KLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA

KLASIFIKASI WILAYAH DESA-PERDESAAN DANDESA-PERKOTAAN WILAYAH KABUPATEN SEMARANGDENGAN SUPPORT VECTOR MACHINE (SVM)SKRIPSIDisusun Oleh :MEKAR SEKAR SARINIM. 24010210120008JURUSAN STATISTIKAFAKULTAS SAINS DAN MATEMATIKAUNIVERSITAS DIPONEGOROSEMARANG2014

KLASIFIKASI WILAYAH DESA-PERDESAAN DANDESA-PERKOTAAN WILAYAH KABUPATEN SEMARANGDENGAN SUPPORT VECTOR MACHINE (SVM)MEKAR SEKAR SARINIM. 24010210120008SkripsiDiajukan Sebagai Syarat untuk Mendapatkan Gelar SarjanaPada Jurusan StatistikaJURUSAN STATISTIKAFAKULTAS SAINS DAN MATEMATIKAUNIVERSITAS DIPONEGOROSEMARANG2014i

ii

iii

KATA PENGANTARPuji syukur ke hadirat Allah SWT yang telah melimpahkan rahmat, berkah,dan karunia-Nya sehingga penulis dapat menyelesaikan Tugas Akhir yang berjudul“Klasifikasi Wilayah Desa-Perdesaan Dan Desa-Perkotaan Wilayah KabupatenSemarang Dengan Support Vector Machine (SVM)”.Tanpa bantuan dan dukungan dari berbagai pihak, penulis tidak akan mampumenyelesaikan laporan ini. Penulis menyampaikan terima kasih yang sebesarbesarnya kepada :1.Ibu Dra. Hj. Dwi Ispriyanti, M.Si selaku Ketua Jurusan Statistika FakultasSains dan Matematika Universitas Diponegoro.2.Ibu Diah Safitri, S.Si, M.Si selaku dosen pembimbing I dan Bapak Sugito,S.Si, M.Si selaku dosen pembimbing II.3.Bapak Ibu Dosen Jurusan Statistika Fakultas Sains dan MatematikaUniversitas Diponegoro.4.Semua pihak yang tidak dapat penulis sebutkan satu per satu.Penulis menyadari masih terdapat kekurangan pada Laporan Tugas Akhir ini.Oleh karena itu, saran dan kritik dari semua pihak yang bersifat membangun sangatpenulis harapkan demi kesempurnaan Tugas Akhir ini.Semarang, September 2014Penulisiv

ABSTRAKPada penelitian ini akan dilakukan klasifikasi wilayah berdasarkan statusdesa-perdesaan dan desa-perkotaan yang mengacu pada perbedaan karakteristik/kondisi antarwilayah di Indonesia dengan metode Support Vector Machine(SVM). Klasifikasi pada permasalahan ini bekerja dengan membangun fungsipemisah yang melibatkan fungsi kernel untuk memetakan data input ke ruangdimensi yang lebih tinggi. Algoritma Sequential Minimal Optimization (SMO)digunakan pada proses training data klasifikasi wilayah desa-perdesaan dan desaperkotaan untuk mendapatkan fungsi pemisah (hyperplane) yang optimal. Untukmenentukan fungsi kernel dan parameter yang sesuai dengan data pada penelitianini digunakan metode grid search yang dipadukan dengan metode leave-one-outcross-validation. Pada klasifikasi menggunakan motode SVM ini didapatkanukuran ketepatan klasifikasi, yaitu nilai akurasi terbaik sebesar 90% denganmenggunakan fungsi kernel Radial Basis Function (RBF) dengan parameterC 100 dan γ 2-5.Kata Kunci : Klasifikasi, support vector machine, sequential minimaloptimization, grid search, leave-one-out, cross-validation, desa-perdesaan, desaperkotaanv

ABSTRACTThis research will be carry out classification based on the status of therural and urban regions that reflect the differences in characteristics/ conditionsbetween regions in Indonesia with Support Vector Machine (SVM) method.Classification on this issue is working by build separation functions involving thekernel function to map the input data into a higher dimensional space. SequentialMinimal Optimization (SMO) algorithms is used in the training process of dataclassification of rural and urban regions to get the optimal separation function(hyperplane). To determine the kernel function and parameters according to thedata, grid search method combined with the leave-one-out cross-validationmethod is used. In the classification using SVM, accuracy is obtained, which thebest value is 90% using Radial Basis Function (RBF) kernel functions withparameters C 100 dan γ 2-5.Keywords : classification, support vector machine, sequential minimaloptimization, grid search, leave-one-out, cross validation, rural, urbanvi

DAFTAR ISIHalamanHALAMAN JUDUL. iLEMBAR PENGESAHAN I . iiLEMBAR PENGESAHAN II. iiiKATA PENGANTAR . ivABSTRAK . vABSTRACT. viDAFTAR ISI. viiDAFTAR GAMBAR . ixDAFTAR TABEL. xDAFTAR LAMPIRAN. xiDAFTAR SIMBOL. xiiBAB IPENDAHULUAN . 11.1Latar Belakang . 11.3Batasan Masalah. 31.4Tujuan . 4BAB II TINJAUAN PUSTAKA . 52.1Klasifikasi Wilayah Desa-Perdesaan Dan Desa-Perkotaan . 52.2Support Vector Machine (SVM) . 102.2.1Konsep SVM. 102.2.2SVM pada Linearly Separable Data. 132.2.3SVM pada Non-linearly Separable Data. 162.2.4Metode Kernel dan Klasifikasi Nonlinier pada SVM . 17vii

2.3Optimasi Hyperplane SVM . 192.4Seleksi Parameter . 232.4.1Cross-Validation . 232.4.2Grid Search . 242.5Pengukuran Kinerja Klasifikasi . 24BAB III METODOLOGI PENELITIAN. 263.1Jenis dan Sumber Data . 263.2Variabel Penelitian . 263.3Langkah-langkah Analisis. 283.4Diagram Alir . 30BAB IV PEMBAHASAN . 314.1Analisis Deskriptif . 314.2Klasifikasi dengan SVM . 32BAB V KESIMPULAN . 48DAFTAR PUSTAKA . 49LAMPIRAN. 51viii

DAFTAR GAMBARHalamanGambar 2.1 Hyperplane terbaik. 11Gambar 2.2 Hyperplane terbaik dengan margin maksimal . 12Gambar 3.1 Diagram Alir Klasifikasi dengan Metode SVM. 30Gambar 4.1 Persentase Jumlah Desa-Perdesaan dan Desa-PerkotaanKabupaten Semarang . 31ix

DAFTAR TABELHalamanTabel 2.1 Variabel, Klasifikasi, Skor, dan Kriteria Desa Perkotaan . 7Tabel 2.2 Matriks Konfusi. 25Tabel 4.1 Jumlah Wilayah Administratif Terkecil Kabupaten SemarangBerdasarkan Status Daerah. 31Tabel 4.2 Persentase Akurasi Hasil Klasifikasi Dengan Leave-One-Out CrossValidation . 34Tabel 4.3 Error Klasifikasi Untuk Setiap Parameter cost (C) . 35Tabel 4.4 Error Klasifikasi Untuk Setiap Parameter degree (d) dan cost (C). 37Tabel 4.5 Nilaiuntuk hyperplane dengan fungsi kernel Polynomial denganparameter C 0,01 dan d 2 . 38Tabel 4.6 Support vector untuk hyperplane dengan fungsi kernel Polynomialdengan parameter C 0,01 dan d 2. 39Tabel 4.5 Error Klasifikasi Untuk Setiap Parameter gamma ( ) dan cost (C). 41Tabel 4.7 Nilaiuntuk hyperplane dengan fungsi kernel RBF denganparameter C 100 dan 2. 42 2. 43Tabel 4.8 Support vector untuk hyperplane dengan fungsi kernel RBF denganparameter C 100 danTabel 4.6 Akurasi Hasil Klasifikasi Dengan Metode SVM . 47x

DAFTAR LAMPIRANHalamanLampiran 1Data Klasifiksasi Wilayah Desa-perdesaan Desa-PerkotaanKabupaten Semarang. 51Lampiran 2Pembagian Data Training-Testing Secara Acak. 61Lampiran 3Syntax R Klasifikasi dengan SVM . 65Lampiran 4Output Klasifikasi SVM Dengan Kernel Linier . 66Lampiran 5Output Klasifikasi SVM Dengan Fungsi Kernel Polynomial . 68Lampiran 6Output Klasifikasi SVM Dengan Fungsi Kernel Radial BasisFunction (RBF). 72xi

DAFTAR SIMBOL: data input ke-i: fungsi hyperplane( ): label kelas data input( ): parameter fungsi hyperplane: parameter fungsi hyperplane: ruang vector dengan dimensi n: label kelas data ke-i: data uji: norm vektor w‖ ‖: jarak antara dua hyperplane: alpha, pengali Lagrange yang berkorespondensi dengan: fungsi Lagrange primal: fungsi Lagrange dual: parameter cost: variable slack ke-i( ,Φ( )): fungsi Kernel: transformasi data input ( ) di future space: konstanta fungsi Kernel Polynomial: gamma, parameter fungsi Kernel Radial Basis Function (RBF): sigma, parameter fungsi Kernel Tangent hyperbolic (sigmoid): Batas atas nilai pengali Lagrangexii

: Batas bawah nilai pengali Lagrange: dot-product dua elemen vektorxiii

BAB IPENDAHULUAN1.1 Latar BelakangWilayahIndonesiadibagike dalambeberapatingkat wilayahadministratif, yaitu provinsi, kabupaten/kota, kecamatan, dan desa ataudisebut dengan nama lain yang merupakan wilayah administratif terkecil(Badan Pusat Statistik, 2010). Untuk berbagai keperluan, data mengenaiklasifikasi wilayah desa dan kota sangat bermanfaat terutama dalam halperencanaan pembangunan. Badan Pusat Statistik (BPS) merupakan salah satubadan penyedia data pembagian wilayah administratif yang telah diklasifikasikanmenjadi wilayah desa-perdesaan dan desa-perkotaan untuk keperluan statistikdan keperluan lainnya yang berhubungan dengan analisis dan perencanaanpembangunan. Sebagai contoh, BPS biasanya menggunakan klasifikasi desaperkotaan perdesaan sebagai dasar untuk merencanakan kegiatan sensus atausurvey (Badan Pusat Statistik, 2010).Perencanaan pembangunan wilayah mencakup berbagai aspek yang tentunyamempertimbangkan peran keterkaitan antara desa dan kota. Mike Douglass (1998)dalam Tarigan (2003), melalui konsep agropolitan menekankan bahwapengembangan desa dapat tercapai dengan baik apabila desa tersebut dikaitkandengan pengembangan kota dalam wilayah tersebut. Keterkaitan antara desa dankota juga harus dipandang dari hal budaya dan interaksi sosial yangmemungkinkan adanya timbal balik yang saling menguntungkan.1

2Klasifikasi antara wilayah desa dan kota sangat penting dilakukan untukmenentukan jenis intervensi apa yang akan diberikan. Kedua wilayah tersebutmemiliki interdependensi yang tinggi dalam rantai keterkaitan permintaan danpenawaran. Di samping pertimbangan ekonomi seperti sudah diuraikansebelumnya, keterkaitan antara kedua wilayah tersebut juga penting untukmengatasi masalah urbanisasi yang memiliki implikasi politik. Karenanya,keterkaitan desa kota tidak sekedar membawa implikasi ekonomi tetapi jugadampak politik (Tarigan, 2003).Penggolongan wilayah desa-perdesaan dan desa-perkotaan oleh BPSmelibatkan beberapa variabel yang telah ditetapkan berdasarkan Peraturan KepalaBadan Pusat Statistik Nomor 37 Tahun 2010 tentang Klasifikasi Perkotaan danPerdesaan di Indonesia. Mengacu pada kriteria desa-perdesaan dan desa-perkotaanyang tercantum dalam peraturan tersebut penulis bermaksud melakukanklasifikasi dengan menerapkan ilmu statistika menggunakan teknik data mining.Menurut Santosa (2007), data mining, sering juga disebut knowledgediscovery in database (KDD), adalah kegiatan yang meliputi pengumpulan,pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalamset data berukuran besar. Terdapat beberapa teknik data mining yang dapatdigunakan dalam permasalahan klasifikasi. Namun, pada permasalahan ini penulisakan menggunakan teknik klasifikasi Support Vector Machine (SVM) untukmengetahui ketepatan hasil klasifikasi melalui nilai akurasi yang diperoleh.Support Vector Machine (SVM) adalah suatu teknik untuk menemukanfungsi pemisah (hyperplane) yang bisa memisahkan dua himpunan data dari dua

3kelas yang berbeda (Vapnik, 1995). Ide dasar SVM adalah memaksimalkan batashyperplane. Hyperplane dengan margin yang maksimal akan memberikangeneralisasi yang lebih baik pada metode klasifikasi. SVM bekerja dengan baikpada himpunan data berdimensi tinggi (Prasetyo, 2012). Mengaplikasikan metodeklasifikasi SVM pada permasalahan tersebut maka penulis mengambil“Klasifikasi Wilayah Desa-Perdesaan dan Desa-Perkotaan Wilayah KabupatenSemarang Dengan Support Vector Machine” sebagai judul Tugas Akhir.1.2 Rumusan MasalahBerdasarkan pada latar belakang, rumusan masalah yang akan dibahas dalampenelitian ini adalah mengaplikasikan metode klasifikasi Support Vector Machine(SVM) pada data desa-perdesaan dan desa-perkotaan di Kabupaten Semaranguntuk mengetahui ketepatan hasil klasifikasi metode tersebut melalui nilai akurasiyang diperoleh.1.3 Batasan MasalahBatasan ruang lingkup permasalahan dari penelitian ini adalah sebagaiberikut :1. Data yang digunakan merupakan data klasifikasi desa-perdesaan dan desaperkotaan wilayah Kabupaten Semarang.2. Dalam penelitian ini terdiri dari sepuluh variabel independen yangmerupakan kriteria klasifikasi desa-perdesaan dan desa-perkotaan menurutBadan Pusat Statistik.

43. Fungsi kernel yang digunakan untuk menentukan hyperplane terbaik padaklasifikasi menggunakan metode SVM adalah fungsi kernel linier,polynomial dan Radial Basis Function (RBF).1.4 TujuanTujuan dari penelitian ini, antara lain :1. Menentukan fungsi kernel dan parameter terbaik untuk hyperplane SVMdengan menerapkan metode grid search.2. Menentukan hyperplane dengan parameter terbaik yang telah didapatkanuntuk klasifikasi data menggunakan SVM.3. Evaluasi hasil klasifikasi dengan menghitung akurasi hasil prediksiklasifikasi dengan metode SVM.

Sains dan Matematika Universitas Diponegoro. 2. Ibu Diah Safitri, S.Si, M.Si selaku dosen pembimbing I dan Bapak Sugito, S.Si, M.Si selaku dosen pembimbing II. 3. Bapak Ibu Dosen Jurusan Statistika Fakultas Sains dan Matematika Universitas Diponegoro. 4. Sem