a2.1100145 Wulan Handayani

8/16/2019 a2.1100145 Wulan Handayani

1/90

MODEL DATA MINING DALAM PENENTUAN KONDISI

PEREKONOMIAN PENDUDUK DI DESA MULYAJAYA

SKRIPSI

Oleh :

WULAN HANDAYANI

A2.1100145

PROGRAM STUDI TEKNIK INFORMATIKA

PROGRAM STRATA SATU (S1)

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER

(STMIK) SUMEDANG

2015


2/90

MODEL DATA MINING DALAM PENENTUAN KONDISI

PEREKONOMIAN PENDUDUK DI DESA MULYAJAYA

SKRIPSI

Diajukan Sebagai Satu Syarat Untuk Menyelesaikan

Program Strata Satu (S1) Teknik Informatika

Oleh :

WULAN HANDAYANI

A2.1100145

PROGRAM STUDI TEKNIK INFORMATIKA

PROGRAM STRATA SATU (S1)

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER

(STMIK) SUMEDANG

2015


3/90

PERSETUJUAN SIDANG SKRIPSI

Nama : Wulan Handayani

NPM : A2.1100145

Peminatan : Database

Judul Skripsi : Model Data Mining dalam Penentuan Kondisi

Perekonomian Penduduk di Desa Mulyajaya

Telah disetujui untuk diuji pada siding akhir Skripsi Program Strata Satu

(S1) Program Studi Teknik Informatika STMIK Sumedang.

Pembimbing I Pembimbing II

Dody Herdiana, ST., M.Kom. Muhamad Nurdin A.M., M.Kom.


4/90

PENGESAHAN SKRIPSI

Nama : Wulan Handayani

NPM : A2.1100145

Peminatan : Database

Judul Skripsi : Model Data Mining dalam Penentuan Kondisi


Telah disidangkan dan dinyatakan lulus pada sidang akhir Skripsi

Program Strata Satu (S1) Teknik Informatika STMIK Sumedang pada

tanggal Juli 2015.

Penguji I Penguji II

Asep Saeppani, M.Kom. Yopi Hidayatul A., S.Kom., M.T.

Mengetahui,

Ketua Program Studi Teknik Informatika

Asep Saeppani, M.Kom.


5/90


6/90

ABSTRAK

Data mining penduduk merupakan data yang sangat penting bagiDesa Mulyajaya, karena semua kegiatan administrasi penduduk, datanyabersumber dari data penduduk. Banyaknya data penduduk, menjadi salahsatu kendala dalam pengambilan keputusan mengenai hal kesejahteraanpenduduk, maka dari itu perlu diimbangi dengan pengetahuan yangdihasilkan dari kumpulan data tersebut. Untuk itu, peneliti tertarik untukmengangkat tema penelitian menerapkan model data mining untukmenggali informasi tersembunyi dari kumpulan data penduduk.

Data mining merupakan proses menemukan pola antar data danhubungan keterkaitan antar data dari suatu data besar menjadipengetahuan. Informasi yang dihasilkan yaitu kondisi perekonomian

penduduk berupa kelompok keluarga miskin dan tidak miskin yang dapatdijadikan sebagai acuan pengambilan keputusan dimasa mendatang.Teknik yang digunakan yaitu teknik klasifikasi dengan metode decisiontrees menggunakan algoritma C4.5.

Tujuan penerapan model data mining ini adalah untuk menhasilkaninformasi tentang kondisi perekonomian penduduk berupa kelompokkeluarga miskin dan tidak miskin dengan menyeleksi variabel yang adamenjadi beberapa variabel sesuai dengan kebutuhan informasi, meliputipendidikan, pekerjaan, penghasilan, dinding, lantai dan fasilitas buang airbesar. Variabel yang terpilih akan melewati proses pembersihan data,transformasi data, dan data mining . Pada variabel terpilih kan dilakukanperhitungan entropy dan gain , hasil perhitungan akan direfresentasikandalam bentuk pohon keputusan. Hasil dari pohon keputusan yaitu berupaaturan dalam penentuan kelompok keluarga miskin dan tidak miskin.

Kata kunci : Data mining, Klasifikasi, Decision trees, Algoritma C4.5,Perekonomian penduduk.


7/90

KATA PENGANTAR

Assalamu’alaikum Wr.Wb.

Puji dan syukur peneliti panjatkan kehadirat Allah SWT atas

Rahmat, Hidayah dan Karunia-Nya, sehingga peneliti dapat

menyelesaikan skripsi yang berjudul “MODEL DATA MINING DALAM

PENENTUAN KONDISI PEREKONOMIAN PENDUDUK DI DESA

MULYAJAYA”. Skripsi ini merupakan salah satu syarat untuk

menyelesaikan Program Studi Strata-1 (S1), pada jurusan Teknik

Informatika di Sekolah Tinggi Manajemen Informatika dan Komputer

(STMIK) Sumedang.

Pada proses pembuatan skripsi ini, banyak bantuan, dorongan dan

bimbingan dari berbagai pihak yang sangat berharga yang diberikan

kepada peneliti. Maka, dalam kesempatan ini peneliti ingin mengucapkan

terima kasih yang sebesar-besarnya kepada:

1. Kedua orang tua, bapak dan mamah yang senantiasa memberikan

do’a, motivasi, dukungan dan bantuannya, baik itu moril maupun

materiil kepada peneliti.

2. Bapak Dwi Yuniarto, S.Sos., M.Kom., selaku Ketua STMIK

Sumedang.

3. Bapak Asep Saeppani, M.Kom., selaku Ketua Jurusan Teknik

Informatika STMIK Sumedang.


8/90

4. Bapak Dody Herdiana, ST., M.Kom., selaku Pembimbing I, yang telah

meluangkan waktunya untuk memberikan bimbingan, bantuan, arahan

serta saran kepada peneliti dalam penyusunan skripsi ini.

5. Bapak M. Nurdin, M.Kom., selaku Pembimbing II, yang telah

meluangkan waktunya untuk memberikan bimbingan, bantuan, arahan

serta saran kepada peneliti dalam penyusunan skripsi ini.

6. Seluruh Staf Pengajar STMIK Sumedang yang telah memberikan ilmu,

arahan serta masukan selama masa perkuliahan.

7. Seluruh staf Tata Usaha STMIK Sumedang yang telah memberikan

dukungan dan kerjasamanya.

8. Teman-teman seperjuangan, terutama kepada Tiara Febyanti R, Novia

Kemalasari, Fitri Wulandari dan Almira Kurniara yang selalu

memberikan motivasi, semangat dan senantiasa bertukar pikiran

dalam menyelesaikan skripsi ini.

9. Kakak saya Ujang Cahya yang senantiasa memberikan semangat.

10. Bapak Oma Suryana selaku Kepala Desa dan semua Staf Desa

Mulyajaya yang bersedia memberikan data penduduk sebagai objek

penelitian serta informasi yang berguna untuk kelancaran penelitian

skripsi.

11. Serta berbagai pihak lainnya yang tidak dapat disebutkan satu persatu

yang telah banyak memberikan bantuan dan saran sampai

terealisasikannya skripsi ini.


9/90

Peneliti menyadari bahwa dalam penyusunan skripsi ini tidak lepas

dari kekurangan karena keterbatasan kemampuan sehingga diharapkan

saran dan masukkan yang ditujukan untuk menyempurnakan penyusunan

skripsi ini sangat peneliti harapkan.

Akhir kata peneliti mengucapkan terima kasih, semoga skripsi ini

dapat bermanfaat dan semoga Allah SWT memberikan hikmah yang

berlimpah kepada kita semua. Amin.

Wassalamu’alaikum Wr. Wb.

Sumedang, Juni 2015

Peneliti


10/90

DAFTAR ISI

HALAMAN JUDUL ................................................................................. i

HALAMAN PERSETUJUAN .................................................................. ii

HALAMAN PENGESAHAN .................................................................... iii

ORISINILITAS SKRIPSI ........................................................................ iv

ABSTRAK .............................................................................................. v

KATA PENGANTAR .............................................................................. vi

DAFTAR ISI ........................................................................................... ix

DAFTAR TABEL .................................................................................... xii

DAFTAR GAMBAR ................................................................................ xiv

DAFTAR RUMUS .................................................................................. xv

DAFTAR LAMPIRAN ............................................................................. xvi

BAB I PENDAHULUAN

1.1 Latar Belakang ................................................................................ 1

1.2 Perumusan Masalah ........................................................................ 6

1.3 Tujuan Penelitian ............................................................................. 6

1.4 Pembentukan Model ........................................................................ 7

1.5 Kontribusi Penelitian ........................................................................ 8


11/90

1.6 Sistematika Penulisan ..................................................................... 9

1.7 Kegunaan Model .............................................................................. 11

BAB II TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN

2.1 Model Data Mining dalam Penentuan Kondisi Perekonomian

Penduduk di Desa Mulyajaya .......................................................... 12

2.1.1 Basis Data ............................................................................... 12

2.1.2 Data Mining ............................................................................. 15

2.1.3 Kondisi Perekonomian Penduduk ........................................... 22

2.2 Spesifikasi yang Berhubungan dengan Model yang Sudah Ada

dalam Bidang Masalah yang Akan Diteliti........................................ 24

2.3 Kerangka Pemikiran ........................................................................ 29

BAB III METODOLOGI PENGEMBANGAN MODEL

3.1 Objek Penelitian .............................................................................. 31

3.2 Metodologi Pengembangan Model Secara Skematik ...................... 32

3.3 Uraian Rinci Metodologi Pengembangan Model .............................. 32

3.4 Langkah-Langkah Pengembangan Model ....................................... 35

3.5 Rencana Validasi Model .................................................................. 38

3.6 Jadwal Penelitian ............................................................................. 38

BAB IV PENGEMBANGAN MODEL

4.1 Pendefinisian Sistem ....................................................................... 39

4.1.1 Aspek Struktur ......................................................................... 40

4.1.2 Perlaku Sistem ........................................................................ 40

4.1.3 Performansi Sistem ................................................................. 42


12/90

4.1.4 Lingkungan Sistem .................................................................. 42

4.2 Formulasi Model Yang Dikembangkan ............................................ 43

4.2.1 Formulasi Database yang sedang Berjalan ............................ 43

4.2.2 Formulasi Sistem yang Diusulkan ........................................... 44

4.2.3 Formulasi Pre-processing ....................................................... 47

4.2.4 Formulasi Transformasi .......................................................... 48

4.2.5 Formulasi Data Mining ............................................................ 48

4.2.6 Formulasi Klasifikasi ............................................................... 49

4.2.7 Formulasi Pohon Keputusan ................................................... 50

4.2.8 Formulasi Aturan (IF-THEN ) ................................................... 54

4.3 Analisis Model ................................................................................. 54

4.4 Validasi Model ................................................................................. 65

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan ...................................................................................... 66

5.2 Saran ............................................................................................... 66

DAFTAR PUSTAKA

LAMPIRAN - LAMPIRAN


13/90

DAFTAR TABEL

Tabel 3.1 Jadwal Penelitian ..................................................................... 38

Tabel 4.1 Struktur Data Tabel Data KK .................................................... 44

Tabel 4.2 Struktur Data Tabel Data Kondisi Fisik Rumah ........................ 45

Tabel 4.3 Struktur Data Tabel Kualitas Penduduk ................................... 45

Tabel 4.4 Struktur Data Tabel Kesejahteraan Penduduk ......................... 45

Tabel 4.5 Format Tabel Setelah Pemilihan Variabel ................................ 47

Tabel 4.6 Klasifikasi Pendidikan .............................................................. 49

Tabel 4.7 Klasifikasi Pendidikan ............................................................. 49

Tabel 4.8 Klasifikasi Penghasilan ............................................................ 49

Tabel 4.9 Format Data Klasifikasi ............................................................ 50

Tabel 4.10 Data Sampel .......................................................................... 50

Tabel 4.11 Skema Tabel Perhitungan Entropy dan Gain ........................ 51

Tabel 4.12 Database Penduduk Yang Sedang Berjalan .......................... 54

Tabel 4.13 Tabel Penduduk Sebelum Diseleksi ...................................... 55

Tabel 4.14 Tabel Kesejahteraan Keluarga Sebelum Seleksi .................. 56


14/90

Tabel 4.15 Tabel Kondisi Fisik Rumah Sebelum Seleksi ......................... 56

Tabel 4.16 Tabel Kualitas Keluarga Sebelum Seleksi ............................ 57

Tabel 4.17 Proses Penggabungan Tabel ................................................. 58

Tabel 4.18 Data Hasil Seleksi .................................................................. 58

Tabel 4.19 Hasil Transformasi ................................................................. 60

Tabel 4.20 Tabel Hasil Proses Klasifikasi ................................................ 60

Tabel 4.21 Hasil Perhitungan ................................................................... 61

Tabel 4.22 Tabel Hasil Pengujian ............................................................ 64


15/90

DAFTAR GAMBAR

Gambar 3.1 Proses Pengembangan Model Secara Skematik ................. 32

Gambar 4.1 Aspek Struktur Model Data Mining Penentuan Kondisi

Perekonomian Penduduk ...................................................... 40

Gambar 4.2 Skema Database Yang Sedang Berjalan ............................. 43

Gambar 4.3 Skema Database Baru ......................................................... 48

Gambar 4.4 Skema Pohon Keputusan (Decision Tree ) ........................... 53

Gambar 4.5 Pohon Keputusan Yang Dihasilkan ...................................... 62


16/90

DAFTAR RUMUS

Rumus 2.1 Menghitung Gain ................................................................. 21

Rumus 2.1 Menghitung Entropy ............................................................ 21


17/90

DAFTAR LAMPIRAN

Lampiran 1 Riwayat Hidup

Lampiran 2 Kartu Bimbingan

Lampiran 3 Surat Keputusan

Lampiran 4 Surat Izin Penelitian

Lampiran 5 Data Rekaptulasi Penduduk

Lampiran 6 Hasil Wawancara


18/90

BAB I

PENDAHULUAN

1.1 Latar Belakang

Berdasarkan Peraturan Pemerintah Republik Indonesia Nomor 72

Tahun 2005 tentang Desa. Pemerintahan Desa adalah penyelenggaraan

urusan pemerintahan oleh Pemerintah Desa dan Badan

Permusyawaratan Desa dalam mengatur dan mengurus kepentingan

masyarakat setempat berdasarkan asal-usul dan adat istiadat setempat

yang diakui dan dihormati dalam sistem Pemerintahan Negara Kesatuan

Republik Indonesia. Pembentukan desa dimaksudkan untuk

meningkatkan pelayanan publik guna mempercepat terwujudnya

kesejahteraan masyarakat.

Menurut Undang-Undang Republik Indonesia Nomor 11 Tahun 2011

tentang Kesejahteraan Sosial, Pasal 1 Ayat 1adalah:

“Kesejahteraan Sosial adalah kondisi terpenuhinya kebutuhanmaterial, spiritual, dan sosial warga negara agar dapat hidup layakdan mampu mengembangkan diri, sehingga dapat melaksanakanfungsi sosialnya”.

Salah satu ciri ilmu kesejahteraan sosial adalah upaya

pengembangan metodologi untuk menangani berbagai macam masalah

sosial, baik tingkat individu, kelompok, keluarga maupun masyarakat ( Adi,

1994: 3-5). Sesuai Undang-Undang Republik Indonesia Nomor 11 Tahun

2011 tentang Kesejahteraan Sosial, Pasal 1 Ayat 1, maka Pemerintah


19/90

Kabupaten Sumedang, telah melaksanakan berdasarakan ketentuan-

ketentuan pokok kesejahteraan sosial masyarakat.

Begitu halnya dengan Desa Mulyajaya Kecamatan Wado, yang

merupakan bagian wilayah Kabupaten Sumedang. Dengan jumlah ± 810

kepala keluarga dengan jumlah RT 21 dan RW 6, mata pencaharian

penduduk sebagian besar petani dan buruh dengan latar belakang

pendidikannya tamatan Sekolah Dasar dan Sekolah Menengah Pertama.

Hal ini berpengaruh pada pendapatan perkapita masyarakat Desa

Mulyajaya yang masih rendah, minimnya pendapatan dan rendahnya

pendidikan merupakan kendala cukup pital dikalangan masyarakat.

Banyaknya masyarakat Desa Mulyajaya yang belum bisa meningkatkan

taraf perekonomian yang dapat berdampak terhadap kondisi ekonomi

masyarakat desa menjadi kendala bagi Pemerintah Desa dalam hal

kesejahteraan penduduk desa.

Bedasarkan paparan kendala Desa Mulyajaya dalam hal

kesejahteraan penduduk, Desa Mulyajaya itu sendiri mengalami kesulitan

dalam mendapatkan informasi penduduk miskin dan tidak miskin yang

masih belum jelas, dan juga sering terjadinya faktor subjektif karena

pengambil keputusan diberikan kepada setiap RW, data penduduk miskin

dan tidak miskin tersebut nantinya akan dijadikan bahan untuk

pengambilan keputusan mengenai penduduk yang mendapat bantuan

apabila pemerintah mengeluarkan bantuan sosial bagi penduduk. Kendala

yang dihadapi oleh Pemerintah Desa Mulyajaya, secara umum merupakan


20/90

kendala di wilayah lainnya yang ada di Kabupaten Sumedang. Hal ini,

disebabkan karena pengolahan data dari beberapa sumber data

kependudukan dan data hasil survey kelapangan untuk dijadikan bahan

dalam pengambilan keputusan belum dikelola secara maksimal.

Pengolahan data tersebut dapat dimaksimalkan dengan adanya

sebuah basis data. Basis Data terdiri atas 2 kata, yaitu Basis dan Data.

Basis kurang lebih dapat diartikan sebagai markas atau gudang, tempat

bersarang/berkumpul. Sedangkan Data adalah representasi fakta dunia

nyata yang mewakili suatu objek seperti manusia (pegawai, siswa,

pembeli, pelanggan), barang, hewan, peristiwa, konsep, keadaan, dan

sebagainya, yang diwujudkan dalam bentuk angka, huruf, symbol teks,

gambar, bunyi atau kombinasinya (Fatahansyah: 2, 2012).

Selain itu, diperlukan juga suatu model untuk memaksimalkan

pengolahan data penduduk, yang nantinya dapat digunakan dalam

pengambilan keputusan dari beberapa data yang sudah ada untuk

menggambarkan kondisi ekonomi penduduk di Desa Mulyajaya, salah

satunya dengan menggunakan model data mining. Data mining adalah

proses yang menggunakan teknik statistic , matematika, kecerdasan

buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi

informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai

database besar.

Basis Data sendiri dapat didefinisikan dalam sejumlah sudut

pandang seperti:


21/90

a. Himpunan kelompok data (arsip) yang saling berhubungan yang

diorganisasi sedemikian rupa agar elak dapat dimanfaatkan kembali

dengan cepat dan mudah.

b. Kumpulan data yang saling berhubungan yag disimpan secara

bersama sedemikian rupa dan tanpa pengulangan (redudansi ) yang

tidak perlu, untuk memenuhi berbagai kebutuhan.

c. Kumpulan file /tabel/arsip yang saling berhubungan yang disimpan

dalam media penyimpanan elektronis.

Pemanfaatan Basis Data dilakukan untuk memenuhi sejumlah tujuan

(objektif) seperti berikut:

a. Kecepatan dan kemudahan (Speed );

b. Efisiensi ruang penyimpanan (Space );

c. Keakuratan (Accurancy );

d. Ketersedian (Availability );

e. Kelengkapan (Completeness );

f. Keamanan (Security );

g. Kebersamaan Pemakai (Sharability ).


22/90

Basis Data dapat dibedakan menjadi 4 jenis, yaitu (Nukhrid, Diakses

26 Maret 2015) :

a. Basis Data Individual

Basis data individual adalah basis data yang digunakan oleh

perseorangan. Biasanya basis data seperti ini banyak dijumpai

dilingkungan PC.

b. Basis Data Perusahaan

Basis data perusahaan adalah basis data yang dimaksudkan untuk

diakses oleh sejumlah pegawai dalam sebuah perusahaan dalam

sebuah lokasi. Basis data seperti ini disimpan dalam sebuah server

dan para pemakai dapat mengakses dari masing-masing komputer

yang berkedudukan sebagai client.

c. Basis Data Terdistribusi

Basis data terdistribusi adalah basis data yang disimpan pada

sejumlah komputer yang terletak pada beberapa lokasi. Model seperti

ini banyak digunakan bank yang memiliki sejumlah cabang di berbagai

kota dan melayani transaksi perbankan yang bersifatonline

d. Basis Data Publik

Basis Data Publik adalah basis data yang dapat diakses oleh siapa

saja (publik).

Berdasarkan uraian di atas, maka dalam penulisan skripsi ini peneliti

ingin mencoba melakukan analisis data dengan serangkaian proses yang


23/90

memanfaatkan teknologi data mining yang dimaksudkan untuk

memaksimalkan pengolahan data dari beberapa sumber data

kependudukan dan data hasil survey kelapangan untuk dijadikan bahan

dalam pengambilan keputusan. Selain itu, perlu juga diterapkan model

data mining untuk memaksimalkan data penduduk agar dapat digunakan

dalam proses penentuan kondisi perekonomian penduduk di Desa

Mulyajaya berupa kelompok keluarga miskin dan tidak miskin.

Untuk merealisasikan hal tersebut, peneliti mencoba untuk

menganalisis bagaimana menentukan kondisi perekonomian penduduk

berupa kelompok keluarga miskin dan tidak miskin dengan memilih judul

Skripsi yaitu “Model Data Mining dalam Penentuan Kondisi

Perekonomian Penduduk di Desa Mulyajaya”.

1.2 Perumusan Masalah

Berdasarkan latar belakang, maka perumusan masalahnya, yaitu:

1. Bagaimana menerapkan model data mining dalam proses penentuan

kondisi perekonomian penduduk di Desa Mulyajaya?

1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah sebagai berikut:

1. Terciptanya sebuah basis data yang menerapkan model data mining

dalam memaksimalkan pengelolaan data penduduk di Desa Mulyajaya.


24/90

2. Basis data ini, diharapkan dapat menyajikan informasi yang akurat

untuk melihat kondisi perekonomian penduduk, serta dapat

dimanfaatkan untuk beberapa keperluan desa, seperti pengambilan

keputusan menyangkut dengan kesejahteraan sosial penduduk.

1.4 Pembentukan Model

Model data mining yang akan dibentuk dalam penelitian ini, yaitu

discovery model. Dimana pada discovery model ini merupakan sebuah

sistem basis data yang dapat secara langsung menemukan informasi

penting yang tersembunyi dalam suatu data yang besar. Data-data yang

ada kemudian dipilah-pilah untuk menemukan suatu pola yang ada, dan

keadaaan umum pada saat itu tanpa adanya campur tangan dan tuntunan

dari pengguna. Hasil temuan ini menyatakan fakta-fakta yang ada dalam

data yang ditemukan dalam waktu yang sesingkat mungkin. Sebagai

contoh, misalkan pemerintah Desa ingin menemukan kelompok penduduk

yang memenuhi syarat untuk menerima suatu bantuan.

Model data mining dengan discovery model ini dikembangkan

dengan menggunakan teknik klasifikasi. Klasifikasi adalah proses untuk

menemukan model atau fungsi yang menjelaskan atau membedakan

konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas

dari suatu objek yang labelnya tidak diketahui. Tujuan dari klasifikasi ini

adalah untuk menganalisa training data dan membentuk sebuah deskripsi

yang akurat atau sebuah model untuk setiap kelas berdasarkan feature-


25/90

feature yang tersedia di dalam data tersebut. Metode yang akan

digunakan yaitu metode decision tree (pohon keputusan) dengan

algoritma C4.5.

Alasan digunakan model dan teknik serta metode diatas, adalah

memberikan ketepatan dan kemudahan dalam penyediaan informasi yang

akurat untuk kebutuhan pengambilan keputusan. Proses pada pohon

keputusan adalah mengubah bentuk data (tabel) menjadi model pohon,

mengubah model pohon menjadi rule , dan menyederhanakan rule .

Manfaat utama dari penggunaan pohon keputusan adalah

kemampuannya untuk mempermudah proses pengambilan keputusan

yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan

lebih menginterpretasikan solusi dari permasalahan.

1.5 Kontribusi Penelitian

Penelitian ini diharapkan berguna bagi peneliti juga dapat berguna

bagi lembaga pemerintah desa yang bersangkutan dan juga bagi peneliti

selanjutnya yang berkaitan dengan permasalahan yang menggunakan

data mining . Adapun manfaat dari data penelitian ini adalah sebagai

berikut:

a. Menambah ilmu pengetahuan tentang pemanfaatan data mining yang

diterapkan dalam pengolahan data, khususnya data penduduk.


26/90

b. Mengetahui cara membuat model data mining untuk menghasilkan

informasi yang akurat agar dapat mengatasi faktor subjektif di Desa

tersebut.

c. Penelitian bisa dijadikan bahan rekomendasi oleh pihak yang

berkepentingan, baik bagi akademisi, praktisi maupun oleh aparat

desa.

d. Memberikan kemudahan dalam penyajian informasi kependudukan

dalam pengambilan keputusan.

1.6 Sistematika Penulisan

BAB I PENDAHULUAN

1.1 Latar Belakang

1.2 Rumusan Masalah

1.3 Tujuan Penelitian

1.4 Pembentukan Model

1.5 Kontribusi Penelitian

1.6 Sistematika Penulisan

1.7 Kegunaan Model

BAB II TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN

2.1 Penerapan Model Data Mining dalam Penentuan Kondisi


2.1.1 Basis data

2.1.2 Data mining


27/90


28/90

4.2.6 Formulasi Klasifikasi

4.2.7 Formulasi Pohon Keputusan

4.2.8 Formulasi Aturan (IF-THEN )

4.3 Analisis Model

4.4 Validasi Model

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan

5.2 Saran

Daftar Pustaka

Lampiran-lampiran

1.7 Kegunaan Model

Kegunaan dari model data mining yang akan dikaji dalam penelitian,

yaitu diharapkan dapat:

a. Memaksimalkan data penduduk di Desa Mulyajaya, sehingga dapat

disajikan secara tepat dan akurat.

b. Membantu menemukan informasi yang akurat dari basis data

kependudukan dan dapat melihat bagaimana kondisi perekonomian

penduduk desa dengan melihat berapa banyak penduduk yang

termasuk kategori miskin dan tidak miskin sehingga dapat

dimanfaatkan untuk pengambilan keputusan dibidang kependudukan

yang lain.


29/90

BAB II

TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN

2.1 Model Data Mining dalam Penentuan Kondisi Perekonomian

Penduduk di Desa Mulyajaya

2.1.1 Basis data

Basis data terdiri dari 2 kata, yaitu Basis dan Data. Basis dapat

diartikan sebagai markas atau gudang tempat bersarang/berkumpul.

Sedangkan data adalah representasi fakta dunia nyata yang mewakili

suatu objek seperti manusia (pegawai, siswa, pembeli, pelanggan),

barang hewan, peristiwa, konsep, keadaan dan sebagainya, yang

diwujudkan dalam bentuk angka, huruf, symbol, teks, gambar, bunyi atau

kombinasi.

Menurut Fatahansyah (2012 : 3), Database dapat didefinisikan dalam

sejumlah sudut pandang:

a. Himpunan kelompok data (arsip) yang saling berhubungan yang

diorganisasi sedemikian rupa agar kelak dapat dimanfaatkan kembali

dengan cepat dan mudah.

b. Kumpulan data yang saling berhubungan yang disimpan secara

bersama sedemikian rupa dan tanpa pengulangan (redudansi ) yang

tidak perlu, untuk memenuhi berbagai kebutuhan.

c. Kumpulan file /tabel/arsip yang saling berhubungan yang disimpan

dalam media penyimpanan elektronis.


30/90

Dari beberapa sudut pandang diatas peneliti dapat menyimpulkan

bahwa Database atau basis data adalah kumpulan file-file yang

mempunyai kaitan antara satu file dengan file yang lain sehingga

membentuk data untuk menghasilkan suatu informasi untuk memenuhi

berbagai kebutuhan. Bila terdapat file yang tidak dapat dipadukan atau

dihubungkan dengan file yang lainnya, berarti file tersebut bukanlah

kelompok dari satu database , melainkan membentuk satu database

sendiri. Atau basis data (database) adalah kumpulan dari data yang saling

berhubungan (relation) antara satu dengan yang lainnya yang

diorganisasikan berdasarkan skema atau struktur tertentu.

Model database adalah kumpulan dari konsepsi basis data yang

biasanya mewakili struktur dan relasi data yang terdapat pada suatu basis

data. Esensi sebuah model basis data adalah tempat dimana data atau

suatu metodologi untuk menyimpan data. Model data yang paling umum

berdasarkan pada bagaimana hubungan antar record yang tersimpan

dalam database . Terdapat 3 jenis model dasar yang paling umum, yaitu:

Model Database Hirarki, Model Database Jaringan dan Model Database

Relasional.

Model database yang digunakan pada penelitian ini adalah model

database relasional karena merupakan model yang paling sederhana,

sehingga mudah digunakan oleh pengguna. Model ini menggunakan

sekumpulan table berdimensi dua (yang disebut relasi atau table), dengan

masing-masing relasi tersusun atas baris dan atribut.


31/90

Prinsip utama dari database adalah pengaturan data/arsip.

Sedangkan tujuan utamanya adalah kemudahan dan kecepatan dalam

pengambilan kembali data/arsip. Perbedaannya hanya terletak pada

media penyimpanan yang digunakan.

Secara lebih lengkap, pemanfaatan basis data dilakukan untuk

memenuhi sejumlah tujuan (objektif) seperti berikut:

a. Kecepatan dan Kemudahan (Speed )

Pemanfaatan basis data memungkinkan kita untuk dapat

menyimpanan data atau melakukan perubahan/manipulasi terhadap

data atau menampilkan kembali data tersebut dengan lebih cepat dan

mudah.

b. Efisiensi Ruang Penyimpanan (Space )

Dengan basis data, efisiensi/optimalisasi penggunaan ruang

penyimpanan dapat dilakukan, karena kita dapat melakukan

penekanan jumlah redudansi data, baik dengan menerapkan sejumlah

pengkodean atau dengan membuat relasi-relasi (dalam bentuk tabel)

antar kelompok data yang saling berhubungan.

c. Keakuratan (Accuracy )

Pemanfaatan pengkodean atau pembentukan relasi antar data

bersama dengan penerapan aturan/batas (constraint ) tipe data,

domain data, keunikan data, dan sebagainya, sangat berguna untuk

menekan ketidakakuratan penyimpanan data.

d. Ketersediaan (Availability )


32/90

Pertumbuahan data (baik dari sisi jumlah maupun jenisnya) sejalan

dengan waktu akan semakin membutuhkan ruang penyimpanan yang

besar. Karena itu kita dapat memilah adanya data utama/master, data

transaksi, data histori hingga data yang kadaluarsa.

e. Kelengkapan (Completeness )

Dalam sebuah basis data, disamping data kita juga harus menyimpan

struktur. Untuk mengakomodasi kebutuhan kelengkapan data yang

semakin berkembang, maka kita tidak melakukan perubahan struktur

dalam basis data.

f. Keamanan (security)

Dalam basis data harus diterapkan aspek keamanan, dengan begitu

kita dapat menentukan siapa saja pengguna yang dapat menggunakan

basis data beserta objek di dalamnya dan operasi apa saja yang boleh

dilakukan.

g. Kebersamaan Pemakai (Sharability )

Basis data yang dikelola oleh sistem (aplikasi) yang menduung

lingkungan multi-user, akan dapat menjaga/menghindari munculnya

persoalan baru seperti inkonsistensi data atau kondisi deadlock .

2.1.2 Data mining

Menurut Fajar Astuti Hermawati (2013: 3) Data mining adalah

proses yang mempekerjakan satu atau lebih teknik pembelajaran

komputer (machine learning ) untuk menganalisis dan mengekstraksi


33/90

pengetahuan (knowledge ) secara otomatis. Data mining merupakan

proses iterative dan interaktif untuk menemukan pola baru yang sahih

(sempurna), bermanfaat dan dapat dimengerti dalam suatu database yang

sangat besar (massive database ). Pola-pola ini dikenali oleh perangkat

tertentu yang dapat memberikan suatu analisa data yang berguna dan

berwawasan yang kemudian dapat dipelajari dengan lebih teliti.

Data mining adalah suatu istilah yang digunakan untuk

menguraikan penemuan pengetahuan di dalam database . Data mining

adalah proses yang menggunakan teknik statistic , matematika,

kecerdasan buatan, dan machine learning untuk mengekstraksi dan

mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait

dari berbagai database besar (Turban, dkk. 2005).

Menurut Gartner Group data mining adalah suatu proses

menemukan hubungan yang berarti, pola, dan kecenderungan dengan

memeriksa dalam sekumpulan besar data yang tersimpan dalam

penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik

static dan matematika (Larose, 2005).

Berdasarkan beberapa pendapat di atas, maka dapat disimpulkan

bahwa data mining merupakan proses yang berisi pencarian pola yang

diinginkan dalam database yang besar untuk membantu pengambilan

keputusan diwaktu yang akan datang.

Hubungan yang dicari dalam data mining dapat berupa hubungan

antara dua atau lebih dalam satu dimensi. Selain itu, hubungan juga dapat


34/90

dilihat antara dua atau lebih atribut dan dua atau lebih objek. Sementara

itu, penemuan pola merupakan keluaran lain dari data mining .

Menurut Fayyad yang dikutip oleh Kusrini dan Emha Taufiq Luthfi

(2009: 6) menyatakan bahwa Istilah data mining dan knowledge discovery

in database (KDD) sering kali digunakan secara bergantian untuk

menjelaskan proses penggalian informasi tersembunyi dalam suatu basis

data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang

berbeda, tetapi berkaitan satu sama lain. Dan salah satu tahapan dalam

keseluruhan proses KDD adalah data mining . Proses KDD secara garis

besar dapat dijelaskan sebagai berikut:

a. Data Selection

Pemilihan (seleksi) data dari sekumpulan data operasional perlu

dilakukan sebelum tahap pengalian informasi dalam KDD dimulai. Data

hasil seleksi yang akan digunakan untuk proses data mining disimpan

dalam suatu berkas, terpisah dari basis data operasional.

b. Pre-processing/Cleaning

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan

cleaning pada data yang menjadi fokus KDD. Proses cleaning

mencakup antara lain membuang duplikasi data, memeriksa data yang

inkonsisten, dan memperbaiki kesalahan pada data.

c. Transformation

Coding adalah proses tranformasi pada data yang telah dipilih,

sehingga data tersebut sesuai untuk proses data mining . Proses


35/90

coding dalam KDD merupakan proses kreatif dan sangat tergantung

pada jenis atau pola informasi yang akan dicari dalam basis data.

d. Data Mining

Data mining adalah proses mencari pola atau informasi menarik dalam

data terpilih dengan menggunakan teknik atau metode tertentu.

Teknik, metode, atau algoritma dalam data mining sangat bervariasi.

Pemilihan metode atau algoritma yang tepat sangat bergantung pada

tujuan dan proses KDD secara keseluruhan.

e. Interpretation/Evalution

Pola informasi yang dihasilkan dari proses data mining perlu

ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang

berkepentingan. Tahap ini, merupakan bagian dari proses KDD yang

disebut interpretation . Tahap ini mencakup pemeriksaan apakah pola

atau informasi yang ditemukan bertentangan dengan fakta atau

hipotesis yang ada sebelumnya.

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas

yang dapat dilakukan, yaitu (Larose, 2005):

a. Deskripsi

Teknik yang ingin mencoba mencari cara untuk menggambarkan pola

dan kecenderungan yang terdapat dalam data.


36/90

b. Estimasi

Teknik yang dibangun menggunakan record lengkap yang

menyediakan nilai dari variabel target sebagai nilai prediksi.

c. Prediksi

Teknik dalam prediksi menyatakan nilai dari hasil akan ada di masa

mendatang.

d. Klasifikasi

Klasifikasi adalah menentukan sebuah record data baru ke salah satu

dari beberapa kategori (class ) yang telah didefinisikan sebelumnya.

e. Pengklusteran

Pengklusteran merupakan pengelompokan record , pengamatan, atau

memperhatikan dan membentuk kelas objek-objek yang memiliki

kemiripan.

f. Asosiasi

Tugas asosiasi dalam data mining adalah menemukan atribut yang

muncul data satu waktu.

Dari beberapa teknik data mining di atas, maka teknik yang akan

digunakan dalam menerapkan model Data mining adalah teknik klasifikasi.

Klasifikasi yaitu suatu fungsionalitas data mining yang akan menghasilkan

model untuk memprediksi kelas atau kategori dari objek-objek di dalam

basis data. Teknik klasifikasi merupakan suatu pendekatan sistematis

untuk membangun model klasifikasi dari suatu himpunan data masukan.


37/90

Klasifikasi dapat disajikan dengan menggunakan berbagai metode seperti

decision trees, Bayesian classification, k-nearst neighbor, Bayesian

classification, neural network, classification (IF-THEN) rule .

Metode yang akan dipakai yaitu metode decision trees dengan

menggunakan algoritma C4.5. Menurut Kusrini (2009: 13) Metode pohon

keputusan dapat mengubah fakta yang sangat besar menjadi pohon

keputusan yang merepresentasikan aturan. Pohon keputusan juga

berguna untuk mengekplorasi data, menemukan hubungan tersembunyi

antara sejumlah calon variabel input dengan sebuah variabel target.

Sebuah pohon keputusan adalah sebuah struktur yang dapat digunakan

untuk membagi kumpulan data yang besar menjadi himpunan-himpunan

record yang lebih kecil dengan menerapkan serangkaian aturan

keputusan.

Sebuah model pohon keputusan terdiri dari sekumpulan aturan

untuk membagi sejumlah populasi yang heterogen menjadi lebih kecil,

lebih homogen dengan memperhatikan pada variabel tujuannya. Variabel

tujuannya dikelompokan dengan pasti dan pohon keputusan mengarah

pada perhitungan probabilitas dari tiap-tiap record terhadap kategori

tersebut atau untuk mengklasifikasi record dengan mengelompokannya

dalam satu kelas. Algoritma yang dipakai dalam pembentukan pohon

keputusan, antara lain ID3, CART dan C4.5. Peneliti menggunakan

algoritma C4.5.


38/90

Secara umum algoritma C4.5 untuk membangun pohon keputusan

adalah sebagai berikut:

a. Pilih atribut sebagai akar.

b. Buat cabang untuk tiap-tiap nilai.

c. Bagi kasus dalam cabang.

d. Ulangi proses untuk setiap cabang sampai semua kasus pada cabang

memiliki kelas yang sama.

Untuk memilih atribut sebagai akar, didasarkan pada nilai gain

tertinggi dari atribut yang ada. Untuk menghitung gain digunakan rumus

seperti tertera dalam persamaan 1 berikut.

, = − ∑ |||| ∗ Rumus …… 1)

Keterangan:

S : Himpunan Kasus

A : Atribut

n : Jumlah partisi atribut A

|Si| : Jumlah kasus pada partisi ke-i

|S| : Jumlah kasus dalam S

Sementara itu perhitungan nilai entropi dapat dilihat pada persamaan 2

berikut:

= − ∑ − ∗ log Rumus …… 2)


39/90

Keterangan:

S : Himpunan kasus

A : Atribut

n : Jumlah partisi S

pi : Proporsi dari Si terhadap S

2.1.3 Kondisi perekonomian penduduk

Data penduduk adalah data perseorangan atau data agregat yang

terstruktur sebagai hasil kegiatan pendaftaran penduduk dan pencatatan

sipil. Sumber data kependudukan yang pokok dibagi menjadi 3, yaitu: a)

Sensus penduduk, b) Registrasi penduduk, dan c) survey penduduk.

(Sumber: Ditjen Kependudukan & Pencatatan Sipil, Kemendagri RI)

Penduduk dikategorikan menjadi penduduk miskin dan tidak miskin,

adapun 14 kriteria miskin menurut standar Badan Pusat Statistik (BPS)

yaitu:

a. Luas lantai bangunan tempat tinggal kurang dari 8 m2 per orang

b. Jenis lantai tempat tinggal terbuat dari tanah/bambu/kayu murahan

c. Jenis dinding tempat tinggal dari bamboo/rumbia/kayu berkualitas

rendah/tembok tanpa diplester

d. Tidak memiliki fasilitas buang air besar/bersama-sama dengan rumah

tangga lain

e. Sumber penerangan rumah tangga tidak menggunakan listrik


40/90

f. Sumber air minum berasal dari sumur/mata air tidak

terlindungi/sungai/air hujan

g. Bahan bakar untuk memasak sehari-hari adalah kayu

bakar/arang/minyak tanah

h. Hanya mengonsumsi danging/susu/ayam satu kali dalam seminggu

i. Hanya membeli satu stel pakaian baru dalam setahun

j. Hanya sanggup makan sebanyak satu/dua kali dalam sehari

k. Tidak sanggup membayar biaya pengobatan dipuskesmas/poliklinik

l. Sumber penghasilan kepala rumah tangga adalah: petani dengan luas

lahan 500 m2, buruh tani, nelayan, buruh bangunan, buruh

perkebunan dan atau pekerjaan lainnya dengan pendapatan dibawah

Rp.600.000,- per bulan

m. Pendidikan tertinggi kepala rumah tangga: tidak sekolah/tidak tamat

SD/hanya SD

n. Tidak memiliki tabungan/barang yang mudah dijual dengan minimal

Rp.500.000,- seperti sepeda motor kredit/non kredit, emas, ternak,

kapal motor, atau barang modal lainnya.

Jika minimal 9 variabel terpenuhi maka suatu rumah tangga

dikategorikan sebagai rumah tangga miskin.


41/90

2.2 Spesifikasi yang Berhubungan dengan Model yang Sudah Ada

dalam Bidang Masalah yang Akan Diteliti

a. Penerapan data mining untuk menentukan criteria calon nasabah

potensial pada AJB BUMIPUTRA 1912 Palembang (Khoiril Amri,

2013)

Pada penelitian ini menggunakan model data mining dengan

teknik klasifikasi untuk mengahadapi persaingan yang terjadi dalam

dunia bisnis asuransi, para pihak terkait dalam perusahaan tersebut

dituntut untuk memikirkan strategi-strategi serta terobosan yang dapat

menjamin kelangsungan dari bisnis asuransi tersebut. Dengan

memanfaatkan jumlah data yang sangat besar, perusahaan-

perusahaan tentunya dapat menemukan beragam informasi. Dengan

adanya informasi criteria nasabah perusahaan asuransi dapat

mengambil keputusan yang tepat dalam menerapkan strategi yang

tepat untuk menawarkan produk kepada calon nasabah berdasarkan

criteria nasabah yang dulu.

Data mining diharapkan dapat membantu perusahaan

menemukan informasi yang sangat penting dari gudang data mereka

agar dapat meningkatkan bisnis perusahaan. Salah satu metode yang

digunakan dalam data mining adalah klasifikasi dimana metode

tersebut akan menghasilkan model untuk memprediksi kelas atau

kategori dari objek di dalam database .


42/90

Persamaan penelitian ini yaitu menggnakan model data mining

dengan teknik klasifikasi untuk menghasilkan informasi lebih dari

informasi yang sudah ada, namun dalam membangun pohon

keputusannya berbeda, Khoiril Amri menggunakan software DTREG.

b. Model data mining dalam memaksimalkan data penduduk desa

(Studi Kasus: Desa Sarimekar Kecamatan Jatinunggal) (Tresna

Gustyan R, 2012)

Dalam penelitian ini, digunakan data mining untuk menggali nilai

tambah dari suatu kumpulan data berupa pengetahuan yang selama

ini tidak diketahui secara manual dan untuk menghindari sistem yang

belum memiliki integrasi informasi yang baik sehingga mengakibat

keabsahan data. Teknik klasifikasi dengan menggunakan pohon

keputusan ini memiliki kemampuan untuk menyajikan informasi dan

layanan administrasi kependudukan yang cepat, tepat dan akurat.

Hasil yang didapatkan digunakan untuk memaksimalkan data

penduduk yang dimanfaatkan dalam pengelompokan keluarga

sejahtera dan prasejahtera.

Persamaan dengan penelitian tersebut adalah menggunakan

model data mining dalam menemukan informasi serta teknik yang

digunakan sama yaitu teknik klasifikasi dengan pohon keputusan

namun algoritma dan hasil penelitian berbeda. Penelitian Tresna


43/90

Gustyan R. yaitu penemuan pola dari data penduduk untuk

menghasilkan informasi kelompok keluarga sejahtera dan prasejahtera

sedangkan peneliti menemukan pola keterkaitan antara data yang satu

dengan data yang lainnya untuk menghasilkan informasi tersembunyi

dalam database penduduk dalam penentuan kondisi perekonomian

penduduk desa.

c. Penentuan jurusan sekolah menengah atas dengan algoritma

fuzzy c-means (Bahar, 2011)

Pada penelitian ini menggunakan konsep clustering dalam data

mining untuk menentukan jurusan sekolah menengah atas. Dalam

proses pendidikan, perbedaan masing-masing siswa harus

diperhatikan karena dapat menetukan baik buruknya prestasi siswa.

Dengan adanya perbedaan individu tersebut, maka fungsi pendidikan

tidak hanya dalam proses belajar mengajar, tetapi juga meliputi

bimbingan/konseling, pemilihan dan penempatan siswa sesuai dengan

kapasitas individual yang dimiliki. Kemungkinan yang akan terjadi jika

siswa mengalami kesalahan dalam penempatan yang tidak sesuai

dengan kapasitas individual yang dimiliki adalah rendahnya prestasi

belajar siswa.

Konsep clustering dalam data mining diharapkan dapat

membantu penempatan siswa sesuai dengan kapasitas

kemampuannya atau sering disebut dengan penjurusan siswa,


44/90

sehingga dengan penempatan penjurusan yang sesuai akan

meningkatkan minat dan memberikan kenyamanan seseorang dengan

dalam belajar.

Persamaan penelitian ini yaitu menggunakan model data mining ,

dalam penelitian ini Bahar menggunakan teknik clustering dengan

algoritma fuzzy c-means , sedangkan peneliti menggunakan teknik

klasifikasi dan metode decision tree dengan menggunakan algoritma

C4.5.

d. Penerapan data mining pada penjualan produk minuman di

PT.Pepsi ColaIndoberages menggunakan metode clustering (Enur

Irdiansyah)

Pada penelitian ini menggunakan data mining dengan metode

clustering untuk menghadapi dunia bisnis yang dinamis dan penuh

persaingan, para pelaku di perusahaan terkait harus senantiasa

memikirkan cara-cara untuk terus survive dan mengembangkan skala

bisnis. Dalam menghadapi persaingan bisnis dan meningkatkan

pendapatan perusahaan, pihak terkait dalam perusahaan dituntut

untuk dapat mengambil keputusan yang tepat dalam menentukan

strategi pemasaran produk minuman yang akan dijual.

Data mining dimaksudkan untuk memberikan solusi nyata bagi

para pengambil keputusan di dunia bisnis, untuk mengembangkan

bisnis. Salah satu metode yang terdapat dalam data mining yang


45/90

digunakan dalam penelitian ini adalah clustering dimana metode

tersebut mengidentifikasi objek yang memiliki kesamaan karakteristik

tertentu.

Persamaan penelitian ini yaitu menggunakan model data

mining , namun dalam penggunaan metodenya berbeda, Enur

Irdiansyah menggunakan metode clustering .

e. Penerapan data mining pada RSUP Dr. Moh Hosein Sumatera

Selatan untuk mengelompokan hasil diagnosa pasien pengguna

asuransi kesehatan miskin (ASKIN) (Sandro Somario, 2013)

Dalam penelitian ini menggunakan model data mining dengan

teknik clustering untuk mengetahui apa saja yang menjadi penyebab

penyakit yang di derita pasien pengguna asuransi kemiskinan. Dengan

mengetahui hal tersebut maka dapat dilakukan usaha pencegahan

dalam bentuk pemeriksaan disertai penyuluhan ke tempat-tempat

tinggal masyarakat kurang mampu yang menggunakan askin.

Data mining diharapkan menjadi solusi untuk mengatasi masalah

yang dihadapi rumah sakit dalam memberikan informasi yang tepat

dan akurat, dimana informasi tersebut terdapat dalam penyimpanan

data rumah sakit.

Persamaan dengan penelitian ini yaitu menggunakan model data

mining untuk menghasilkan informasi dari dalam database yang sudah

ada, namun peneliti Sandro Somario menggunakan teknik clustering


46/90

dengan menggunakan algoritma CLMH (Centroid Linkage Hierarchical

Method ).

2.3 Kerangka Pemikiran

Berdasarkan tinjauan pustaka di atas, maka kerangka pemikiran

untuk model data mining dalam penentuan kondisi perekonomian

penduduk di Desa Mulyajaya, yaitu dilakukan dengan teknik klasisfikasi.

Data mining merupakan kegiatan untuk menggali informasi dari data yang

berukuran besar. Untuk menghasilkan informasi lebih dari sekedar data

penduduk dibutuhkan suatu teknik yaitu teknik klasifikasi. Tujuan dari

klasifikasi adalah untuk menemukan model dari training set yang

membedakan atribut ke dalam kategori atau kelas yang sesuai, teknik ini

digunakan untuk mengkalsifikasikan kelas yang belum diketahui

sebelumnya. Proses ini diterapkan dalam memaksimalkan data penduduk

agar dapat digunakan untuk kepentingan lain sesuai kebutuhan.

Proses pencarian pada teknik klasifikasi menggunakan pohon

keputusan, metode ini memiliki aturan yang dapat dengan mudah

dipahami dengan bahasa alami. Metode ini juga melakukan proses

pencarian dengan cara menemukan hubungan tesembunyi antara

seumlah calon variabel input dengan variabel target. Variabel target

didasarkan pada nilai gain tertinggi dari atribut yang ada, nilai gain ini

merupakan nilai yang dijadikan prioritas, untuk menentukan nilai gain

tersebut digunakan salah satu algoritma data mining yaitu algoritma C4.5.


47/90


48/90

BAB III

METODOLOGI PENGEMBANGAN MODEL

3.1 Objek Penelitian

Objek penelitian pada penulisan skripsi ini adalah proses penentuan

kondisi perekonomian penduduk di Desa Mulyajaya yang berlokasi Jln.

Dalem Cengkok No. 01 Kecamatan Wado. Desa Mulyajaya memiliki

jumlah penduduk ± 2.468 dengan jumlah RT 21 dan RW 6. Dalam

menentukan kelompok keluarga miskin dan tidak miskin, pihak desa

hanya melakukan dengan cara melihat penghasilan tiap kepala keluarga

saja tanpa melihat kondisi yang lainnya, sedangkan ada 14 kriteria miskin

menurut pemerintah yang harus menjadi pertimbangan dalam penentuan

keluarga miskin. Dari proses tersebut, dapat dilihat kategori keluarga

miskin masih belum jelas, sehingga para aparat desa sering kali

mengalami kesulitan dalam hal pemberian bantuan sosial karena hanya

melihat dari satu kondisi saja.

Untuk menghasilkan informasi yang akurat mengenai penentuan

kelompok keluarga miskin dan tidak miskin berdasarkan 14 kriteria miskin

menurut BPS, maka diperlukan suatu data mining untuk menggali

informasi tersembunyi dari database penduduk menggunakan teknik

klasifikasi dan metode decision tree s dengan menggunakan algoritma

C4.5.


49/90

3.2 Metodologi Pengembangan Model Secara Skematik

Dalam penelitian ini terdapat beberapa langkah, adapun langkah-

langkah dalam pengembangan model tersebut secara skematik dapat

dilihat pada gambar 3.1.

Gambar 3.1 Proses Pengembangan Model Secara Skematik

3.3 Uraian Rinci Metodologi Pengembangan Model

Berdasarkan metodologi pengembangan model secara skematik,

dapat diuraikan secara rinci langkah-langkah setiap prosesnya sebagai

berikut:

PENGURAIAN MASALAH

PENGUMPULAN DATA

DATA MINING

LAPORAN

TRANSFORMATION

PRE-PROCESSING

SELECTION


50/90

a. Penguraian Masalah

Pada tahap ini menjelaskan masalah-masalah yang terdapat di Desa

Mulyajaya yaitu pada database penduduk dan prosedur yang sedang

berjalan di desa tersebut, tujuannya untuk mengetahui masalah apa

yang terdapat dalam pengolahan data penduduk mengenai proses

penentuan kondisi perekonomian penduduk serta menjelaskan

manfaat model data mining untuk mengatasi masalah di Desa

Mulyajaya tersebut.

b. Pengumpulan Data

Pada tahap pengumpulan data, data yang berhubungan dengan objek

penelitian dikumpulan.

c. Selection

Pemilihan (seleksi) data dari sekumpulan data operasional,

menciptakan himpunan data target atau memfokuskan pada sampel

data.

d. Pre-processing/cleaning

Proses pembersihan data dilakukan dengan membuang duplikasi data

yang tidak konsisten.

e. Transformation

Proses transformasi pada data yang telah dipilih, sehingga data

tersebut sesuai untuk proses mining. Meliputi penentuan fitur penting

untuk mempresentasikan data bergantung pada tujuan yang ingin


51/90

dicapai. Seperti menghubungkan tabel yang memiliki keterkaitan pola,

dan transformasi lainnya.

f. Data mining

Data mining merupakan proses pencarian pola atau informasi menarik

dalam data terpilih dengan menggunakan teknik atau metode tertentu.

Adapun langkah-langkah model data mining dengan teknik klasifikasi

menggunakan algoritma C4.5 adalah sebagai berikut:

1. Pemilihan variabel.

2. Melakukan pra-proses, yaitu:

a. Pilih atribut sebagai akar.

b. Buat cabang untuk tiap-tiap nilai.

c. Bagi kasus dalam cabang.

d. Ulangi proses untuk setiap cabang sampai semua kasus pada

cabang memiliki kelas yang sama.

3. Merancang diagram alir data.

4. Merancang basis data.

g. Laporan

Berupa hasil yang diperoleh dari beberapa langkah sebelumnya diatas.

Hasil dari proses-proses tersebut dapat digunakan untuk pengambilan

keputusan di masa depan.


52/90

3.4 Langkah-langkah Pengembangan Model

Langkah-langkah yang digunakan dalam pengembangan model ini

adalah sebagai berikut:

a. Penguraian Masalah

Pada tahap ini peneliti melakukan beberapa langkah, yaitu:

1. Melihat proses kerja yang sedang berlangsung.

2. Mengidentifikasi masalah yang terdapat dalam database serta

masalah dalam proses kerja yang sedang berlangsung.

3. Menarik masalah yang sudah diidentifikasi sebelumnya.

b. Pengumpulan Data

Pada tahap pengumpulan data, peneliti melakukan beberapa langkah,

diantaranya sebagai berikut:

1. Observasi

Menganalisis objek yang akan diteliti untuk memperoleh informasi

dan data yang akan dijadikan bahan penelitian.

2. Interview

Melakukan wawancara dengan petugas desa yang berkaitan

dengan kependudukan.

3. Studi pustaka

Mengumpulkan buku sumber dan melakukan browsing untuk

mendapatkan informasi yang sesuai dengan masalah yang diteliti.


53/90

c. Selection

Pada tahap ini peneliti melakukan pemilihan data dari sekumpulan

data kependudukan sesuai dengan data yang dibutuhkan dan data

yang akan diolah berdasarkan kriteria tertentu. Kriteria yang akan

dipakai dalam penelitian ini adalah kriteria miskin berdasarkan BPS,

kriteria ini digunakan untuk proses penentuan kondisi perekonomian

penduduk desa. Data yang sudah diseleksi akan disimpan dalam

database baru, terpisah dari database operasional desa.

d. Pre-processing

Pada tahap ini semua data akan melewati tahap pembersihan data

(Cleaning ) yaitu membuang redudansi (duplikasi) data dengan cara

memeriksa nilai data setiap variabel, memperbaiki kesalahan dalam

penulisan dan kesalahan lainnya pada data penduduk. Selain itu, ada

juga penggantian atribut-atribut data yang tidak relevan dengan

hipotesa data mining yang dimiliki.

e. Transformasi

Pada tahap ini semua data akan direpresentasikan sesuai tujuan yang

diinginkan, seperti menghubungkan antar tabel yang memiliki

keterkaitan pola, menambah kolom, dan transformasi lainnya.

Transformasi ini merupakan proses yang bertujuan untuk

mengkonversi data dari format sistem operasional ke format sistem

target, sehingga data tersebut sesuai dengan data mining .


54/90

f. Data mining

Pada proses data mining variabel yang terpilih akan dilakukan

pencarian model, dengan cara mengelompokan data berdasarkan

klasifikasi tertentu, memilih metode apa yang sesuai dengan informasi

yang ingin diketahui, memilih teknik sesuai dengan model yang sudah

dipilih, dan menentukan algoritma yang akan digunakn untuk

menghasilkan informasi.

Pada penelitian ini metode yang digunakan adalah teknik klasifikasi

yang merupakan proses pencarian sekumpulan model atau fungsi

yang menggambarkan dan membedakan kelas data dengan tujuan

untuk memprediksi kelas yang belum diketahui sebelumnya. Metode

yang digunakan yaitu decision tree dengan menggunakan algoritma

C4.5.

g. Laporan

Hasil yang diperoleh dari penelitian ini yaitu menentukan kondisi

perekonomian di Desa Mulyajaya yang memperlihatkan apakah

penduduk di Desa tersebut termasuk kategori miskin atau tidak miskin,

hal tersebut dapat berguna untuk pengambilan keputusan dimasa

mendatang mengenai bantuan sosial dari pemerintah yang akan

diberikan kepada penduduk secara tepat.


55/90

3.5 Rencana Validasi Model

a. Menguji apakah model data mining dengan teknik klasifikasi dapat

memaksimalkan data penduduk agar dapat disajikan secara tepat dan

akurat?

b. Menguji apakah model data mining dapat menghasilkan informasi yang

akurat mengenai penentuan kondisi perekonomian penduduk di Desa

Mulyajaya?

3.6 Jadwal Penelitian

Tabel 3.1 Jadwal Penelitian

No KegiatanBulan / MingguMaret April Mei Juni1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

1 Penguraian Masalah

2 Pengumpulan Data3 Selection4 Praprocesing5 Transformation6 Data mining

7 Laporan


56/90

BAB IV

PENGEMBANGAN MODEL

4.1 Pendefinisian Sistem

Model data mining dalam penentuan kondisi perekonomian

penduduk di Desa Mulyajaya adalah model data mining yang digunakan

untuk mengetahui suatu pola data dan hubungan keterkaitan antar data

dari data penduduk, yang bertujuan agar dapat menemukan informasi

tersembunyi dari database penduduk, yaitu berupa kodisi perekonomian

penduduk. Model data mining dalam penentuan kondisi perekonomian

penduduk di Desa Mulyajaya ini, menggunakan teknik klasifikasi dengan

metode pohon keputusan (decision tree ).

Pada data mining ini, akan digali informasi dari data penduduk dan

data penduduk yang dipilih berdasarkan kebutuhan, selanjutnya disimpan

dalam database baru yang terpisah dari data operasional. Sebelum diolah

lebih lanjut, data penduduk akan melalui beberapa tahapan. Tahap

pembersihan data meliputi penghapusan duplikat data (redudansi),

memperbaiki kesalahan penulisan dan kesalahan lainnya. Data yang

sudah bersih akan ditransformasi sesuai dengan kebutuhan informasi,

yaitu dengan menggabungkan tabel yang memiliki keterkaitan pola data

dikelompokan pada kelas yang belum diketahui sebelumnya. Setelah

beberapa langkah tersebut, maka langkah selanjutnya adalah menggali

informasi dari data yang sudah dikelompokan berdasarkan kriteria tertentu


57/90

sesuai dengan ke

dari keterkaitan pol

keputusan dan alg

4.1.1 Aspek strukt

Tahap dalam

gambar 4.1 sebag

Pen

(

4.1.2 Perilaku sist

Dari aspek st

dari model data m

dengan dihasilkan

berikut:

butuhan informasinya. Untuk menghas

a data tersebut diproses menggunakan

ritma C4.5.

ur

membangun model data mining did

i berikut:

Gambar 4.1Aspek Struktur Model Data Miningntuan Kondisi Perekonomian Penduduk

umber: Fajar Astuti Hermawati, 2013)

m

ruktur di atas, maka dapat dijelaskan

ning yang dikembangkan, mulai dari da

informasi. Adapun penjelasannya a

ilkan informasi

metode pohon

finisikan pada

erilaku sistem

tabase sampai

alah sebagai


58/90

a. Database Penduduk sebagai tempat menyimpan data penduduk.

b. Proses seleksi data adalah model proses dalam pemilihan data

berdasarkan kebutuhan informasi dan disimpan pada database baru

yang terpisah dari database operasional.

c. Proses pembersihan data adalah model proses dalam pembersihan

data, seperti menghapus duplikasi data dan memperbaiki kesalahan

lainnya.

d. Proses transformasi adalah model proses data sesuai kebutuhan,

seperti menambahkan variabel dan proses lainnya.

e. Proses data mining adalah model proses untuk mengolah kembali data

dalam mendapatkan keterkaitan pola antar variabel.

f. Untuk mengetahui keterkaitan pola antar varibel, data akan

dikelompokan berdasarkan kriteria tertentu sesuai dengan kebutuhan

informasi.

g. Variabel yang sudah terpilih akan diseleksi kembali untuk dijadikan

node . Pemilihan variabel dilakukan berdasarkan perhitungan nilai

entropy dan nilai gain tertinggi. Dari perhitungan tersebut dapat

diketahui beberapa variabel serta nilai-nilai variabel yang mendukung

untuk pengambilan keputusan tehadap suatu kebutuhan informasi.

h. Informasi yang dihasilkan dari perhitungan entropy dan gain dapat

dijadikan pengetahuan baru berupa kelompok penduduk mampu dan

tidak mampu yang berguna sebagai sarana pembangunan desa di

masa mendatang.


59/90

4.1.3 Performansi sistem

Berdasarkan perilaku sistem di atas maka di dapat performansi

sistem dalam penerapan model data mining pada database penduduk,

mampu mengatasi masalah-masalah data kependudukan, diantaranya:

a. Data yang akurat mampu mengefisiensikan kinerja aparat desa,

sehingga pelayanan kepada masyarakat bisa lebih maksimal.

b. Penggalian informasi terhadap data penduduk mampu menghasilkan

informasi penting bagi pihak Desa, sehingga dapat dijadikan sebagai

acuan untuk proses pengambilan keputusan dimasa mendatang.

4.1.4 Lingkungan sistem

Kemampuan data mining untuk menangani data dalam jumlah besar

memungkinkan data mining diterapkan pada masalah-masalah kompleks

yang ukurannya tidak dibatasi oleh otak manusia, seperti diterapkan pada

database penduduk. Namun, dalam implementasi data mining pada

database penduduk kurang maksimal apabila ada beberapa faktor yang

tidak bisa dikendalikan oleh sistem, diantaranya:

a. Dalam menemukan pengetahuan dengan data mining tidak bisa

dilakukan secara instan.

b. Penilaian hasil data mining dilakukan secara manual.

c. Sumber daya manusia yang belum memahami cara kerja model data

mining dan algoritma data mining yang cukup kompleks.


60/90

4.2 Formulasi Model yang Dikembangakan

Pada tahap ini menjelaskan tentang formula-formula yang akan di

kembangkan untuk membuat model data mining yang mampu mengatasi

masalah pada proses penentuan kondisi perekonomian penduduk.

4.2.1 Formulasi database yang sedang berjalan

Berdasarkan database yang sedang berjalan, skema data yang

terbentuk adalah sebagai berikut:

Gambar 4.2 Skema Database yang Sedang Berjalan

Permasalahan yang dapat dilihat dari proses kerja yang sedang

berlangsung dan masalah dalam database yang sedang berjalan yaitu

belum maksimalnya pengelolaan database penduduk yang hanya

digunakan untuk menampilkan data penduduk saja, selain itu belum

jelasnya kelompok keluarga miskin dan tidak miskin sehingga masih


61/90

terjadi kesalahan dalam hal pengambilan keputusan mengenai pemberian

bantuan sosial kepada penduduk.

Solusi yang diusulkan berdasarkan permasalahan tersebut di atas

yaitu menerapan model data mining dalam penentuan kondisi

perekonomian penduduk di Desa Mulyajaya. Model data mining ini

digunakan untuk menggali informasi tersembunyi mengenai kondisi

perekonomian penduduk dari database penduduk. Sehingga database

tersebut tidak hanya digunakan untuk menampilkan data penduduk saja.

4.2.2 Formulasi sistem yang diusulkan

Berdasarkan database yang berjalan, terdapat 4 tabel. Adapun

struktur tabel yang terdapat pada database penduduk, yaitu:

Tabel 4.1 Struktur Data Tabel Data KK

No Field Type Size1 Kode Keluarga Number

2 Nama Kepala Keluarga Text 303 No Urut Number

4 NIK Number5 Nama Anggota Keluarga Text 306 Jenis Kelamin Text 1

7 Hubungan Keluarga Text 208 Tempat Lahir Text 15

9 Tanggal Lahir Date/Time10 Usia Number11 Status Perkawinan Text 15

12 Agama Text 1013 Golongan Darah Text 214 Kewarganegaraan Text 2515 Pendidikan Text 2516 Pekerjaan Text 30


62/90

Tabel 4.2 Struktur Data Tabel Data Kondisi Fisik Rumah

No Field Type Size

1 Kode Keluarga Number2 Nama Kepala Keluarga Text 303 Penguasaan Aset Tanah Text 30

4 Dinding Rumah Text 105 Lantai Rumah Text 106 Atap Rumah Text 10

Tabel 4.3Struktur Data Tabel Kualitas Penduduk

No Field Type Size

1 Kode Keluarga Number2 Nama Kepala Keluarga Text 303 Fasilitas Buang Air Besar Text 50

4 Pola Makan Text 255 Kebiasaan Berobat Text 50

Tabel 4.4 Struktur Data Tabel Kesejahteraan Penduduk

No Field Type Size1 Kode Keluarga Number

2 Nama Kepala Keluarga Text 303 Penghasilan/Bulan (Rp) Number4 Pengeluaran/Bulan (Rp) Number

5 Kepemilikan Rumah Text 20

Pembentukan database baru dilakukan dengan cara menyeleksi data

penduduk sesuai dengan kebutuhan informasi. Informasi yang dibutuhkan

yaitu kelompok keluarga miskin dan tidak miskin. Kriteria pengelompokan

keluarga telah ditentukan oleh Badan Pusat Statistik, tetapi hanya

beberapa kriteria yang diambil dalam menentukan pengelompokan

keluarga di Desa Mulyajaya, karena tidak semua kriteria dapat digunakan

sebagai tolak ukur ketidakmampuan suatu keluarga. Adapun kriteria

tersebut adalah sebagai berikut:


63/90

a. Seluruh penduduk mendapatkan pendidikan minimal wajib sekolah 12

tahun.

b. Salah satu anggota keluarga memiliki pekerjaan dan penghasilan

tetap.

c. Terpenuhinya kebutuhan papan meliputi keadaan dinding, lantai dan

atap rumah.

d. Perilaku hidup sehat seperti memiliki fasilitas buang air besar sendiri

dengan kondisi semi permanen/permanen.

Keluarga miskin merupakan keluarga yang tidak dapat memenuhi

kebutuhan minimum seperti sandang, pangan, papan, pendidikan,

pelayanan kesehatan dan sanitasi.penyeleksian data penduduk dilakukan

dengan dengan pertimbangan sebagai berikut:

a. Variabel yang tidak memiliki missing value atau data variabelnya

lengkap.

b. Jumlah karakter dari nilai variabelnya tidak besar.

c. Variabel sesuai dengan kriteria yang dibutuhkan.

d. Variabel yang memiliki nilai variabel banyak tidak digunakan.

Berdasarkan pertimbangan di atas, maka variabel-variabel terpilih,

yaitu : 1) pendidikan; 2) pekerjaan; 3) penghasilan; 4) dinding rumah; 5)

lantai rumah; dan 6) fasilitas buang air besar. Variabel yang terpilih

berasal dari beberapa tabel.


64/90

Pada tahap ini, variabel tersebut akan digabungkan menjadi satu tabel

dalam database baru yang terpisah dari database operasional.

4.2.3 Formulasi pre-processing

Data yang akan digunakan untuk proses data mining harus melewati

tahap pembersihan data. Pembersihan data dilakukan dengan cara

memeriksa semua variabel terpilih. Adapun pembersihan data meliputi:

a. Membuang redudansi data, jika beberapa variabel memiliki nilai yang

sama maka salah satunya akan dihapus sehingga tidak ada duplikasi

data.

b. Memeriksa data yang inkonsisten.

c. Memperbaiki kesalahan pada data, seperti kesalahan cetak.

Data yang sudah bersih, tidak terdapat duplikasi, konsisten dan tidak

ada kesalahan sehingga tidak ada data yang perlu dibersihkan. Format

data menjadi seperti pada tabel berikut:

Tabel 4.5 Format Tabel Setelah Pemilihan Variabel

Pendidikan Pekerjaan Penghasilan Dinding Lantai Fasilitas BAB

Data yang sudah bersih selanjutnya akan dilakukan proses

tranformasi.


65/90

4.2.4 Formulasi transformasi

Pada tahap ini, tabel yang sudah melewati tahap seleksi dan

pembersihan akan melakukan transformasi data dengan cara

menambahkan kolom status. Status merupakan variabel yang

membedakan suatu kelas.

Database baru yang sudah terbentuk dapat dilihat pada gambar

berikut:

Gambar 4.3 Skema Database Baru

Setelah melalui proses seleksi, pembersihan, dan transformasi,

maka data siap untuk melakukan proses data mining . Proses data mining

ini merupakan inti dari penelitian ini.

4.2.5 Formulasi data mining

Pada tahap ini, data akan digali untuk mendapatkan suatu

pengetahuan. Penggalian data ini dilakukan dengan cara mencari

keterkaitan pola antara variabel. Dalam pencarian keterkaitan pola

tersebut digunakan teknik klasifikasi dengan menggunakan metode pohon

keputusan dan algoritma C4.5.


66/90

4.2.6 Formulasi klasifikasi

Tahap ini merupakan proses menemukan model yang dapat

menjelaskan kelas data. Sebelum melakukan proses selanjutnya, variabel

pendidikan, pekerjaan dan penghasilan akan diklasifikasikan berdasarkan

kriteria tertentu.

Pada variabel pendidikan, data dikelompokan menjadi sudah dan

tidak sekolah. Kriteria pendidikan didefinisikan pada tabel 4.6.

Tabel 4.6 Klasifikasi Pendidikan

Pendidikan Klasifikasi

Tamat SD, SMP, SMA dan PT Sudah

Tidak Tamat SD Tidak

Pada variabel pekerjaan dikelompokan berdasarkan yang

berpenghasilan tetap dan tidak tetap. Pekerjaan didefinisikan pada tabel

4.7.

Tabel 4.7 Klasifikasi Pekerjaan

Pekerjaan Klasifikasi

PNS/TNI/POLRI, Pegawai Swasta, Pensiunan TetapPetani, Nelayan, Pedagang, Wirawsasta, Pekerja Lepas danlain-lain.

Tidak Tetap

Untuk variabel penghasilan dibagi menjadi dua klasifikasi sebagai

berikut (Sumber: BPS):

Tabel 4.8 Klasifikasi Penghasilan

Penghasilan Klasifikasi

Penghasilan < Rp. 600.000,- Rendah

Penghasilan > Rp. 600.000,- Tinggi


67/90

Setelah melakukan beberapa proses, maka format akhir dapat di

lihat pada tabel

Tabel 4.9 Format Data Klasifikasi

Pendidikan Pekerjaan Penghasilan Dinding LantaiFasilitas

BAB

Sudah Tetap Rendah Tembok KeramikYa

Tidak Tidak Tetap Tinggi Bambu KayuTidak

Kayu Semen

4.2.7 Formulasi pohon keputusan

Dalam membangun pohon keputusan perlu memilih variabel sebagai

akar yang didasarkan pada nilai gain tertinggi dari kasus yang ada.

Langkah perhitungan dalam menentukan node adalah sebagai berikut:

a. Menentukan data sampel

Data yang dihitung adalah nilai entropy dan gain berdasarkan jumlah

kasus yang dijadikan sampel.

Tabel 4.10Data Sampel

Pendidikan Pekerjaan Penghasilan Dinding Lantai F.BABStatus

Sudah Tidak Tetap Tinggi Kayu Semen Ya Tidak Miskin

Tidak Tidak Tetap Rendah Bambu Kayu TidakMiskin

Sudah Tetap Tinggi Tembok Keramik YaTidak Miskin



Sudah Tidak Tetap Rendah Bambu Kayu TidakMiskin

Tidak Tidak Tetap Tinggi Bambu Semen TidakMiskin

Sudah Tetap Tinggi Tembok Keramik Ya Tidak Miskin


68/90

Tidak Tidak Tetap Rendah Tembok Keramik YaMiskin

Tidak Tidak Tetap Rendah Bambu Kayu Tidak

Miskin

Sudah Tetap Tinggi Tembok Keramik TidakTidak Miskin

b. Menentukan jumlah kasus

Menghitung jumlah kasus secara keseluruhan, menghitung jumlah

kasus berdasarkan kelas miakin dan tidak miskin dari semua sampel

data, dan menghitung jumlah kelas miskin dan tidak miskin

berdasarkan nilai masing-masing variabel. Berikut skema untuk

perhitungan nilai entropy dan gain :

Tabel 4.11 Skema Tabel Perhitungan Entropy dan Gain

Node Jml Kasus

(S)

Miskin

!)Tidak Miskin

")Entropy Gain

1 Total

Variabel

Nilai

Nilai

Variabel

Nilai

Nilai

Variabel

Nilai

Nilai

Nilai


69/90

c. Menghitung entropy total

Nilai entropy total adalah nilai entropy kasus secara keseluruhan. Data

yang diperlukan pada perhitungan ini adalah keseluruhan jumlah

kasus yang menempati kelas miskin dan kelas tidak miskin. Adapun

rumus untuk perhitungannya adalah sebagai berikut:

= − # − ∗ log

Perhitungan entropy dilakukan dengan menghitung selisih antara

proporsi kasus miskin terhadap jumlah seluruh kasus, dengan proporsi

antara kasus tidak miskin terhadap seluruh kasus.

a. Menghitung entropy masing-masing nilai variabel

Pada perhitungan ini, masing-masing nilai variabel akan dihitung

jumlah kasus yang menempati kelas miskin dan tidak miskin. Setelah

itu tentukan nilai dari setiap kelasnya, perhitungan entropy dilakukan

dengan cara menghitung selisih antara proporsi jumlah kasus yang

menempati kelas miskin terhadah jumlah kasus dari variabel dengan

jumlah kasus yang menempati kelas tidak miskin terjadap jumlah

kasus dari variabel.

b. Menghitung nilai gain

Setelah nilai entropy didapatkan, selanjutnya perhitungan gain.

Menghitung gain dapat menggunakan rumus 2.2 sebagai berikut:

, = − # |||| ∗


70/90

Nilai gain merupakan selisih antara nilai entropy total dari keseluruhan

jumlah kasus dengan nilai entropy total dari masing-masing variabel.

Entropy total variabel adalah jumlah total dari nilai entropy dari masing-

masing nilai variabel.

c. Menentukan node akar

Yang dijadikan node akar pada pohon keputusan adalah nilai gain

tertinggi.

d. Menentukan node cabang

Nilai variabel dari node akar akan dilakukan perhitungan untuk node

cabang. Sebelum mendapatkan node cabang, nilai variabel dari node

akar akan dihitung apakah pohon keputusan akan berlanjut atau tidak.

Nilai variabel mengkalsifikasikan kasus lebih dari satu kelas maka

perhitungan akan di lanjutkan dengan membentuk node cabang.

e. Menentukan leaf node

Jika nilai variabel mengklasifikasikan kasus menjadi satu kelas maka

perhitungan selesai. Berarti tidak ada node cabang. Berikut skema

pohon keputusannya:


71/90

Gambar(

Dari skema d

nilai variabel.

mengklasifikasikan

sedangkan nilai v

sehingga masih h

cabang. Nilai vari

dalam satu ketas

variabel telah dikel

4.2.8 Formulasi at

Setelah pem

berupa aturan if-th

4.4 Skema Pohon Keputusan (Decisionumber: Fajar Astuti Hermawati, 2013)

iatas dapat dijelaskan bahwa node ak

ilai variabel pertama merupakan

kasus menjadi satu sehingga diben

riabel kedua mengklasifikasikan ke da

rus melakukan perhitungan untuk me

bel dari node cabang mengklasifika

ehingga dibentuk leaf node dan masi

mpokan berdasarkan kelas tertentu.

ran (IF-THEN )

bentukan pohon keputusan, dapat di

n, yaitu if node akar and node cabang

Tree )

r memiliki dua

nilai yang

uk leaf node ,

lam dua kelas

mbentuk node

ikan kelas ke

g-masing nilai

bentuk aturan

then leaf node


72/90

berupa kelompok keluarga miskin dan keluarga tidak miskin. Aturan yang

terbentuk dapat dimanfaatkan untuk proses pengambilan keputusan.

4.3 Analisis Model

Berdasarkan tahapan-tahapan formulasi yang telah dijelaskan, maka

didapat analisis penerapan model data mining terhadap database. Rincian

analisis tersebut adalah sebagai berikut:

a. Database

Data yang digunakan adalah data penduduk di Desa Mulyajaya.

Adapun skema database nya adalah sebagai berikut.

Tabel 4.12 Database Penduduk yang Sedang Berjalan

b. Seleksi Data

Proses seleksi data dilakukan berdasarkan kriteria tertentu sesuai

dengan kebutuhan informasi. Variabel yang diseleksi berasal dari tabel


73/90

penduduk, tabel kondisi fisik rumah, tabel kesejahteraan penduduk dan

tabel kualitas penduduk.

Data yang diseleksi merupakan data yang tidak memiliki missing

value , inkonsisten dan kesalahan lainnya serta sesuai dengan

informasi yang akan dihasilkan dari variabel yang ada pada database

yang sedang berjalan.

Tabel 4.13

Tabel Penduduk Sebelum Diseleksi


74/90

Tabel 4.14 Tabel Kesejahteraan Keluarga Sebelum Seleksi

Kode KeluargaNama Kepala

KeluargaPenghasilan/Bulan (Rp)

Pengeluaran/Bulan (Rp)

KepemilikanRumah

32052302099 NYANGNYANG 1.000.000 1.000.000 Milik Orang Tua

321101000 SARA 400.000 400.000 Pinjam Pakai

32110123030 YAYA S.pd. 6.000.000 4.000.000 Milik Sendiri

32110124030 WOWO SUKIRTA 4.000.000 2.000.000 Milik Sendiri

32110123030 KATMA 2.200.000 2.200.000 Milik Sendiri

32110140510 TATANG 1.000.000 1.000.000 Milik Sendiri

32110123030 ACIM 500.000 500.000 Milik Sendiri

32110113100 ADE SUYANTO 2.000.000 2.000.000 Milik Sendiri32110124030 SUMARJA 400.000 400.000 Milik Sendiri

32111000023 ERAT 300.000 300.000 Milik Sendiri

32110123030 AMAR 2.000.000 2.000.000 Milik Sendiri

10171620908 AGUS SUHENDRA 2.000.000 2.000.000 Milik Sendiri

32081723068 NANANG SURISNA 500.000 500.000 Milik Orang Tua

32110001111 CECEP TATANG R 2.000.000 1.000.000 Milik Orang Tua

Tabel 4.15 Tabel Kondisi Fisik Rumah Sebelum Seleksi

Kode Keluarga Nama Kepala KeluargaDindingRumah

LantaiRumah

AtapRumah

32052302099 NYANGNYANG Kayu Semen Genteng

321101000 SARA Tembok Semen Genteng

32110123030 YAYA S.Pd. Tembok Keramik Genteng

32110124030 WOWO SUKIRTA Tembok Keramik Genteng

32110123030 KATMA Tembok Keramik Genteng

32110140510 TATANG Tembok Keramik Genteng

32110123030 ACIM Bambu Semen Genteng

32110113100 ADE SUYANTO Kayu Semen Genteng

32110124030 SUMARJA Tembok Keramik Genteng

32111000023 ERAT Bambu Semen Genteng

32110123030 AMAR Tembok Keramik Genteng

10171620908 AGUS SUHENDRA Tembok Keramik Genteng

32081723068 NANANG SURISNA Bambu Kayu Genteng

32110001111 CECEP TATANG R Tembok Keramik Genteng


75/90

Tabel 4.16 Tabel Kualitas Keluarga Sebelum Seleksi

Kode Keluarga Nama Keluarga Fasilitas BAB Pola Makan

32052302099 NYANGNYANG WC Permanen 3 kali

321101000 SARA Fasilitas Umum 3 kali

32110123030 YAYA S.pd. WC Permanen 3 kali

32110124030 WOWO SUKIRTA WC Permanen 3 kali

32110123030 KATMA WC Permanen 3 kali

32110140510 TATANG WC Darurat 3 kali

32110123030 ACIM WC Darurat 3 kali

32110113100 ADE SUYANTO WC Permanen 3 kali

32110124030 SUMARJA WC Permanen 2 kali

32111000023 ERAT WC Darurat 3 kali

32110123030 AMAR WC Darurat 3 kali

10171620908 AGUS SUHENDRA WC Permanen 3 kali

32081723068 NANANG SURISNA Fasilitas Umum 3 kali

32110001111 CECEP TATANG R WC Permanen 3 kali

Variabel hasil seleksi terdiri dari pendidikan dan pekerjaan dari tabel

penduduk, penghasilan dari tabel kesejahteraan penduduk, dinding,

lantai, atap dari tabel kondisi fisik rumah, fasilitas bab dari tabel

kualitas penduduk. Tabel baru di simpan diluar database operasional.

Semua variabel yang dibutuhkan digabungkan menjadi satu tabel

berdasarkan kode kk.


76/90

Tabel 4.17 Proses Penggabungan Tabel

KodeKeluarga

Nama KepalaKeluarga

Pendidikan Pekerjaan Penghasilan/Bulan (Rp)

DindingRumah

LantaiRumah

Fasilitas BAB

32052302099 NYANGNYANGTamat SLTP

Wiraswasta 1.000.000 Kayu Semen WC Permanen

321101000 SARATamat SD

Buruh 400.000 Tembok Semen Fasilitas Umum

32110123030 YAYA S.pd. Tamat S-1 PNS 6.000.000 Tembok Keramik WC Permanen

32110124030 WOWO S Tamat S-1 PNS 4.000.000 Tembok Keramik WC Permanen

32110123030 KATMA Tamat SD Buruh 2.200.000 Tembok Keramik WC Permanen

32110140510 TATANG Tamat SDIbu RumahTangga

1.000.000 Tembok Keramik WC Darurat

32110123030 ACIMTidak tamatSD

Petani 500.000 Bambu Semen WC Darurat

32110113100 ADE S Tamat S-1 Guru swasta 2.000.000 Kayu Semen WC Permanen

32110124030 SUMARJATidak tamatSD

Petani 400.000 Tembok Keramik WC Permanen

32111000023 ERATTidak tamatSD

BelumBekerja

300.000 Bambu Semen WC Darurat

32110123030 AMAR Tamat SLTA Pensiunan 2.000.000 Tembok Keramik WC Darurat

10171620908 AGUS S Tamat SLTA Petani 2.000.000 Tembok Keramik WC Permanen

32081723068 NANANG S Tamat SD IRT 500.000 Bambu Kayu Fasilitas Umum

32110001111 CECEP T.R Tamat SLTP Buruh 2.000.000 Tembok Keramik WC Permanen

Variabel kode kk diambil untuk menyesuaikan data pada proses

penggabungan, setelah data sesuai maka kode kk akan dihapus.

Tabel 4.18Data Hasil Seleksi

Nama KepalaKeluarga

Pendidikan PekerjaanPenghasilan/

Bulan (Rp)DindingRumah

LantaiRumah

Fasilitas BAB

NYANGNYANG Tamat SLTP Wiraswasta 1.000.000 Kayu Semen WC Permanen

SARA Tamat SD Buruh 400.000 Tembok Semen Fasilitas Umum

YAYA S.pd. Tamat S-1 PNS 6.000.000 Tembok Keramik WC Permanen

WOWO S Tamat S-1 PNS 4.000.000 Tembok Keramik WC Permanen

KATMA Tamat SD Buruh 2.200.000 Tembok Keramik WC Permanen

TATANG Tamat SD IRT 1.000.000 Tembok Keramik WC Darurat

ACIM Tidak tamat SD Petani 500.000 Bambu Semen WC Darurat

ADE SUYANTO Tamat S-1 Guru swasta 2.000.000 Kayu Semen WC Permanen

SUMARJA Tidak tamat SD Petani 400.000 Tembok Keramik WC Permanen

ERAT Tidak tamat SDBelumBekerja

300.000 Bambu Semen WC Darurat

AMAR Tamat SLTA Pensuinan 2.000.000 Tembok Keramik WC Darurat

AGUS S Tamat SLTA

a2.1100145 Wulan Handayani

Documents

Transcript of a2.1100145 Wulan Handayani