Perpustakaan Universitas Padjajaran
Pencarian Spesifik

Detail Cantuman

Image of PERBANDINGAN FUZZY C-MEANS CLUSTERING DENGAN LATENT CLASS CLUSTERING ANALYSIS : STUDI KASUS: PENGELOMPOKAN KABUPATEN/KOTA DI WILAYAH JAWA-BALI

 

PERBANDINGAN FUZZY C-MEANS CLUSTERING DENGAN LATENT CLASS CLUSTERING ANALYSIS : STUDI KASUS: PENGELOMPOKAN KABUPATEN/KOTA DI WILAYAH JAWA-BALI

Metode pengelompokan yang saat ini berkembang memiliki cm
~keanggotaan cluster yang bersifat ketidakpastian atau probabilistik. Fuzzy

  • CodeCallNoLokasiKetersediaan
    01001150700128519.5 Gus pPerpustakaan Pusat (REF.14.28)Tersedia
  • Perpustakaan
    Perpustakaan Pusat
    Judul Seri
    -
    No. Panggil
    519.5 Gus p/R.14.28
    Penerbit Magister Statistika Terapan : Bandung.,
    Deskripsi Fisik
    xiii,; 95 hlm,;29,5 cm
    Bahasa
    Indonesia
    ISBN/ISSN
    -
    Klasifikasi
    519.5
    Tipe Isi
    -
    Tipe Media
    -
    Tipe Pembawa
    -
    Edisi
    -
    Subyek
    FCM 2. LCCA 3. Tabel Kontingensi 4. Validita
    Info Detil Spesifik
    -
    Pernyataan Tanggungjawab
  • Metode pengelompokan yang saat ini berkembang memiliki cm
    ~keanggotaan cluster yang bersifat ketidakpastian atau probabilistik. Fuzzy
    C-Means Clustering (FCM) adalah contoh populer dari ketidakpastian
    sedangkan Latent Class Clustering Analysis (LCCA) merupakan model
    dengan probabilistik.

    Dengan bantuan program R diperoleh, perbandingan akurasi hasil
    pengelompokan pada tabel kontingensi antara metode FCM dan LCCA
    terhadap data simulasi bangkitan bivariat yang berasal dari dua populasi
    dengan ukuran cluster berbeda (rasio 2: 1) maupun rasio sama (1: 1)
    menunjukkan kecenderungan ketepatan FCM pada kisaran 50% dari ukuran
    data. Sedangkan LCCA mampu mencapai angka 89% - 99% dari ukuran
    data.

    Adanya variasi korelasi antar variabel tidak berpengaruh pada
    kinerja FCM, sedangkan metode LCCA menunjukkan hubungan positif
    antara besarnya korelasi dengan peningkatan akurasi pengelompokan.
    Sehingga kinerja akurasi pengelompokan metode LCCA terbukti lebih baik
    dibanding metode FCM dan lebih cocok digunakan pada penelitian
    fenomena sosial ekonomi yang merniliki indikator saling berkaitan.

    Cluster optimal pengelompokan Kabupaten/Kota berdasarkan indeks
    validitas cluster (Connectivity, dan Silhouette) berada pada cluster
    sebanyak 3. Sehingga model terbaik untuk pengelompokan capaian
    pembangunan dari 121 Kabupaten/Kota dengan 13 variabel indikator yang
    meliputi (pro growth, pro job, pro poor dan IPM) adalah LCCA 3-cluster
    dengan direct effect.

    Mayoritas Kabupaten/Kota (ada 88) capaian pembangunannya
    "Kurang Baik", 33 yang berkategori "Baik", dan 2 termasuk "Cukup Baik".

  • Tidak tersedia versi lain

  • Silakan login dahulu untuk melihat atau memberi komentar.


//

Informasi