Implementasi Self Organizing Maps (SOM) Klasifikasi Penduduk untuk Menentukan Keputusan Pembangunan Daerah Prioritas Miskin (Studi Kasus Kota Makassar)

Main Article Content

Asrul Azhari Muin

Abstract

Indikator kemiskinan merupakan masalah yang terjadi di semua negara yang tidak pernah dapat di selesaikan secara tuntas. Dampak tidak langsung dari aktifitas pembangunan yang hanya beriorentasi kepada pertumbuhan telah mengakibatkan terjadinya kesenjangan social. Sulitnya merancang program pengentasan kemiskinan apabila didasarkan pada skala kecil studi kualitatif , yang hasilnya tidak dapat dengan mudah divalidasi untuk kelompok yang lebih besar. Self Oragnizing map (SOM) jaringan saraf, disebut juga neural network Kohonen merupakan metode yang efektif  untuk menganalisis data multidimensi. Jaringan ini dapat digunakan untuk analisis cluster sambil mempertahankan data  struktur (topologi), SOM merupakan model atau metode yang tingkat akurat cukup baik untuk mengklasifikasi sebuah tempat, daerah, wilayah, benda.  Hasil akhir dalam penelitian ini adalah sistem informasi klasifikasi tingkat kemiskinan yang menghasilkan informasi pemetaan penduduk miskin berdasarkan karekteristik demografi, pendidikan, ketenagakerjaan, perumahan dan membantu pengambilan kebijakan dalam pemerataan program kemiskinan sehingga dapat melakukan pembangunan daerah secara prioritas.

 

Article Details

How to Cite
[1]
A. A. Muin, “Implementasi Self Organizing Maps (SOM) Klasifikasi Penduduk untuk Menentukan Keputusan Pembangunan Daerah Prioritas Miskin (Studi Kasus Kota Makassar)”, INSYPRO, vol. 3, no. 2, Aug. 2018.
Section
Vol.3, No.2
Author Biography

Asrul Azhari Muin, Sistem Informasi Fakultas Sain Dan Teknologi Uin Alauddin

Sistem Informasi Fakultas Sain Dan Teknologi Uin Alauddin

References

Beale M., Hagan M., dan Demuth H., 2013. Neural Network Toolbox, User Guide Matlab. MathWorks

Bacao, F., Lobo, V., dan Painho, M., 2008. Applications of different selforganising map variants to geographical information science problems,
Chichester Hunter-gatherers grasp geometry Science (311)5759- 317

Bullinaria J,A., 2004. Self Organizing Maps Fundamentals. Intruduction To Neural Networks Lecture (16) 16-16

Bhimo R.,2007. Keterkaitan Akses Sanitasi dan Tingkat Kemiskinan. Jurnal Ekonomi Pebangunan,vol 12 No.3.

De Melo,V., Botazzo, D., 2012, Investigating Smart Sampling as A Population Initialization, Method For Differential Evolution In Continuous Problems / Information Sciences (193) 36–53

F. Bac-a˜o., 2005. The self-organizing map, the Geo-SOM,and relevant variants for geosciences, Computers & Geosciences (31) 155–163

Ghozali I. dan Castellan J., 2002, Satistik Non-Parametrik, Badan Penerbit undip, Semarang.

Grassie P., baumann H., 2005. UML 2.0 In Action, A project Based Tutorial., Pack Publishing

Hair J.F., Black W.,C., dan Babin B., J., 2010, Multivariat Data Analysis, Pearson Prentice Hall.

Han dan Kamber.,2006. Data Mining concepts dan techniques. Univessity of llinois at urbana champaign.

Irawan F,A.,2002. Pemograman MATLAB.Penerbit MediaKom.

Janson, C. G., 1980. Factorial social ecology: An attempt at summary and evaluation. Annual Review of Sociology (6) 433–456.

Johnston, R. J.,1976. Residential area characteristics: Research methods for identifying urban sub areas – social area analysis and factorial ecology. Social Areas, Vol. I , issue 3, 193–235

Katalog BPS., 2011. Statistik sosial dan kependudukan, Hasil Susenas Badan Pusat Statistik.

Kementrian Komunikasi Dan Informatika., 2011. Program Penanggulangan Kemiskinan Kabinet Indonesia Bersatu II. Penerbit Direktorat Jendral Komunikasi Dan Infomasi Publik

Katalog BPS., 2011. Indikator Kesejahtraan Rakyat , Statistik Indonesia.

Kusumadewi S., 2004. Jaringan Saraf Tiruan, Penerbit Graha Ilmu.

Kaski, S., dan Kohonen, T., 1996. Exploratory data analysis by the selforganizing map: Structures of welfare and poverty in the world, Neural Networks in Financial Engineering Singapore: World Scientific, Vol I, Issue I, 498–507.

Ghaseminezhad, M., Karami, A., 2011. A novel self-organizing map (SOM) neural network for discrete. groups of data clustering Applied Soft Computing (11) 3771–3778.

Siang J,J., 2009, Jaringan Saraf Tiruan & Pemograman Mengguanakan MATLAB. Penerbit Andi

Spielman, E., Thilll, J., 2008, Social Area Analysis Data Mining and GIS, Computers, Environment and Urban Systems (32) 110–122

Seret, A., 2012. A new SOM-based method for profile generation: Theory and an application in direct marketing. European Journal of Operational Research, (220) 199–209.

Vesanto J., Himberg J., Alhoniemi E., dan Parhangkangas J., 2000. SOM Toolbox For MALTAB. Helsinki University Of Technology Finland.

Wrigley, E,A.,2004. Poverty Progres And Population.Cambridge University
press.