Evaluasi Kinerja Algoritme Biclustering untuk Mendeteksi Pola Kerentanan Ekonomi dan Pandemi Covid-19 di Indonesia

Abstract

Biclustering merupakan pengembangan dari analisis penggerombolan yang bertujuan mengelompokkan data secara simultan dari dua arah. Beberapa tahun terakhir ini, biclustering menjadi populer diterapkan di berbagai bidang lain selain bidang analisis biologis. Terdapat berbagai algoritme biclustering yang dapat digunakan dalam penerapannya. Namun, belum terdapat pedoman khusus dalam pemilihan algoritme biclustering yang tepat. Oleh karena itu, penelitian ini berfokus untuk mengevaluasi kinerja algoritme biclustering guna mendapatkan informasi terkait karakteristik hasil biclustering yang dihasilkan oleh setiap algoritme. Fokus penelitian ini ialah pada evaluasi kinerja dua algoritme biclustering, yakni algoritme Cheng and Church (algoritme CC) dan Iterative Signature Algorithm (ISA). Pemilihan kedua algoritme tersebut didasarkan pada karakteristik dan keunggulannya masing-masing. Kedua algoritme tersebut akan diterapakan pada kasus data ekonomi akibat pandemi Covid-19 dalam rangka mendeteksi pola kerentanan ekonomi dan pandemi Covid-19 di Indonesia. Pendeteksian pola kerentanan ekonomi dan pandemi Covid-19 menggunakan biclustering menjadi isu penting untuk dilakukan guna mendapatkan gambaran pola spasial dan karakteristik bicluster dari kerentanan ekonomi dan pandemi Covid-19 di Indonesia.

Terdapat tiga metode analisis utama dalam penelitian ini, yakni analisis bicluster (biclustering) menggunakan algoritme CC, biclustering menggunakan ISA, dan evaluasi kinerja algoritme biclustering. Biclustering menggunakan algoritme CC dan ISA dilakukan secara terpisah pada setiap beberapa threshold yang telah ditentukan sehingga diperoleh hasil biclustering pada threshold optimal (kelompok bicluster optimal) untuk setiap algoritme. Setiap kelompok bicluster optimal tersebut dapat digunakan untuk mendeteksi pola kerentanan ekonomi dan pandemi Covid-19 di Indonesia. Sementara itu, evaluasi kinerja algoritme biclustering dilakukan dalam bentuk kajian keterbandingan hasil biclustering dari sisi keanggotaan, karakteristik, sebaran hasil biclustering, dan evaluasi kinerja. Evaluasi kinerja tersebut menggunakan dua fungsi evaluasi, yakni fungsi evaluasi intra bicluster dan inter bicluster. Kedua fungsi evaluasi tersebut digunakan pada setiap metode analisis untuk menentukan kualitas bicluster atau kelompok bicluster dan menentukan tingkat kemiripan antar kelompok bicluster.

Biclustering menggunakan algoritme CC menghasilkan kelompok bicluster optimal pada threshold delta 0,01 dengan jumlah bicluster yang terbentuk sebanyak enam. Kelompok bicluster optimal algoritme CC memberikan hasil, yakni Indonesia didominasi oleh wilayah dengan jenis pola spasial pertama yang sebagian besar memiliki karakteristik tidak rentan. Hal ini mengindikasikan bahwa sebagian besar wilayah di Indonesia cenderung memiliki kerentanan ekonomi dan pandemi Covid-19 yang rendah pada peubah penciri pola spasial pertama (bicluster 1). Sementara itu, biclustering menggunakan ISA menghasilkan kelompok bicluster optimal pada threshold baris -1,0 dan kolom -1,0 dengan jumlah bicluster yang terbentuk sebanyak tiga. Akan tetapi, dikarenakan adanya tumpang tindih antar tiga bicluster tersebut sehingga terbentuk lima jenis pola spasial yang berbeda. Kelompok bicluster optimal ISA memberikan hasil, yakni Indonesia didominasi oleh wilayah dengan jenis pola spasial kelima yang memiliki karakteristik tidak rentan. Hal ini mengindikasikan bahwa sebagian besar wilayah di Indonesia cenderung memiliki kerentanan ekonomi dan pandemi Covid-19 yang rendah pada peubah penciri pola spasial kelima (overlap bicluster 1, 2, dan 3).

Evaluasi kinerja algoritme biclustering dalam bentuk kajian keterbandingan hasil biclustering memberikan hasil bahwa kelompok bicluster optimal algoritme CC menghasilkan kualitas bicluster yang cenderung lebih baik. Hasil biclustering antar kedua algoritme yang dievaluasi menghasilkan tingkat kemiripan yang sangat rendah (20-31 persen). Hal ini ditunjukkan dengan perbedaan hasil keanggotaan wilayah dan karakteristik peubah pencirinya. Hasil biclustering algoritme CC cenderung homogen dengan karakter peubah penciri yang cenderung sedikit (berkarakter lokal). Sementara itu, hasil biclustering ISA cenderung heterogen dengan karakter peubah penciri mencakup seluruh peubah penelitian (berkarakter global). Selain itu, hasil biclustering ISA bersifat robust (tidak sensitif terhadap pencilan) dikarenakan banyak nilai pencilan pada hasil biclustering-nya.