BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Indeks

BAB I
PENDAHULUAN
1.1. Latar Belakang Masalah
Indeks Pembangunan Manusia (IPM) / Human Development Index (HDI) adalah
pengukuran perbandingan dari harapan hidup, melek huruf, pendidikan dan
standar hidup untuk semua negara seluruh dunia. IPM digunakan untuk
mengklasifikasikan apakah sebuah negara adalah negara maju, negara
berkembang atau negara terbelakang dan juga untuk mengukur pengaruh dari
kebijaksanaan ekonomi terhadap kualitas hidup.
Sejak tahun 1969 Indonesia menerapkan planned economy dengan pola
growth first then distribution of wealth. Planned economy ini menunjukkan
keberhasilan terutama dilihat dari indikator makro ekonomi yaitu tingkat
pertumbuhan ekonomi yang tinggi, pertumbuhan pendapatan yang tinggi, tingkat
inflasi yang rendah, kestabilan nilai tukar rupiah, rendahnya tingkat pengangguran
dan perbaikan sarana perekonomian. Data ekonomi periode 1970-1980 mengenai
ekonomi dan distribusi pendapatan terutama di LDC (Less Developing Country),
khususnya dinegara-negara yang mempunyai tingkat pertumbuhan ekonomi yang
cukup pesat antara pertumbuhan ekonomi dan tingkat kesenjangan ekonomi.
Semakin tinggi pendapatan per kapita maka semakin besar perbedaan si miskin
dan si kaya.
Berdasarkan fakta tersebut muncul pertanyaan mengapa terjadi trade off
antara pertumbuhan dan kesenjangan ekonomi dan berapa lama akan terjadi?.
Kerangka pemikiran tersebut melandasi Hipotesis Kuznetz, yaitu dalam jangka
pendek ada korelasi yang positif antara pertumbuhan pendapatan per kapita dan
kesenjangan pendapatan. Namun dalam jangka panjang hubungan keduanya
menjadi korelasi negatif. Sebagai indicator pembangunan manusia, UNDP(United
Nations Development Programme) mengembangkan Human Development Index
(HDI) yang mencakup 3 komponen dasar yang secara operasional dapat
Universitas Sumatera Utara
menghasilkan suatu ukuran untuk merefleksikan upaya pembangunan manusia
wilayah, yaitu:
1.
hidup yang sehat dan panjang umur yang diukur dengan harapan hidup
saat kelahiran
2.
Pengetahuan yang diukur dengan angka tingkat baca tulis pada orang
dewasa (bobotnya dua per tiga) dan kombinasi pendidikan dasar,
menengah, atas gross enrollment ratio (bobot satu per tiga).
3.
standard kehidupan yang layak diukur dengan logaritma natural dari
produk domestik bruto per kapita dalam paritasi daya beli.
Pengenalan pola serta ajar mesin (mesin learning) dewasa ini telah
membentuk suatu bidang yang sangat luas dari kegiatan riset serta pengembangan
yang meliputi pemrosesan gambar, serta informasi bukan-numerik lainnya yang
diperoleh dari interaksi antara ilmu pengetahuan, teknik, dan masyarakat.
Motivasi kedua yang mendorong kegiatan dalam bidang ini adalah kebutuhan
manusia untuk berkomunikasi dengan mesin komputer dalam modus-modus
komunikasi alami. Perhatian yang muncul telah menciptakan suatu kebutuhan
yang meningkat akan metode serta teknik yang lebih baru untuk mendesain teknik
yang lebih baru untuk desain pengenalan pola dan system ajar (learning system).
Dari beberapa pendekatan yang telah diusulkan serta diteliti, dua teknik yang
dibahas untuk pemecahan masalah dalam pengenalan pola serta ajar mesin adalah
teori keputusan dan estimasi statistic, serta pendekatan sintatik (linguistic) sebagai
bentuk asli dari teori linguistic matematik (Pal dan Majumder 1989).
Algoritma genetika (AG) adalah algoritma pencarian heuristik yang
didasarkan atas mekanisme evolusi biologis. Keberagaman pada evolusi biologis
adalah variasi dari kromosom antar individu organisme. Variasi kromosom ini
akan mempengaruhi laju reproduksi dan tingkat kemampuan organisme untuk
tetap bertahan hidup (Kusumadewi 2005).
Hamzah (2001), menjelaskan bahwa proses kluster secara fuzzy (fuzzy
clustering) memberikan hasil yang lebih baik dan lebih alami dibandingkan
dengan proses kluster dengan pendekatan tegas. Sejak dikembangkan pertama kali
Universitas Sumatera Utara
oleh Holland tahun 1975, algoritma genetika (Genetic Algoritms=GA) terus
mengalami perkembangan dalam banyak aplikasi (Gen dan Cheng 2000).
Pesatnya perkembangan aplikasi GA pada berbagai problem optimasi
dipacu oleh perkembangan teknologi komputer dan mikro prosessor. Salah satu
minat dalam aplikasi genetic-fuzzy system adalah genetic-fuzzy clustering. Pada
fuzzy clustering berbasis fungsi tujuan persoalan mencari kluster terbaik akan
identik dengan persoalan optimasi fungsi tujuan algoritma genetika untuk fuzzy
clustering dimungkinkan dapat meningkatkan unjuk kerja fuzzy clustering. John
Holland menyatakan bahwa setiap masalah yang berbentuk adaptasi (alami
maupun buatan) dapat diformulasikan ke dalam terminologi genetika. Sifat
algoritma genetika adalah mencari kemungkinan-kemungkinan dari calon solusi
untuk mendapatkan yang optimal bagi penyelesaian masalah.
Fuzzy clustering adalah salah satu teknik untuk menentukan kluster
optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal Euclidian
untuk jarak antar vektor. Fuzzy clustering sangat berguna bagi pemodelan fuzzy
terutama dalam mengidentifikasi atura-aturan fuzzy (Kusumadewi 2004)..
Ada beberapa algoritma clustering data, salah satu diantaranya adalah
Fuzzy C-Means (FCM). Fuzzy C-Means adalah suatu teknik pengklusteran data
yang mana keberadaan tiap-tiap titik data dalam suatu kluster ditentukan oleh
derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada
tahun 1981. Konsep dasar FCM adalah menentukan pusat kluster yang akan
menandai lokasi rata-rata untuk tiap-tiap kluster. Pada kondisi awal, pusat cluser
masih belum akurat. Dengan cara memperbaiki pusat kluster dan nilai
keanggotaan tiap-tiap data secara berulang, maka akan dapat dilihat bahwa pusat
kluster akan bergerak menuju lokasi yang tepat (Kusumadewi 2004).
1.2. Perumusan Masalah
Masalah yang akan dibahas dalam tesis ini adalah bagaimana tiap-tiap propinsi di
Indonesia di kluster berdasarkan teknik pengenalan pola dalam Fuzzy Clustering
menggunakan Fuzzy C-Means Clustering dengan pendekatan algoritma genetika.
Universitas Sumatera Utara
1.3. Batasan Masalah
Adapun batasan masalah dari penulisan ini adalah:
1. Parameter
yang
digunakan
dalam
proses
pengklusteran
dengan
menggunakan algoritma FCM.
2. Data yang dianalisis sebanyak 33 terdiri atas tiap-tiap Propinsi di
Indonesia.
1.4. Tujuan Penelitian
Berdasarkan uraian pada latar belakang masalah dan perumusan masalah diatas,
maka
tujuan
yang
ingin
dicapai
dalam
penelitian
ini
adalah
untuk
mengidentifikasi unsur IPM yang kuat dan masih lemah untuk tiap-tiap propinsi
di Indonesia dalam penentuan kluster yang merupakan persoalan optimasi fungsi
tujuan pada algoritma genetika.
1.5. Manfaat Penelitian
Manfaat yang diperoleh dari penelitian ini adalah sebagai berikut:
a. Memberikan kontribusi bagi penelitian lanjutan dalam bidang pengenalan
pola dalam peningkatan kinerja fuzzy clustering.
b. Hasil penelitian ini diharapkan dapat memberikan masukan pada
manajemen perusahan sebagai dasar untuk menentukan pusat kluster
yang akan menandai lokasi rata-rata untuk tiap-tiap kluster.
c. Lembaga-lembaga yang terkait dengan pembangunan manusia yang
bergerak dalam bidang relevansi ekonomi untuk memacu pertumbuhan
IPM baik sisi pendidikan, kesehatan, dan ekonomi.
Universitas Sumatera Utara