Penggerombolan Desa/Kelurahan di Provinsi Nusa Tenggara Timur Menggunakan Algoritma Two Step Cluster (TSC) dan Algoritma K-Prototypes.

Abstract

Karakteristik wilayah desa/kelurahan di Indonesia berbeda-beda antara satu daerah dengan daerah lainnya. Pengelompokan desa/kelurahan diperlukan untuk mengidentifikasi karakter wilayah sehingga menghasilkan program kebijakan yang tepat sasaran. Analisis peubah ganda yang digunakan untuk mengelompokkan objek adalah analisis gerombol (cluster analysis). Analisis ini secara umum hanya digunakan pada data dengan ukuran yang tidak terlalu besar. Apabila amatan yang diteliti jumlahnya besar maka diperlukan algoritma yang lebih efisien dalam melakukan penggerombolan. Selain itu, penggunaan peubah campuran (numerik dan kategorik) juga akan berdampak pada pilihan jarak yang digunakan. Tujuan utama penelitian ini adalah untuk memperoleh hasil gerombol terbaik pengelompokan wilayah desa/kelurahan di Provinsi Nusa Tenggara Timur berdasarkan indikator kemiskinan. Gerombol terbaik tersebut diperoleh dengan menerapkan algoritma Two Step Cluster (TSC), algoritma K-Prototypes, serta menggerombolkan desa/kelurahan dengan melakukan pemisahan amatan multivariate outlier. Kriteria yang digunakan untuk memperoleh hasil gerombol terbaik adalah dengan menghitung nilai rasio antara simpangan baku dalam gerombol dan simpangan baku antar gerombol. Nilai rasio yang terkecil menunjukkan hasil penggerombolan yang terbaik. Penggerombolan data awal dengan algoritma TSC menghasilkan 6 gerombol optimal. Algoritma K-Prototypes yang diterapkan pada jumlah gerombol sebanyak 2 hingga 9 gerombol menghasilkan solusi 5 gerombol sebagai gerombol optimal. Perhitungan rasio simpangan baku dalam gerombol dan simpangan baku antar gerombol menunjukkan bahwa hasil 6 gerombol TSC (2.6963) lebih kecil daripada hasil 5 gerombol K-Prototypes (3.4852). Algoritma terbaik dari perbandingan TSC dan K-Prototypes kemudian digunakan untuk menggerombolkan desa/kelurahan dengan melakukan pemisahan amatan multivariate outlier. Penggerombolan dengan perlakuan ini mendapatkan solusi 5 gerombol optimum berdasarkan algoritma TSC. Perhitungan rasio simpangan baku dalam gerombol dan simpangan baku antar gerombol diperoleh hasil penggerombolan data awal (k=6) yang nilai rasionya lebih rendah daripada penggerombolan pemisahan multivariate outlier (k=5). Hal ini berarti dari berbagai perbandingan yang dilakukan (perbandingan dua algoritma maupun perbandingan data awal dan pemisahan multivariate outlier) menghasilkan gerombol optimal terbaik pada 6 gerombol. Hasil uji t-student dan uji chi-square diperoleh hasil bahwa hanya gerombol 6 yang peubah berpengaruhnya terdiri dari seluruh peubah numerik dan kategorik. Visualisasi Chernoff Face dan radar chart memperlihatkan adanya kemiripan karakteristik peubah-peubah numerik pada gerombol 1, 3, dan 5.