MODEL PENANGGULANGAN KEMISKINAN BERBASIS WILAYAH MENGGUNAKAN FUZZY C-MEANS DAN SIMPLE MATCHING COEFFICIENT

Fitri Wulandari, Rice Novita, Elin Haerani, Febi Nur Salisah

Abstract


Kemiskinan merupakan masalah yang kompleks yang dihadapi Indonesia. Usaha untuk menanggulangi kemiskinan sudah lama diupayakan, namun hasilnya belum maksimal. Kemiskinan masih banyak dialami oleh rakyat dan terkonsentrasi pada wilayah-wilayah tertentu. Ada beberapa hal yang menyebabkan terjadinya konsentrasi kemiskinan tersebut, antara lain adanya perbedaan kemajuan pembangunan suatu wilayah yang dapat menimbulkan kesenjangan pendapatan dan sekaligus akan menimbulkan perbedaan tingkat kemiskinan. Pada penelitian ini dilakukan pengelompokkan kemiskinan menggunakan fuzzy clustering means. Dengan menggunakan 28 indikator kemiskinan dan dikelompokkan menjadi 5 kriteria (kesejateraan, pendidikan, lingkungan ekonomi, infrastruktur dan pelayanan, dan lingkungan pendukung) maka tingkat kemiskinan dapat dibagi menjadi 4 cluster wilayah kemiskinan yaitu sangat miskin, cukup miskin, agak miskin dan tidak miskin. Penanganan setiap wilayah kemiskinan satu daerah dengan daerah lain akan berbeda, tergantung dengan latar belakang kemiskinan wilayah tersebut. Dengan menggunakan case base reasoning dan model similarity matching coefficient maka langkah penanggulanggalan kemiskinan dapat disesuaikan dengan kondisi dan latar belakang wilayah tersebut.

Full Text:

PDF

References


[LPPM] Lembaga Penelitian dan Pengabdian pada Masyarakat. 2008. Studi Pemetaan Kemiskinan di Kota Semarang. Unisbank Semarang. 2: 1-6.

[BAPPENAS] Badan Perencanaan Pembangunan Nasional. 2003. Sistem Data dan Penentuan Sasaran (Targeting) dalam Penanggulangan Kemiskinan.

Wijayanti, Diana dan Wahono, Heri. 2005. Analisis Konsentrasi Kemiskinan di Indonesia Periode Tahun 1999-2003. Jurnal Ekonomi Pembangunan. 10(3): 215-225

Cabrera, Inma P., Cordero, Pablo., dan Ojeda-Aciego, Manuel. 2009. Fuzzy Logic, Soft Computing, and Applications. Dalam International Work-Conference on Artificial Neural Networks. Springer. 236-244.

Gonçalves, Laercio Brito., Vellasco, Marley Maria Bernardes Rebuzzi., Pacheco, Marco Aurélio Cavalcanti dan de Souza, Flavio Joaquim. 2006. Inverted Hierarchical Neuro-Fuzzy BSP System: A Novel Neuro-Fuzzy Model for Pattern Classification and Rule Extraction in Databases. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews). 36(2): 236-248.

Dumitrescu D., Lazzerini B dan Jain LC. 2000. Fuzzy Set and Their Application to Clustering and Training. CRC Press, Boca Raton, London, New York, Washington DC.

Fan, Chin-Yuan., Chang, Pei-Chann., Lin, Jyun-Jie dan Hsieh, J.C. 2011. A Hybrid Model Combining Case-Based Reasoning and Fuzzy Decision Tree for Medical Data Classification. Applied Soft Computing. 11(1): 632-644.

Aamodt, Agnar dan Plaza, Enric. 1994. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. AI Communications. 7(1): 39-59.

Bonissone, Piero P., Chen, Yu-To., Goebel, Kai dan Khedkar, Pratap S. 1999. Hybrid Soft Computing Systems: Industrial and Commercial Applications. Proceedings of The IEEE, 87(9): 1641-1667.

Tursina. 2012. Case-Based Reasoning untuk Diagnosa Penyakit Respirologi Anak Menggunakan Similaritas Simple Matching Cofficient. Jurnal Elkha. 4(1):17-21.




DOI: http://dx.doi.org/10.24014/rmsi.v3i2.4298

Refbacks

  • There are currently no refbacks.