45
3
BAB I
PENDAHULUAN
setiap kriteria tersebut menjadi patokan utama untuk mendapatkan bantuan bedah
rumah.
Algoritma K-means Clustring sederhana untuk diimplementasikan dan
dijalankan, relative cepat, mudah beradaptasi serta umum penggunaan dalam praktek
(Prasetyo, 2009). Pada penelitian yang dilakukan Zainul Aras Z dan Sarjono.Aplikasi
yang mereka terapkan berhasil menyelesaikan masalah, dapat disimpulkan bahwa
dapat dipergunakan sebagai salah satu system yang membantu keputusan didalam
kelompok penduduk prioritas yang mendapatkan bantuan bedah rumah (Sarjono Z.
A., 2016). Pada penelitian yang berjudul Clusterisasi Dokumen Web (Berita) Bahasa
Indonesia Menggunakan Algoritma K-Means, Pengujian yang telah dilakukan
menunjukkan bahwa teknik clustering yang diterapkan mampu bekerja dengan baik
dan memberikan akurasi yang memuaskan. Ada sekitar 300 halaman web yang
dilibatkan dalam proses clustering dimana diperoleh ukuran rata-rata F-Measure
sebesar 0.6129192 dan Purity bernilai 0.67294195. Faktor yang cukup berpengaruh
dalam clustering dan klasifikasi teks Bahasa Indonesia adalah fase pre-processing,
terutama pada pendekatan stemming. Perbaikan terhadap teknik stemming diyakini
akan meningkatkan akurasi pengelompokan dokumen. (Husni, 2015)
Melihat persoalan diatas Data Mining dengan metode K-means, digunakan
untuk menghasilkan kelompok prioritas dan web digunakan untuk mempermudah
penginputan data saat petugas dilapangan.
1.2 Permasalahan penelitian
1.2.1. Identifikasi masalah
Berdasarkan uraian latar belakang diatas terdapat masalah dalam pengolahan
data selama ini. yang karena muncul besarnya jumlah rumah tidak layak disetiap
desa, sedangakan pegawai yang melakukan pendataan sedikit kepala Dinas harus
mempertimbangkan berapa-beberapa kriteria. Dengan mengamati persoalan diatas
dengan metode Cluster, digunakan untuk menghasilkan kelompok prioritas diantara
ratusan rumah tidak layak di Desa Murung, Kindingan, dan Tilahaan Kecamatan
Hantakan.
5
6
Višekriterijumsko Kompromisno Rangiranje (Vikor)”. Dari penelitian ini dapat
disimpulkan bahwa peneliti berkeinginan untuk membangun sistem yang mampu
mengklusterkan kriteria bantuan bedah rumah sehingga diperoleh tingkat kelayakan
suatu rumah, lalu dilakukan perangkingan untuk menentukan prioritas dalam
mendapatkan bantuan bedah rumah. Sehingga penyaluran bantuan bedah rumah ini
dilakukan dengan baik dan tepat sasaran agar tidak menimbulkan kerancuan
sehingga benar sampai ke rumah tangga miskin yang membutuhkan. Pengujian
proses pengelompokan clustering k-means dilakukan sebanyak 3 kali percobaan
terhadap 1.180 data rumah tangga miskin untuk melihat konsistensi data. Dengan
melakukan 3 kali percobaan akan diketahui apakah rumah tangga tersebut tetap
tergolong kedalam satu kelompok tertentu atau tidak, dan dalam penelitian ini
Validitas Davies Bouldin Index (DBI) perlu 3 kali cluster untuk menentukan
validitas data nya tidak ada presentasi angka berapa keberhasialan penelian ini.
(Siregar, 2018)
Adapun penelitian dari M. Rixco Setiawan pada tahun 2018 di Desa Semen
“Analisis Data Mining Untuk Menentukan Kelompok Prioritas Penerima Bantuan
Bedah Rumah Di Desa Semen Menggunakan Metode Clustering K-Means”. Dari
penelitian ini dapat disimpulkan bahwa peneliti berkeinginan untuk sistem penerima
bantuan bedah rumah menggunakan metode Clustering K-Means menghasilkan data
rangking yang layak mendapatkan bantuan sesuai kriteria yang telah ditentukan. Data
rangking tersebut dapat dijadikan sebagai patokan untuk mendapatkan bantuan bedah
rumah. Berdasarkan simpulan hasil penelitian ini, direkomendasikan: Centriod Data
kriteria diharapkan lebih lengkap, sehingga mendapatkan hasil perhitungan yang
akurat. Cluster Dilakukan pengembangan sitem sejenis dengan menambahkan fitur
seleksi dan transformasi nilai secara otomatis sehingga menghasilkan sistem yang
maksimal. Keberhasilan menggunakan aplikasi penetuan bantuan bedah rumah
metode Clustering K-Means didapatkan hasil dengan persentasi keberhasilan
78,42%. (Setiawan, 2018)
Adapun penelitian Chintya Irwana, Zaki Faizin Harahap, dan Agus Perdana
Windarto pada tahun 2018 di, “Analisa Metode Moora Pada Warga Penerima
Bantuan Renovasi Rumah”.Dari penelitian ini dapat disimpulkan bahwa system
peneunjang keputusan menggunakan metode MOORA dapat memberikan solusi
7
dalam menghasilkan keputasan penerima bantuan renovasi rumah sesuai dangan
kriteria yang ditentukan,dan membantu pemerintan mengakomodasikan dana dengan
bijak. (Chintya Irwana, 2018)
Adapun penelitian ini tahun 2019, yang membedakan dari penelitian
sebelumnya adalah jumlah kreteria, pengelompokkan yang lebih akurat dan cepat,
dalam pengelompokkan dan penginputan data dilapangan yang menggunakan
metode K-Means dan berbasis web.
2.2 Landasan Teori
Adapun Profil Tempat Penelitian dilakukan di Dinas Perumahan dan
Permukiman Kabupaten Hulu Sungai Tengah tepat nya di Desa Murung, Kindingan,
dan Tilahaan Kecamatan Hantakan.
Dinas Perumahan dan Permukiman Kabupaten Hulu Sungai Tengah
mempunyai tugas membantu Bupati dalam melaksanakan penyusunan dan
pelaksanaan kebijakan daerah di bidang perumahan, permukiman dan pertanahan.
Fungsi:
1. perumusan kebijakan daerah dibidang perumahan, permukiman dan
pertanahan;
2. pelaksanaan kebijakan daerah dibidang perumahan, permukiman dan
pertanahan;
3. pelaksanaan evaluasi dan pelaporan dibidang perumahan, permukiman dan
pertanahan;
4. pelaksanaan administrasi Dinas; dan
5. pelaksanan fungsi lain yang diberikan oleh Bupati terkait dengan tugas dan
fungsinya.
6. merumuskan kebijakan teknis dibidangperumahan, permukiman dan
pertanahan sesuai dengan kebijakan yang ditetapkan oleh Bupati berdasarkan
peraturan perundang-undangan yang berlaku;
7. menetapkan kebijakan teknis dibidangperumahan, permukiman dan
pertanahan
8. melaksanakan kebijakan, pembinaan, pengendalian, pengawasan dan
pengaturan serta penyelenggaraan kegiatan dibidang perumahan;
8
9. melaksanakan kebijakan, pembinaan, pengendalian, pengawasan dan
pengaturan serta penyelenggaraan kegiatan dibidang kawasan permukiman;
10. melaksanakan kebijakan, pembinaan, pengendalian, pengawasan dan
pengaturan serta penyelenggaraan kegiatan dibidang pertanahan;
11. melaksanakan koordinasi dengan instansi yang terkait;
12. mengoordinasikan dan membina unit pelaksana teknis;
13. mengendalikan pengelolaan kegiatan ketatausahaan;
14. mengoordinasikan pelaksanaan kegiatan jabatan fungsional;
15. mengevaluasi dan melaporkan pelaksanaan tugas; dan
16. melaksanakan tugas lain yang diberikan oleh Bupati sesuai bidang tugas.
2.2.1 Data Mining
Data mining adalah proses menemukan pola yang menarik dan pengetahuan
dari data yang berjumlah besar. Data mining adalah aktivitas yang menggambarkan
sebuah proses analisis yang terjadi secara iteratif pada database yang besar, dengan
tujuan mengekstrak informasi dan knowledge yang akurat dan berpotensial berguna
untuk knowledge workers yang berhubungan dengan pengambilan keputusan dan
pemecahan masalah.
Aktivitas data mining dapat dipisahkan menjadi 6, berdasarkan tujuan dari
analisis yaitu:
a a. Estimasi
Estimasi mirip dengan klasifikasi, kecuali bahwa variabel target bersifat
numerik, bukan kategorikal. Model dibangun menggunakan "lengkap" catatan, yang
memberikan nilai dari variabel target serta prediktor. Kemudian, untuk pengamatan
baru, perkiraan nilai variabel target dibuat, berdasarkan nilai-nilai prediktor.
a b. Deskripsi
Terkadang, para peneliti dan analis hanya mencoba menemukan cara untuk
mendeskripsikan pola dan tren yang ada dalam data. Sebagai contoh, seorang jajak
pendapat dapat mengungkap bukti bahwa mereka yang diberhentikan cenderung
tidak mendukung calon petahana saat ini dalam pemilihan presiden. Deskripsi pola
dan tren sering menyarankan penjelasan yang mungkin untuk pola dan tren tersebut.
a c. Prediksi
9
Prediksi serupa dengan klasifikasi dan estimasi, kecuali untuk prediksi, hasil
dari kesalahan ini. Contoh dari laporan kinerja dalam bisnis dan penelitian yaitu:
1) Memprediksi harga saham tiga bulan ke depan
2) Memprediksi persentase peningkatan trafik kematian tahun depan jika batas
kecepatan dinaikkan.
3) Memprediksikan yang lebih baik dari yang terbaik adalah bola WorldSeries,
berdasarkan perbandingan statistik tim.
d. Klasifikasi
Dalam klasifikasi, ada target variabel kategori, seperti braket pendapatan,
misalnya dapat dipartisi menjadi tiga kelas atau kategori: pendapatan tinggi,
pendapatan menengah, dan pendapatan rendah. Model penambangan data memeriksa
sejumlah besar catatan, setiap catatan yang berisi informasi tentang variabel target
serta aset variabel input atau prediktor.
a e. Clustering
Pengelompokan mengacu pada pengelompokan catatan, pengamatan, atau
kasus ke dalam kelas-kelas objek yang serupa. Pernyataan interaktif untuk merekam
apa yang cocok untuk orang lain, dan tidak sama dengan catatan dalam kelompok
lain. Clustering berbeda dari klasifikasi dimana tidak ada variabel target untuk
pengelompokan. Tugas pengelompokan tidak mencoba mengklasifikasikan,
memperkirakan, atau memprediksi nilai variabel target. Algoritma pengelompokan
berusaha mengelompokkan seluruh kumpulan data ke dalam sub kelompok atau
gugus yang relatif homogen, dimana kesamaan catatan dalam cluster dimaksimalkan
dan kemiripan dengan rekaman di luar cluster diminimalkan.
0 f. Asosiasi
1 a. Tentukan nilai k sebagai jumlah klaster yang ingin dibentuk.
2 b. Bangkitkan k centroid (titik pusat klaster) awal secara random/acak,
kemudian untuk menghitung centroid cluster k-i berikutnya, digunakan rumus
sebagai berikut:
Tugas asosiasi untuk penggalian data adalah pekerjaan menemukan atribut yang “go
together.” Paling umum dalam dunia bisnis, dimana ia dikenal sebagai affinity
analysis or market basket analysis, tugas asosiasi berusaha untuk mengungkap aturan
untuk mengukur hubungan antara dua atau lebih atribut.
10
2.2.2 K-Means
K-Means merupakan metode klasterisasi yang paling terkenal dan banyak
digunakan diberbagai bidang karena sederhana, mudah diimplementasikan, memiliki
kemampuan untuk mengklaster data yang besar dan kompleksitas waktunya linear
O(nKT) dengan n adalah jumlah dokumen, K adalah jumlah klaster, dan T adalah
jumlah iterasi. K-means merupakan metode pengklasteran secara partitioning yang
memisahkan data ke dalam kelompok yang berbeda. Dengan partitioning secara
iterasi, K-Means mampu meminimalkan rata-rata jarak setiap data ke klasternya.
Metode ini dikembangkan oleh Mac Queen pada tahun 1967.
Dasar algoritma K-means adalah sebagai berikut :
0 a. Tentukan nilai k sebagai jumlah klaster yang ingin dibentuk.
1 b. Bangkitkan k centroid (titik pusat klaster) awal secara random/acak,
kemudian untuk
menghitung centroid cluster k-i berikutnya, digunakan rumus sebagai berikut.
Dimana:
Ket :
i : 1,2,3…n
v : centroid pada cluster
xi : objek ke-i
n : banyaknya objek/jumlah objek yang menjadi anggota cluster
a c. Hitung jarak setiap data ke masing-masing centroid menggunakan rumus.
b
b
Ket :
dij : Jarak objek antara objek x dan y
n : Jumlah Atribut Xi : Objek Data
Yi : Data Cluster
11
b. Kelompokkan setiap data berdasarkan jarak terdekat antara data dengan
centroidnya (C).
c. Kembali ke langkah 3 jika posisi centroid baru dengan centroid lama tidak
sama.
Adapun karakteristik dari algoritma K-Means salah satunya adalah sangat
sensitif dalam penentuan titik pusat awal cluster karena K-Means membangkitkan
titik pusat cluster awal secara random. Pada saat pembangkitan awal titik pusat yang
random tersebut mendekati solusi akhir pusat cluster, K-Means mempunyai
posibilitas yang tinggi untuk menemukan titik pusat cluster yang tepat. Sebaliknya,
jika awal titik pusat tersebut jauh dari solusi akhir pusat cluster, maka besar
kemungkinan ini menyebabkan hasil pengklasteran yang tidak tepat. Akibatnya
KMeans tidak menjamin hasil pengklasteran yang unik. Inilah yang menyebabkan
metode K-Means sulit untuk mencapai optimum global, akan tetapi hanya minimum
lokal. Selain itu, algoritma K-Means hanya bisa digunakan untuk data yang
atributnya bernilai numeric.
2.2.3 Evaluation
Percobaan dari penelitian dapat dilakukan sebuah evaluasi dengan
pengukuran nilai accuracy, precision, recall dan f-score. Menurut Xhemali, et al
(2009) Confusion Matrix dapat dilakukan pengukuran dengan cara menggunakan
tabel klasifikasi yang bersifat prediktif.
a. Precision ( p) = jumlah sampel berkategori positif diklasifikasi benar dibagi
dengan total sampel yang diklasifikasi sebagai sample positif
b. Recall ( r) = jumlah sampel diklasifikasi positif dibagi total sampel dalam
testing set berkategori positif
c. F-Measure ( F1) adalah harmonic mean dari precision dan recall,range dari
F1 adalah 0-1
2.2.4 UML (Unified Modelling Language)
UML singkatan dari Unified Modelling Language yang berarti bahasa pemodelan
standar. Sebagai bahasa, berarti UML memiliki sintaks dan semantik. Ketika kita
membuat model menggunakan konsep UML ada aturan-aturan yang harus diikuti.
Bagaimana elemen pada model-model yang kita buat berhubungan satu dengan
lainnya harus mengikuti standar yang ada. UML bukan hanya sekedar diagram, tetapi
12
juga menceritakan konteksnya. UML diaplikasikan untuk maksud tertentu, biasanya
antara lain untuk:
1. Merancang perangkat lunak
2. Sarana komunikasi antara perangkat lunak dengan proses bisnis.
3. Menjabarkan sistem secara rinci untuk analisa dan mencari apa yang
diperlukan sistem.
4. Mendokumentasi sistem yang ada, proses-proses dan organisasinya
UML telah diaplikasikan dalam bidang investasi perbankan, lembaga kesehatan,
departemen pertahanan, sistem terdistribusi, sistem pendukung alat kerja, retail, sales
dan supplier. (Hermawati, 2018)
UML memiliki beberapa diagram grafis dalam membuat suatu model sebagai berikut
ini :
1. Use Case Diagram
Use case diagram adalah abstraksi dari interaksi antara sistem dan aktor. Use case
bekerja dengan cara mendeskripsikan tipe interaksi antara user sebuah sistem dengan
sistemnya sendiri melalui sebuah cerita bagaimana sebuah sistem dipakai. Use case
merupakan konstruksi untuk mendeskripsikan bagaimana sistem akan terlihat di mata
user. Sedangkan use case diagram memfasilitasi komunikasi diantara analis dan
pengguna serta antara analis dan client.
2. Sequence Diagram
Sequence diagram digunakan untuk menggambarkan perilaku pada sebuah
skenario. Kegunaannya untuk menunjukkan rangkaian pesan yang dikirim antara
obyek juga interaksi antara obyek, sesuatu yang terjadi pada titik tertentu dalam
eksekusi sistem.
3. Activity Diagram
Menggambarkan rangkaian aliran dari aktivitas, digunakan untuk mendeskripsikan
aktifitas yang dibentuk dalam suatu operasi sehingga dapat juga digunakan untuk
aktifitas lainnya seperti use case atau interaki.
2.2.5 Databse (MySQL)
MySQL merupakan perangkat lunak untuk sistem manajemen database
(Database Manajement System). Karena sifatnya yang open source dan memiliki
kemampuan menampung kapasistas yang sangat besar, maka MySQL menjadi
13
database yang sangat popular di kalangan prorammer web.MySQL dapat dijalankan
dalam 2 operating system yang sangat popular saat ini, yaitu : Windows dan Linux.
Menurut perusahaan pengembangnya, MySQL telah terpasang di sekitar 3 juta
computer, dan puluhan hingga ratusan ribu situs sangat mengandalkan MySQL
sebagai database-nya.
MySQL adalah nama database server. Database server adalah server yang berfungsi
untuk menangani database. Database adalah suatu pengorganisasian data dengan
tujuan memudahkan penyimpanan data dan kemudian data bisa diakses dengan cara
yang mudah dan cepat.
MySQL tergolong sebagai database relasional.Pada model ini, data dinyatakan
dalam bentuk dua dimensi yang secara khusus dinamakan tabel. Tabel tersusun atas
baris dan kolom.
2.2.6 PHP
Menurut Janer Simarmata tahun 2006 adalah bahasa (scripting language)
yang dirancang secara khusus untuk penggunaan pada Web. PHP adalah tool untuk
pembuatan halaman webdinamis. Kaya akan fitur yang membuat perancangan web
dan pemrograman lebih mudah. PHP Kependekan untuk Hyper text Preprocessor.
Seperti bahasa pemrograman web lainnya PHP memproses seluruh perintah yang
berada di skrip PHP didalam web server dan menampilkan outputnya kedalam web
browserklien. PHP adalah bahasa scripting yang menghasilkan output HTML,
ataupun output lain sesuai keinginan pemrograman yang dijalankan pada server side.
Artinya, semua sintaks yang kita berikan akan sepenuhnya dijalankan pada server
sedangkan yang dikirimkan ke browser hanya hasilnya (output) saja. (Simarmata,
2006 )
2.2.7 Web (Website)
Merupakan kumpulan dari halaman – halaman situs, yang terangkum dalam
sebuah domain atau subdomain, yang tempatnya beada di dalam World Wide Web
(WWW) di dalam internet, sebuah halaman web biasanya berupa dokumen yang
ditulis dalam format HTML (Hyper Text Markup Language), yangg selalu bisa
diakses melalui HTTP, yaitu sebuah protokol yang menyampaikan informasi dari
server website untuk ditampilkan kepada para penguna melalui Web Browser.
(Rusadi, 2013)
14
2.2.8 WhiteBox Testing
Whitebox testing adalah metode desain test case yang menggunakan struktur
kontrol desain prosedural untuk memperoleh test case. Whitebox testing merupakan
cara pengujian dengan melihat ke dalam modul untuk meneliti kode-kode program
yang ada, dan menganalisis apakah ada kesalahan atau tidak. Jika ada modul yang
menghasilkan output yang tidak sesuai dengan proses bisnis yang dilakukan, maka
baris-baris program, variabel, dan parameter yang terlibat pada unit tersebut akan
dicek satu persatu dan diperbaiki, kemudian dicompile ulang. (Rusadi, 2013)
2.2.9 BlackBox Testing
Blackbox testing adalah metode pengujian perangkat lunak yang tes
fungsionalitas dari aplikasi yang bertentangan dengan struktur internal atau kerja
(lihat pengujian whitebox). Pengetahuan khusus dari kode aplikasi/struktur internal
dan pengetahuan pemrograman pada umumnya tidak diperlukan. Uji kasus dibangun
di sekitar spesifikasi dan persyaratan, yakni, aplikasi apa yang seharusnya dilakukan.
Menggunakan deskripsi eksternal perangkat lunak, termasuk spesifikasi, persyaratan,
dan desain untuk menurunkan uji kasus. Tes ini dapat menjadi fungsional atau non-
fungsional, meskipun biasanya fungsional. Perancang uji memilih input yang valid
dan tidak valid dan menentukan output yang benar. Tidak ada pengetahuan tentang
struktur internal benda uji itu. Metode uji dapat diterapkan pada semua tingkat
pengujian perangkat lunak: unit, integrasi, fungsional, sistem dan penerimaan.Ini
biasanya terdiri dari kebanyakan tidak semua pengujian pada tingkat yang lebih
tinggi, tetapi juga bisa mendominasi unit testing juga. (Rosady Ruslan, 2013)
Blackbox testing berfokus pada persyaratan fungsional perangkat lunak yang
memungkinkan pemrogrammer untuk memperoleh input yang sepenuhnya akan
melaksanakan persyaratan fungsional untuk sebuah program. Blackbox testing
berusaha untuk menemukan kesalahan dalam kategori berikut:
Fungsi yang tidak benar atau fungsi yang hilang,
1. Kesalahan antarmuka
2. Kesalahan dalam struktur data atau akses database eksternal
3. Kesalahan kinerja
4. Kesalahan inisialisasi dan pemutusan kesalahan. (Roger S. Pressman, 2010)
15
16
2.3 Kerangka Pemikiran
17
BAB III
METODE PENELITIAN
18
19
Data Penduduk
-Nik
-Nama lengkap
-Alamat
-Jenis kelamin
-Jumalah tanggungan
-Perkerjaan
Aplikasi
-Jumlah penghasilan Pemilihan
Admin -Luas rumah
-Kondisi lantai Penerima
-Kondisi dinding
-Kondisi atap
Bantuan bedah
Rumah
Pada diagram konteks diatas dapat dijelaskan bahwa adanya suatu sistem
dengan 3 (tiga) unit entity yaitu Admin, Aplikasi Pengelompokan Prioritas Penerima
Bantuan Bedah Rumah Menggunakan Metode Clustering K-Means Dan Berbasis
Java Netbeans. Dalam hal ini Admin sebagai operator dapat menambah, mengedit,
maupun menghapus data-data seperti data penduduk Kurang mampu dan data
penentuan kedalam aplikasi tersebut sehingga dapat ditentukan pengelompokan
prioritas penerima bantuan bedah rumah menggunakan metode clustering k-means
dan berbasis java netbeans yang dapat langsung diberikan informasi laporan untuk
dicetak dan diteruskan ke kepala dinas.
pengguna yang disepakati antara pemakai dan pengembang (developer) Berikut Use
Case Diagram untuk sistem yang akan dibangun.
Masuk
Data Master
Data Proses
Admin
Laporan
Keluar
Form
Admin Algoritma Data Base
Login
Verifikasi()
Pesan Kesalahan jika
Nama atau kata sandi Salah()
Simpan()
Menu Data
ADMIN Master Algoritma Data Base
Utama Penduduk
Berhasi Masuk()
Verifikasi()
Simpan ()
Tampilkan Hasil ()
master tersebut akan tampil, kemudian admin akan menginput data dan sistem akan
memproses untuk penyimpan data yang telah dilakukan
Simpan ()
Cetak Laporan ()
Tutup ()
Tutup ()
Tutup ()
Keluar ()
Keluar ()
Sequence diagram menu proses, menggambarkan alur yang tersedia yaitu admin
akan memilih menu proses yang akan dipanggil setelah dipanggil maka menu proses
tersebut akan tampil, kemudian admin akan menginput data dan proses perhitungan
data untuk penyimpan data yang telah dilakukan. Terdapat dua menu proses yaitu
menu proses data latih dan menu proses penentuan clustering K-Means.
4. Sequence Diagram Laporan
Menu
ADMIN Masuk Laporan Algoritma Data Base
Utama
Proses Data ()
Verifikasi Data ()
Cetak Laporan ()
Tutup ()
Keluar ()
Pilih Keluar ()
Informasi Keluar ()
Keluar ()
Mulai
Form Masuk
Salah
Benar
Selesai
25
Mulai
Menu Utama
Menu Master
Data Penduduk
Simpan
Selesai
Menu Utama
Menu Proses
Data Pengelompokan
Simpan
Proses
Hasil
Pengelompokkan
Selesai
Mulai
Menu Utama
Menu Laporan
Cetak Laporan
Selesai
Mulai
Menu Keluar
Keluar
Selesai
Masuk
Halaman Utama
Laporan Keluar
Master Proses
Laporan
Data Penduduk Pengelompokkan
Pengelompokkan
Nama
Kata Sandi
Masuk Batal
31
Logo
NIK
Kondisi Lantai
Pekerjaan
Kondisi Atap
Penghasilan Perbulan
No NIK Cluster
Cetak Hasil
Lihat Hasil
Keluar
cukup besar secara manual oleh panita pelaksana sehingga terjadi kesalahan dalam
pengambilan keputusan.
Permasalahan dalam penyeleksian bagi warga yang berhak menerima bantuan
dana tersebut. Penyeleksian hanya dilakukan hanya dengan penilaian secara subjektif
tanpa mempertimbangkan penilaian objektif. Dari Dinas perumah dan permukiman
kabupaten hulu sunagai tengah ingin mengetahui akurasi,efesiensi waktu dan
penilain secara objektif menggunakan data yang dibuat menggunakan aplikasi ini.
Data yang digunakan untuk tahap pengujian pada penelitian ini terdiri dari 240 data,
yang kemudian data tersebut dibagi menjadi 2 bagian, yaitu 200 data untuk training
(70%) dan 40 data untuk testing (30%).
Banjarbaru,………………2019
( )
34
Bentuk : Wawancara
Perihal : Analisa Permasalahan
Responden :
Banjarbaru,………………2019
( )
35
Bentuk : Angket
Perihal : Kualitas Software
Responden :
Banjarbaru,………………2019
( )
36
Bentuk : Angket
Perihal : Kemanfaatan Software
Responden :
( )
37
KINDINGAN Tidak
PK 2 Petani 150000 12 Layak Layak
11 6307091903740002 KACIL L RT.02 RW.02 Layak
Keterangan :
L = Laki-laki
P = Perempuan
PK = Peningkatan Kualitas
PB = Pembangunan Baru
Sampel data yang digunakan adalah data penerima bantuan bedah rumah
pada thaun 2018 pada desa Murung, Kindingan, dan Tilahaan Kecamatan Hantakan .
Pengaturan atribut awal proses perhitungan adalah sebgai berikut :
a. Jumlah Cluster = 2
b. Jumlah data = 240
c. Jumlah atribut = 3
Langkah-langkah pengelompokan menggunakan K-means
1. Tentukan nilai K sebagai jumlah cluster yang ingin dibentuk
K=2
2. Bangkitkan k centroid (titik pusat cluster awal) awal secara acak :
a. Diambil data ke-7 sebagai pusat cluster
K1 = (Jumlah tanggungan = 3 orang Jumlah penghasilan = 175000,
luas rumah = 14 M2)
b. Diambil data ke-11 sebagai pusat cluster
K2 = (Jumlah tanggungan = 2 orang Jumlah penghasilan = 150000,
luas rumah = 12 M2)
39
Ket :
dij : Jarak objek antara objek x dan y
n : Jumlah Atribut
Xi : Objek Data
Yi : Data Cluster
Cluster Data ke-1 (3,175000 dan 14)
C1 = =0
C2 = = 250000001
C1 = = 250000001
C2= =0
Keterangan :
Rasio 0,099999969
41
Keterangan :
Rasio 0,499999674
Keterangan :
Data ke- : Urutan Cluster data ke-n
No.KTP : Nomor Kartu Tanda Penduduk
Jumlah Tanggungan : Jumlah tanggunan dalam satu keluarga
Penghasilan perbulan : Penghasialn perbulan yang diperoleh
Luas Rumah : Luas rumah dalam satu keluarga
C1 : Hasil perhitungan jarak dari pusar cluster
C2 : Hasil perhitungan jarak dari pusar cluster
Jarak Terpendek : Jarak terpendek antara nilai C1 dan C2
C0 : Pengelompokan berdasarkan Centroid (OK/-)
C1 : Pengelompokan berdasarkan Centroid (OK/-)
Rasio 0,499999674
Keterangan :
Data ke- : Urutan Cluster data ke-n
No.KTP : Nomor Kartu Tanda Penduduk
Jumlah Tanggungan : Jumlah tanggunan dalam satu keluarga
Penghasilan perbulan : Penghasialn perbulan yang diperoleh
Luas Rumah : Luas rumah dalam satu keluarga
C1 : Hasil perhitungan jarak dari pusar cluster
C2 : Hasil perhitungan jarak dari pusar cluster
Jarak Terpendek : Jarak terpendek antara nilai C1 dan C2
C0 : Pengelompokan berdasarkan Centroid (OK/-)
C1 : Pengelompokan berdasarkan Centroid (OK/-)
7. Iterasi bisa selesai jika pada suatu itersi ke-n tidak ada pertukaran anggota
sama sekali berdasarkan centroid (anggota masing-masing cluster sama denga
iterrasi sebelumnya)
1 630709030579000
2 C1
2 630709080965000
2 C1
3 630709010778027
3 C1
4 630709410758014
4 C1
5 630709410768020
7 C2
6 630709010788016
0 C1
7 630709190374000
2 C2
8 630709020681000
3 C1
9 630709260778000 C2
44
10 630709010686000
2 C2
Keterangan :
Data ke- : Urutan Cluster data ke-n
No.KTP : Nomor Kartu Tanda Penduduk
Cluster : Hasil Pengelompokkan C1/C2
1 0
1 TP FN
Nilai Sebenarnya
0 FP TN
Precision=
45
Recall =
= 2.
1 630709030579000
2 C1
2 630709080965000
2 C1
3 630709010778027
3 C1
4 630709410758014
4 C1
5 630709410768020
7 C2
6 630709010788016
0 C1
7 630709190374000
2 C2
8 630709020681000
3 C1
9 630709260778000
1 C2
10 630709010686000
2 C2
1. Persiapan penelitian dilakukan terhadap sistem yang akan dikembangkan. Hal ini
perlu dilakukan sesuai dengan kebutuhan pengguna.
5. Testing & implementasi sistem yaitu tahap untuk mengetahui jalannya sistem
yang telah dibuat, untuk mengetahui error program, beserta validasi inputan,
pada tahapan ini akan ada dua testing yaitu whitebox dan blackbox.
Testing &
Implementasi
Sistem
Pembuatan
Laporan
Tabel 3.17 Jadwal Penelitian
DAFTAR PUSTAKA
44
45