FUZZY GEOGRAPHICALLY WEIGHTED CLUSTERING UNTUK PENGELOMPOKAN INDIKATOR KESEJAHTERAAN RAKYAT DI PROVINSI JAWA TENGAH

Sara, Devi Sumayya, B2A014010 (2018) FUZZY GEOGRAPHICALLY WEIGHTED CLUSTERING UNTUK PENGELOMPOKAN INDIKATOR KESEJAHTERAAN RAKYAT DI PROVINSI JAWA TENGAH. Sarjana / Sarjana Terapan (S1/D4) thesis, ["eprint_fieldopt_institution_Universitas Muhammadiyah Semarang" not defined].

Preview	Text 3. Abstrak.pdf Download (644kB) | Preview
Preview	Text 4. BAB I.pdf Download (745kB) | Preview
Preview	Text 5. BAB II.pdf Download (1MB) | Preview
	Text 6. BAB III.pdf Restricted to Repository staff only Download (832kB) | Request a copy
	Text 7. BAB IV.pdf Restricted to Repository staff only Download (1MB) | Request a copy
Preview	Text 8. BAB V.pdf Download (470kB) | Preview
Preview	Text 9. DAFTAR PUSTAKA.pdf Download (592kB) | Preview

Abstract

Rakyat merupakan pondasi utama bagi sebuah negara karena rakyat merupakan aset terpenting untuk membangun sebuah negara yang maju dan mandiri. Pemerintah selalu mencoba mengimplementasikan kesejahteraan rakyat sebagai suatu tujuan program yang hendak dicapai. Pengukuran kesejahteraan rakyat merupakan pengkajian multidimensional yang membutuhkan banyak variabel, sehingga analisis cluster merupakan solusi cerdas untuk memetakan masalah tersebut. FGWC merupakan integrasi dari metode fuzzy clustering klasik dan unsur geo-demografi. FGWC memasukkan unsur geografis dalam analisisnya sehingga cluster yang terbentuk akan sensitif terhadap efek lingkungan dan berpengaruh pada nilai-nilai pusat cluster untuk menciptakan cluster yang “geographically aware”.Tujuan dari penelitian ini adalah mengelompokkan Kabupaten/Kota di Provinsi Jawa Tengah berdasarkan indikator kesejahteraan rakyat menggunakan Fuzzy Geographically Weighted Clusteringsebagai suatu pendekatan analisis clusteryang lebih geographically aware. Data yang digunakan dalam penelitian ini adalah data Badan Pusat Statistik Provinsi Jawa Tengah untuk periode tahun 2016. Dalam penelitian ini terbentuk 3 cluster yang optimum dengan masing-masing karakteristik yang berbeda dimana analisis FGWC menghasilkan nilai yang lebih signifikan dan memenuhi asumsi dibandingkan dengan fuzzy clustering klasik.

Actions (login required)

View Item