Analisis Metode FCM untuk Pengelompokan Data Masyarakat Miskin

1. Data Masukan
Data yang akan dikelompokkan adalah data masyarakat yang telah dimiliki sebelumnya,
misalkan data yang telah ada seperti terlihat pada Tabel 4.1 berikut ini :
Tabel 4.1 Data masyarakat miskin
NO
1
2
3
4
5
6
7
8
9
10

X1
10
10
10
7
7
10
10
5
0
10

X2
1
1
10
10
5
10
10
10
0
10

X3
10
5
5
10
5
5
5
1
1
1

X4
26
20
33
20
28
28
28
31
22
28

X5
5
0
5
0
5
5
5
3
0
5

Jumlah data yang akan dijadikan sebagai contoh sebanyak 10 data kasus, sedangkan
masing-masing kolom dijelaskan sebagai :
X1 : Pekerjaan
X2 : Rumah tinggal
X3 : Kepemilikan investasi
X4 : Jumlah tanggungan
X5 : Penghasilan sebulan

Sedangkan untuk parameter inputan FCM ditentukan sebagai berikut :

jumlah cluster

=c

= 3;

pangkat

=w

= 2;

maksimum iterasi

= MaxIter

= 50;

error terkecil yang diharapkan

= 10-3;

fungsi obyektif awal

= P0

= 0;

iterasi awal

=t

= 1;

2. Analisis proses
Pada tahap pemrosesan data masukan dilakukan berdasarkan aturan algoritma dari metode
sendiri, diantaranya :

a. Tentukan matrik partisi U dengan menggunakan persamaan Q j

ik

ik
Qj

Matrik

k 1

ik

dan

diperoleh seperti Tabel 4.2 berikut ini :

Tabel 4.2 Matrik Partisi

Data
ke-i

Uik
2

0,17

0,48

0,35

0,27

0,69

0,04

0,56

0,11

0,33

0,45

0,32

0,23

0,09

0,69

0,22

0,32

0,36

0,32

0,14

0,20

0,66

0,55

0,15

0,30

0,23

0,32

0,55

10

0,17

0,65

0,18

b. Menentukan Pusat Cluster

Dengan menggunakan persamaan Vkj

ik

i 1

X ij

. Tabel 4.3 menjelaskan hasil dari

w
ik
i 1

perhitungan awal untuk mendapatkan nilai dari pusat cluster

Tabel 4.3 Perhitungan awal pusat cluster

k/j
1
2
3

1
8,36070
13,04400
8,86910

1,0505
1,48920
0,96230

2
9,54830
6,15300
8,26410

3
5,19950
9,02000
5,32850

4
29,62850
36,73680
27,07790

5
3,27050
4,50850
4,35900

Pusat cluster diperoleh dari kelanjutan hasil perhitungan Tabel 4.3 dengan memberikan hasil
seperti Tabel 4.4 berikut ini :
Tabel 4.4 Pusat cluster

k/j
1
1

7,958782

2
9,089291

)
(

3
4,949548

4
28,204188

5
3,113279

2
3

8,759065
9,216564

4,131749
8,587862

6,056943
5,537254

24,668815
28,138730

3,027464
4,529772

c. Fungsi objektif pada iterasi pertama P1 dapat dihitung dengan menggunakan

persamaan ..... . Detail perhitungan fungsi objektif ini dapat dilihat pada Tabel 4.5
berikut ini :
Tabel 4.5 Perhitungan fungsi objektif
(

Data
ke-i/k

1
2,991972
10,687647
9,896599
21,112030
0,172089
0,880632
0,168558
9,986161
11,095288
0,699273

1
2
3
4
5
6
7
8
9
10

2
7,501458
20,676202
1,335755
8,605876
9,499617
6,749712
2,083244
2,570046
13,890904
32,336737

3
10,1553486
0,23237734
2,91303198
6,00844307
0,88644199
0,32121919
1,36643634
4,57985663
71,8395046
0,75929213

20,648779
31,596227
14,145386
35,726349
10,558148
7,951563
3,618239
17,136064
96,825697
33,795303
141,380754

d. Perbaiki derajat keanggotaan baru, seperti yang terlihat pada Tabel 4.6 berikut ini :
Tabel 4.6 Perbaikan derajat keanggotaan baru (

Data
ke-i/k

)
((

Baru)

Baru

0,000093 0,000943 0,000146

0,001182 0,07892331 0,797991 0,1230855

0,000047 0,000530 0,000047

0,000624

0,001004 0,000082 0,001398

0,000092 0,000142 0,000078

0,002484 0,40427756 0,033038 0,5626842

0,000311 0,29572797 0,455105 0,2491666

0,002215 0,002512 0,002981

0,007708 0,28740751 0,325849 0,3867432

0,013521 0,000369 0,101624

0,115514 0,11705156 0,003192 0,8797569

0,013521 0,000369 0,101624

0,115514 0,11705156 0,003192 0,8797569

0,000918 0,000077 0,000386

0,001380 0,66472665 0,055523 0,2797504

0,000023 0,000054 0,000018

0,000095 0,23977483 0,573203 0,1870224

10

0,001708 0,000171 0,001821

0,003700 0,46168558 0,046143 0,4921715

4
5

0,0745419 0,849502

0,075956

e. Berikutnya dilakukan pengecekan kondisi berhenti, karena |P1-P0| = |0,7494-0|>>

(0,0001) dan iterasi = 1< MaxIter (=50) maka dilakukan kembali tahapan algoritma
pengclusteran data diatas.

3. Data Keluaran
Penentuan kelompok dari data ditentukan ketika iterasi berhenti, misalkan Tabel 4.7
berikut ini adalah data akhir hasil iterasi yang terbentuk. Penentuan kelompok diperoleh
dengan membandingkan nilai tiap cluster dari data.
Tabel 4.7 Pengelompokan data
Data
ke-i/k
1
2
3
4
5
6
7
8
9
10

1
0,07892331
0,0745419
0,40427756
0,29572797
0,28740751
0,11705156
0,11705156
0,66472665
0,23977483
0,46168558

2
0,797991
0,849502
0,033038
0,455105
0,325849
0,003192
0,003192
0,055523
0,573203
0,046143

3
0,1230855
0,075956
0,5626842
0,2491666
0,3867432
0,8797569
0,8797569
0,2797504
0,1870224
0,4921715

Cluster
2
*
*

*
*
*
*
*
*
*
*

Dari Tabel 4.7 terlihat bahwa anggota dari tiap cluster yang terbentuk yaitu :
Cluster 1 : { 8 }
Cluster 2 : { 1, 2, 4, 9 }
Cluster 3 : { 3, 5, 6, 7, 10 }

Analisis Case Based Reasoning Untuk Penentuan Masyarakat Miskin

Hasil yang diperoleh dari perhitungan FCM dalam bentuk kelompok-kelompok akan
digunakan sebagai dasar pengetahuan penentuan posisi dari data kasus baru. Misalkan pada
hasil perhitungan di atas yang telah diperoleh dapat dilakukan interval nilai kriteria yang ada,
seperti Tabel 4.8 berikut ini :
Tabel 4.8 Interval kelompok
Cluster
Pekerjaan
1
2
3

5
0-10
7-10

Rumah
tinggal
10
0-10
5-10

Kriteria
Kepemilikan
1
1-10
1-5

Jumlah
tanggungan
31
20-26
28-33

Penghasilan
3
0-5
5

Jika pada contoh ini mempunyai kasus baru dengan data-data sebagai berikut :
Pekerjaan

:5

Rumah tinggal

:5

Kepemilikan

:0

Jumlah tanggungan

:5

Penghasilan

:3

dari kasus ini akan ditentukan keberadaannya pada kelompok dengan menghitung selisih
antara pusat cluster dengan data kasus, rincian perhitungan dapat dilihat pada Tabel 4.9
berikut ini :
Tabel 4.9 Perhitungan selisih kasus

1
2
3

Pusat Cluster Data Kasus Baru

1
2
3
2,958782
4,089291
4,949548
3,759065
0,868251
6,056943
4,216564
3,587862
5,537254

4
23,204188
19,668815
23,138730

5
2,113279
2,027464
3,529772

Hasil
37,315088
30,644037
40,010184

Dari hasil perhitungan Tabel 4.9 dapat diketahui bahwa nilai yang terkecil dari perhitungan
selisih terlihat pada cluster ke 2 dengan nilai 30,644037. Ini juga membuktikan bahwa kasus
baru yang diberikan termasuk ke dalam kategori LAYAK