAkuntansi, Politeknik Dharma Patria, Kebumen, Jawa Tengah, Indonesia Email: ^1,*[email protected], ²[email protected]

Email Penulis Korespondensi: [email protected]

Abstrak−Kemiskinan menggambarkan kondisi ketiadaan kepemilikan dan rendahnya pendapatan, atau secara lebih rinci menggambarkan suatu kondisi tidak dapat terpenuhinya kebutuhan dasar manusia, yaitu pangan, papan, dan sandang. Dalam sepuluh tahun terakhir, kinerja penanggulangan kemiskinan Jawa Tengah mengalami pasang surut dengan kemiskinan perdesaan masih mendominasi. Tujuan dari penelitian adalah melakukan analisis pemetaan berupa klaster terhadap jumlah tingkat kemiskinan di kabupaten atau kota yang ada di provinsi Jawa Tengah dengan menggunakan teknik kecerdasan buatan (artificial intelligence). Mengingat bahwa Jawa Tengah merupakan provinsi terpadat ke tiga setelah Jawa Barat dan Jawa Timur. Hal ini perlu dilakukan dalam rangka memperoleh gambaran secara makro tingkat kemiskinan selama beberapa tahun terakhir melalui pemetaan wilayah. Dataset yang digunakan bersumber dari website Badan Pusat Statistik (BPS) Provinsi Jawa Tengah pada subjek jumlah penduduk miskin (ribu jiwa) tahun 2017-2019. Solusi yang diberikan dalam melakukan pemetaan berupa klaster adalah metode K-Medoids yang merupakan bagian dari data mining klastering. Jumlah klaster yang digunakan yakni klaster tinggi dan rendah pada pemetaan jumlah tingkat kemiskinan. Proses analisis pemetaan menggunakan bantuan software RapidMiner. Hasil penelitian menyebutkan bahwa 6 provinsi (17%) berada pada klaster tinggi dan 29 provinsi (83%) berada pada klaster rendah. Nilai centroid akhir untuk setiap klaster yakni {293.2, 309.2, 343.5} pada klaster tinggi (cluster_1) dan {18.6, 19.4, 20.1} pada klaster rendah (cluster_1). Hasil pemetaan dapat menjadi informasi yang bermanfaat untuk melakukan penanggulangan masyarakat miskin dimana klaster tinggi (cluster_1) menjadi hal yang prioritas bagi pemerintah di provinsi jawa tengah yakni Kabupaten Cilacap, Kabupaten Banyumas, Kabupaten Kebumen, Kabupaten Grobogan, Kabupaten Pemalang, Kabupaten Brebes.

Kata Kunci: Pengelompokkan; Pemetaan; Kemiskinan; Jawa Tengah; Kabupaten/Kota; K-Medoids.

Abstract−Poverty describes a condition of lack of ownership and low income, or in more detail describes a condition that basic human needs cannot be fulfilled, namely food, shelter, and clothing. In the last ten years, Central Java's poverty reduction performance has had its ups and downs, with rural poverty still dominating. The purpose of this research is to conduct a mapping analysis in the form of clusters on the number of poverty levels in districts or cities in the province of Central Java using artificial intelligence techniques. Given that Central Java is the third most populous province after West Java and East Java. This needs to be done in order to obtain a macro picture of the poverty level over the last few years through regional mapping. The dataset used is sourced from the Central Java Statistics Agency (BPS) website on the subject of the number of poor people (thousands of people) in 2017-2019. The solution given in conducting mapping in the form of clusters is the K-Medoids method which is part of clustering data mining. The number of clusters used are high and low clusters in mapping the number of poverty levels. The mapping analysis process uses the help of RapidMiner software. The results showed that 6 provinces (17%) were in the high cluster and 29 provinces (83%) were in the low cluster. The final centroid values for each cluster are {293.2, 309.2, 343.5} in the high cluster (cluster_1) and {18.6, 19.4, 20.1} in the low cluster (cluster_0). The results of the mapping can be useful information for tackling the poor where the high cluster (cluster_1) is a priority for the government in the province of Central Java, namely Cilacap Regency, Banyumas Regency, Kebumen Regency, Grobogan Regency, Pemalang Regency, Brebes Regency.

Keywords: Clustering; Mapping; Poverty; Central Java; Regency/City; K-Medoids.

1. PENDAHULUAN

Kemiskinan merupakan masalah yang kompleks dan fenomenal yang dihadap negara-negara berkembang, khususnya bangsa Indonesia [1]. Kemiskinan merupakan keadaan dimana terjadi kekurangan hal-hal yang biasa untuk dipunyai seperti makanan, pakaian, tempat berlindung dan air minum . Kemiskinan kadang juga berarti tidak adanya akses terhadap pendidikan dan pekerjaan yang mampu mengatasi masalah kemiskinan dan mendapatkan kehormatan yang layak sebagai warga negara [2]. Permasalahan utama dalam upaya pengentasan kemiskinan di Indonesia saat ini terkait dengan adanya fakta bahwa pertumbuhan ekonomi tidak tersebar secara merata di seluruh wilayah. Oleh karena itu salah satu indikator dalam mengatasi masalah kemiskinan adalah dengan meningkatkan pertumbuhan ekonomi, dimana pertumbuhan ekonomi merupakan konsep dari pembangunan ekonomi dan pendapatan nasional [3]. Pada usulan proposal penelitian ini Kemiskinan yang akan dibahas terkhusus di daerah Kabupaten/Kota yang ada di provinsi Jawa Tengah. Sebagaimana diketahui Jawa Tengah merupakan provinsi terpadat ke tiga setelah Jawa Barat dan Jawa Timur. Berdasarkan data Badan Pusat Statistik Indonesia pada Semester 1 tahun 2020, Jawa Tengah merupakan provinsi ke dua di Indonesia yang memiliki jumlah penduduk miskin tertinggi dengan 3.980,90 ribu jiwa setelah Jawa Timur 4.419,10 ribu jiwa [4]. Hal ini sebenarnya masih tergolong wajar karena Jawa Tengah merupakan salah satu Provinsi terpadat dengan jumlah penduduk paling banyak otomatis jumlah penduduk miskinnya juga banyak dan jauh lebih banyak apabila dibandingkan dengan daerah lain, akan tetapi seharusnya tidak lebih tinggi dari provinsi Jawa

(2)

Barat dengan 3920,23 ribu jiwa. Provinsi Jawa Tengah seharusnya mampu menjadi contoh bagi provinsi- provinsi lain di Indonesia, tapi sangat miris karena kenyataannya tingkat Kemiskinan di provinsi ini masih sangat tinggi. Meskipun dalam beberapa dekade terakhir menurut Badan Pusat Statistik (BPS) Provinsi Jawa Tengah, jumlah penduduk miskin menunjukkan penurunan, akan tetapi iklim ekonomi yang tidak menentu di negara Indonesia ditambah dengan masalah covid-19 yang berlarut-larut berpotensi meningkatkan kembali angka kemiskinan tersebut. Diperlukan langkah-langkah strategis agar jumlah penduduk miskin dapat ditekan setiap tahunnya.

Oleh karena itu usulan penelitian ini perlu dilakukan untuk menganalisa tingkat kemiskinan di tiap-tiap Kabupaten/Kota yang ada di provinsi Jawa Tengah berupa pengklusteran daerah-daerah mana saja yang berpotensi meningkat. Tujuan dari usulan penelitian ini untuk mengelompokkan jumlah penduduk miskin berdasarkan Kabupaten/Kota di Jawa Tengah dalam rangka memperoleh gambaran secara makro tingkat kemiskinan selama beberapa tahun terakhir melalui pemetaan wilayah (tinggi, sedang, rendah). Dataset penelitian berupa data jumlah penduduk miskin menurut kabupaten/kota di Provinsi Jawa Tengah tahun 2017 hingga tahun 2019 yang terdiri dari 29 Kabupaten dan 6 Kota yang diperoleh dari Badan Pusat Statistik Jawa Tengah. Usulan penelitian ini menggunakan Algoritma data mining K-Medoids.

Tabel 1. Jumlah Penduduk Miskin (Ribu Jiwa)

No Wilayah Jateng Jumlah Penduduk Miskin (Ribu Jiwa)

2019 2018 2017

1 Kabupaten Cilacap 185.20 193.20 238.30 2 Kabupaten Banyumas 211.60 226.20 283.20 3 Kabupaten Purbalingga 140.10 144.20 171.90 4 Kabupaten Banjarnegara 136.10 141.70 156.80 5 Kabupaten Kebumen 201.30 208.70 233.40

6 Kabupaten Purworejo 82.20 83.50 98.60

7 Kabupaten Wonosobo 131.30 138.30 159.20 8 Kabupaten Magelang 137.40 143.40 157.20

9 Kabupaten Boyolali 93.70 98.20 116.40

10 Kabupaten Klaten 144.10 151.70 165.00

11 Kabupaten Sukoharjo 63.60 65.40 76,70

12 Kabupaten Wonogiri 98.30 102.80 123.00 13 Kabupaten Karanganyar 84.50 87.80 106.80

14 Kabupaten Sragen 113.80 116.40 124.00

15 Kabupaten Grobogan 161.90 168.70 181.00

16 Kabupaten Blora 97.90 102.50 111.90

17 Kabupaten Rembang 95.30 97.40 115.20

18 Kabupaten Pati 119.00 123.90 141.70

19 Kabupaten Kudus 58.00 60.00 64.40

20 Kabupaten Jepara 83.50 86.50 99.00

21 Kabupaten Demak 137.60 144.10 152.60

22 Kabupaten Semarang 73.90 75.70 79.70

23 Kabupaten Temanggung 72.60 75.40 86.80

24 Kabupaten Kendal 91.20 94.70 106.10

25 Kabupaten Batang 64.10 66.10 81.50

26 Kabupaten Pekalongan 87.00 89.50 111.60 27 Kabupaten Pemalang 200.70 208.30 225.00

28 Kabupaten Tegal 109.90 114.10 141.80

29 Kabupaten Brebes 293.20 309.20 343.50

30 Kota Magelang 9.10 9.60 10.60

31 Kota Surakarta 45.20 47.00 54.90

32 Kota Salatiga 9.20 9.20 9.60

33 Kota Semarang 72.00 73.60 80.90

34 Kota Pekalongan 20.20 20.50 22.50

35 Kota Tegal 18.60 19.40 20.10

Sumber: Badan Pusat Statistik Provinsi Jawa Tengah [6]

Berikut beberapa penelitian yang menjadi acuan terutama klastering K-Medoids dalam menyelesaikan masalah seperti yang dilakukan (Windarto et al., 2020) [6] tentang kombinasi metode klastering dan klasifikasi pada Pandemi Covid-19 di Indonesia. Tujuan dari penelitian untuk mengkombinasi metode klastering dan klasifikasi yang merupakan bagian dari data mining. Metode klastering yang digunakan adalah K-Medoids.

Kasus yang diangkat adalah Pandemi Covid-19 di Indonesia. Hasil penelitian menyebutkan bahwa K-Medoids dapat diterapkan dengan hasil pemetaan diperoleh 9 provinsi berada di klaster tinggi (C1= zona merah), 3

(3)

Berikutnya penelitian (Rahman et al., 2020) [7] tentang ekspor bahan mentah minyak bumi ke negara tujuan.

Tujuan dari penelitian adalah untuk menganalisis dan mengimplementasikan teknik data mining dalam ekspor bahan mentah minyak bumi ke negara tujuan dengan menggunakan metode K-Medoids. Hasil penelitian menyatakan K-Medoids dapat diterapkan dengan hasil klaster tinggi (C1) terdiri dari 3 negara (Jepang, Thailand dan Amerika Serikat) dan klaster rendah (C2) terdiri dari 6 negara (Korea Selatan, Taiwan, China, Singapura, Malaysia dan Singapura). Selanjutnya penelitian (Wira et al., 2019) [8] tentang clustering untuk mengetahui pola pemilihan program studi mahasiwa baru tahun 2018 di universitas kanjuruhan malang. Tujuan dari penelitian adalah untuk mengetahui pola pemilihan program studi mahasiwa baru dengan menggunakan metode K- Medoids. Penerapan metode K-Medoids dapat dilakukan dengan hasil penelitian bahwa mahasiswa baru yang berasal dari SMA/SMK dengan nilai ujian diatas 70 mengambil jurusan TI, sedangkan mahasiswa baru yang berasal dari SMK dengan nilai ujian dibawah 70 dan SMA dengan nilai ujian dibawah 50 mengambil jurusan SI, dan sisanya mengambil jurusan NON TI/SI. Berdasarkan hal tersebut hal ini perlu dilakukan untuk memperoleh gambaran secara makro tingkat kemiskinan selama beberapa tahun terakhir melalui pemetaan wilayah (tinggi, sedang, rendah). Sehingga dapat dilakukan tindakan lebih lanjut.

2. METODOLOGI PENELITIAN

2.1 Penelitian Terdahulu

Penelitian mengenai metode klustering K-Medoids telah beberapa kali dilakukan sebelumnya. Berikut adalah daftar penelitian yang menjadi acuan terutama klustering K-Medoids dalam menyelesaikan masalah, seperti yang disajikan pada tabel 2 berikut:

Tabel 2. Penelitian yang dijadikan rujukan

No. Peneliti Metode Deskripsi

1 (Windarto et

al., 2020) K-Medoids

Tujuan dari penelitian untuk mengkombinasi metode klastering dan klasifikasi yang merupakan bagian dari data mining. Metode klastering yang digunakan adalah K-Medoids. Kasus yang diangkat adalah Pandemi Covid-19 di Indonesia. Hasil penelitian menyebutkan bahwa K-Medoids dapat diterapkan dengan hasil pemetaan diperoleh 9 provinsi berada di klaster tinggi (C1= zona merah), 3 provinsi berada di klaster waspada (C2= zona kuning) dan 22 provinsi berada di klaster rendah (C3= zona hijau).

2 (Rahman et

al., 2020) K-Medoids

Tujuan dari penelitian adalah untuk menganalisis dan mengimplementasikan teknik data mining dalam ekspor bahan mentah minyak bumi ke negara tujuan dengan menggunakan metode K- Medoids. Hasil penelitian menyatakan K-Medoids dapat diterapkan dengan hasil klaster tinggi (C1) terdiri dari 3 negara (Jepang, Thailand dan Amerika Serikat) dan klaster rendah (C2) terdiri dari 6 negara (Korea Selatan, Taiwan, China, Singapura, Malaysia dan Singapura).

3 (Wira et al.,

2019) K-Medoids

Tujuan dari penelitian adalah untuk mengetahui pola pemilihan program studi mahasiwa baru dengan menggunakan metode K-Medoids.

Penerapan metode K-Medoids dapat dilakukan denagn hasil penelitian bahwa mahasiswa baru yang berasal dari SMA/SMK dengan nilai ujian diatas 70 mengambil jurusan TI, sedangkan mahasiswa baru yang berasal dari SMK dengan nilai ujian dibawah 70 dan SMA dengan nilai ujian dibawah 50 mengambil jurusan SI, dan sisanya mengambil jurusan NON TI/SI.

2.2 Data Mining

Data Mining didefinisikan sebagai proses untuk mendapatkan informasi yang berguna dari gudang basis data yang besar, yang dapat juga diartikan sebagai pengekstrakan informasi baru yang diambil dari bongkahan data besar yang membantu dalam pengambilan keputusan (Knowledge Discovery) [9]. Data mining merupakan proses yang menggunakan berbagai teknik dan alat analisis data untuk menemukan hubungan dan pola yang tersembunyi. Pendekatan dasar dalam data mining adalah untuk meringkas data dan untuk mengekstrak informasi berguna yang masuk akal dan sebelumnya tidak diketahui [10]. Data Mining dapat menemukan tren dan pola tersembunyi yang tidak muncul dalam analisis kueri sederhana sehingga dapat memiliki bagian penting dalam hal menemukan pengetahuan dan membuat keputusan. Tugas-tugas semacam itu dapat bersifat prediksi seperti klasifikasi dan regresi atau deskriptif seperti Clustering dan asosiasi [11]. Karena itu Data Mining

(4)

sebenarnya memiliki akar yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial intelligent), machine learning, statistik dan basis Data [12]. Data mining perlu dipelajari dan dipahami, karena manusia menghasilkan banyak sekali data yang sangat besar baik dalam bidang bisnis, kedokteran, cuaca, olahraga, politik dan sebagainya [13][14]. Ada beberapa tugas yang dapat dilakukan oleh Data Mining dalam proses pemecahan masalah dan pencarian pengetahuan baru [15]–[17], diantaranya :Klastering (Clustering), Klasifikasi (Classification), Asosiasi (Association), Estimasi (Estimation) dan Prediksi (Predictions).

2.3 Metode K-Medoids

Algoritma K-Medoids hadir untuk mengatasi kelemahan K-Means yang sensitif terhadap outlier, karena nilai rerata (mean) mudah dipengaruhi oleh nilai-nilai ekstrim. K-Medoids merupakan varian dari K-Means yang lebih kuat terhadap kebisingan dan outlier. K-Medoids merupakan metode pengelompokan partisi yang menggunakan titik aktual dalam kluster untuk mewakilinya. Objek yang mewakili sebuah kluster disebut dengan Medoids.

Medoid merupakan objek yang letaknya terpusat di dalam suatu kluster dengan jarak minimum ke titik lain sehingga robust terhadap outlier. Kluster dibangun dengan menghitung kedekatan yang dimiliki antara Medoids dengan objek non Medoids, seperti yang ditunjukkan pada Gambar 2. Kelebihan lainnya yaitu hasil proses Clustering tidak bergantung pada urutan masuk data set [18].

Gambar 1. Mean & Medoid [19].

2.4 Flowchart K-Medoids

Berikut ini disajikan Diagram alir dari metode Clustering K-Medoids.

Gambar 2. Diagram alir metode K-Medoids Langkah-langkah metode K-Medoids dapat dijelaskan sebagai berikut : a) Inisialisasi pusat cluster sebanyak k (jumlah cluster).

b) Alokasikan setiap data (objek) ke cluster terdekat menggunakan persamaan ukuran jarak Euclidian Distance.

c) Pilih secara acak objek pada masing-masing cluster sebagai kandidat Medoids baru.

d) Hitung jarak setiap objek yang berada pada masing-masing cluster dengan kandidat Medoids baru.

e) Hitung total simpangan (S) dengan menghitung nilai total distance baru – total distance lama. Jika S< 0, maka tukar objek dengan data cluster untuk membentuk sekumpulan k objek baru sebagai Medoid.

f) Ulangi langkah 3 sampai 5 hingga tidak terjadi perubahan Medoids, sehingga didapatkan cluster beserta anggota cluster masing-masing.

(5)

Adapun tahapan yang dilakukan untuk menyelesaikan masalah penelitian disusun dalam kerangka kerja berikut:

Mulai

Pengumpulan Data Studi Pustaka

Identifikasi Masalah

Praproses

Evaluasi Akhir

Penentuan Kluster

Pengujian Hasil Pengolahan Data

Hasil Klustering

Selesai

Journal, Proceedings and Books of Artificial Neural Networks

Gambar 3. Tahapan Penelitian Keterangan:

a) Pengumpulan Data

Dataset penelitian berupa dataset jumlah penduduk miskin di Provinsi Jawa Tengah berdasarkan kabupaten/Kota tahun 2017 hingga tahun 2019 yang terdiri dari 29 Kabupaten dan 6 Kota yang diperoleh dari Badan Pusat Statistik Jawa Tengah.

b) Studi Pustaka

Dilakukan untuk melengkapi pengetahuan dasar dan teori-teori yang digunakan dalam penelitian (artikel ilmiah, buku, prosiding dll)

c) Identifikasi Masalah

Dilakukan setelah semua data-data terpenuhi kemudian didapatkan dataset yang sesuai untuk dilakukan proses yang ditentukan

d) Praproses

Tahapan yang dikerjakan dengan melakukan perubahan terhadap beberapa tipe data pada atribut dataset dengan tujuan untuk mempermudah pemahaman terhadap isi record, juga melakukan seleksi dengan memperhatikan konsistensi data, missing value dan redundant pada data.

e) Penentuan Kluster

Hasil dari tahap ini adalah menentukan jumlah klustering yang ditetapkan dengan menggunakan datamining K-Medoids.

f) Penguji Hasil Pengolahan Data

Seteleh proses penentuan kluster selesai, maka dilakukan tahapan uji coba terhadap hasil pengolahan data dengan menggunakan Software RapidMiner.

g) Hasil Klustering

Hasil pengelompokan yang diperoleh berdasarkan jumlah kluster yang telah ditetapkan.

h) Evaluasi Akhir

Dilakukan untuk mengetahui apakah testing hasil pengolahan data sesuai.

3. HASIL DAN PEMBAHASAN

3.1 Pengumpulan Data

Pada penelitian ini Dataset penelitian berupa dataset jumlah penduduk miskin di Provinsi Jawa Tengah berdasarkan kabupaten/Kota tahun 2017 hingga tahun 2019 yang terdiri dari 29 Kabupaten dan 6 Kota yang diperoleh dari Badan Pusat Statistik Jawa Tengah. Objek yang dianalisa adalah jumlah penduduk miskin.

Selanjutnya dataset akan disesuaikan dengan kebutuhan agar dapat dilakukan pemetaan berupa klaster terhadap jumlah penduduk miskin menggunakan teknik kecerdasan buatan (artificial intelligence). Salah satu teknik kecerdasan buatan yang digunakan sebagai solusi adalah metode k-medoids yang merupakan bagian dari data mining klastering dan pengembangan dari metode k-means. Sebelum dataset digunakan, ada beberapa tahapan dalam melakukan data mining salah satunya adalah preprosesing data yaitu data perlu di bersihkan sebelum diproses, hal ini terjadi karena biasanya data yang akan digunakan belum baik. Salah teknik atau metode yang digunakan dalam data preprocessing, diantaranya data cleaning yang berfungsi menghilangkan nilai-nilai data yang salah, memperbaiki kekacauan data dan memeriksa data yang tidak konsisten.

(6)

Pada tahapan ini dilakukan pemodelan dataset dimana metode yang dipakai pada penelitian ini adalah metode clustering dengan menggunakan metode k-medoids. Metode ini bekerja dengan melakukan pengelompokan data yang memiliki kesamaan karakteristik pada setiap data. Proses pengujian menggunakan bantuan software RapidMiner Studio.

3.2 Pengujian Software RapidMiner

Atribut yang digunakan sebagai class adalah jumlah penduduk miskin. Data akan dianalisis berdasarkan kabupaten/kota di provinsi Jawa Tengah sesuai dengan data BPS. Dataset jumlah penduduk miskin dibuat dalam data set baru dengan format .xlsx (excel) untuk bisa dianalisis software RapidMiner Studio. Berikut adalah hasil preprosesing data dimana dataset dianalisis per tahun mulai 2017 -2019 dengan nilai kevalidan data (80%;

91.43%; 85.71%). Berikut statistik hasil seperti pada gambar 4 sebagai berikut.

(a)

(b)

(c)

Gambar 4. Hasil data statistik berdasarkan tahun dengan RapidMiner Studio (a-c)

RapidMiner Studio memudahkan dalam melakukan perhitungan dataset dengan menggunakan operator- operator. Operator ini berfungsi untuk memodifikasi data. Dataset dihubungkan dengan node-node pada operator kemudian menghubungkannya ke node hasil untuk melihat hasilnya. Hasil yang diperlihatkan RapidMiner Studio dapat ditampilkan secara visual dengan grafik. Berikut adalah rancangan pemetaan tingkat kemiskinan di provinsi jawa tengah berdasarkan kabupaten/ kota menggunakan metode k-medoids seperti pada Gambar 5 berikut:

(7)

Pada gambar 5 dijelaskan output mapping berupa klaster pada jumlah penduduk miskin dimana setiap operator yang digunakan diberikan nama yang berbeda untuk memudahkan proses analisis. Untuk operator Read Excel diberi nama Dataset kemiskinan artinya dataset excel yang digunakan sesuai dengan Tabel.

Sedangkan operator k-medoids digunakan untuk melakukan pemetaan berupa klaster. Untuk operator terakhir digunakan adalah cluster distance performance. Operator ini menganalisa dan mengevaluasi kinerja model klaster yang terbentuk melalui kinerja parameter yang disebut dengan davies_bouldin_index (DBI). Parameter ini secara spesifik berfungsi menghasilkan klaster dengan jarak intra-cluster rendah (kesamaan intra-cluster tinggi) dan jarak antar-cluster tinggi (kesamaan antar-cluster rendah) akan memiliki DBI rendah. Maka hasil klaster yang menghasilkan kumpulan klaster dengan DBI terkecil dianggap sebagai metode terbaik berdasarkan kriteria ini.

Pada dasarnya rapidminer studio dapat membaca type data setiap atribut, namun untuk mengurangi kesalahan pada proses run maka sebaiknya penentuan type data setiap atribut disesuaikan dengan dataset yang digunakan. kemudian menghubungkan operator read excel dengan operator k-medoids dan cluster distance performance. Kemudian mengatur parameter seperti menentukan jumlah klaster (k=2) dan measure type (sesuai Gambar 6). Dalam penelitian ini jumlah klaster pemetaan dibagi menjadi dua yakni klaster tinggi (C1) dan rendah (C2).

Gambar 6. Pengaturan parameter

Berikut hasil analisa dengan RapidMiner Studio pemetaan tingkat kemiskinan di provinsi jawa tengah berdasarkan kabupaten/ kota menggunakan metode k-medoids seperti yang ditunjukkan pada Gambar 7 dan 8 Berikut.

Gambar 7. Data View

(8)

Pada gambar 7 merupakan sheet di Result Perspective untuk menampilkan data yang telah diolah secara keseluruhan lengkap dengan klasternya dari example set (read excel). Berikut hasil lengkap Data view yang dijelaskan pada gambar 5 dimana jumlah klaster digunakan adalah 2 (k=2). Identitas kedua klaster tersebut adalah klaster tinggi terhadap pemetaan tingkat kemiskinan dan klaster rendah pada pemetaan tingkat kemiskinan. Hasil penelitian menyebutkan bahwa 6 provinsi (17%) berada pada klaster tinggi dan 29 provinsi (83%) berada pada klaster rendah. Klaster tinggi yakni Kabupaten Cilacap, Kabupaten Banyumas, Kabupaten Kebumen, Kabupaten Grobogan, Kabupaten Pemalang, Kabupaten Brebes. Sedangkan klaster rendah yakni Kabupaten Purbalingga, Kabupaten Banjarnegara, Kabupaten Purworejo, Kabupaten Wonosobo, Kabupaten Magelang, Kabupaten Boyolali, Kabupaten Klaten, Kabupaten Sukoharjo, Kabupaten Wonogiri, Kabupaten Karanganyar, Kabupaten Sragen, Kabupaten Blora, Kabupaten Rembang, Kabupaten Pati, Kabupaten Kudus, Kabupaten Jepara, Kabupaten Demak, Kabupaten Semarang, Kabupaten Temanggung, Kabupaten Kendal, Kabupaten Batang, Kabupaten Pekalongan, Kabupaten Tegal, Kota Magelang, Kota Surakarta, Kota Salatiga, Kota Semarang, Kota Pekalongan, Kota Tegal.

(a)

(b)

Gambar 8. Hasil cluster pemetaan tingkat kemiskinan di provinsi jawa tengah berdasarkan kabupaten/ kota menggunakan metode k-medoids (a-b)

Pada gambar 8(a) merupakan hasil Text view pada RapidMiner yang merupakan sheet untuk menampilkan database yang telah diolah secara keseluruhan lengkap dengan klasternya. Tampilan cluster model berdasarkan jumlah klaster yang sudah ditentukan sebelumnya yakni cluster_0 dan cluster_1. Selain itu pada gambar 8(b) merupakan tampilan folder view secara lengkap yang merupakan hasil dari klaster.

Gambar 9. Nilai centroid akhir pada pemetaan tingkat kemiskinan di provinsi jawa tengah berdasarkan kabupaten/ kota menggunakan metode k-medoids

Pada gambar 9 dijelaskan bahwa penentuan nilai klaster tinggi dan rendah berdasarkan pada nilai centroid dimana nilai centroid akhir adalah {293.2, 309.2, 343.5} pada klaster tinggi (cluster_1) dan {18.6, 19.4, 20.1}

(9)

Fitriani Dwi Ratna Sari, Copyright ©2021, MIB, Page 1536 pada klaster rendah (cluster_0). Berikut adalah Flot view merupakan sheet di Result Perspective untuk menampilkan data yang telah diolah secara keseluruhan lengkap dengan klasternya dari example set (read excel) dalam bentuk diagram Scatter. Tampilannya dapat dilihat pada gambar 10 dan 11 berikut.

Gambar 10. Pemetaan berupa klaster berdasarkan wilayah

Gambar 11. Pemetaan berupa klaster berdasarkan cluster

Dari penelitian yang dilakukan, metode k-medoids dengan pengukuran validity cluster dengan menggunakan Davies Bouldin Index (DBI), membuktikan bahwa k- medoids dapat menghasilkan kualitas cluster yang lebih optimal yang ditunjukan dengan nilai DBI yang lebih kecil yakni 0.184. Artinya nilai DBI yang lebih kecil mendekati 0 menunjukan skema cluster yang optimal. Adapun hasil DBI pada jumlah penduduk miskin dapat dilihat pada gambar 12 berikut.

Gambar 12. Nilai DBI

4. KESIMPULAN

Berdasarkan hasil penelitian dapat disimpulkan bahwa penerapan metode k-medoids dapat dilakukan berupa pemetaan terhadap wilayah jumlah penduduk miskin di provinsi Jawa Tengah. Hasil pemetaan dapat menjadi informasi yang bermanfaat untuk melakukan penanggulangan masyarakat miskin dimana klaster tinggi (cluster_1) menjadi hal yang prioritas bagi pemerintah di provinsi jawa tengah yakni Kabupaten Cilacap, Kabupaten Banyumas, Kabupaten Kebumen, Kabupaten Grobogan, Kabupaten Pemalang, Kabupaten Brebes.

(10)

UCAPAN TERIMAKASIH

Terima kasih penulis sampaikan kepada Direktorat Riset dan Pengabdian Masyarakat, Deputi Bidang Penguatan Riset dan Pengembangan, Kementerian Riset dan Teknologi/ Badan Riset dan Inovasi Nasional (Ristek/BRIN) yang telah memberikan dana hibah penelitian dosen pemula (PDP) tahun 2020 pendanaan 2021. Selanjutnya, terima kasih kepada ketua dan staff LPPM Politeknik Dharma Patria yang telah memfasilitasi kegiatan PDP mulai penyusuan proposal hingga laporan penelitian.

REFERENCES

[1] A. Wanto, “Penerapan Jaringan Saraf Tiruan Dalam Memprediksi Jumlah Kemiskinan Pada Kabupaten/Kota Di Provinsi Riau,” Kumpulan JurnaL Ilmu Komputer (KLIK), vol. 05, no. 01, pp. 61–74, 2018.

[2] A. Wanto and J. T. Hardinata, “Estimations of Indonesian poor people as poverty reduction efforts facing industrial revolution 4.0,” IOP Conference Series: Materials Science and Engineering, vol. 725, no. 1, pp. 1–8, 2020.

[3] A. Wanto and J. T. Hardinata, “Estimasi Penduduk Miskin di Indonesia Sebagai Upaya Pengentasan Kemiskinan dalam Menghadapi Revolusi Industri 4.0,” CESS (Journal of Computer Engineering System and Science), vol. 4, no. 2, pp.

198–207, 2019.

[4] BPS, “Jumlah Penduduk Miskin Menurut Provinsi (Ribu Jiwa), 2019-2020,” Badan Pusat Statistik Indonesia, 2020.

[Online]. Available: https://www.bps.go.id/indicator/23/185/1/jumlah-penduduk-miskin-menurut-provinsi.html.

[Accessed: 25-Oct-2020].

[5] BPS, “Kemiskinan 2017-2019,” Badan Pusat Statistik Provinsi Jawa Tengah, 2020. [Online]. Available:

https://jateng.bps.go.id/indicator/23/34/1/kemiskinan.html. [Accessed: 25-Oct-2020].

[6] A. P. Windarto, U. Indriani, M. R. Raharjo, and L. S. Dewi, “Bagian 1: Kombinasi Metode Klastering dan Klasifikasi (Kasus Pandemi Covid-19 di Indonesia),” Jurnal Media Informatika Budidarma, vol. 4, no. 3, p. 855, 2020.

[7] F. Rahman, I. I. Ridho, M. Muflih, S. Pratama, M. R. Raharjo, and A. P. Windarto, “Application of Data Mining Technique using K-Medoids in the case of Export of Crude Petroleum Materials to the Destination Country Application of Data Mining Technique using K-Medoids in the case of Export of Crude Petroleum Materials to the Destination C,”

in IOP Conference Series: Materials Science and Engineering PAPER, 2020, pp. 1–6.

[8] B. Wira, A. E. Budianto, and A. S. Wiguna, “Implementasi Metode K-Medoids Clustering Untuk Mengetahui Pola Pemilihan Program Studi Mahasiwa Baru Tahun 2018 Di Universitas Kanjuruhan Malang,” Rainstek, vol. 1, no. 3, pp.

54–69, 2019.

[9] P. N. Tan, M. Steinbach, and V. Kumar, Introduction to Data Mining. London: Pearson Education, 2006.

[10] S. Sudirman, A. P. Windarto, and A. Wanto, “Data Mining Tools | RapidMiner : K-Means Method on Clustering of Rice Crops by Province as Efforts to Stabilize Food Crops In Indonesia,” IOP Conference Series: Materials Science and Engineering, vol. 420, no. 012089, pp. 1–8, 2018.

[11] A. M. Hemeida, S. Alkhalaf, A. Mady, E. A. Mahmoud, M. E. Hussein, and A. M. Baha Eldin, “Implementation of nature-inspired optimization algorithms in some data mining tasks,” Ain Shams Engineering Journal, pp. 1–10, 2019.

[12] D. Aprilla, D. A. Baskoro, L. Ambarwati, and I. W. S. Wicaksana, Belajar Data Mining Dengan Rapid Minner. 2013.

[13] D. Nofriansyah and G. W. Nurcahyo, Algoritma Data Mining Dan Pengujian. Yogyakarta: Deepublish, 2015.

[14] U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, “From Data Mining to Knowledge Discovery in Databases,” AI Magazine, vol. 17, no. 3, pp. 37–54, 1996.

[15] D. T. Larose, Discovering Knowledge in Data: An Introduction to Data Mining: Second Edition. New Jersey: John Wiley & Sons, 2005.

[16] J. Han and M. Kamber, Data Mining : Concepts and Techniques Second Edition. San Francisco: Elsevier, 2006.

[17] I. H. Witten, E. Frank, and M. A. Hall, Data Mining : Practical Machine Learning Tools and Techniques Third Edition.

Burlington: Elsevier, 2011.

[18] A. Wanto et al., Data Mining : Algoritma dan Implementasi. Yayasan Kita Menulis, 2020.

[19] X. Jin and J. Han, “K-Medoids Clustering,” Encyclopedia of Machine Learning and Data Mining, pp. 697–700, 2011.