APLIKASI PROGRAM PENGELOMPOKKAN PENDUDUK BERDASARKAN KEMAMPUAN EKONOMI UNTUK DAERAH MISKIN DENGAN FUZZY C-MEANS TUGAS AKHIR - Aplikasi program pengelompokkan penduduk berdasarkan kemampuan ekonomi untuk daerah miskin dengan Fuzzy C-Means - USD Repository

  

APLIKASI PROGRAM PENGELOMPOKKAN PENDUDUK

BERDASARKAN KEMAMPUAN EKONOMI

UNTUK DAERAH MISKIN DENGAN FUZZY C-MEANS

TUGAS AKHIR

  

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

Program Studi Teknik Informatika

  

Disusun Oleh :

WENING TYAS ASIH

045314022

  

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

  

APPLICATION PROGRAM WITH FUZZY C-MEANS METHOD

FOR CLUSTERING RESIDENT

BASED ON FINANCIAL AFFORDABILITY

  

IN POOR AREA

FINAL ASSIGNMENT

Presented as a Meaning

for Gaining Engineering Holder

in Informatics Engineering Study Program

  

By :

WENING TYAS ASIH

045314022

  

INFORMATICS ENGINEERING DEPARTEMENT

SCIENCE AND TECHNOLOGY FACULTY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

LEMBAR PERNYATAAN KEASLIAN KARYA

  Dengan ini saya menyatakan bahwa dalam Tugas Akhir ini tidak terdapat karya yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu Perguruan Tinggi, dan sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis atau diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan dalam daftar pustaka.

  Yogyakarta, 21 Agustus 2008 Penulis

  Wening Tyas Asih

  

LEMBAR PERNYATAAN PERSETUJUAN

PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

  Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma : Nama : Wening Tyas Asih Nomor Mahasiswa : 045314022

  Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul :

  

APLIKASI PROGRAM PENGELOMPOKKAN PENDUDUK BERDASARKAN

KEMAMPUAN EKONOMI UNTUK DAERAH MISKIN DENGAN FUZZY C-

MEANS

  beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas, dan mempublikasikannya di Internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis.

  Demikian pernyataan ini yang saya buat dengan sebenarnya. Dibuat di Yogyakarta Pada tanggal : 21 Agustus 2008 Yang menyatakan (Wening Tyas Asih)

  PERSEMBAHAN MY JESUS CHRIST KELUARGAKU

  BAPAK & IBU RILO SAHABATKU ANDIS, VITA, DENI

  YANG SELALU SETIA WAHYUDI

  INTISARI

  Kebutuhan informasi mengenai karakteristik kemiskinan sangat diperlukan untuk koordinasi, pengendalian dan sebagai pendukung pengambilan berbagai kebijakan bagi pemerintah dan masyarakat luas. Kemudahan serta ketepatan untuk memperoleh informasi dalam pengelompokkan penduduk miskin akan mempermudah pemerintah serta badan instansi terkait dalam memberikan program bantuan atau subsidi kepada penduduk. Terutama untuk daerah miskin dan tertinggal dengan angka kemiskinan yang cukup tinggi yang sangat memerlukan bantuan, baik dari pemerintah ataupun pihak-pihak lain.

  Berkaitan dengan masalah tersebut, maka dibuat aplikasi Program Pengelompokkan Penduduk Berdasar Kemampuan Ekonomi untuk Daerah Miskin dengan Fuzzy C-Means. Fuzzy C-Means sebagai suatu metode pengelompokkan yang didasarkan pada logika kabur, merupakan salah satu cara dalam melakukan pengelompokkan, dimana keberadaan tiap titik data dalam kelompok/cluster ditentukan oleh derajat keanggotaan. Penggunaan aplikasi ini untuk melakukan pengelompokkan masyarakat berdasar kriteria jumlah penghasilan, luas bangunan tempat tinggal dan rekening listrik. Program ini akan menangani pengelompokkan sesuai dengan BPS (Badan Pusat Statistika), penduduk Mampu dan Tidak Mampu. Yang kedua sesuai dengan BKKBN yaitu, PraKS (Pra Keluarga Sejahtera), KS I (Keluarga Sejahtera I), KS

  II, dan KS III .

  

ABSTRACT

  Information on poverty characteristics was highly required to coordinating, controlling and supporting various policies making by government and for society. The easiness to access the information and its accuracy to clustering the poor resident, facilitating the government and its agents in providing their aid and subsidy program to society, especially in poor regions and underdeveloped territory with high poverty rate, which were very need relief from government and other institutions.

  Regarding with the problem mentions above, the Application Program with Fuzzy C-Means Method for Clustering Resident Based on Financial Affordability in Poor Area.

  

Fuzzy C-Means as a clustering method based on the fuzzy logic was clustering technique

  where the existence of each data point in the cluster was determined by membership degree.

  The application utility to perform the clustering was based on the criteria such as total income, total house area and electricity account. This program would be perform the clustering based on the BPS (Indonesian Statistic Center Agent) data, which were disadvantage and advantage people, and BKKBN data, which were Pra KS, KS I, KS II and KS III.

KATA PENGANTAR

  Puji dan syukur kepada Tuhan YME atas terselesaikannya Tugas Akhir “Aplikasi Program Pengelompokkan Penduduk Berdasar Kemampuan Ekonomi untuk Daerah Miskin dengan Fuzzy C-Means” ini.

  Penulis menyadari bahwa keberhasilan tugas akhir ini tidak lepas dari bantuan, dukungan serta bimbingan dari berbagai pihak terkait. Pada kesempatan ini penulis bermaksud mengucapkan terima kasih kepada: 1.

  Bapak, ibu dan Adityas Rilo Pambudi sebagai keluarga penulis.

  2. Bapak Albertus Agung Hadhiatma, S.T., M.T., selaku pembimbing TA.

  3. Ibu Agnes Maria Polina, S.Kom., M.Sc., beserta para dosen dan karyawan Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.

  4. Romo Ir. Greg. Heliarko SJ, S.S., B.S.T., M.A., M.Sc., beserta seluruh keluarga besar Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.

  5. Segenap staff pemerintahan daerah kecamatan Karangmojo, Gunungkidul.

  6. Segenap staff pemerintahan daerah desa Wiladeg, kecamatan Karangmojo, Gunungkidul.

  7. Segenap staff KPPTSP BAPPEDA kabupaten Gunungkidul.

  8. Segenap staff Badan Pusat Statistika (BPS), kabupaten Gunungkidul.

  9. Segenap staff Badan Kesejahteraan Keluarga Berencana Nasional (BKKBN), kabupaten Gunungkidul.

  10. Andis Permanasari, Elisabet Yuvitasari, Cristina Deni Rumiarti, Yudi Prihartanto, Magdalena Sulistyaningtyas, Wiwin Kartika Putri, Lusia Tri Andriani, Wenefrida Ridzalia, Kristina Yuwita, Kristiana Yudiyanti, Wahyudi.

  11. Teman – teman mahasiswa Teknik Informatika USD angkatan 2004.

  12. Semua pihak yang tidak dapat penulis sebutkan satu – persatu.

  Penulis menyadari akan kekurangan dalam penulisan naskah tugas akhir ini. Untuk itu penulis mengharapkan kritik dan saran dari pembaca. Akhir kata, semoga Tugas Akhir ini bermanfaat. Terima kasih.

  Yogyakarta, 21 Agustus 2008 Penulis

  

DAFTAR ISI

Halaman HALAMAN JUDUL ......................................................................................... i HALAMAN JUDUL (INGGRIS) .................................................................... ii LEMBAR PERSETUJUAN PEMBIMBING ................................................. iii LEMBAR PENGESAHAN .............................................................................. iv LEMBAR PERNYATAAN KEASLIAN KARYA ........................................ v LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI ......................... vi PERSEMBAHAN ............................................................................................. vii

  INTISARI .......................................................................................................... viii ABSTRACT ....................................................................................................... ix KATA PENGANTAR ....................................................................................... x DAFTAR ISI ...................................................................................................... xii DAFTAR GAMBAR .........................................................................................xvii DAFTAR TABEL ............................................................................................. xix BAB I PENDAHULUAN .................................................................................. 1

  1.1 Latar Belakang Masalah ..................................................................... 1

  1.2 Rumusan Masalah ............................................................................... 3

  1.3 Batasan Masalah ................................................................................. 4

  1.4 Tujuan Penelitian ................................................................................ 4

  

BAB II LANDASAN TEORI ........................................................................... 7

  

BAB III PERANCANGAN SISTEM .............................................................. 33

  3.4 Perancangan Proses............................................................................... 61

  3.3.2.1 Contoh FCM 2 Cluster.............................................................. 54

  3.3.2 Perancangan FCM 2 Cluster ......................................................... 49

  3.3.1.1 Contoh FCM 4 Cluster.............................................................. 41

  3.3.1 Perancangan FCM 4 Cluster ......................................................... 36

  3.3 Perancangan Fuzzy C-Means dan Penamaan Cluster........................... 36

  3.2 Use Case Diagram................................................................................. 34

  3.1 Gambaran Umum Sistem ..................................................................... 33

  2.5.2 Contoh FCM ................................................................................ 20

  2.1 Pengantar Logika Kabur ..................................................................... 7

  2.5.1 Algoritma FCM............................................................................ 18

  2.5 Fuzzy C-Means (FCM)......................................................................... 17

  2.4 Ukuran Fuzzy ...................................................................................... 16

  2.3.2 Partisi Fuzzy (Fuzzy Partition) .................................................... 15

  2.3.1 Partisi Klasik (Hard Partition) .................................................... 13

  2.3 Fuzzy Clustering .................................................................................. 12

  2.2.2 Himpunan Fuzzy (Fuzzy Set) ....................................................... 10

  2.2.1 Himpunan Tegas (Crisp Set)........................................................ 8

  2.2 Konsep Dasar Himpunan Fuzzy .......................................................... 8

  3.4.1 Diagram Konteks Sistem .............................................................. 61

  3.4.3 Diagram Arus Data ....................................................................... 63 1.

  2. Tabel Penduduk ...................................................................... 69

  5. Tampilan Pengelompokkan Penduduk ............................................... 74

  4. Tampilan Ubah Password ................................................................... 73

  3. Tampilan Menu Utama Admin ........................................................... 72

  2. Tampilan Tambah Data Penduduk...................................................... 72

  1. Tampilan Login................................................................................... 71

  3.6 Perancangan Antarmuka ....................................................................... 71

  1. Tabel Login............................................................................. 69

  Overview DAD Level 0 ........................................................... 63 2. Overview DAD Level 1 ........................................................... 64 3. Overview DAD Level 2 ........................................................... 64 4. Overview DAD Level 3 ........................................................... 65 5. Overview DAD Level 4 ........................................................... 65 6. Overview DAD Level 5 ........................................................... 66

  3.5.3 Rancangan Tabel............................................................................ 69

  2. Entitas Penduduk .................................................................... 68

  1. Entitas Login ............................................................................ 67

  3.5.2 Relational Model............................................................................ 67

  3.5.1 ER Diagram ................................................................................... 67

  3.5 Perancangan Basisdata.......................................................................... 67

  6. Tampilan Hasil Pengelompokkan Penduduk ..................................... 74

  

BAB IV IMPLEMENTASI DAN PEMBAHASAN ....................................... 77

  4.1 Lingkungan Implementasi .................................................................... 77

  4.1.1 Lingkungan Perangkat Keras......................................................... 77

  4.1.2 Lingkungan Perangkat Lunak ........................................................ 77

  4.2 Implementasi Algoritma Fuzzy C-Means 2 Cluster ............................ 78

  4.2.1 Menentukan Input Data................................................................. 78

  4.2.2 Menentukan c, w, MaxIter, ξ , P dan t ……………….………... 79

  4.2.3 Membangkitkan Bilangan Random……………………….…….. 80

  4.2.4 Menghitung Pusat Cluster………………………………..……… 81

  4.2.5 Menghitung Fungsi Objektif……………………………..………. 82

  4.2.6 Menghitung Perubahan Matrik Partisi…………………………… 84

  4.2.7 Cek Kondisi Berhenti……………………………………………. 86

  4.2.8 Penamaan Cluster……………………………………………….. 87

  4.3 Implemantasi Algoritma Fuzzy C-Means 4 Cluster ............................ 88

  4.3.1 Menentukan c, w, MaxIter, ξ , P dan t ……………….………... 89

  4.3.2 Membangkitkan Bilangan Random……………………….…….. 89

  4.3.3 Menghitung Pusat Cluster………………………………..……… 90

  4.3.4 Menghitung Fungsi Objektif……………………………..………. 92

  4.3.5 Menghitung Perubahan Matrik Partisi…………………………… 95

  4.3.6 Cek Kondisi Berhenti……………………………………………. 97

  4.4 Implementasi Antarmuka...................................................................... 99

  4.4.1 Login ............................................................................................. 99

  4.4.2 Menu Utama Administrator……………………………………… 100

  4.4.3 Tambah Data Pokmas..................................................................... 101

  4.4.5 Ubah Password .............................................................................. 102

  4.4.6 Menu Utama User ........................................................................ 103

  4.4.7. Pengelompokkan Penduduk ......................................................... 104

  4.4.8 Hasil Pengelompokkan Penduduk ................................................ 105

  4.5 Hasil Implementasi ................................................................................ 106

  4.5.1 Hasil Implementasi FCM 4 Cluster ................................................ 107

  4.5.2 Hasil Implementasi FCM 2 Cluster ................................................ 112

  

BAB V PENUTUP ............................................................................................. 118

  5.1 Kesimpulan ......................................................................................... 118

  5.2 Saran .................................................................................................... 118

  

DAFTAR PUSTAKA ........................................................................................ 120

  DAFTAR GAMBAR

Gambar 2.1. Black Box .................................................................................. 8

  Flowchart Algoritma Fuzzy C-Means

Gambar 2.2. ............................................ 18Gambar 2.3. Grafik kecenderungan data dengan pusat cluster yang pertama ...... 24Gambar 2.4. Grafik kecenderungan data dengan pusat cluster yang kedua .. 28Gambar 2.5. Grafik kecenderungan data dengan pusat cluster yang ketiga ... 32Gambar 3.1. Flowchart Sistem ...................................................................... 34Gambar 3.2. Usecase Diagram Administrator ............................................... 35Gambar 3.3. Usecase Diagram User .............................................................. 36Gambar 3.4. Diagram Konteks Sistem .......................................................... 61Gambar 3.5. Bagan Berjenjang ...................................................................... 62Gambar 3.6. Overview DAD Level 0 ............................................................ 63Gambar 3.7. Overview DAD Level 1 Proses 1 .............................................. 64Gambar 3.8. Overview DAD Level 1 Proses 2 .............................................. 64Gambar 3.9. Overview DAD Level 1 Proses 3 .............................................. 65Gambar 3.10. Overview DAD Level 1 Proses 4 .............................................. 65Gambar 3.11. Overview DAD Level 1 Proses 5 .............................................. 66Gambar 3.12. Entity Relationship Diagram .................................................... 67Gambar 3.13. Translasi Entitas Login menjadi Relational Model .................. 67Gambar 3.14. Translasi Entitas Penduduk menjadi Relational Model ............ 68Gambar 3.15. Relational Model ....................................................................... 68Gambar 3.17. Desain Tampilan Tambah Data Penduduk ............................... 72Gambar 3.18. Desain Tampilan Menu Utama Admin ..................................... 73Gambar 3.19. Desain Tampilan Ubah Password .............................................. 73Gambar 3.20. Desain Tampilan Pengelompokkan Penduduk .......................... 74Gambar 3.21. Desain Tampilan Hasil Pengelompokkan 2 Cluster .................. 75Gambar 3.22. Desain Tampilan Hasil Pengelompokkan 4 Cluster ................. 75Gambar 3.23. Desain Tampilan Menu Utama User.......................................... 76Gambar 4.1. Tampilan Login ......................................................................... 99Gambar 4.2. Tampilan Menu Utama Admin ..................................................100Gambar 4.3. Tampilan Tambah Data Penduduk.............................................101Gambar 4.4. Tampilan Ubah Password ..........................................................102Gambar 4.5. Tampilan Menu Utama User......................................................103Gambar 4.6. Tampilan Pengelompokkan Penduduk ......................................104Gambar 4.7. Tampilan Hasil Pengelompokkan 2 Cluster ..............................105Gambar 4.8. Tampilan Hasil Pengelompokkan 4 Cluster ..............................105

  DAFTAR TABEL

  X dengan (

Tabel 3.1 Tabel data .................................................................................. 41Tabel 3.2 Tabel data................................................................................... 42Tabel 3.3 Tabel matrik random ( µ ik )

  2

  ....................................................... 43

Tabel 3.4 Tabel perkalian data ij

  µ i1 )

Tabel 2.12 Tabel perhitungan data X ij dengan pusat cluster V 1j ................. 31

  2

  ..................................... 44

Tabel 3.5 Tabel perkalian data ij

  X dengan (

  µ i2 )

  2

  ..................................... 44

Tabel 2.13 Tabel fungsi keanggotaan baru .................................................. 32Tabel 2.11 Tabel perhitungan data X ij dengan pusat cluster V 1j ................. 30Tabel 2.1 Tabel data X ij ............................................................................. 20Tabel 2.7 Tabel perhitungan data X ij dengan pusat cluster V 1j ........................ 26Tabel 2.2 Tabel perhitungan data Xij dengan pusat cluster 5,5 ................. 22Tabel 2.3 Tabel perhitungan data X ij dengan pusat cluster 15 , 15 ................ 22Tabel 2.4 Tabel perhitungan matrik partisi baru........................................ 23Tabel 2.5 Tabel Matrik Partisi Baru........................................................... 23Tabel 2.6 Tabel perkalian data dengan (

  µ ^{ik ) 2} ................................................ 25

  Tabel 2.8

  .......................................... 29

  Tabel perhitungan data X _ij dengan pusat cluster V _{2j ........................ 26}

Tabel 2.9 Tabel perhitungan fungsi keanggotaan baru .............................. 27

  Tabel 2.10

  Tabel perkalian data _ij

  X dengan (

  µ ik

  ) ²

Tabel 3.6 Tabel fungsi keanggotaan baru .................................................. 45 ............................................Tabel 3.9 Tabel fungsi keanggotaan baru .................................................. 46

  V X

Tabel 3.19 Tabel perhitungan data X

  

ij

  dengan pusat cluster V

  2j

  ................. 58

Tabel 3.20 Tabel perhitungan

  ( ) ^{2 1 2 2} ₁ ^{1 i} _j

^{j ij}

  µ

  ..................................... 57

  

−

=

  ............................................ 59

Tabel 3.21 Tabel perhitungan matrik partisi baru........................................ 60Tabel 3.22 Tabel fungsi keanggotaan baru .................................................. 60Tabel 3.23 Tabel Login .............................................................................. 69Tabel 3.24 Tabel Penduduk ......................................................................... 70Tabel 4.1 Tabel Penduduk .......................................................................106Tabel 4.2 Tabel Hasil Pengelompokkan 2 Cluster.....................................112Tabel 3.18 Tabel pusat cluster ..................................................................... 58

  2

Tabel 3.10 Tabel perhitungan

  µ ik )

  ( ) ² ₁ ^{2 3} _{1 1 i j j ij}

  V X µ − =

  ........................................... 47

Tabel 3.11 Tabel perhitungan derajat fungsi keanggotaan baru .................. 48Tabel 3.12 Tabel fungsi keanggotaan baru .................................................. 49Tabel 3.13 Tabel data................................................................................... 54Tabel 3.14 Tabel data................................................................................... 55Tabel 3.15 Tabel matrik random (

  2

  X dengan ( µ i2 )

  ....................................................... 56

Tabel 3.16 Tabel perkalian data ij

  X dengan (

  µ

  i1 )

  2

  .................................... 57

Tabel 3.17 Tabel perkalian data ijTabel 4.3 Tabel Hasil Pengelompokkan 4 Cluster.....................................117

BAB I PENDAHULUAN

1.1 LATAR BELAKANG

  Kebutuhan informasi mengenai karakteristik kemiskinan sangat diperlukan untuk koordinasi, pengendalian dan sebagai pendukung pengambilan berbagai kebijakan bagi pemerintah dan masyarakat luas. Kemudahan serta ketepatan untuk memperoleh informasi dalam pengelompokkan penduduk miskin akan mempermudah pemerintah serta badan instansi terkait dalam memberikan program bantuan atau subsidi kepada penduduk. Terutama untuk daerah miskin dan tertinggal dengan angka kemiskinan yang cukup tinggi yang sangat memerlukan bantuan, baik dari pemerintah ataupun pihak-pihak lain.

  Guna memberikan informasi kemiskinan yang dibutuhkan, pengelompokkan penduduk dilakukan oleh berbagai pihak, baik dari lembaga pemerintah maupun lembaga non pemerintah, misalnya BPS, BKKBN, Departemen Perekonomian, LSM, maupun pemerintah desa sebagai unit terkecil pemerintahan, menggunakan berbagai cara dan kriteria pengelompokkan yang berbeda-beda. Beberapa jenis pengelompokkan misalnya, yang pertama sesuai dengan BPS (Badan Pusat Statistika), terdapat dua kelompok yaitu Rumah Tangga Mampu dan Tidak Mampu. Yang kedua sesuai dengan BKKBN, terdapat empat kelompok yaitu, PraKS (Pra Keluarga Sejahtera), KS I (Keluarga Sejahtera I), KS II, dan KS III .

  Sebagai unit paling kecil dalam pemerintahan, desa dianggap perlu untuk melakukan pengelompokkan. Karena sebagai pihak yang berhadapan langsung dengan penduduk dan menangani berbagai permasalah yang berkaitan dengan penduduk sehingga perlu memiliki informasi yang akurat mengenai kemiskinan di daerahnya.

  Pada proses pengelompokkan penduduk di tingkat desa, data keluarga miskin dan rawan pangan akan dikumpulkan dan dilakukan pengelompokkan oleh musyawarah desa. Proses pengelompokkan dilakukan secara manual. Data penduduk akan diperiksa satu per satu, dibandingkan dengan data penduduk yang lainnya dan diseleksi, setelah itu dilakukan proses perankingan. Hal tersebut tentu saja kurang efisien karena akan memakan banyak waktu dan tidak menutup kemungkinan terjadinya human error.

  Disisi lain, pihak-pihak yang berwenang melakukan pengelompokkan sering kali dihadapkan pada permasalahan yang berbenturan dengan kepentingan pribadi, kelompok maupun golongan. Yang dapat menyebabkan ketidak akuratan hasil pengelompokkan, karena lebih bersifat subjektif.

  Berkaitan dengan berbagai masalah tersebut, maka dibuat aplikasi Pengelompokkan Penduduk Berdasar Kemampuan Ekonomi untuk Daerah Miskin dengan Fuzzy C-Means. Fuzzy C-Means sebagai suatu metode pengelompokkan yang didasarkan pada logika kabur, merupakan salah satu cara praktis dalam melakukan pengelompokkan, dimana keberadaan tiap titik data dalam kelompok/cluster ditentukan oleh derajat keanggotaan (Sri Kusumadewi, 2004). Penggunaan aplikasi ini untuk melakukan pengelompokkan masyarakat berdasar kriteria jumlah penghasilan, luas bangunan tempat tinggal dan rekening listrik. Program ini akan menangani pengelompokkan sesuai dengan BPS (Badan Pusat Statistika), penduduk Mampu dan Tidak Mampu. Yang kedua sesuai dengan BKKBN yaitu, PraKS (Pra Keluarga Sejahtera), KS I (Keluarga Sejahtera I), KS II, dan KS III .

  Program ini ditujukan untuk daerah-daerah miskin, terpencil atau tertinggal untuk menentukan range kemampuan ekonomi penduduk dengan standar yang terdapat pada tempat tersebut. Sehingga hasil dari pengelompokan juga dapat dipakai sebagai pembanding dengan daerah lain untuk menentukan standar kualitas kemiskinan yang lebih baik.

1.2 RUMUSAN MASALAH

  Bagaimana membuat aplikasi yang dapat membantu pemerintah desa mengelompokkan penduduk ke dalam kelompok PraKS (Pra Keluarga Sejahtera), KS I (Keluarga Sejahtera I), KS II, dan KS III serta pengelompokkan ke dalam kelompok penduduk Mampu dan Tidak Mampu dengan menerapkan Fuzzy C-Means ?

  1.3 BATASAN MASALAH

  Sesuai dengan rumusan masalah diatas, maka batasan yang diberlakukan dalam tugas akhir ini adalah :

  1. Data diambil dari desa Wiladeg, kecamatan Karangmojo,Gunungkidul

  TM

  2. Program menggunakan Java dengan IDE NetBeans 5 dan MySQL 5 sebagai database.

  1.4 TUJUAN PENELITIAN

  Tujuan dari tugas akhir ini adalah membuat sistem aplikasi Pengelompokkan Penduduk Berdasar Kemampuan Ekonomi untuk Daerah Miskin dengan Fuzzy C-

  

Means yang diharapkan dapat memberikan informasi penggelompokkan penduduk

  yang akurat dapat membantu pemerintah untuk mengelompokkan penduduk, sesuai dengan kemampuan ekonomi.

  1.5 METODOLOGI PENELITIAN

  Metode yang digunakan dalam penyusunan tugas akhir ini adalah

  1. Tinjauan pustaka Mempelajari bahan-bahan tertulis seperti buku cetak, makalah, tutorial yang ada kaitannya dengan pengembangan sistem.

  2. Wawancara Melakukan studi dengan metode wawancara kepada dosen, perangkat desa ataupun pihak-pihak yang berhubungan dengan permasalahan yang dibahas dalam tugas akhir ini.

  3. Pengumpulan data Mengumpulkan data-data yang berkaitan dengan sistem yang sedang dikerjakan.

  4. Perancangan Model Fuzzy C-Means dan Perancangan Program Perancangan model Fuzzy C-Means dan perancangan sistem, meliputi perancangan umum sistem, perancangan basisdata, dan perancangan antarmuka.

  5. Implementasi Menterjemahkan hasil rancangan model Fuzzy C-Means dan rancangan program menggunakan bahasa pemrograman.

  6. Penulisan tugas akhir Pembuatan laporan sampai dengan pembuatan kesimpulan dari implementasi sistem yang telah dilakukan.

1.6 SISTEMATIKA PEMBAHASAN

  Penulisan tugas akhir ini tersusun dari 5 (lima) bab dengan sistematika penulisan sebagai berikut :

BAB I PENDAHULUAN Bab Pendahuluan berisi latar belakang masalah, rumusan masalah, tujuan

  BAB II LANDASAN TEORI Bab ini menjelaskan tentang landasan teori yang akan menjadi dasar

  dibuatnya sistem aplikasi Pengelompokkan Penduduk Berdasar Kemampuan Ekonomi untuk Daerah Miskin dengan Fuzzy C-Means.

  BAB III ANALISIS DAN PERANCANGAN SISTEM Bab ini berisi tentang perancangan sistem, meliputi perancangan umum

  sistem, perancangan Fuzzy C-Means 2 cluster dan Fuzzy C-Means 4 cluster, perancangan basisdata dan perancangan antarmuka.

  BAB IV IMPLEMENTASI SISTEM DAN HASIL Bab ini berisi implementasi program (coding) dari sistem yang akan dibuat,

  pembahasan penerapan algoritma Fuzzy C-Means, implemantasi antarmuka dan hasil implementasi.

  BAB V PENUTUP Bab ini berisi kesimpulan dari sistem yang telah dibuat, serta saran untuk pengembangan dan penyampurnaan Tugas Akhir yang dibuat.

BAB II LANDASAN TEORI

2.1 PENGANTAR LOGIKA FUZZY

  Orang yang belum pernah mengenal logika fuzzy pasti akan mengira bahwa logika fuzzy adalah sesuatu yang amat rumit dan tidak menyenangkan. Namun, sekali seseorang mulai mengenalnya, ia pasti akan sangat tertarik dan akan menjadi pendatang baru untuk ikut serta mempelajari logika fuzzy. Logika fuzzy dikatakan sebagai logika baru yang lama, sebab ilmu tentang logika fuzzy modern dan metode baru ditemukan beberapa tahun lalu, padahal sebenarnya konsep tentang logika fuzzy itu sendiri sudah ada sejak lama. Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Sebagai contoh :

  1. Manajer pergudangan mengatakan pada manajer produksi seberapa banyak persediaan barang pada akhir minggu ini, kemudian manajer produksi akan memetakan jumlah barang yang harus diproduksi esok hari.

  2. Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan memberikan tip yang sesuai atas baik tidaknya pelayan yang diberikan;

  3. Anda mengatakan pada saya seberapa sejuk ruangan yang anda inginkan, saya akan mengatur putaran kipas yang ada pada ruangan ini.

  Salah satu contoh pemetaan suatu input-output dalam bentuk grafis seperti pada Gambar 2.1.

  Gambar 2.1.Black box Antara input-output terdapat satu kotak hitam yang harus memetakan input ke output yang sesuai.

2.2 KONSEP DASAR HIMPUNAN FUZZY

2.2.1 Himpunan Tegas (Crisp Set)

  Secara intuitif kita memahami himpunan sebagai suatu kumpulan atau koleksi obyek-obyek (konkret maupun abstrak) yang mempunyai kesamaan sifat tertentu. Suatu himpunan haruslah terdefinisi secara tegas, dalam arti bahwa untuk setiap obyek selalu dapat ditentukan secara tegas apakah obyek tersebut merupakan anggota himpunan itu atau tidak. Dengan perkataan lain, untuk setiap himpunan terdapat batas yang tegas antara obyek-obyek yang merupakan anggota dan obyek-obyek yang tidak merupakan anggota dari himpunan itu. Oleh karenanya, himpunan semacam itu seringkali juga disebut himpunan tegas (crisp set).

  Ada beberapa cara untuk menyatakan suatu himpunan, yaitu:

  1. Cara daftar, yaitu menyatakan suatu himpunan dengan menuliskan satu per satu lambang anggota-anggotanya diantara tanda kurung kurawal.

  Cara ini biasanya dipakai untuk himpunan-himpunan yang diskret. Sebagai contoh, himpunan A yang beranggotakan a

  1 , a 2 , a 3 , …, a n dapat

  dituliskan sebagai: A = {a

  1 , a 2 , a 3 , …, a n }

  2. Notasi pembentuk himpunan Himpunan terdiri atas semua nilai x yang memenuhi P (x). Adapun penulisannya adalah sebagai berikut:

  A = { x | P(x) }

  3. Fungsi keanggotaan (membership function) Fungsi keanggotaan dari suatu himpunan A dalam U = Universal of

  Discourse yang dinotasikan sebagai:

  1, jika x ε A

  [ x ] = µ _A

  0, jika x ε A Maksudnya, yaitu: satu (1), berarti bahwa suatu item menjadi anggota dalam suatu

• himpunan.
• nol (0), berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.

  Contoh : Jika diketahui : S={1,3,5,7,9} adalah semesta pembicaraan; A={1,2,3} dan B={3,4,5}, maka dapat dikatakan bahwa:

• Nilai keanggotaan 1 pada himpunan A, µ A (1)=1, karena 1 ∈ A.
• Nilai keanggotaan 3 pada himpunan A, µ (3)=1, karena 3 ∈A.

  A • Nilai keanggotaan 2 pada himpunan A, µ A (2)=0, karena 2 ∈A.

• Nilai keanggotaan 4 pada himpunan B, µ B (2)=0, karena 4 ∈B.

2.2.2 Himpunan Fuzzy (Fuzzy Set)

  Kalau pada himpunan crisp nilai keanggotaan hanya ada 2 kemungkinan, yaitu 0 dan 1; pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Apabila x memiliki nilai keanggotaan fuzzy

  µ _A [ x ] = berarti x tidak menjadi anggota himpunan A, demikian pula

  µ [ x ] = _A

  1

  apabila x memiliki nilai keanggotaan fuzzy berarti x menjadi anggota penuh pada himpunan A.

  Himpunan fuzzy memiliki 2 atribut, yaitu: a. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA, PAROBAYA, dan TUA.

  b. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel, seperti: 40, 25, dan 50.

  Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu: a. Variabel fuzzy

  Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh: umur, temperatur, dan permintaan.

  b. Himpunan fuzzy Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy.

  Contoh: Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu MUDA, • PAROBAYA, dan TUA.

• DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.

  Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu:

  c. Semesta pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi nilai atasnya.

  Contoh: Semesta pembicaraan untuk variabel umur: [0 + ∞ ] • Semesta pembicaraan untuk variabel temperatur: [0, 40]

• d. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif. Contoh domain himpunan fuzzy:
• PAROBAYA = [35, 55] • TUA = [45, + ∞ ]

  MUDA = [0, 45]

• 2.3 FUZZY CLUSTERING

  Untuk mengelompokkan para pengambil keputusan menjadi kelompok- kelompok kecil, berdasarkan persamaan karakteristik, dibutuhkan suatu mekanisme dilakukan sedemikian rupa sehingga setiap objek berada tepat pada satu partisi. Namun, adakalanya kita tidak dapat menempatkan suatu objek tepat pada suatu partisi, karena sebenarnya obyek tersebut terletak diantara 2 atau lebih partisi yang lain. Pada logika fuzzy, ada beberapa metode yang dapat digunakan untuk melakukan pengelompokkan sejumlah data yang sering dikenal dengan nama fuzzy custering.

  Pada kebanyakan situasi, fuzzy clustering, lebih alami jika dibandingkan dengan pengclusteran secara klasik. Suatu algoritma clustering dikatakan sebagai algoritma

  

fuzzy clustering jika dan hanya jika algoritma tersebut menggunakan parameter

  strategi adaptasi secara soft competitive (non-crisp) (Baraldi, 1998). Sebagian besar algoritma fuzzy clustering didasarkan atas optimasi fungsi obyektif atas modifikasi dari fungsi obyektif tersebut.

  Pemulihan algoritma clustering yang tepat, sangatlah penting demi suksesnya proses clustering. Secara umum, algoritma pengclusteran dicirikan berdasarkan ukuran kedekatan dan kriteria pengclusteran (Vazirgiannis, 2003). Ukuran kedekatan menunjukkan seberapa dekat kedekatan fitur antara 2 data; sedangkan criteria pengclusteran biasanya diekspresikan dengan menggunakan fungsi atau biaya tipe aturan yang lainnya.

2.3.1 Partisi Klasik (hard partition)

  Konsep partisi menjadi bagian yang sangat penting bagi proses pengclusteran. Tujuan proses pengclusteran pada partisi klasik adalah asumsi bahwa c diketahui (Babuska, 2005). Dengan menggunakan teori himpunan klasik, partisi klasik X dapat didefinisikan sebaga suatu keluarga dari himpunan bagian-himpunan bagian (A | 1 ≤ i ≤ c}⊂ P(X), P(X) adalah

  i power set dari X, dengan property sebagai berikut (Bezdek, 1981): _{c i = 1} A = _i

  X

  (2.1)

  A ∩ A = ;

  1 ≤ i≠j ≤ c (2.2) _i φ ⊂ A ⊂

  X ;

  1 ≤ i ≤ c (2.3) φ i

  Persamaan 2.1 menunjukkan bahwa union dari himpunan bagian A i berisi semua data. Himpunan bagian-himpunan bagian harus bersifat disjoin (Persamaan 2.2), dan tidak boleh ada yang berupa himpuna kosong (Persamaan 2.3). Dalam bentuk fungsi keanggotaan, suatu partisi dapat direpresentasikan sebagai matriks partisi U = [ µ ik ] cxn . Baris ke-i pada matriks tersebut berisi nilai keangotaan pada himpunan bagian A . Bersadarkan

  µ

  I i

  persamaan 2.1, maka elemen-elemen pada matriks U harus memenuhi kondisi sebagai berikut : ∈ , 1 ; 1 ≤ i ≤ c; 1 ≤ k ≤ n (2.4)

  µ { } _{c ik i = 1} µ = _{ik c} 1 ; 1 ≤ k ≤ n (2.5) 0 < (2.6) _{i 1} µ < n; 1 ≤ i ≤ c _ik

  = Semua kemungkinan partisi dari matriks X disebut dengan hard

  partitioning space (Bezdek, 1981), yang didefinisikan sebagai: _{cxn c c}

  (2.7)

  M = U ∈ ℜ | µ ∈ { , _{hc ik ik ik}

1 }, ∀ i , k µ =

_{i =}

_{1 i =} 1 , ∀ k ; < µ < n , ∀ ₁

2.3.2 Partisi fuzzy (fuzzy partition)

  Jika pada matriks, suatu data secara eksekusif menjadi anggota hanya pada satu cluster saja, tidak demikia halnya dengan partisi fuzzy. Pada partisi fuzzy, nilai keanggotaan suatu data pada suatu cluster, µ ik , terletak pada interval [0,1]. Matriks partisi pada partisi fuzzy memenuhi kondisi sebagai berikut (Ruspini, 1970):

  [ , 1 ]; 1 i c; 1 k n (2.8) µ ∈ _{c ik}

  = 1 ; 1 k n (2.9) _{i 1} µ _ik

  = _c

  0 < (2.10) _{k = 1} µ < n; 1 i c _ik

  Baris ke-I pada matriks partisi U berisi nilai keanggotaan data pada himpunan bagian fuzzy A i . Jumlah derajat keanggotaan setiap data pada semua cluster (jumlah setiap kolom) bernilai 1 (persamaan 2.9). Semua kemungkinan partisi dari matriks X disebut dengan fuzzy partitioning

  space , yang didefinisikan sebagai : _{cxn c c}