1625 1 10696 1 10 20170912
1625 1 10696 1 10 20170912
1625 1 10696 1 10 20170912
Abstract
In an effort to reduce poverty, the government of Mladingan sub-district, Situbondo provides
social funds for society categorized as low class society, the fund is given based on an assessment of
several indicators, determined by the government and made to assist the government staff in
classifying the families who deserve it, so that the distribution of fund is well-targeted. This study aims
to design a system that can classify the society by assessing them as fund beneficiaries or not.
Classification method used in this study is Learning Vector Quantization. The data input of the
prospective beneficiaries through data transformation process will result as data weight, which is
used in the classification process. Weighting data are done by giving such score according to each
parameter. The object used in this study is the data collection of the Families in Mlandingan
Subdistrict, Situbondo. The family data contain 7 poverty parameters including age, the number of the
family members, income, outcome, housing conditions, home ownership status, and educational level.
This study uses five test scenarios that resulted a recommendation value of learning rate 0.1,
decrement learning rate 0.1, training data as 30%, minimum learning rate 0.01 and maximum number
of iterations 2. Accurate results obtained is 98%.
Keywords : Classification, Learning Vector Quantization (LVQ), Poverty Assistance
seputar teori, konsep maupun metode-metode dialokasikan sebagai bantuan keluarga miskin.
yang digunakan dalam pengentasan kadar Akan tetapi, pada pelaksanaan penyaluran
kemiskinan. Kadar kemiskinan tidak lagi bantuan dari pemerintah kepada calon penerima
sekedar masalah kekurangan makanan, tetapi bantuan, terdapat beberapa kendala salah
bagi warga masyarakat tertentu bahkan sudah satunya adalah jumlah penduduk Kecamatan
mencapai tahap ekstrem sampai level kehabisan Mlandingan, Situbondo yang cukup banyak
dan ketiadaan makanan (Syawie, 2011). sehingga menyulitkan pegawai pemerintahan
untuk mendata para calon penerima bantuan,
Badan Pusat Statistik (BPS) mencatat, pada
serta banyaknya kriteria yang ditetapkan oleh
Maret 2016 jumlah penduduk miskin, yakni
pemerintah dalam menentukan calon penerima
penduduk dengan pengeluaran per kapita per
bantuan sehingga membuat proses penyaluran
bulan di bawah Garis Kemiskinan di lndonesia
bantuan berjalan lama dan tidak tepat sasaran,
mencapai 27,77 juta orang yaitu 10,64 % dari
sehingga kemiskinan di Kabupaten Situbondo
jumlah total penduduk indonesia. Angka
juga tidak dapat dikendalikan.
tersebut bertambah 6,90 ribu orang
Perancangan suatu sistem yang dapat
dibandingkan dengan kondisi September 2016
membantu dalam proses pendataan serta
yang sebesar 27,76 juta orang (10,70 %). Meski
membantu mencari rekomendasi yang terbaik.
secara presentase angka kemiskinan mengalami
Salah satu metode yang dapat digunakan untuk
penurunan, namun, terdapat masalah yang
membuat sebuah sistem pengklasifikasian
masih belum terselesaikan, yaitu ketimpangan
adalah menggunakan metode Learning Vector
atau kesenjangan jumlah keluarga miskin pada
Quantization (LVQ). Metode LVQ merupakan
masing-masing daerah. Misalnya saja angka
perbaikan dari metode Vector Quantization,
kemiskinan di Jawa Timur yang masih tetap
sehingga dapat memproses dataset besar untuk
tinggi meskipun memiliki tingkat pertumbuhan
sejumlah vektor kecil lebih cepat (Wibowo,
PBD sebesar 7,3% (BPS, 2016).
2014).
Mengutip dari data BPS 2013, presentase Penerapan LVQ pernah diterapkan pada
penduduk miskin terhadap jumlah populasi pengklasifikasian tingkat pencemaran air
penduduk provinsi Jawa Timur tahun 2012 sungai. Objek penelitian ini adalah kriteria
mencapai 11,85 %. Dari 11,85 persen penduduk sebanyak 22 parameter. Dari hasil pengujian
miskin di Jawa Timur, 94.460 jiwa diantaranya menunjukkan bahwa keakuratan aplikasi untuk
adalah penduduk Kabupaten Situbondo. pengenalan tingkat pencemaran air pada kelas
Menurut BPS kabupaten Situbondo, angka (I) mencapai 76%, kelas (II) 72%, kelas (III)
kemiskian Kabupaten Situbondo tersebut 86%, kelas (IV) 70%. Nilai persentase
mengalami penurunan menjadi 90.341 jiwa di dijumlahkan dan dicari rata-rata keempat kelas
tahun 2013 dan 87.670 jiwa di tahun 2014. menjadi persentase akhir dengan jumlah 76%.
Namun, angka kemiskinan kembali naik Kesimpulan pada penelitian ini adalah
menjadi 91.170 jiwa di tahun 2015. Jika dilihat algoritma LVQ dapat diterapkan pada
dari persebaran kemiskinan di Kabupaten pengklasifikasian tingkat pencemaran air
Situbondo tahun 2015, Kecamatan Mlandingan sungai. Dengan learning rate 0,01,
masih tergolong sebagai kecamatan dengan pengurangan learning rate 0,001 dan maksimal
jumlah penduduk miskin terbanyak. Dari total iterasi 20.000 mendapatkan keakuratan aplikasi
penduduk 7.125 jiwa, 4354 jiwa diantaranya sebesar 76% (Rahimi & Hartatik, 2016).
atau setara dengan 61% merupakan penduduk
Penelitian yang membahas mengenai
pra sejahtera atau penduduk miskin (BPS
pemberian bantuan pernah dibahas oleh peneliti
Situbondo, 2016).
lain, dengan metode Analitycal Hirarchy
Berdasarkan paparan yang ada, perlu
Process (AHP) yang telah dilakukan dengan
sebuah upaya untuk menuntaskan kemiskinan
judul penelitian “Sistem Penentuan Bantuan
di Kabupaten Situbondo, khususnya di
Langsung Tunai (BLT) dengan metode
Kecamatan Mlandingan. Pengentasan
Analitycal Hirarchy Process (AHP)”. Penelitian
kemiskinan di wilayah tersebut diharapkan
bersubjek pada pembuatan sistem pendukung
mampu mengatasi kesenjangan pertumbuhan
keputusan yang berguna untuk memilih warga
perekonomian sekaligus membantu
yang cocok mendapatkan dana Bantuan
perekonomian masyarakat miskin. Terkait
Langsung Tunai (BLT). Kriteria penilaian yang
program pengentasan kemiskinan, Kecamatan
dilakukan untuk menentukan siapa yang pantas
Mlandingan telah menyiapkan dana untuk
mendapatkan dana langsung tunai dengan Literatur tersebut dipaparkan dari paper,
mendata jumlah keluarga mengunakan variable jurnal, penelitian sebelumnya, dan dokumentasi
atau indikator masing-masing calon penerima projek.
bantuan. Hasil keluaran sistem sendiri berupa
prioritas kriteria penerima bantuan berdasarkan 2.2 Pengumpulan Data
variabel bobot yang telah ditentukan (Dyah & Data yang akan digunakan dalam penelitian
Edy, 2008) ini adalah data yang didapat dari kantor Kepala
Berdasarkan uraian dari pentingnya Desa Kecamatan Mlandingan, Situbondo tahun
pengentasan kemiskinan dan keunggulan dari 2017 yang akan dijadikan sebagai referensi
sistem cerdas untuk klasifikasi, prediksi, penelitian dan data dari variable serta
maupun diagnosis dengan implementasi LVQ parameter-parameter apa saja yang digunakan
dapat memberikan hasil dengan akurasi yang sebagai penentuan penerima bantuan keluarga
tinggi. Pada penelitian ini penulis akan miskin. Beberapa parameter input dibutuhkan
mengimplementasikan metode LVQ untuk antara lain umur, jumlah anggota keluarga,
penentuan penerima bantuan keluarga miskin. pendapatan, pengeluaran, kondisi rumah, status
Objek yang digunakan adalah kumpulan data kepemilikan rumah, dan pendidikan terakhir.
Kepala Keluarga pada Kecamatan Mlandingan, Sumber data dan parameter yang digunakan
Situbondo. Kumpulan data Kepala Keluarga diperoleh dari kuisoner yang digunakan pihak
tersebut memuat umur, jumlah anggota kepala desa untuk menentukan calon penerima
keluarga, pendapatan, pengeluaran, kondisi bantuan keluarga miskin Kecamatan
rumah, status kepemilikan rumah, dan Mlandingan, Situbondo.
pendidikan terakhir. Data tersebut akan
digunakan sebagai kriteria dalam 2.3 Analisis Kebutuhan
pengklasifikasian calon penerima bantuan Tahap ini dilakukan untuk mengetahui
keluarga miskin. Maka akan dibuat penelitian kebutuhan apa saja yang diperlukan oleh
dengan judul “Klasifikasi Calon Penerima “Klasifikasi Calon Penerima Bantuan Keluarga
Bantuan Keluarga Miskin Menggunakan Miskin Menggunakan Metode Learning Vector
Metode Learning Vector Quantization (LVQ)” Quantization (LVQ)”. Suatu sistem dapat
(Studi Kasus: Daerah Kecamatan Mlandingan, berjalan apabila tedapat beberapa faktor
Situbondo). penunjang yang dapat diproses menghasilkan
sesuatu, diantaranya adalah data input. Pada
2. METODOLOGI penelitian menggunakan data yang didapat dari
kuisoner yang diisi oleh warga Kecamatan
2.1 Studi Literatur
Mlandingan, Situbondo, dimana pada kuisoner
Studi literatur merupakan tahap utama yang yang diberikan pihak kepala desa untuk warga
harus dilakukan Karena hasil yang diperoleh berisikan parameter penentu pemberian
menjadi modal utama dalam penelitian. Hasil- bantuan. Selain itu diperlukan pula data yang
hasil dari studi literatur dapat berupa teori-teori digunakan sebagai perankingan yang akan
dasar yang berkaitan dengan topik penelitian dijadikan keluaran dalam hasil akhir sistem
seperti objek maupun metode. Teori-teori tersebut.
tersebut dapat diperoleh melalui jurnal, buku,
Data data berupa masukan dan keluaran
hasil-hasil penelitian yang pernah dilakukan
yang ingin dicapai tersebut kemudian akan
sebelumnya, situs internet, maupun teori-teori
digunakan dalam pembuatan sistem yang
lain yang berkaitan dengan penelitian yang
tentunya memerlukan kebutuhan dari sisi
dilakukan mengenai proses pembuatan sistem.
hardware dan software. Kebutuhan tersebut
Teori-teori yang penulis ambil antara lain
diantaranya adalah:
mengenai :
1. Kebutuhan Perangkat Keras , yaitu
1. Kemiskinan
laptop dengan memory RAM 4GB.
2. Learning Vector Quantization (LVQ)
2. Kebutuhan Perangkat Lunak yang
3. Proses pengujian sistem meliputi:
4. Jaringan Syaraf Tiruan - Sistem Operasi Windows 8 64 bit
- Netbeans IDE
Mulai
3.3 Pelatihan Data
Pada proses awal pelatihan, vektor
input akan mengalami proses pembelajaran
Data Kepala Keluarga
yang dilakukan melalui beberapa epoch sampai
batas epoch maksimal tercapai. LVQ
Transformasi Data 1 melakukan pembelajaran pada lapisan
kompetitif yang terawasi. Suatu lapisan
kompetitif akan secara otomatis belajar untuk
Normaliasi Data 2
mengklasifikasikan vektor-vektor input. Kelas-
kelas yang didapatkan sebagai hasil dari lapisan
Inisialiasi Variabel 3
kompetitif ini hanya tergantung pada jarak
antara vektor input dengan vektor bobot dari
masing masing kelas dan vektor input akan
Pelatihan Data 4 masuk ke dalam kelas yang memiliki jarak
terdekat. Algoritma pembelajaran pada LVQ
bertujuan mencari nilai bobot yang sesuai untuk
Bobot mengelompokkan vektor-vektor input ke dalam
kelas yang sesuai dengan yang telah
diinisialisasi pada saat pembentukan jaringan
Data Test
LVQ.
5
3.4 Testing Data
Testing Data
Untuk percobaan LVQ dilakukan uji
pengenalan dengan data kepala keluarga.
Hasil
Klasifikasi Percobaan dilakukan untuk mengetahui efek
perubahan nilai parameter-parameter pelatihan
dan penentuan parameter terbaik untuk data
Selesai
tersebut. Pada percobaan ini digunakan data
kepala keluarga yang memiliki dimensi 7
Gambar 3.1 Diagram alir tahapan proses dengan nilai yang bervariasi.
klasifikasi calon penerima bantuan
menggunakan Metode LVQ Perhitungan manual pengujian dilakukan
mulai dari menginisialisasi vector input data uji
3.1 Transformasi Data
sampai proses penentuan kelas.
Untuk mengklasifikasikan calon penerima
bantuan keluarga miskin terdapat 7 variabel Pengujian dan Analisis Pengaruh Learning
yang dijadikan sebagai variabel input. Metode Rate Terhadap Hasil Akurasi
LVQ bergantung pada jarak antara vector
masukan dengan vector bobot dari setiap kelas
dan vector input akan masuk ke dalam kelas Grafik Hasil Pengujian Pengaruh
yang memiliki jarak terdekat. Oleh karena itu,
agar data dapat dikenali oleh jaringan LVQ,
Learning Rate
pada variabel masukan harus ditransformasikan
Akurasi
Learning rate merupakan parameter yang kesimpulan bahwa pengali learning rate dengan
berpengaruh terhadap perubahan dari bobot 0.1 sebagai nilai terbaik yang akan digunakan
data, sehingga semakin besar nilainya maka untuk skenario pengujian berikutnya
semakin besar pula jarak antar bobot data awal
dengan bobot baru. Dari grafik di atas dapat Pengujian dan Analisis Pengaruh
terlihat bahwa untuk learning rate bernilai 0.1 Maksimum Epoch Terhadap Hasil Akurasi
mendapatkan hasil akurasi 89% dan mengalami
peningkatan seiring bertambahnya nilai
learning rate hingga mencapai 98% pada Grafik Hasil Pengujian
learning rate bernilai 0.3.
Dapat disimpulkan bahwa nilai learning
Pengaruh Maksimum Epoch
rate terendah yang diinputkan dengan akurasi 100%
tertinggi berada pada angka 0.3 dengan hasil
95%
akurasi 98%. Selain itu, pada nilai learning rate
Akurasi
0.4, 0.5, 0.6, 0.7, 0.8, 0.9 dan 1 memiliki 90%
akurasi yang stabil. Berdasarkan pengujian 85% 89% 89% 89% 89% 89% 89% 89% 89%
pengaruh learning rate terhadap akurasi dapat
diambil kesimpulan bahwa nilai learning rate 80%
0.3 sebagai nilai learning rate terbaik dan akan 75%
digunakan untuk skenario pengujian berikutnya 2 4 6 8 10 12 14 16
digunakan pada skenario pengujian berikutnya Pengujian dan Analisis Pengaruh Minimum
bersama nilai learning rate 0.1, pengali Learning Rate Terhadap Hasil Akurasi
learning rate 0.1 dan jumlah data 10% yang
diperoleh dari skenario pengujian sebelumnya
Akurasi
60%
100% 40%
95% 20%
98% 98% 98% 98% 98% 98% 98% 98%
90% 95%
0%
85% 89%
80%
Akurasi
75%
70%
65%
Minimum Alpha
60%
55%
50% Akurasi
10 20 30 40 50 60 70 80 90 100
Gambar 3.6 Grafik Hasil Pengujian Pengaruh
Jumlah Data
Minimum Learning Rate
learning rate (α) dengan nilai 0,1, pengali sebanyak 2, serta minimum learning
learning rate (Dec α) dengan nilai 0,1, Data rate (Min α) 0.01. Dari parameter
latih sebanyak 30%, maksimum epoch (Max tersebut dihasilkan nilai akurasi sebesar
Epoch) sebanyak 2 dan nilai minimum learning 98%.
rate (Min α) 0.01. Nilai tersebut dapat dilihat
pada Tabel 3.1 berikut. DAFTAR PUSTAKA
Tabel 3.1 Hasil pengujian 5 Skenario Arisandi, D., Sitompul, O.S., & Batubara, E.A.,
No. Skenario Pengujian yang Nilai Terbaik 2015. Learning Vector Quantization
Skenario Dilakukan yang Untuk Prediksi Produksi Kelapa Sawit
Didapatkan Pada PT. Perkebunan Nusantara I Pulau
1. Pengaruh Learning rate 0.1 Tiga.
(α)
2. Pengaruh Pengali 0.1 Adimihardja & Hikmat, 2003. Participatory
Learning rate (Dec α) Research Appraisal : Pengabdian dan
3. Pengaruh Jumlah Data 30% Pemberdayaan Masyarakat. Penerbit
Latih
4. Pengaruh Maksimum 2
Humaniora Bandung
Epoch BPS Kabupaten Situbondo. 2016. Jumlah
5. Pengaruh Minimum 0.01
learning rate (Min α)
Keluarga Menurut Kecamatan dan
Akurasi yang Didapatkan 98% Klasifikasi Keluarga di Kabupaten
Situbondo, 2015.
4. KESIMPULAN BPS Kabupaten Situbondo. 2015. Garis
Berdasarkan penelitian yang telah Kemiskinan dan Penduduk Miskin di
dilakukan, terdapat beberapa kesimpulan yang Kabupaten Situbondo, 2010‒2015.
dapat diambil, yaitu: Damayanti, F., Arifin, A.Z., & Soelaiman, R.,
1. Proses awal yang harus dilakukan untuk 2011. Pengenalan Wajah Berbasis Metode
mengimplementasikan sistem Two Dimensional Linear Discriminant
“Klasifikasi Calon Penerima Bantuan Analysis.
Keluarga Miskin Menggunakan Metode Dyah, N.R., Nugroho, E., & Aribowo, E., 2008.
Learning Vector Quantization (LVQ)” Sistem Penentuan Bantuan Langsung
adalah mengumpulkan data yang Tunai (BLT) dengan metode Analitycal
dibutuhkan sebagai acuan awal dalam Hirarchy Process (AHP).
pengimplementasian yang akan
dilakukan. Inputan yang digunakan Fausett, L., 1994. Fundamentals of Neural
pada sistem yang akan Network: Architectures, Algorithms, and
diimplementasikan berupa 7 inputan Applications. Prentice-Hall, Inc: New
yaitu umur, jumlah anggota keluarga, Jersey
pendapatan, pengeluaran, kondisi Ganidar, F.R., 2015. Pengklasifikasian Mutu
rumah, status kepemilikan rumah, dan Susu Sapi Menggunakan Metode
pendidikan terakhir. Data ini Learning Vector Quantization (LVQ)
merupakan data yang mempengaruhi (Studi Kasus: UPT Laboratorium
kemiskinan dan bobot masing-masing Kesehatan Hewan Malang). Universitas
yang nantinya dilakukan proses Brawijaya
menggunakan metode LVQ sehingga
dapat mengklasifikasikan para calon Hermanenda G.A., Cholissodin I., &Supianto
penerima bantuan. A.A., 2013. Pengklasifikasian Kualitas
Minuman Anggur Menggunakan
2. Berdasarkan proses skenario pengujian Algoritma Learning Vector Quantization
yang terdiri dari 5 skenario pengujian Berbasis Asosiasi. Universitas Brawijaya,
yang telah dilakukan, sistem Malang.
menghasilkan rekomendasi learning
rate (α) dengan nilai 0.1, pengali Meliawati, R., Soesanto, O., & Kartini, D,.
learning rate (Dec α) dengan nilai 0.1, 2016. Penerapan Metode Learning Vector
jumlah data latih sebanyak 30%, nilai Quantization (LVQ) Pada Prediksi
maksimum epoch (Max Epoch) Jurusan di SMA PGRI 1 Banjarbaru.