Model Pengelompokan Tingkat Ketimpangan Pembangunan Menggunakan Multi View Clustering untuk Prioritas Pembangunan Wilayah
TB AI MUNANDAR, Dr. Azhari, MT.; Aina Musdholifah, Ph.D; Prof. Lincolin Arsyad, Ph.D
2017 | Disertasi | S3 Ilmu KomputerIdentifikasi ketimpangan pembangunan suatu wilayah pada umumnya dilakukan melalui pengklasifikasian wilayah menggunakan pendekatan tipologi Klassen. Analisis kelompok sektor PDRB unggulan di setiap wilayah yang klas ketimpangannya telah diidentifikasi umumnya menggunakan location quotient (LQ). Permasalahan pertama, penggunaan kedua pendekatan tersebut umumnya digunakan secara terpisah sehingga menjadi masalah dalam menghasilkan informasi yang utuh terkait ketimpangan pembangunan. Permasalahan Kedua adalah, ketidakmampuan kedua pendekatan tersebut untuk menunjukan kedekatan capaian pembangunan untuk setiap wilayah. Multi view clustering adalah konsep pengelompokan data pada setiap objek data yang sudah terkelompok dikelompokan kembali berdasarkan karakteristik baru yang dimiliki baik dalam intra maupun antar klaster utama. Penelitian ini dilakukan untuk mengembangkan sebuah algoritme multi view hierarchical agglomerative clustering (MVHAC) yang digunakan pada model pengelompokan ketimpangan pembangunan wilayah untuk penentuan prioritas pembangunan dimasa mendatang. Algoritma MVHAC mengkombinasikan metode hierarchical agglomerative clustering (HAC), Klassen dan LQ. Pengujian algoritme MVHAC menggunakan data sektor PDRB 116 Kabupaten di Pulau Jawa. Hasil penelitian menunjukan bahwa MVHAC mampu mengelompokan ketimpangan wilayah sekaligus sektor PDRB unggulan dan bahkan memperlihatkan perbedaan capaian pembangunan kedua parameter. Hasil pengujian menggunakan verifying disimilarity menunjukan bahwa klaster utama pertama sampai keempat masing-masing memiliki koefisien cophenet 0,9365; 0,9691; 0,9137 dan 0,8697 dengan demikian klaster yang terbentuk dikatakan baik. Pengujian klaster dengan inconsitency coefficient juga memperlihatkan prosentase untuk klaster utama pertama sampai keempat masing-masing sebesar 76,03%; 68,07%; 62,5% dan 71;43% sehingga klaster yang terbentuk dapat dikatakan baik.
Identification of development inequality of a region is usually performed by regional classification using Klassen's typology. Analysis of leading PDRB group in every region whose class of equality has been identified usually uses location quotient (LQ). The first problem is the approaches are usually used separately, making it difficult to produce complete information on development inequality. The second problem is the approaches are unable to show the closeness of development achievement of each region. Multi view clustering is a concept of reclassifying data in each classified data object based on new characteristic within or among the main cluster. This study was performed to develop a multi view hierarchical agglomerative clustering (MVHAC) algorithm used in regional development inequality classification model to determine future development priority. MVHAC algorithm combines hierarchical agglomerative clustering (HAC), Klassen and LQ. Examination of MVHAC algorithm used data of PDRB of 116 Regencies in Java Island. The research result showed that MVHAC was able to classify regional inequality and leading PDRB and even show the difference of development achievement of both parameters. The result of examination by verifying disimilarity shows that the first to fourth main clusters have cophenet coefficients of 0,9365; 0,9691; 0,9137 and 0,8697, respectively, so the resulting clusters were good. Examination of clusters by inconsitency coefficient also shows that the percentages of the first to fourth clusters to be 76,03%; 68,07%; 62,5% and 71;43%, respectively, so the clusters were also good.
Kata Kunci : ketimpangan pembangunan, sektor unggulan, Klassen, LQ, MVHAC
