| dc.description.abstract | Biclustering merupakan sebuah teknik penggerombolan secara simultan, yang menemukan submatriks dengan kemiripan sama antara baris dan kolomnya. Penggerombolan menggunakan biclustering akan terfokus pada konsep modelling dalam menemukan submatriks sebagai hasil bicluster yang optimal. Penerapan algoritme biclustering hingga saat ini telah banyak dikembangkan termasuk diluar bidang informatika. Namun, algoritme biclustering bukanlah algoritme yang spesifik atau belum ada aturan yang tepat dalam memilih algoritme yang sesuai untuk kriteria atau kasus data tertentu. Algoritme biclustering dipilih berdasarkan beberapa pertimbangan terutama dalam sisi kemudahan dalam melakukan partisi matriks data menjadi sejumlah submatriks. Keunggulan dari sisi perbandingan matriks data juga menjadi salah satu faktor penerapan algoritme biclustering pada kasus data tertentu. Oleh karena itu, penelitian ini berfokus untuk menerapkan dua algoritme biclustering yaitu algoritme BCBimax dan Iterative Signature Algorithm (ISA).
Kedua algoritme tersebut dipilih berdasarkan keunggulannya dari penerapan penelitian sebelumnya dalam kasus berbeda. Algoritme BCBimax tergolong cepat dan sederhana dalam sisi tahapan menemukan bicluster dengan cara menemukan submatriks yang berisi elemen 1 pada matriks biner. Sementara ISA mampu menemukan submatriks dengan menghitung rataan baris dan kolom pada matriks data dengan hingga memperoleh hasil yang konvergen. Penelitian ini bertujuan melakukan evaluasi terhadap kinerja kedua algoritme dalam menghasilkan bicluster optimal dan karakteristik keanggotaan yang terbentuk. Kedua algoritme diterapkan pada kasus data perikanan tangkap dalam upaya pemetaan potensi perikanan tangkap secara optimal. Pemetaan potensi perikanan tangkap menjadi isu penting dalam mendukung dan membantu pemerintah dalam mewujudkan perikanan berkelanjutan di Indonesia. Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari situs resmi Kementerian Kelautan dan Perikanan (KKP) Republik Indonesia pada tahun 2020. Matriks data terdiri dari 34 provinsi yang dirujuk sebagai baris dan 18 jenis ikan sebagai kolomnya. Satuan penelitian berupa volume produksi jenis ikan (ton).
Secara umum, penelitian ini terdiri dari tiga tahapan penelitian. Pertama, eksplorasi data untuk melihat gambaran awal data perikanan tangkap. Kedua, menerapkan dua algoritme biclustering BCBimax dan ISA secara terpisah menurut percobaan ambang batas dari masing-masing algoritme. Berdasarkan kombinasi ambang batas akan ditentukan bicluster optimal yang digunakan untuk mendapatkan pemetaan potensi perikanan tangkap. Tahapan terakhir yaitu mengevaluasi hasil kinerja kedua algoritme dengan melihat keterbandingan hasil biclustering-nya. Evaluasi kinerja menggunakan dua fungsi evaluasi, yaitu fungsi evaluasi intra bicluster dan inter bicluster. Fungsi evaluasi intra bicluster digunakan untuk mengukur tingkat koherensi dalam mengukur kualitas bicluster, sedangkan fungsi evaluasi inter bicluster mengukur kualitas kelompok bicluster dengan menilai kemampuan suatu algoritme untuk memulihkan bicluster yang terdeteksi oleh bicluster lain.
Biclustering menggunakan algoritme BCBimax menetapkan median dari setiap peubah sebagai skenario proses binarisasi. Selanjutnya, algoritme BCBimax menghasilkan kelompok bicluster optimal menggunakan ambang batas minimum baris 2 dan minimum kolom 2 dengan 11 bicluster yang terbentuk. BCBimax menggerombolkan sekitar 73,5% wilayah Indonesia sebagai hasil bicluster optimal. Karakteristik keanggotaan hasil bicluster optimal BCBimax secara umum tergolong ke dalam dua wilayah pemetaan yaitu wilayah dengan potensi jenis ikan rendah dan tinggi. Sementara algoritme ISA menetapkan 2 bicluster dengan ambang batas baris 1,2 dan kolom 1,2 sebagai hasil bicluster optimal. Hasil bicluster optimal dari algoritme ISA menggerombolkan wilayah yang potensi jenis ikannya tergolong sedang dan tinggi. Namun, algoritme ISA tidak menggerombolkan seluruh wilayah yang memiliki potensi jenis ikan tinggi dalam matriks data. Hal tersebut dapat disebabkan karena tidak ditemukan kembali vektor baris dan kolom yang memenuhi skor baris dan kolomnya. Algoritme ISA dapat dikatakan tergolong ketat dalam menemukan bicluster sesuai ambang batas yang telah ditetapkan terhadap skor baris dan kolomnya.
Evaluasi hasil kinerja kedua algoritme terhadap bicluster optimal yang terbentuk menunjukkan kedua algoritme tersebut memiliki kemiripan yang cukup rendah sekitar (20-35%). Persentase nilai tersebut menunjukkan bahwa kedua algoritme tersebut memiliki karakteristik keanggotaan bicluster yang berbeda. Kedua algoritme tersebut juga tidak menemukan adanya keanggotaan yang tumpang tindih antar wilayah. Hal ini menunjukkan algoritme BCBimax atau ISA menggerombolkan provinsi dengan karakteristik unik pada setiap bicluster. Sementara dilihat dari karakteristik peubah yang tergerombolkan, algoritme BCBimax menemukan kesamaan jenis ikan pada sejumlah bicluster sementara ISA memiliki karakteristik unik untuk setiap peubah. Pemerintah dapat mempertimbangkan hasil bicluster optimal dari kedua algoritme tersebut terkait kebijakan pemetaan potensi yang akan dilakukan. Kedua algoritme yang telah dicobakan memberikan kebermanfaatan hasil yang berbeda dalam menjawab tujuan adanya penelitian ini. | id |
