Bismillah Proposal Fix
Bismillah Proposal Fix
Disusun Oleh:
Risalatul Hanifah
NIM. M0512049
: Risalatul Hanifah
: M0512049
PERSETUJUAN PEMBIMBING
Proposal Tugas Akhir ini telah disetujui pada
tanggal 22 Desember 2015 oleh :
Pembimbing 1
Pembimbing 2
1. JUDUL/ TOPIK
2.
pemerintah kota untuk menentukan nominasi kota yang masuk dalam kriteria
Smart City. Proses tahapan yang dilakukan untuk menyeleksi antara lain
pemilihan kota, penentuan indikator, pengisian kuisioner secara online,
perhitungan dan peringkat, survey ke setiap kota kandidat, perhitungan indeks dan
peringkat, serta penentuan kota sebagai Smart City (Tanaya, 2015). Pada tanggal
13 Agustus 2015, Kompas mengumumkan ada 15 kota yang masuk dalam
nominasi dengan terbagi menjadi 3 kelompok, yaitu kota kecil, kota sedang, dan
kota besar (Mesakh, 2015). Tahapan-tahapan tersebut dilakukan dengan cara
penilaian oleh masyarakat dan validasi data. Berdasarkan penentuan Smart City
tersebut dapat dibuat visualisasi seperti berupa peta. Hal ini diperlukan untuk
mengetahui kemiripan data antar kota. Seperti yang telah diketahui, hanya
beberapa kalangan yang mengetahui tentang Smart City di Indonesia. Untuk itu
perlu adanya bentuk visual yang dapat menarik masyarakat agar tahu lebih jelas
mengenai konsep tersebut.
9.
Penelitian yang dilakukan adalah membuat peta Smart City dengan
mengidentifikasi
indikator
Smart
City.
Identifikasi
indikator
tersebut
Rumusan Masalah
12.
masalah terkait dengan pembuatan peta Smart City di Provinsi Jawa Tengah
adalah bagaimana cara membuat peta Smart City dengan menggunakan SelfOrganizing Maps (SOM) untuk menampilkan kemiripan data antar kota.
2.2
Batasan Masalah
13.
telah ditentukan.
Memberikan gambaran kemiripan data antar kota di Provinsi Jawa Tengah
17.
jurnal di atas adalah sama-sama melakukan pemetaan pada suatu kasus atau
masalah dimana pada jurnal mengangkat masalah kejahatan berdasarkan
angka kejahatan dan tipologi tersangka, sedangkan pada penelitian yang
diusulkan mengangkat masalah kota pintar yang disesuaikan dengan
indikator penentu.
1. Indikator yang digunakan yaitu. Setiap indikator tersebut memiliki 2
hingga 3 sub-indikator yang digunakan untuk menentukan Smart City.
28.
d. Penelitian yang dilakukan oleh Dong Lu, Ye Tian, Vincent Y.Liu, dan Yi
Zhang tentang The Performance of the Smart Cities in China A
Comparative Study by Menas of Self-Organizing Maps and Sosial Networks
Analysis.
Penelitian
tersebut
dilakukan
untuk
memvisualisasikan
cara
pengelompokan
Communication,
Smart
Business,
City
Public
berdasarkan
Service,
Human
indikator,
Capital,
yaitu
dan
33.
34.
Penulis
35.
Judul
32.
36.
Tujuan
37.
Metod
38.
Hasil
No
Penelitian
.
41.
42.
Mulla Ali
Sebaran Mutu
pemetaan mutu
Organizing
perbandingan
Basthoh, Surya
Pendidikan Dasar
pendidikan sekolah
Maps (SOM)
cluster yang
Sumpeno, dan I
Menggunakan Metode
dasar sehingga
dibentuk dan
Ketut Eddy
Self-Organizing Maps
dapat memberikan
peta sebaran
Purnama
(SOM)
gambaran kondisi
mutu
lapangan mengenai
pendidikan
Ahmad
43.
Pemetaan
44.
Membuat
45.
Self-
46.
Grafik
mutu pendidikan
52.
Memetakan
53.
of World Cities
kesenjangan relatif
Organizing
clustering kot
Kourtit, dan
Through Self-
antara kota-kota di
Maps (SOM)
digolongkan
Peter Nijkamp
Organizing Maps
ke dalam 3
perspektif
dengan indikator
utama
49.
50.
Daniel
51.
Arribas, Karima
Benchmarking
Self-
54.
Peta
sosial ekonomi
57.
58.
59.
60.
Nisw
61.
62.
63.
Pembuatan Peta
64.
Memvisual
65.
Self-
66.
ah Wara
Kejahatan Di Kabupaten
isasikan data
Organizing
kejahatan di
Pratidina
Sukoharjo Menggunakan
kejahatan dalam
Maps (SOM)
setiap
dan
Metode Self-Organizing
bentuk peta
Sarngadi
Maps (SOM)
kecamatan di
Sukoharjo dan
Palgunadi
69.
70.
Dong
Lu, Ye Tian,
Peta
tipologi
71.72.
Memvisual
T isasikan
73.
tersangka
74.
Peta
Self-
Organizing
Smart City di
Vincent
perkembangan
Maps (SOM)
China
Y.Liu, dan
Smart City di
dan Social
berdasarkan 6
Yi Zhang
China dalam
Network
indikator
bentuk peta
Analysis
10
77.
78.
Risal
atul Hanifah
79.80.
Membuat
81.
Princip
82.
P visualisasi Smart
al Component
model peta
dan
City di Provinsi
Analysis (PCA)
Smart City di
Sarngadi
Jawa Tengah
dan Self-
Provinsi Jawa
Palgunadi
Organizing
Tengah
Maps (SOM)
11
4. DASAR TEORI
4.1. Pengertian Smart City
85.
Definisi Smart City memiliki banyak versi, salah satunya
menjelaskan bahwa suatu kota dikatakan sebagai kota pintar apabila investasi
pada sumber daya manusia, modal sosial, dan infrastruktur sistem komunikasi
dapat meningkatkan pertumbuhan yang lebih berkualitas, dengan pengelolaan
yang bijaksana dan tata pemerintahan yang partisipatif (Caragliu, Chiara Del Bo,
& Peter Nijkamp, 2009). Penjelasan lain diungkapkan oleh Dameri dalam (Nuzir
& Saifuddin, 2015), bahwa kota pintar adalah area geografis tertentu dimana
teknologi ICT, logistic, produksi energy, dan lain-lain saling melengkapi dalam
rangka menciptakan manfaat bagi penduduk kota yang dikelola dengan tata
pemerintahan yang tertib dan kebijakan yang baik. Definisi yang lainnya tidak
jauh berbeda, hanya saja dalam hal menentukan indikator yang mempengaruhi
Smart City ada banyak persepsi yang muncul karena definisi dan konsepnya
begitu luas.
86.
Istilah Smart City cenderung memiliki arti bahwa sebuah kota yang
pintar dengan ditunjang adanya kemajuan teknologi di berbagai aspek dalam kota.
Hal tersebut memang benar, tetapi di Indonesia sendiri penerapan teknologi masih
perlu ditingkatkan karena teknologi yang canggih juga memerlukan biaya yang
besar. Sehingga konsep bahwa Smart City di Indonesia harus bertumpu pada
teknologi bukanlah faktor utama dalam menentukan Smart City. Pendapat ini
dikemukakan oleh Budayawan Yasraf Amir Pilang dalam berita VOA Indonesia
(Wulan, 2015). Konsep Smart City saat ini mulai diterapkan di berbagai kota besar
di Indonesia. Konsep ini merupakan impian bagi kota-kota di Indonesia karena
diyakini bisa menyelesaikan berbagai masalah perkotaan seperti kemacetan,
penumpukan sampah, dan keamanan warga kota.
87.
Berdasarkan laporan mengenai Smart City di Eropa yang dilakukan
oleh (Giffinger & all, 2007) menjelaskan bahwa indikator yang digunakan dalam
penentuan Smart City terlihat pada gambar 4.1.
12
88.
89. Gambar 4.1 Indikator dan Sub-Indikator Smart City
90.
IBM. Versi Smart City di Indonesia adalah untuk membentuk suatu kota yang
aman (dimensi sosial), nyaman bagi warganya (dimensi lingkungan), serta
memperkuat daya saing kota dalam hal perekonomian (dimensi ekonomi).
Menurut Menteri PUPR (Pekerjaan Umum dan Perumahan Rakyat), Basuki
Hadimuljono, ada 8 indikator yang akan diterapkan dalam konsep Smart City di
kota dan kabupaten Indonesia, antara lain smart development planning, smart
green open space, smart transportation, smart waste management, smart water
management, smart building, dan smart energy.
4.2. Principal Component Analysis (PCA)
91.
Principal Component Analysis (PCA) adalah teknik statistik yang
digunakan untuk mereduksi dimensi data yang banyak sehingga didapatkan
variabel yang paling berpengaruh tanpa harus kehilangan informasi dari data
semula. Dengan menggunakan PCA, data lebih mudah diinterpretasikan (Johnson
& Wichern, 1982). Menurut Jollife dalam penelitian yang dilakukan oleh (M,
Adji, & Setiawan, 2012), PCA merupakan salah satu fitur reduksi variabel yang
paling banyak digunakan.
13
92.
x=[x 1 , x 2 , .. , x p ]
1 2 p 0 .
(2.1)
'
p
(2.2)
95.
96.
Dengan
y p=l x=l 1 p x 1+ l 2 p x 2+ +l pp x p
p=1,2, , p
y1
dan
'
i=1
i=1
97.
(2.3)
11 + 12+ + pp= 1 + 2 ++ p
100.
101.
102.
(2.4)
komponen utama :
k
1+ 2 ++ p
Cara
menentukan
menentukan
jumlah
14
varians sejumlah variabel yang disusun berurutan mulai dari yang terbesar sampai
terkecil sehingga dapat menjelaskan keragaman data. Eigenvalue adalah nilai
karakteristik dari suatu matriks bujur sangkar.
104.
Jika A adalah matriks n x n, maka vektor tak nol x didalam R n
dinamakan vektor eigen dari A.
105.
det ( I - A) = 0
(2.5)
106.
matriks identitas (Roden, Smith, & Sacrey, 2015). Salah satu aplikasi eigenvalue
adalah analisis komponen utama. PCA secara luas digunakan untuk ekstraksi fitur
dan pengurangan dimensi.
4.4. Self-Organizing Maps (SOM)
107.
Self-Organizing Maps
(SOM)
merupakan
algoritma
yang
15
110.
111.
109.
Gambar 4.2 Ilustrasi SOM (Kohonen, 2013)
mi .
tersebut dihasilkan
(2.6)
Vector bobot w mempunyai dimensi yang sama terhadap input x
117.
b
w
[ j1 , w j 2 , x j 3 , x jm ]
w j=
Untuk
menentukan
, j=1,2,..,j
(2.7)
winner neuron,
dilakukan
perhitungan
16
119.
neighboring neuron.
4.5. Clustering
120.
untuk mengorganisasikan data yang tidak terstruktur menjadi suatu struktur data
yang memiliki nilai informasi tertentu. Tujuan dari clustering adalah untuk
mengelompokkan data yang memiliki kesamaan (similarity) ke dalam satu cluster
tertentu. Dengan kata lain bahwa satu cluster akan memiliki relevansi satu sama
lain, tetapi tidak memiliki hubungan dengan data di dalam cluster lain.
121.
Proses clustering berbeda dengan proses klasifikasi yang mana
pada awal proses harus memberikan kelas-kelas data. Clustering melakukan
pengelompokan data tanpa didasari pada kelas data tertentu yang sudah ditetapkan
dari awal. Oleh karena itu, clustering sering disebut dengan pengelompokan data
tak terstruktur.
122.
5. METODE PENELITIAN
123.
Ada beberapa tahapan penelitian yang dilakukan pada penelitian
ini. Tahapan tersebut dapat dilihat pada gambar 5.1.
124.
125. Gambar 5.1 Tahapan Penelitian
5.1. Pengumpulan Data
Data yang digunakan dalam penelitian ini berupa data Jawa Tengah
Dalam Angka Tahun 2014 yang telah dipublikasikan secara umum oleh
17
m1,1
sampai
m35,15 ,
18
p1,
p2 ,
p3 ,
p4,
p5, ,
p35 .
19
( p iw ij)2
(3.1)
i=1
Keterangan :
pi=neuron input
w ij=neuronbobot
Dari hasil perhitungan Euclidean Distance, dipilih jarak (D) terdekat dengan
vector input p. Nilai D yang paling kecil disebut sebagai winner neuron.
Neighboring neuron didefinisikan sebagai neuron tetangga yang posisinya
dekat dengan winner neuron dalam satu radius tertentu dalam matriks n x n,
seperti pada contoh gambar 5.3 (matriks 6 x 6).
Neighboring Neuron
Winner Neuron
Neighboring Neuron
Gambar 5.3 Contoh Winner Neuron dan Neighboring Neuron dengan
Radius 2
5.3.3. Update Bobot Winner Neuron dan Neighboring Neuron
Jika sudah didapat winner neuron dan neighboring neuron, bobot
winner dan neighboring diperbarui berdasarkan persamaan 3.2 :
pi (t )wij ( t )
ij ( t )+ h(t )
ij ( t+1 ) = w )
w
(3.2)
Neuron yang letaknya jauh dari Winner, tidak perlu diupdate seperti pada
persamaan 3.3 :
20
ij ( t +1 ) = wij (t )
w
(3.3)
Keterangan :
w ij (t +1 )=neuronbobot baru
w ij (t )=neuronbobot lama(tidak diupdate)
h(t )=learning rate
Bobot baru ini akan digunakan untuk menghitung Euclidean
Distance berikutnya.
5.3.4. Update Learning Rate dan Radius
Untuk iterasi pertama, akan dilakukan langkah 5.3.1-5.3.3, begitu
seterusnya hingga iterasi yang maksimal. Apabila iterasi masih belum
mencapai maksimal yang ditentukan, maka dilakukan update learning rate
dan radius. Setiap iterasi, radius area semakin lama semakin menyempit.
Oleh karena itu, perlu dilakukan pembaharuan. Pembaharuan juga
dilakukan pada learning rate (Nugroho, Kuroyanagi, & Iwata, 2002).
Untuk mencari perubahan untuk setiap learning rate digunakan persamaan
3.4.
h=
h .maxh . min
t
(3.4)
h ( t ) =0,2 1
t
t max
(3.5)
r ( t ) =5 1
t
t max
(3.6)
22
6. JADWAL PELAKSANAAN
9.
Waktu
12.
Des 13.
Jan 14.
Feb 15.
Mar 16.
Apr 17.
Mei 18.
Juni
ember 2015 uari 2016
ruari 2016
et 2016
il 2016
2016
2016
7. N 8.
Aktivit
21.
Min 22.
Min 23.
Min 24.
Min 25.
Min 26.
Min 27.
Min
o
as
ggu keggu keggu keggu keggu keggu keggu ke30. 31. 32. 33. 34. 35. 36. 37. 38. 39. 40. 41. 42. 43. 44. 45. 46. 47. 48. 49. 50. 51. 52. 53. 54. 55. 56. 57.
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
58.
59.
Penyus 60. 61. 62. 63. 64. 65. 66. 67. 68. 69. 70. 71. 72. 73. 74. 75. 76. 77. 78. 79. 80. 81. 82. 83. 84. 85. 86. 87.
1
unan Proposal
88.
89.
Semina 90. 91. 92. 93. 94. 95. 96. 97. 98. 99. 100.101.102.103.104.105.106.107.108.109.110.111.112.113.114.115.116.117.
2
r Proposal
118. 119. Implem 120.121.122.123.124.125.126.127.128.129.130.131.132.133.134.135.136.137.138.139.140.141.142.143.144.145.146.147.
3
entasi SOM
(Membuat
Program)
148. 149. Analisa 150.151.152.153.154.155.156.157.158.159.160.161.162.163.164.165.166.167.168.169.170.171.172.173.174.175.176.177.
4
Hasil
Pengujian
178. 179. Penyus 180.181.182.183.184.185.186.187.188.189.190.191.192.193.194.195.196.197.198.199.200.201.202.203.204.205.206.207.
5
unan Laporan
dan Makalah
208. 209. Semina 210.211.212.213.214.215.216.217.218.219.220.221.222.223.224.225.226.227.228.229.230.231.232.233.234.235.236.237.
6
r Hasil
238. 239. Revisi 240.241.242.243.244.245.246.247.248.249.250.251.252.253.254.255.256.257.258.259.260.261.262.263.264.265.266.267.
7
TA
268. 269. Sidang 270.271.272.273.274.275.276.277.278.279.280.281.282.283.284.285.286.287.288.289.290.291.292.293.294.295.296.297.
23
TA
298.
24
299.
DAFTAR PUSTAKA
300.
301.
Caragliu, A., Chiara Del Bo, & Peter Nijkamp. (2009). Smart Cities in
Europe.
302.
303.
304.
305.
306.
307.
Lu, D., Tian, Y., Liu, V. Y., & Zhang, Y. (2015). The Performance of the
Smart Cities in ChinaA Comparative Study by Means of SelfOrganizing Maps and Social Networks Analysis. Sustainability, 76047621.
308.
309.
Mesakh, E. (2015, Juni 17). Smart City, Smart People, Smart System.
Retrieved
from
Kompasiana:
http://www.kompasiana.com/eddymesakh/smart-city-smart-people-smartsystems_55632a9fce7e61746fcb9146
310.
311.
Nuzir, F. A., & Saifuddin, R. (2015). Konsep Kota Pintar yang Bertumpu
pada Masyarakat dan Pergerakannya di Kota Metro.
25
312.
313.
314.
Tanaya, I. (2015, April 27). Smart City: Pilihan Cerdas Bagi Kota yang
Ingin
Maju.
Retrieved
from
Kompasiana:
http://www.kompasiana.com/www.inatanaya.com/smart-city-pilihancerdas-bagi-kota-yang-ingin-maju_554854d7547b61b71825242d
315.
316.
City'.
Retrieved
from
VOA
Indonesia:
http://www.voaindonesia.com/content/kota-kota-indonesia-menujukonsep-smart-city/3024412.html
317.
318.
319.
320.
26