| dc.identifier.citation | [1] Ananthi Sheshasayee dan P. Sharmila. 2004. Comparative Study of Fuzzy C Means and K Means Algotithm for Requirements Clustering. Vol 7(6), 853-857. [2] Arika, Yovita. 2012. Indeks Pembangunan Manusia Indonesia Sangat Rendah. KOMPAS, 17 April 2012. [3]Babankumar S. Bansod and O. P. Pandey. 2013. An Application of PCA and Fuzzy C- Means to Delineate Management Zones and Variability Analysis of Soil. ISSN 1064-2293. Vol.46 No.5,pp.556-564 [4] Bezdek, J. 1981.Pattern Recognition with Fuzzy Objective Function Algorithm. Plenum Press., New York [5] Bunkers, M.J dan Miller, J.R. 1996. Definition of Climate Regions in the Northern Plains Using an Objective Cluster Modification Technique. Journal of Climate. Vol.9, pp. 130-146. [6] BPS. 2012. Indeks Pembangunan Manusia 2010-2011. [7] BPS. 2011. Indeks Pembangunan Manusia 2009-2010. [8] Duo, C., Xue, L. dan Du-Wu, C. 2007. An Adaptve Cluster Validity Index for the Fuzzy C-Means. International Journal of Computer Science and Network Security, Vol.7 No.2, pp.146-156. [9]Klawonn, F. dan Keller, A. 1997. Fuzzy Clustering and Fuzzy Rules. Science Journal [10]Kusumadewi, Sri dan Hari Purnomo.2004.Aplikasi Logika Fuzzy Untuk Mendukung Keputusan. Yogyakarta: Graha Ilmu. [11]Oyelade, O. J., Oladipupo, O. O., and Obagbuwa, O. O. 2010. Application of k-means clustering algorithm for prediction of Students’ Academic performance. International Journal of Computer Science and Information Security. Vol 7(1). 292-295, (IF: 0.423). [12]Purnamasari, S.B. 2014. Pemelihan Cluster Optimum Pada Fuzzy C-Means (Studi Kasus: Pengelompokkan Kabupaten/Kota di Jawa Tengah berdasarkan Indikator Indeks Pembangunan Manusia). Universitas Diponegoro. Semarang [13]Republik Indonesia. 2001. Menurut Keputusan Presiden Republin Indonesia Nomor 55 Tahun 2001 Tentang Dewan Pengembangan Kawasan Indonesia Timur. Sekretariat Kabinet RI. Jakarta [14]Shihab, A. I., 2000, Fuzzy Clustering Algorithm and Their Applicaion to Medical Image Analysis, Dissertation, University of London, London. [15]Sukim. 2011. Studi Tentang Metode C-Means Cluster dan Fuzzy C-Means Cluster Serta Aplikasinya Pada Kasus Pengelompokkan Desa/Kelurahan Berdasarka Status Ketertinggalan. Institut Teknologi Sepuluh Nopember, Surabaya. [16]Widodo, Agus., Purhadi. 2012. Perbandingan Metode Fuzzy C-Means dan Fuzzy CShell Clustering(Studi Kasus Kabupaten/Kota di Pulau Jawa Berdasarkan Variabel Pembentuk Indeks Pembangunan Manusia). Institut Teknologi Sepuluh Nopember, Surabaya. [17]Xie, X.I dan Beni, G. 1991, A validity measure for fuzzy clustering. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 13. hal. 841-847. [18]Yunitasari, M. 2007. Analisis Hubungan Antara Pertumbuhan Ekonomi Dengan Pembangunan Manusia. Jawa Timur [19]Zadeh, L.A. 1965. Fuzzy Sets, Information and Control Department of Electrical Engineering and Electronics Research Laboratory, University of California, Berkeley, California. [20]Z. Hilal Inana and Mehmet Kuntalp 2007. A Study on Fuzzy C-Means Clustering-Based Systems in Automatic Spike Detection. 1160-1166 | in_ID |
| dc.description.abstract | Analisis kelompok (cluster analysis) telah digunakan diberbagai bidang
ilmu pengetahuan, dengan tujuan mengelompokkan objek/observasi. Hal penting dalam
analisis kelompok adalah memperoleh nilai simpangan baku dalam kelompok (S
) yang
minimum dan nilai simpangan baku antar kelompok (S
) yang maksimum, untuk jumlah
kelompok yang optimum didapatkan dengan menggunakan kriteria ukuran validitas,
yaitu Indeks Xie dan Beni. Pada penelitian ini dilakukan pengelompokkan variabel
pembentuk Indeks Pembangunan Manusia di Kawasan Indonesia Timur pada tahun 2012
dengan menggunakan analisis clustering, yaitu metode k-means dan fuzzy c-means
cluster. Variabel-variabel pembentuk IPM, terdiri dari angka harapan hidup; angka
melek huruf; rata-rata lamanya sekolah, dan Purchasing Power Parity (paritas daya
beli). Dari hasil analisis didaptkan fuzzy c means menghasilkan nilai S
B
lebih kecil
dibandingkan metode c-means. Pada FCM jumlah kelompok optimum sebanyak enam
kelompok dengan nilai Indeks Xie dan Beni 0,0006589. Kelompok 1 terdiri dari32
kabupaten/kota, kelompok 2 terdiri dari 18 kabupaten/kota, kelompok 3 terdiri dari 26
kabupaten/kota, kelompok 4 terdiri dari 50 kabupaten/kota. Kelompok 5 terdiri dari 49
kabupaten/kota, dan kelompok 6 terdiri dari 44 kabupaten/kota. | in_ID |
