PROPOSAL TUGAS AKHIR

Pembuatan Peta Smart City di Provinsi Jawa Tengah

Menggunakan Self-Organizing Maps (SOM)

Disusun Oleh:
Risalatul Hanifah
NIM. M0512049

PROGRAM STUDI INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
ALAM
UNIVERSITAS SEBELAS MARET
2015

UNIVERSITAS SEBELAS MARET

PROGRAM STUDI INFORMATIKA

PROPOSAL TUGAS AKHIR

Nama
NIM

: Risalatul Hanifah
: M0512049

PERSETUJUAN PEMBIMBING
Proposal Tugas Akhir ini telah disetujui pada
tanggal 22 Desember 2015 oleh :

Pembimbing 1

Drs. Y. Sarngadi Palgunadi, M.Sc

NIP. 19560407 198303 1 004

Pembimbing 2

Dr. Wiranto, M.Kom., M.Cs.

NIP. 19661230 199302 1 001

1. JUDUL/ TOPIK
2.

Pembuatan Peta Smart City di Provinsi Jawa Tengah Menggunakan

Self-Organizing Maps (SOM).

3.
4. PENDAHULUAN
2.1 Latar Belakang
5.
Smart City atau Kota Pintar merupakan salah satu konsep
perencanaan kota. Menurut Bollier dalam penelitian yang dilakukan oleh
(Harrison & Donnelly, 2011), Smart City bukanlah hal baru karena telah digagas
di kota-kota negara maju sejak akhir tahun 1990. Konsep ini diadopsi sejak tahun
2005 untuk penerapan sistem informasi yang mengintegrasikan operasi perkotaan,
infrastruktur, layanan, bangunan, transportasi, listrik, distribusi air, dan
keselamatan publik.
6.
Smart City mempunyai penjelasan yang beragam dari pendapat
para ahli maupun pemerintah. Pada intinya konsep ini merupakan gabungan dari
infrastruktur kota dan masyarakat kota yang berpartisipasi dalam membentuk
perencanaan dan manajemen perkotaan yang dikelola oleh pemerintahan secara
tertib demi meningkatnya kesejahteraan hidup di berbagai aspek kehidupan.
7.
Konsep Smart City sendiri awalnya dicetuskan oleh perusahaan
komputer IBM. Menurut IBM, Smart City adalah sebuah kota yang memiliki
instrument saling berhubungan dan berfungsi cerdas. Keberhasilan Smart City
harus memenuhi enam indikator, yakni masyarakat penghuni kota harus cerdasterdidik (Smart People), lingkungan nyaman dan berkelanjutan (Smart
Environment), pertumbuhan ekonomi tinggi, masyarakat sejahtera secara finansial
(Smart Economy), mobilitas masyarakat lancar (Smart Mobility), masyarakat
berbudaya dan hidup berkualitas (Smart Living), dan tata kelola pemerintahan
yang baik, adil, demokratis, partisipatif, akuntabel (Smart Governance).
8.
Di Indonesia, konsep ini baru mulai terdengar pada tahun 2013 dan
masih dalam bentuk slogan-slogan program pemerintah seperti Kota Hijau, Kota
Sehat, dan sebagainya sehingga masih banyak dari masyarakat Indonesia tidak
mengetahui apa itu Smart City. Pada tahun 2014, Kompas dan Perusahaan Gas
Negara (PGN) meluncurkan Indeks Kota Cerdas Indonesia sebagai indikator
pemerintah dalam mengambil keputusan pelayanan kota. IKCI diolah berdasarkan
data sekunder dari Badan Pusat Statistik (BPS) ditambah dengan data dari
3

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

menggunakan Principal Component Analysis (PCA), untuk kemudian diolah

menggunakan Self-Organizing Maps (SOM).
10.
Principal Component Analysis (PCA) digunakan untuk mereduksi
variabel-variabel yang ada pada setiap indikator. PCA dapat mengurangi jumlah
data yang besar namun tetap mempertahankan informasi dari keseluruhan data.
PCA akan mencari variabel yang paling berpengaruh untuk kemudian mereduksi
variabel yang kurang berpengaruh terhadap suatu variabel sehingga dalam
pembuatan peta SOM, data yang digunakan tidak terlalu banyak. Variabel yang
sudah didapatkan tersebut kemudian dilakukan clustering menggunakan SOM.
Metode SOM banyak digunakan untuk pemetaan. Pada penelitian yang dilakukan
oleh (Lu, Tian, Liu, & Zhang, 2015), SOM digunakan untuk memetakan 10 kota
di negara China dengan 5 indikator, yaitu Communication, Business, Public
Service, Human Capital, dan Environment dengan tujuan agar mudah diketahui
peringkat kotanya. Selain itu, SOM juga digunakan oleh (Arribas, Kourtit, &
Nijkamp, 2012) yang memetakan kesenjangan relatif antara kota-kota di berbagai
dunia atas dasar studi banding dengan indikator sosial ekonomi. Menurut

penelitian tersebut, metode SOM dipilih karena dapat menghasilkan clustering

pada data berdimensi besar dan dapat divisualisasikan dalam bentuk peta.
11.
Penelitian ini mengambil data BPS Tahun 2014 Provinsi Jawa
Tengah sebagai sampel penelitian. Metode SOM dipilih karena banyak digunakan
dalam pemetaan. Hasil dari metode SOM akan menampilkan 7 model peta Smart
City yang memvisualisasikan kemiripan data antar kota di Jawa Tengah
berdasarkan 6 indikator Smart City.
2.1

Rumusan Masalah
12.

Berdasarkan latar belakang masalah di atas, maka rumusan

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.

Agar pengerjaan tugas akhir ini lebih terarah dan tidak

menyimpang dari rumusan masalah, maka diberi batasan masalah sebagai

berikut :
a. Data yang digunakan dalam penelitian adalah data BPS Provinsi Jawa
Tengah pada tahun 2014.
b. Data yang diambil dari BPS adalah data yang digolongkan ke dalam 6
indikator Smart City menurut IBM berdasarkan literatur dan penelitian
terkait masalah Smart City.
c. Menampilkan kemiripan data antar kota di Provinsi Jawa Tengah.
2.3. Tujuan Penelitian
14.
Dalam proposal tugas akhir ini, tujuan yang akan disampaikan
adalah membuat peta Smart City di Provinsi Jawa Tengah menggunakan SelfOrganizing Maps (SOM) untuk menampilkan kesamaan antar kota.
2.4. Manfaat Penelitian
15.
Adapun manfaat dari penelitian ini adalah sebagai berikut :
a Membantu penyajian Smart City dalam bentuk peta sehingga lebih mudah
b

untuk mengenal Smart City.

Mengetahui variabelr apa saja yang dominan pada setiap indikator yang

telah ditentukan.
Memberikan gambaran kemiripan data antar kota di Provinsi Jawa Tengah

dalam bentuk peta.

16.
3. PENELITIAN TERKAIT

17.

Berikut adalah beberapa penelitian yang terkait dengan pemetaan

menggunakan Self-Organizing Maps :

a. Penelitian yang dilakukan oleh Ahmad Mulla Ali Basthoh, Surya Sumpeno,
dan I Ketut Eddy Purnama tentang Pemetaan Sebaran Mutu Pendidikan
Dasar Menggunakan Metode Self-Organizing Maps (SOM). Penelitian
tersebut bertujuan untuk membuat pemetaan mutu pendidikan sekolah dasar
sehingga dapat memberikan gambaran kondisi lapangan mengenai mutu
pendidikan yang sebenarnya menggunakan metode clustering SOM.
Pengelompokan dan pemetaan dilakukan dengan mengolah data nilai mutu
sekolah berdasarkan 6 Standar Nasional Pendidikan. Langkah-langkah yang
dilakukan dalam penelitian adalah :
1. Penormalan Data Input
18. Dilakukan dengan cara mengkonversi data input menjadi 0 sampai
1 untuk digunakan sebagai pembentuk peta jaringan SOM.
2. Proses Clustering dengan SOM
19. Dilakukan dengan langkah pertama, yaitu inisialisasi jaringan
SOM untuk proses training, kemudian dilakukan pembobotan awal pada
data input untuk mencari matrik bobot yang ideal secara random melalui
3 cluster. Pembobotan awal dilakukan untuk menghitung jarak antar data
input terhadap data matrik bobot jaringan SOM dengan menggunakan
Euclidean Distance, selanjutnya dilakukan pengujian dengan mencari
nilai jarak terkecil dari bobot mana yang akan diupdate. Pengujian
tersebut dihasilkan iterasi maksimal untuk dilakukan pengujian kembali
tanpa update bobot dengan membandingkan ketiga nilai jarak
berdasarkan nilai yang terkecil untuk diidentifikasi.
3. Data Hasil Clustering dan Evaluasi
20. Merupakan hasil dari perhitungan Euclidean Distance dan
identifikasi untuk divisualisasi dalam bentuk peta u-matrik. Dari peta umatrik terdapat warna-warna yang berbeda dengan daerah sekitarnya.
Warna yang sama menunjukkan hubungan yang kuat dan akan
membentuk cluster data. Untuk memperjelas hubungan data dilakukan
pelabelan yang selanjutnya dilakukan visualisasi jaringan SOM dalam
bentuk grafik.
21.
Kaitannya dengan penelitian yang dilakukan dengan penelitian
tersebut adalah memiliki fokus tujuan yang sama, yakni melakukan

pemetaan pada suatu kasus atau masalah. Penelitian yang dilakukan

menggunakan kota sebagai obyek, sedangkan referensi jurnal di atas
menggunakan mutu pendidikan sebagai obyek.
b. Penelitian tentang Benchmarking of World Cities Through Self-Organizing
Maps oleh Daniel Arribas, Karima Kourtit, dan Peter Nijkamp. Penelitian
tersebut dilakukan untuk memetakan kesenjangan relatif antara kota-kota di
berbagai dunia atas dasar studi banding dengan indikator sosial ekonomi.
Dalam memetakan posisi relatif dari kota-kota tersebut digunakan metode
Self-Organizing Maps (SOM). Untuk melakukan penelitian tersebut, diambil
data dari Global Power City Index (GPCI) 2010 yang mengevaluasi 35 kota
utama berdasarkan sosial ekonomi dan memberikan peringkat untuk
masing-masing kota dengan menggunakan 69 sub-indikator dari 6 indikator
yaitu Economy, Research and Development, Cultural Interaction, Livability,
Ecology and Natural Environment, and Accessibility. Dataset GPCI tersebut
dianalisis dari tiga perspektif utama, yaitu dinamis, fungsi-spesifik, dan
actor based. Tahapan metode SOM seperti pada penelitian yang lainnya.
Setiap neuron diberikan sebuah vector dari sebanyak dimensi sebagai
variabel yang digunakan untuk membuat peta dan nilai-nilai tersebut akan
divisualisasikan untuk setiap variabel melalui gradient warna sehingga
menghasilkan pola SOM. SOM sebagai metode penelitian ini membantu
mempelajari multidimensi sosial ekonomi data serta digunakan sebagai alat
penyajian hubungan yang kompleks dan pola untuk membuat kebijakan
dengan bentuk visual yang memberian pemahaman dan pengetahuan.
Kaitannya dengan penelitian yang dilakukan adalah sama-sama melakukan
pemetaan kota berdasarkan indikator yang diberikan.
c. Penelitian tentang Pembuatan Peta Kejahatan Di Kabupaten Sukoharjo
Menggunakan Metode Self-Organizing Maps (SOM) oleh Niswah Wara
Pratidina dan Sarngadi Palgunadi pada Tahun 2015. Penelitian ini dilakukan
untuk memvisualisasikan data kejahatan yang dimiliki oleh Polres
Sukoharjo agar dapat diketahui kesamaan masing-masing kecamatan
berdasarkan jumlah angka kejahatan. Terdapat 12 kasus kejahatan yang
biasa terjadi di 12 kecamatan. Dari kasus tersebut terdapat klasifikasi
tersangka. Tahapan yang dilakukan dalam penelitian tersebut yaitu :

1. Menghitung Euclidean Distance

22. Menghitung Euclidean Distance untuk setiap kecamatan ke semua
vector bobot.
2. Menentukan Koordinat Winner dan Neighboring Neuron
23. Dari perhitungan Euclidean Distance tersebut akan didapat nilai
Euclidean yang paling kecil untuk dinyatakan sebagai Winner.
Neighboring Neuron merupakan neuron-neuron tetangga yang masuk
dalam radius tertentu dari Winner.
3. Update Bobot
24. Update bobot dilakukan untuk mencari jarak Euclidean berikutnya.
4. Update Learning Rate dan Radius
25. Setiap iterasi, radius akan mengecil dan learning rate juga
mengalami pengurangan, sehingga perlu diupdate.
5. Pewarnaan
26. Dilakukan untuk menampilkan warna pada setiap kecamatan
dengan label 0 sampai 11. Setiap label tersebut dilakukan pengecekan.
Bila winner yang mempresentasikan label pada radius 2 bentuk persegi
berdekatan, maka akan diberi warna yang sama. Apabila tidak, maka
sebaliknya. Hasil dari penelitian tersebut berupa peta tipologi tersangka
dan peta kejahatan di Kabupaten Sukoharjo yang didapatkan pada iterasi
27.

ke-1000 menggunakan radius ketetanggaan sebesar 2 dan 3.

Kaitannya dengan penelitian yang dilakukan dengan referensi

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

perkembangan Smart City di China agar mudah diketahui peringkat setiap

kotanya. Jika dibandingkan dengan kota-kota besar dunia, Smart City di
China masih dalam tahap persiapan. Visualisasi tersebut dilakukan dengan
8

cara

pengelompokan

Communication,

Smart

Business,

City
Public

berdasarkan
Service,

Human

indikator,
Capital,

yaitu
dan

Environment yang direpresentasikan ke dalam bentuk multidimensi

menggunakan SOM. Hasil dari penelitian tersebut berupa gambar peta
Smart City di China dan model perkembangannya. SOM menampilkan
informasi tentang perubahan yang terjadi setiap tahunnya. Metode yang
digunakan adalah SOM dan Sosial Network Analysis. Parameter yang
digunakan dalam SOM yaitu Learning Rate min=0.01, Learning Rate
max=0.1, Jumlah Iterasi=100, Jumlah Neuron x=20. Tahapan SOM yaitu :
2. Inisialisasi input vektor x dan bobot m dimana nilai m adalah random
3. Menghitung Euclidean Distance antara x dan m, selama proses training
setiap d(x,m) terus-menerus menghasilkan output yang akan dicari c
sebagai best mathing unit (BMU) yaitu dipilih berdasarkan nilai yang
paling kecil
4. Update bobot m.
5. Setiap training selesai, ada 2 pendekatan yaitu membandingkan jaringan
yang dibentuk dengan vector input dan menghubungkan data asli pada
jaringan menggunakan Best Matching Unit (BMU) setiap vector.
6. Selanjutnya, dilakukan Sosial Network Analysis yaitu membangkitkan
matrik dimana terdiri dari semua indikator dengan periode berbeda dari
setiap kota yang dipilih dengan membuat square analisis terkecil dari
hasil matrik yang telah dibuat tersebut untuk digunakan sebagai
pembanding antara perkembangan kota yang terpilih dan pengaruh antar
kota tersebut.
29.

Terkait dengan penelitian yang dilakukan, jurnal tersebut memiliki

kesamaan dalam metode pemetaan yaitu menggunakan SOM dan kota

sebagai obyek penelitian dengan beberapa indikator yang telah ditentukan.
Perbedaan dengan penelitian yang dilakukan terdapat pada indikator dan
metodenya.
30.
31.

33.

34.

Penulis

35.

Judul

32.

Tabel 3.1 Tabel Perbandingan Penelitian

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

berbagai dunia atas

ke dalam 3

dasar studi banding

perspektif

dengan indikator

utama

49.

50.

Daniel

51.

Arribas, Karima

Benchmarking

Self-

54.

Peta

sosial ekonomi
57.
58.
59.
60.
Nisw

Tabel 3.1 Tabel Perbandingan Penelitian (Lanjutan)

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

dalam bentuk peta

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.

Indikator tersebut mengacu pada indikator yang dicetuskan oleh

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.

Metode PCA akan menghasilkan vector eigen dari matriks

kovarian untuk ditransformasikan ke ruang data yang baru. Matriks kovarian

merupakan korelasi antar variabel dalam suatu himpunan. Nilai eigen terbesar
yang didapatkan dari matriks kovarian menunjukkan korelasi terkecil antar
variabel (Soesanto).
93.

x=[x 1 , x 2 , .. , x p ]

Sebagai contoh, diberikan vector random

mempunyai matriks kovarian

1 2 p 0 .

dengan nilai eigen

Komponen utama ke-i didefinisikan sebagai berikut :

'
94. y 1=l 1 x=l 11 x 1 +l 21 x 2+ +l p 1 x p

(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

adalah komponen utama yang

'

memenuhi nilai maksimum var ( y 1 ) =l 1 l 1 , begitu seterusnya, sehingga :

p

i=1

i=1

11 + 12+ + pp= var ( x i )= 1+ 2 ++ p= var ( y i )

97.

(2.3)

98. Total variansi populasi didapat :

99.

11 + 12+ + pp= 1 + 2 ++ p
100.

Proporsi total variansi dijelaskan dengan

k

101.
102.

(2.4)

komponen utama :
k
1+ 2 ++ p
Cara

menentukan

menentukan

jumlah

komponen utama yaitu :

1. Melihat proporsi kumulatif yang nilainya lebih dari 80% (Wandala, 2015)
dan mempunyai nilai eigen yang lebih besar dari 1 (M, Adji, & Setiawan,
2012).
2. Menganalisa hasil Scree Plot dimana terdapat patahan/belokan yang
berarti nilai komponen setelah patahan/belokan itu memiliki nilai eigen
yang kecil (membentuk garis lurus) sehingga nilai tersebut diabaikan.

14

Scree Plot merupakan suatu plot yang digunakan untuk menentukan

banyaknya variabel.
4.3. Eigenvalue
103.

Eigenvalue menjelaskan masing-masing faktor dalam menghitung

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.

Skalar dinamakan eigenvalue dari matriks A dengan I merupakan

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

digunakan untuk memvisualisasikan dan menginterpretasikan seperangkat data

dengan dimensi yang tinggi ke dalam bentuk peta dengan mempertahankan
topologi data. Peta yang dibuat terdiri dari grid-grid untuk unit pemrosesan neuron
(CIS, 1990). SOM adalah salah satu algoritma pembelajaran unsupervised (tanpa
pengawasan) yang mencocokkan vector input dalam training set dengan bobot.
Dalam pembelajaran unsupervised, neuron bekerja aktif untuk setiap masukan
sehingga nilai bobot akan selalu diupdate.
108.
SOM adalah metode analisis data otomatis yang banyak digunakan
untuk mengelompokkan masalah dan data seperti di Industri, Keuangan, Ilmu
Pengetahuan Alam, dan Linguistik. Node yang saling berdekatan memiliki
kemiripan satu sama lain, sedangkan node yang kurang mirip akan terletak lebih
jauh. SOM dapat menampilkan hubungan topografi data ke dalam kelas-kelas
tertentu (Kohonen, 2013).

15

110.
111.

109.
Gambar 4.2 Ilustrasi SOM (Kohonen, 2013)

Pada gambar 4.2, input vector x menghasilkan seperangkat

mi .

Dengan menghitung Euclidean Distance antara vector x dengan bobot random w

akan didapat neuron yang terbaik, neuron ini disebut winner. Pada ilustrasi
mc sebagai winner. Semua node yang terletak di lingkaran

tersebut dihasilkan

lebih besar adalah neighboring neuron.

112.
Menurut Haykin, dalam penelitian yang dilakukan oleh (Pratidina
& Palgunadi, 2015), SOM mempunyai 3 proses utama yaitu :
a Competition Process
113.
Setiap input yang dihitung dengan neuron bobot akan saling
berkompetisi menjadi winner neuron. Misal terdapat input data dengan
dimensi i, vector input x dinotasikan sebagai :
x
[ 1 , x 2 , x 3 , x i ]
114.
x=
115.

(2.6)
Vector bobot w mempunyai dimensi yang sama terhadap input x

dimana j merupakan jumlah total dari neuron network dengan dinotasikan

sebagai berikut :
116.

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

Euclidean Distance yang memiliki nilai terkecil.

Cooperation Process
118.
Proses ini merupakan proses untuk menentukan neighboring
neuron, yaitu neuron-neuron yang terletak di sekitar jangkauan (dalam SOM

adalah radius) winner neuron.

Synaptic Adaption Process

16

119.

Proses akhir untuk dilakukan update bobot winner neuron dan

neighboring neuron.
4.5. Clustering
120.

Clustering merupakan pengelompokan data berdasarkan cluster

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

Badan Pusat Statistik (BPS) Provinsi Jawa Tengah. Pengambilan data

tersebut dilakukan pada bulan September 2015.
Data tersebut berisi banyak data sehingga harus dilakukan
pengelompokkan berdasarkan indikator yang telah ditentukan. Data yang
memberikan informasi kurang / tidak lengkap, sebagai contoh data yang
tidak menjelaskan spesifik angka atau nilai untuk setiap kota, maka data
tersebut diabaikan. Data hasil pengelompokan diberikan nomor untuk
memudahkan identifikasi.
5.2. Reduksi Data dengan PCA
Reduksi data dengan PCA dilakukan untuk mendapatkan variabel
yang paling dominan tanpa harus kehilangan informasi dari data aslinya.
Pada penelitian ini, untuk melakukan reduksi data digunakan tool Minitab.
Langkah-langkah reduksi data dengan PCA :
1. Mencari komponen dengan nilai Eigen. Komponen merupakan variabel
yang dihasilkan dalam perhitungan PCA. Nilai Eigen yang digunakan dalam
menentukan komponen yaitu 1. Besarnya pengaruh suatu komponen
terhadap komponen yang lainnya dapat dilihat dengan menggunakan nilai
eigen. Apabila nilai eigen lebih besar dari 1, maka komponen tersebut dapat
dikatakan baik karena dapat menjelaskan keragaman data.
2. Mencari variabel yang paling dominan berdasarkan komponen yang
dihasilkan. Ada 15 komponen yang dihasilkan. Tiap komponen memiliki 86
variabel yang akan dicari nilai yang paling besar. Untuk masing-masing
komponen diambil 5 variabel yang memiliki nilai terbesar. Dari hasil
reduksi tersebut, variabel yang didapat dikelompokkan kembali berdasarkan
6 indikator. Setiap indikator hanya diambil 2 variabel yang benar-benar
dominan.
5.3. Pemodelan Data Dengan SOM
Dalam membuat peta Smart City digunakan neuron bobot w dengan
weight x height sebesar 35 x 15 matriks

m1,1

sampai

m35,15 ,

pemilihan jumlah ini didasarkan pada banyaknya kota yang digunakan

sebagai obyek penelitian yaitu berjumlah 35 kota. Untuk lebih

18

menjelaskan bagaimana cara memodelkan SOM, dapat dilihat pada

gambar 3.2 berikut :

Gambar 5.2 Tahapan Pemodelan SOM

126.

Dari gambar tahapan pemodelan SOM di atas akan dijelaskan

jalannya tahapan sebagai berikut :

5.3.1. Inisialisasi Awal
Langkah awal dalam menggunakan metode SOM adalah melakukan
inisialisasi awal. Adapun yang diinisalisasi adalah :
a. Neuron input

p1,

p2 ,

p3 ,

p4,

p5, ,

p35 .

p diinisialisasikan sebagai nilai dari setiap variabel hasil reduksi dalam

setiap kota.
b. Bobot awal w ij didapat dengan cara memberikan nilai random.
c. Learning rate (h), max. iterasi t, radius yang digunakan sebagai jangkauan
pemetaan pada setiap iterasi.
5.3.2. Menentukan Winner dan Neighboring Neuron

19

Untuk menentukan winner dan neighboring neuron, diperlukan

perhitungan similarity setiap neuron input menggunakan rumus Euclidean
Distance berikut (Pratidina & Palgunadi, 2015) :
D=

( p iw ij)2

(3.1)

i=1

Keterangan :
pi=neuron input

(nilai hasil normalisasi data untuk setiap kota)

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)

Learning rate yang diupdate dapat menggunakan persamaan 3.5.

h ( t ) =0,2 1

t
t max

(3.5)

Sedangkan untuk mencari radius yang diupdate menggunakan persamaan 3.6.

r ( t ) =5 1

t
t max

(3.6)

Proses 5.3.1-5.3.4 dilakukan secara berulang-ulang pada setiap iterasi. Proses

akan berhenti hingga nilai iterasi maksimal. Dari proses tersebut akan
didapatkan letak winner neuron dari kota-kota yang direpresentasikan.
5.4. Implementasi SOM
21

SOM akan diimplementasikan pada program Java. Pada Java,

implementasi SOM dibuat program untuk menampilkan peta kesamaan
kota. Untuk pewarnaan pada peta hasil SOM, maka dilakukan pelabelan
untuk setiap kotanya.
5.5. Analisa Hasil Pengujian
Pengujian dilakukan terhadap data hasil clustering berdasarkan 6
indikator menggunakan metode SOM dengan melakukan simulasi
beberapa iterasi untuk mendapatkan hasil yang sesuai. Agar dapat
menampilkan kesamaan warna yang sesuai dengan hasil perhitungan
SOM, maka dilakukan simulasi juga terhadap radius ketetanggaan.
Hasil yang didapat dari penelitian ini berupa peta Smart City di
Provinsi Jawa Tengah yang sudah diberi warna sesuai dengan kesamaan
setiap kota berdasarkan indikator yang telah ditentukan

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.

CIS. (1990, December 30). THE SELF-ORGANIZING MAP (SOM).

Retrieved from Research of CIS: http://www.cis.hut.fi/research/somresearch/som.shtml

303.

Giffinger, R., & all, e. (2007). Smart cities : Ranking of European

medium-sized cities. Centre of Regional Science, Vienna UT.

304.

Harrison, C., & Donnelly, I. A. (2011). A Theory Of Smart Cities.

305.

Johnson, R. A., & Wichern, D. W. (1982). Applied Multivariate Statistical

Analysis : second edition, page. 340-362. New Jersey: Printice-Hall.

306.

Kohonen, T. (2013). Essentials of the self-organizing map. Neural

Networks - Elsevier, 52-65.

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.

Martono, G. H., Adji, T. B., & Setiawan, N. A. (2012). Penggunaan

Metodologi Analisa Komponen Utama (PCA) untuk Mereduksi FaktorFaktor yang Mempengaruhi Penyakit Jantung Koroner. Seminar Nasional
Science, Engineering and Technology", TE47 1-5.

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.

Nugroho, A. S., Kuroyanagi, S., & Iwata, A. (2002). Mathematical

perspective of CombNET and its application to meteorogical prediction.
Meteorogical Research Note No.203, 77-107.

311.

Nuzir, F. A., & Saifuddin, R. (2015). Konsep Kota Pintar yang Bertumpu
pada Masyarakat dan Pergerakannya di Kota Metro.

25

312.

Pratidina, N. W., & Palgunadi, S. (2015). Pembuatan Peta Kejahatan di

Kabupaten Sukoharjo Menggunakan Self-Organizing Maps (SOM).
Prosiding SNST ke-6 , 195-200.

313.

SmartCityIndonesia.Org. (2015). About Smart City. Retrieved from Smart

City Indonesia: http://www.smartcityindonesia.org/

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.

Wandala, A. R. (2015). Deteksi Web Berkonten Porno dengan Metode

Bayesian Filtering dan Principal Component Analysis.

316.

Wulan, R. T. (2015, Oktober 27). Kota-kota Indonesia Menuju Konsep

'Smart

City'.

Retrieved

from

VOA

Indonesia:

http://www.voaindonesia.com/content/kota-kota-indonesia-menujukonsep-smart-city/3024412.html
317.
318.
319.
320.

26