Kajian Algoritma Cheng & Church dan Spectral Biclustering pada Data Berkorelasi dan Stuktur Bicluster Tumpang Tindih

Abstract

Kajian Algoritma Cheng & Church dan Spectral Biclustering pada Data Berkorelasi dan Stuktur Bicluster Tumpang Tindih. Dibimbing oleh INDAHWATI dan HARI WIJAYANTO. Biclustering merupakan metode pengelompokan dua arah yang secara simultan menghubungkan subset baris dan subset kolom untuk membentuk submatriks koheren. Berbeda dengan clustering konvensional yang hanya bekerja pada satu dimensi (baris atau kolom), biclustering mampu mendeteksi pola lokal tersembunyi yang hanya muncul pada sebagian unit dan sebagian peubah secara bersamaan. Pendekatan biclustering telah berkembang dari bidang bioinformatika menuju aplikasi yang lebih luas, seperti sosial ekonomi, kesehatan dan lain sebagainya. Dalam penerapannya, biclustering menghadapi dua tantangan umum struktural utama: korelasi antarpeubah dan overlap keanggotaan. Korelasi menyebabkan informasi menjadi redundan sehingga menurunkan ketepatan deteksi pola, sedangkan overlap mengaburkan batas antar bicluster karena satu baris atau kolom dapat tergabung dalam lebih dari satu kelompok. Penelitian ini bertujuan mengkaji kinerja dua algoritma biclustering representatif, yaitu Cheng & Church (CC) yang berbasis minimisasi Mean Squared Residue (MSR) dan Spectral Biclustering yang berbasis Singular Value Decomposition (SVD) dalam mengidentifikasi pola bicluster pada data yang mengandung korelasi dan overlap. Kajian dilakukan pada data simulasi dan data empiris. Data simulasi dibangkitkan dalam bentuk matriks 50 × 50 dengan 3 tingkat korelasi ( ?? = 0,3; 0,6; 0,9) dan 3 tingkat overlap (tanpa, kecil, besar), serta dua bicluster konstan sebagai ground truth. Evaluasi dilakukan berdasarkan indeks Liu dan Wang (ILW) yang mengukur kesesuaian hasil biclustering terhadap struktur aktual, dan dianalisis menggunakan ANOVA tiga arah. Hasil menunjukkan bahwa algoritma CC optimal dalam kondisi korelasi rendah dan tanpa overlap (ILW mendekati 0,95), tetapi performanya menurun tajam ketika korelasi antar peubah tinggi dan overlap besar (ILW ˜ 0,50). Sebaliknya, Spectral Biclustering mempertahankan performa stabil dengan ILW konsisten pada rentang 0,7 - 0,9 di hampir semua skenario. Analisis ANOVA menegaskan bahwa overlap merupakan sumber variasi dominan dalam penurunan performa algoritma (??² = 42,85%), diikuti jenis algoritma dan korelasi. Interaksi algoritma dan korelasi juga signifikan, menunjukkan bahwa efektivitas algoritma sangat bergantung pada struktur data yang dihadapi. Data empiris menggunakan IPD Provinsi Riau yang mencakup 172 kecamatan dan 21 peubah pembangunan desa hasil agregasi dari data PODES 2024. Struktur data menunjukkan korelasi antar peubah yang rendah (75,71% pasangan r = 0,3) dan distribusi nilai yang tidak homogen, menjadikannya relevan untuk pendekatan biclustering. Algoritma CC menghasilkan 16 bicluster non-overlap dengan nilai ASR sebesar 0,05, menggambarkan kekompakan internal dan segmentasi lokal yang tajam. Sementara itu, Spectral Biclustering menghasilkan 15 bicluster dengan pola overlap dan nilai ASR sebesar 0,43, mencerminkan struktur checkerboard global yang kompleks. Evaluasi nilai ILW menunjukkan kesamaan keanggotaan hanya sebesar 22%, yang menandakan bahwa masing-masing algoritma mengungkap pola dari perspektif yang berbeda. Profiling bicluster mengungkap bahwa CC mengelompokkan wilayah berdasarkan peubah penciri yang spesifik dan homogen, sedangkan Spectral mengidentifikasi keterkaitan multidimensi antar kecamatan dan peubah, dengan kecenderungan overlap keanggotaan pada beberapa bicluster sekaligus. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa algoritma Cheng & Church lebih sesuai untuk data dengan batas kelompok tegas dan korelasi rendah, sedangkan Spectral Biclustering unggul dalam menangani struktur data yang overlap dan multidimensi. Temuan ini menegaskan pentingnya mempertimbangkan karakteristik struktural data dalam memilih algoritma biclustering, agar hasil segmentasi wilayah lebih adaptif dan dapat dijadikan dasar dalam pengambilan keputusan pembangunan yang berbasis data.