Pemetaan Prioritas Berbasis Penggalian

Data Multidimensi Menggunakan

WEBSOM

(Priority Mapping Based on Multi-dimensional Data Mining

Using WEBSOM)

ITS,08-07-2010 NINIK WIDAYATI

Latar Belakang Masalah • Pembuatan berbagai laporan pemerintah

daerah kerja tidak efisien.• Kelemahan pimpinan eksekutif (kepala

daerah) dalam memformulasikan kebijakankarena kurangnya referensi global sistem pendukung keputusan.

• Konsep Pengembangan Inovasi Sektor Publik Resource-Based dengan pengetahuan.

• WebSOM algoritma SOM data ruang dimensi tinggi vektor 1 dimensi atau 2 dimensi

PB

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 MultidimensiDengan Metode WebSOM

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.

PB

KOMPONEN DSS• Secara alami informasi

memuat berbagai hal (raw data) yang berasal dariberbagai sumber yang terpisah-pisah dan beradadalam berbagai macam format yang berbeda-beda.

• Disatu sisi, eksekutifmembutuhkan aplikasi yang sifatnya sudah jadi (sudahdiolah sesuai kebutuhan), akurat, mudah didapat secaracepat dan siap pakai.

LS

LS

Hubungan Data Mining dengan ilmu lainnya

LS

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 tertentuJumlah 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 Jumlah Rombongan Belajar di tingkat pendidikan tertentu

Variabel untuk Data Input

Hasil Statistik Deskriptif

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

1. APK

Klasifikasi variabel indikator pemerataan pendidikan

Kondisi Nilai Variabel dan Dampak

Perbedaan Variasi Warna Kategori Variabel Indikator yang berlaku

SedangAda Beda

Cukup Kurang

Tidak Ada Beda Kurang

SedangAda Beda

Cukup baik

Tidak Ada Beda Baik

SedangAda Beda

Cukup Baik

Tidak Ada Beda Baik

SedangAda Beda

Cukup Kurang

Tidak Ada Beda Kurang

Rendah-Buruk

Rasio Guru-MuridRasio Kelas-MuridRasio Sekolah-MuridAngka Shift

Tinggi-Baik

Rasio Guru-MuridRasio Kelas-MuridRasio Sekolah-MuridAngka Shift

Tinggi-Baik APKAPM

Rendah-Buruk APKAPM

Arsitektur Dasar Metode WebSOM

LS

Perbedaan View Level WEBSOM

LS

Contoh Kategori Kata

LS

Hasil Pencarian Content

LS

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 StoragePrapemrosesan Data

Proses Kalsterisasi dan Proses Klasifikasi

Output klasifikasi

SedangCukup KurangKurang BaikCukup Baik

Data Asli Jenjang Pendidikan SD

Data Asli Jenjang SLTP

Data Asli Jenjang SLTA

Normalisasi Data Metoda Softmax )(

)(

i

iiscale Xstd

XmeanXX

−= scaleXnewX

exp11

+=

Grafik Data Input & Normalisasi SDAl

uh A

luh

Gam

but

Sung

ai T

abuk

Mar

tapu

ra T

imur

Asta

mbu

lAr

anio

Para

mas

an

Sam

bung

Mak

mur

Sim

pang

Em

pat X1 X2 X3 X4 X5 X6

0.00

20.00

40.00

60.00

80.00

100.00

120.00

140.00

160.00

Skal

a N

ilai V

aria

bel I

ndik

ator

SD

Kecamatan

Variabel Indikator SD

X1X2X3X4X5X6

Alu

h Al

uhG

ambu

tSu

ngai

Tab

ukM

arta

pura

Tim

urAs

tam

bul

Aran

ioPa

ram

asan

Sam

bung

Mak

mur

Sim

pang

Em

pat

X7 X8 X9 X1

0X1

1X1

2

0

50

100

150

200

250

300

Skal

a N

ilai V

aria

bel I

ndik

ator

Kecamatan

Variabel Indikator

X7X8X9X10X11X12

Grafik Data Input & Normalisasi SLTPAl

uh A

luh

Gam

but

Sung

ai T

abuk

Mar

tapu

ra T

imur

Asta

mbu

lAr

anio

Par

amas

an

Sam

bung

Mak

mur

Sim

pang

Em

pat

X7 X8 X9 X10

X11

X12

0

50

100

150

200

250

300

Skal

a N

ilai V

aria

bel I

ndik

ator

Kecamatan

Variabel Indikator

X7X8X9X10X11X12

Aluh

Alu

hG

ambu

tSu

ngai

Tab

ukM

arta

pura

Tim

urAs

tam

bul

Aran

ioPa

ram

asan

Sam

bung

Mak

mur

Sim

pang

Em

pat

X7 X8 X9 X10

X11

X12

0.00

0.10

0.20

0.30

0.40

0.50

0.60

0.70

0.80

0.90

1.00

Skal

a N

ilai V

aria

bel I

ndik

ator

Kecamatan Variabel Indikator

X7X8X9X10X11X12

Grafik Data Input & Normalisasi SLTA Al

uh A

luh

Gam

but

Sun

gai T

abuk

Mar

tapu

ra T

imur

Asta

mbu

lAr

anio

Para

mas

an

Sam

bung

Mak

mur

Sim

pang

Em

pat

X13 X1

4X1

5X

16 X17

X18

0.00

10.00

20.00

30.00

40.00

50.00

60.00

70.00

80.00

90.00

Skal

a N

ilai V

aria

bel I

ndik

ator

Kecamatan Variabel Indikator

X13X14X15X16X17X18

Aluh

Alu

hG

ambu

tSu

ngai

Tab

ukM

arta

pura

Tim

urAs

tam

bul

Aran

ioPa

ram

asan

Sam

bung

Mak

mur

Sim

pang

Em

pat

X13

X14

X15

X16

X17

X18

0.00

0.10

0.20

0.30

0.40

0.50

0.60

0.70

0.80

0.90

Skal

a N

ilai V

aria

bel I

ndik

ator

Kecamatan Variabel Indikator

X13X14X15X16X17X18

Algoritma SOM1. 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

Initialisasiα, R, Y, Wij

Inputkan XiUntuk 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

( )21

)( ∑=−=

n

i iij XWjD

( ))(*)()()( oldWXtoldWnewW ijiijij −+= α

ratelearningpenurunannilait ___*)0()( αα =

Peta U-matrik Jenjang SD

SOM Tingkat SD

U-matrix

0.0626

0.174

0.286

SOM Tingkat SD

U-matrix

0.0626

0.174

0.286

0.0626

0.174

0.286

0.0626

0.174

0.286

0.0626

0.174

Peta U-matrik Variabel X1 - X6U-matrix

0.0626

0.174

0.286X1

d 101

116

132X2

d 82.9

91.1

98

X3

d 0.0508

0.0672

0.0825X4

d 0.0477

0.0528

0.058X5

d 0.00806

0.00905

0.01

SOM Tingkat SD

X6

d 0.835

0.924

1.01

Peta U-matrik Jenjang SLTPU-matrix

0.0451

0.182

0.319

SOM Tingkat SLTPSOM Tingkat SLTP

U-matrix

0.0451

0.182

0.319

0.0451

0.182

0.319

Peta U-matrik Variabel X7 - X12U-matrix

0.0451

0.182

0.319X7

d 42.8

73

99.2X8

d 29

55.4

79.3

X9

d 0.0716

0.173

0.293X10

d 0.0202

0.0454

0.0738X11

d 0.00168

0.0109

0.0213

X12

d 0.683

0.959

1.22

SOM Tingkat SLTP

Peta U-matrik Jenjang SLTA

SOM Tingkat SLTA

U-matrix

0.0376

0.275

0.513U-matrix

0.0376

0.275

0.513

0.0376

0.275

0.513

0.0376

0.275

0.513

0.0376

SOM Tingkat SLTA

Peta U-matrik Variabel X13-X18U-matrix

0.0376

0.275

0.513X13

d 2.4

35.1

79.5X14

d 1.52

27.3

62.1

X15

d 0.00589

0.13

0.265X16

d 0.00172

0.0288

0.0566X17

d 7.14e-005

0.00779

0.0165

X18

d 0.0524

0.639

1.16

SOM Tingkat SLTA

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

Merah Baik Ba

Hasil Cluster dan Klasifikasi Tingkat SD

Hasil PC Projection Tingkat SD

Hasil Cluster dan Klasifikasi Tingkat SLTP

Hasil PC Projection Tingkat SLTP

Hasil Cluster dan Klasifikasi Tingkat SLTA

Hasil PC Projection Tingkat SLTA

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/Sederajatterdiri dari 5 kecamatan di tingkatan kurang, 5 cukup kurang, 1 sedang, 5 cukup baik, dan 1 baik.

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