Pemetaan Prioritas Berbasis Penggalian Data Multidimensi ... · Indikator Pemerataan Pendidikan...
Transcript of Pemetaan Prioritas Berbasis Penggalian Data Multidimensi ... · Indikator Pemerataan Pendidikan...
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.