Implementasi Fuzzy C-Means (FCM) dan Generalized Fuzzy C-Means (GFCM) dalam Clustering Produk Domestik Regional Bruto (PDRB) Menurut Pengeluaran
Main Article Content
Abstract
Pembagian objek ke dalam suatu kelompok yang mirip atau saling terkait satu sama lain dan berbeda dengan objek-objek dalam kelompok lain disebut dengan pengelompokan atau clustering. Fuzzy Clustering (FC) merupakan jenis clustering objek menjadi anggota dari setiap cluster dengan bobot keanggotaan antara 0 (tidak termasuk anggota) dan 1 (mutlak termasuk anggota). FC yang keberadaan atau letak suatu data dalam klaster tergantung pada derajat keanggotaan data tersebut disebut dengan Fuzzy C-Means (FCM) clustering. Modifikasi Fuzzy C-Means (FCM) dengan menambahkan sebuah parameter guna meningkatkan kecepatan konvergensi dan mendapatkan hasil yang lebih sedikit kesamaran dengan menyesuaikan matriks keanggotaan pada setiap iterasi disebut dengan Generalized Fuzzy C-Means (GFCM). Data Produk Domestik Regional Bruto (PDRB) merupakan statistik pendapatan regional yang dapat dimanfaatkan untuk mengevaluasi hasil pembangunan sekaligus sebagai dasar perencanaan pembangunan ekonomi di suatu wilayah tertentu. Pada penelitian ini ingin mengimplementasikan Fuzzy C-Means (FCM) dan Generalized Fuzzy C-Means (GFCM) dalam clustering Produk Domestik Regional Bruto(PDRB) menurut pengeluaran. Penelitian memberikan informasi bahwa jumlah klaster terbentuk adalah sebanyak 3 klaster dan hasil clustering memberikan kesimpulan bahwa FCM lebih tidak terlalu kabur(fuzzy). Informasi ini diperoleh dari nilai Partition entropy dan XieBeni index pada FCM lebih kecil daripada GFCM, dan nilai Partition coeff pada FCM lebih besar daripada GFCM.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Ahrizal, G. R. (2022). Analisis PDRB 34 Provinsi di Indonesia Pada Masa Pemerintahan Presiden Joko Widodo. Jurnal Ilmu Ekonomi JIE, 6(3), 396–408. https://doi.org/10.22219/jie.v6i3.21653
BPS. (2023). Produk Domestik Regional Bruto Provinsi-Provinsi Di Indonesia Menurut Pengeluaran 2018-2022. Badan Pusat Statistik RI.
Cooper, C. (2018). Clustering Algorithms [Lecturing Slide]. https://nms.kcl.ac.uk/colin.cooper/teachingmaterial/CSMWAL/CSMWAL/Lectures/ClusterSlides.pdf
Gelb, J. (2023). Implementing Methods for Spatial Fuzzy Unsupervised Classification. CRAN R, 1–57.
Giordani, P., Ferraro, M. B., & Serafini, A. (2022). Fuzzy Clustering. CRAN R, 1–81.
Jaelanie, A. (2016). Analisis Klaster Kabupaten/Kota Berdasarkan Indikator Produk Domestik Regional Bruto (PDRB) Menggunakan Metode Unsupervised Learning [Tesis]. Institut Teknologi Sepuluh November.
Kanzawa, Y., Miyamoto, S., Shibaura Institute of Technology 3-7-5 Toyosu, Koto, Tokyo 135-8548, Japan, & University of Tsukuba 1-1-1 Tennodai, Tsukuba, Ibaraki 305-8573, Japan. (2021). Generalized Fuzzy c-Means Clustering and its Property of Fuzzy Classification Function. Journal of Advanced Computational Intelligence and Intelligent Informatics, 25(1), 73–82. https://doi.org/10.20965/jaciii.2021.p0073
Mahdi, S. S., & Mahmood, R. S. (2014). MR Brain Image Segmentation Using Spatial Fuzzy C- Means Clustering Algorithm. Journal of Engineering, 20(09), 78–89. https://doi.org/10.31026/j.eng.2014.09.06
Memon, K. H., & Lee, D. (2017). Generalised fuzzy c‐means clustering algorithm with local information. IET Image Processing, 11(1), 1–12. https://doi.org/10.1049/iet-ipr.2016.0282
Rajkumar, K. V., Yesubabu, A., & Subrahmanyam, K. (2019). Fuzzy clustering and fuzzy c-means partition cluster analysis and validation studies on a subset of citescore dataset. International Journal of Electrical and Computer Engineering (IJECE), 9(4), 2760. https://doi.org/10.11591/ijece.v9i4.pp2760-2770
Rouza, E., & Luth, F. (2020). Implementasi Fuzzy C-Means Clustering dalam Pengelompokan UKM Di Kabupaten Rokan Hulu. Techno.COM, 19(4), 481–495.
Safitri, Q. U., Huda, A. F., & Awaludin, A. S. (2017). Segmentasi Citra Menggunakan Algoritma Fuzzy c-Means (FCM) Dan Spatial Fuzzy c-Means (sFCM). Kubik: Jurnal Publikasi Ilmiah Matematika, 2(1), 22–34. https://doi.org/10.15575/kubik.v2i1.1471
Satria, A. D., & Habibi, A. (2023). Pengaruh Sektor Produk Domestik Regional Bruto (Basis dan Non Basis) Terhadap Pertumbuhan Ekonomi dalam Perspektif Ekonomi Islam. Jurnal Ilmiah Ekonomi Islam, 9(1), 1213–1226.
Sinnott, R. O., Duan, H., & Sun, Y. (2016). Chapter 15—A Case Study in Big Data Analytics: Exploring Twitter Sentiment Analysis and the Weather. In Big Data Principles and Paradigms. Elsevier Inc.
Siringoringo, R., & Jamaluddin. (2019). Peningkatan Performa Cluster Fuzzy c-Means Pada Pengklasteran Sentimen Menggunakan Particle Swarm Optimization. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 6(4), 349–354.
Suciati, L., Herawati, N., Subian, S., & Widiarti. (2021). Analisis Klaster Menggunakan Metode Fuzzy C-Means pada Data COVID-19 di Provinsi Lampung. Prosiding SN-SMIAP-VI FMIPA Unila.
Tan, P.-N., Steinbach, M., Karpatne, A., & Kumar, V. (2019). Cluster Analysis: Basic Concepts and Algorithms. In Introduction to Data Mining (2nd ed.). Pearson.
Theodoridis, S., & Koutroumbas, K. (2009). Pattern recognition (4th ed). Academic Press.
Wang, K., Yang, R., Liu, C., Samarasinghalage, T., & Zang, Y. (2022). Extracting Electricity Patterns from High-dimensional Data: A comparison of K-Means and DBSCAN algorithms. IOP Conference Series: Earth and Environmental Science, 1101(2), 022007. https://doi.org/10.1088/1755-1315/1101/2/022007
Yang, M. S. (1993). Convergence Properties of The Generalized Fuzzy C-Means Clustering Algorithms. Computers Math. Applic., 25(12), 3–10.