PERANCANGAN PEMEBERIAN RUMAH LAYAK HUNI

MENGGUNAKAN SISTEM LAMA DAN BARU

45
 3

BAB I
PENDAHULUAN

1.1 Latar belakang

Rumah swadaya atau rumah yang dibangun atas prakarsa dan upaya
masyarakat menjadi solusi penanganan rumah tak layak huni (RTLH) di Desa
Murung, Kindingan, dan Tilahaan Kecamatan Hantakan. Salah satu skema bantuan
untuk menghadirkan kegiatan rumah swadaya tersebut adalah Bantuan Stimulan
Perumahan Swadaya (BSPS) yang diberikan oleh Kementerian Pekerjaan Umum dan
Perumahan Rakyat (PUPR).Berdasarkan data Badan Pusat Statistik (BPS) pada 2015,
jumlah RTLH adalah sekitar 2,51 juta unit dengan rincian 2,18 juta rawan layak huni
dan 0,33 juta benar-benar tak layak huni. Pekerjaan rumah dalam RPJMN 2015-2019
adalah menurunkan dari 2,51 juta unit RTLH menjadi hanya 1,9 juta unit. Artinya
harus mengurangi RTLH sebanyak 610 ribu unit hingga 2019 nanti. Untuk tahun ini,
dana yang dianggarkan sebesar Rp.1,53 miliar untuk meningkatkan kualitas 93.210
unit RTLH dan membangun seribu unit rumah baru. (Rakyat, 2018)
Dengan anggaran itu tiap desa mendapatkan kesempatan untuk mengelola
dana tersebut salah satunya dalam bentuk bantuan bedah rumah. Niat baik
pemerintah daerah dalam pengentasan kemiskinan melalui program bedah rumah
tersebut, harus didukung dengan tingkat akurasi data. Selain tingkat akurasi data juga
dibutuhkan efisiensi waktu pengolahan data penerima bantuan karena setiap tahun
nya perlu dikelompokan dan diketahui jumlah data penerima bantuan bedah rumah
untuk anggaran tahun berikutnya. Masalah yang karena muncul besarnya jumlah
rumah tidak layak disetiap desa, sedangakan peawai yang melakukan pendataan
sedikit. Data juga dikumpulkan oleh beberapa orang disetiap desa, dikumpulkan lagi
menjadi satu kecamatan sedangkan waktu yang digunakan kurang cepat dan akurat
karena data harus memlalui beberapa orang untuk bisa dikelompokkan untuk
mendapat bantuan, data yang dikelompokkan juga masih ditentukan melalui hasil
rapat bukan dari bantuan sistem dengan akurasi bagus, dan harus mempertimbangkan
berapa kriteria diantaranya, jumlah tanggungan, pekerjaan, luas rumah jenis atap,
jenis lantai, jenis dinding, dan jumlah individu dalam sebuah keluarga. Nilai dari
 4

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

1.2.2. Ruang lingkup masalah

Agar pembahasan masalah lebih terfokus, maka penelitian ini dibatasi hanya
pada proses Pengelompokan Prioritas Penerima Bantuan Bedah Rumah Di Desa
Murung, Kindingan, dan Tilahaan Kecamatan Hantakan.

1.2.3. Perumusan Masalah

Berdasarkan latar belakang dan identifikasi masalah tersebut maka
perumusan masalah dalam penelitian ini adalah ” Bagaimana membangun aplikasi
Pengelompokan Prioritas Penerima Bantuan Bedah Rumah Menggunakan Metode
Clustering K-Means Dan Berbasis web.

1.3 Tujuan dan manfaat penelitian

1.3.1 Tujuan
Berdasarkan latar belakang adapun tujuan dari penelitian ini adalah Data
Mining dengan metode Cluster, maka digunakan untuk menghasilkan Knowledge
kelompok prioritas diantara ratusan rumah tidak layak di Desa Murung, Kindingan,
dan Tilahaan Kecamatan Hantakan.
1.3.2 Manfaat
Manfaat dari penelitian ini diharapkan dapat membantu kepala Dinas
menentukan rumah tidak layak yang menjadi prioritas utama untuk mendapatkan
bantuan ditengah banyaknya data rumah tidak layak di Desa Murung, Kindingan, dan
Tilahaan Kecamatan Hantakan.
 BAB II
LANDASAN TEORI DAN KERANGKA PEMIKIRAN

2.1 Tinjauan Pustaka

Adapun Penelitian dari Zainul Aras dan Sarjono pada tahun 2016 di
Kecamatan Bahar Utara “Analisis Data Mining Untuk Menentukan Kelompok
Prioritas Penerima Bantuan Bedah Rumah Menggunakan Metode Clustering K-
Means”. Dari penelitian ini dapat disimpulkan bahwa peneliti berkeinginan metode
data mining dengan metode clustering, sangat tepat digunakan untuk menghasilkan
Knowledge kelompok prioritas diantara ratusan penduduk miskin di Kecamatan
Bahar Utara karena dengan adanya rancangan Sistem Data mining ini dapat menjadi
acuan pemerintah untuk mengambil kebijakan tahap selanjutnya sesuai dengan
knowledge yang dihasilkan oleh data mining metode clustering K-Means agar
penilaian prioritas penduduk tidak mampu bisa lebih berkualitas dan efektif. (Sarjono
Z. A., 2016)
Adapun Penelitian dari M. Eldhi Putra pada tahun 2017 “Klasifikasi
Penerimaan Bantuan Rumah Tidak Layak Huni Menggunakan Metode Naive
Bayes”. Dari Penelitian peneliti berkeinginan untuk Penerapan Data Mining
menggunakan Naive Bayes untuk Klasifikasi penerima bantuan rumah tidak layak
huni dan membantu pemerintah dalam kebijakan mengenai penanganan kemiskinan
dengan memfokuskan perhatian pada hal pendistribusian bantuan. Data yang
digunakan untuk proses pengklasifikasian sebanyak 120 data yang akan dipakai
sebagai data training, untuk menghasilkan 3 kategori yaitu, prioritastinggi, prioritas
sedang dan prioritas rendah. Masing-masing data memiliki 5kriteria yang akan
digunakan dalam proses klasifikasi. Hasil yang diperoleh dari menggunakan metode
ini adalah sistem mampu mengklasifikasikan data baru berdasarkan data lama. Dari
30 data sebanyak 26 data yang dapat diklasifikasikan sehingga menghasilkan akurasi
sebesar 86,6667%. (Putra, 2017)
Adapun Penelitian dari Novira Naili Ulya Siregar pada tahun 2018 di
Kabupaten Serdang Bedagai “Sistem Penentuan Penerima Bantuan Bedah Rumah Di
Kabupaten Serdang Bedagai Menggunakan Metode Clustering K-Means Dan

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

Gambar 2.1 Kerangka Pemikiran

17
 BAB III
METODE PENELITIAN

3.1. Jenis Penelitian

Jenis penelitian yang digunakan dalam pada penelitian ini yaitu menggunakan
jenis penelitian Kualitatif karena suatu proses menemukan pengetahuan yang
menggunakan data berupa angka sebagai alat menganalisis keterangan mengenai apa
yang ingin diketahui (Kasiram, 2008). Menurut Gay merupakan suatu usaha atau
kegiatan untuk mengembangkan suatu produk yang efektif untuk digunakan sekolah,
dan bukan untuk menguji teori. Sedangkan Borg and Gall mendefinisikan penelitian
pengembangan sebagai berikut:
Penelitian Pengembangan atau  Research and Development  (R&D) Menurut
Gay merupakan suatu usaha atau kegiatan untuk mengembangkan suatu produk yang
efektif untuk digunakan sekolah, dan bukan untuk menguji teori. Sedangkan Borg
and Gall mendefinisikan penelitian pengembangan sebagai berikut:
Sedangkan Borg and Gall mendefinisikan penelitian pengembangan sebagai
proses yang digunakan untuk mengembangkan dan memvalidasi produk pendidikan.
Langkah-langkah dari proses ini biasanya disebut sebagai siklus R & D, yang terdiri
dari mempelajari temuan penelitian yang berkaitan dengan produk yang akan
dikembangkan, mengembangkan produk berdasarkan temuan ini, bidang pengujian
dalam pengaturan di mana ia akan digunakan akhirnya, dan merevisinya untuk
memperbaiki kekurangan yang ditemukan dalam tahap mengajukan pengujian.
Dalam program yang lebih ketat dari R & D, siklus ini diulang sampai bidang-data
uji menunjukkan bahwa produk tersebut memenuhi tujuan perilaku didefinisikan.
(Gall, 1983)
3.2. Waktu dan Tempat Penelitian
Waktu penelitian ini dilaksanaka sejak tanggal dikeluarkan penelitian pada 28
november 2018, 1 bulan pengumpulan data dan 2 bulan pengolahan data yang
meliputi penyajian dalam bentuk skrip dan proses bimbingan berlangsung
Tempat pelaksanaan penelitian ini adalah di Dinas Perumahan dan
Permukiman Kabupaten Hulu Sungai Tengah.

18
 19

3.3. Analisa Kebutuhan

Dalam pembuatan aplikasi pada penelitian ini menggunakan Bahasa
pemrograman Java dengan aplikasi Netbeans IDE 8.2
a. Analisa kebutuhan input
Analisa kebutuhan input dari system ini hanya bersal dari obsevasi lapangan
diKabupaten Hulu Sungai Tengan tepat nya di Kecamatan Hantakan Desa Murung,
Kindingan, dan Tilahaan. Data set yang digunakan meliputi : NIK, namalengkap,
jenis kelamin, alamat, jenis bantuan, jumlah tanggungan, pekerjaan, penghasilah
perbulan, luas rumah, kondisi lantai, kondisi dinding, kondisi atap
b. Analisa kebutuhan output
Analisa kebutuhan output dari system ini berupa hasil Pengelompokan penerima
Bantuan Bedah Rumah menggunakan metode K-means Cluster
3.3.1. Metode Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah:
1. Wawancara
Pengumpulan data yang dilakukan dengan wawancara langsung kepada Dinas
Perumahan dan Permukiman Kabupaten Hulu Sungai Tengah
2. Observasi
Pengumpulan data melalui pengamatan pencatatan yang dilakukan langsung
secara observasi yang diperoleh dari Perumahan dan Permukiman Kabupaten
Hulu Sungai Tengah
3. Literatur
Yaitu pengumpulan data dari beberapa paper, artikel, berita, dan buku, serta
sumber lain yang berkaitan dengan penelitian ini.
3.3.2. Metode Pemilihan Sampel
Pada Penelitian ini menggunakan metode populas. Data didapat dari Dinas
Perumahan dan Pemukiman Kabupaten Hulu Sungai Tengah.Data yang didapat
tentang calon penerima bantuan bedah rumah di desa murung, kindingan, dan
tilahaan kecamatan hantakan tahun 2018 dengan, seperti data nik,namalengkap, jenis
kelamin, alamat, jenis bantuan, jumlah tanggungan, pekerjaan, penghasilah perbulan,
luas rumah, kondisi lantai, kondisi dinding, dan kondisi atap.
 20

3.4. Perancangan Penelitian

3.4.1. Diagram Konteks
Diagram konteks adalah gambaran umum mengenai interaksi yang terjadi antar
sistem dengan admin. Diagram konteks dari sistem ini ditunjukkan pada gambar
berikut :

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

Laporan Hasil Pengelompokkan

Gambar 3.1 Diagram Konteks

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.

3.4.2. UML (Unified Modeling Language)

3.4.2.1. Use Case Diagram

Use Case Diagram menggambarkan hubungan secara langsung antara aktor
dengan sistem. Sasaran pemodelan Use Case diantaranya adalah mendefinisikan
kebutuhan fungsional dan operasional sistem dengan mendefinisikan skenario
 21

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

Gambar 3. 2 Use case Diagram

Dalam hal ini aktor digambarkan sebagai admin. Alur ini dimulai dari admin
masuk dengan mengisi nama admin dan kata sandi untuk masuk kemenu utama,
selanjutnya memasukkan Informasi dan menginputkan data kemudian membuat
laporan pada sistem.

3.4.2.2. Sequence Diagram

Sequence Diagram menjelaskan mengenai urutan-urutan proses atau langkah-
langkah pengelolaan sistem yang dilakukan oleh admin. Sequence diagram
menggambarkan interaksi antar objek di dalam dan di sekitar sistem (termasuk
pengguna, display, dan sebagainya) berupa pesan yang digambarkan terhadap waktu.
Sequence diagram terdiri atas waktu dan objek-objek terkait. Sequence diagram
biasa digunakan untuk menggambarkan scenario atau rangkaian langkah-langkah
yang dilakukan sebagai respon dari sebuah event untuk menghasilkan output tertentu,
proses dan perubahan apa saja yang terjadi secara internal dan output apa yang
dihasilkan.
 22

1. Sequence Diagram Masuk

Form
Admin Algoritma Data Base
Login

Masuk : Nama dan kata sandi()

Verifikasi Nama dan kata sandi()

Verifikasi()
Pesan Kesalahan jika
Nama atau kata sandi Salah()

Simpan()

Menampilkan Menu Utama()

Gambar 3.3 Sequence Diagram Masuk

Sequence diagram masuk, menggambarkan alur yang tersedia yaitu admin akan
memilih menu proses masuk kesistem dengan mengisi nama dan kata
sandi,kemudian system akan melakukan proses untuk validasi,apabila sesuai maka
akan tampil alaman menu utama jika tidak maka kembali ke halaman masuk.

2. Sequence Diagram Menu Master

Menu Data
ADMIN Master Algoritma Data Base
Utama Penduduk

Berhasi Masuk()

Pilih Menu Master()

Pilih Data Penduduk()

Input Data Penduduk()

Verifikasi()

Simpan ()

Tampilkan Hasil ()

Gambar 3.4 Sequence Diagram Menu

Sequence diagram menu master, menggambarkan alur yang tersedia yaitu admin
akan memilih menu master yang akan dipanggil, setelah dipanggil maka menu
 23

master tersebut akan tampil, kemudian admin akan menginput data dan sistem akan
memproses untuk penyimpan data yang telah dilakukan

3. Sequence Diagram Proses

Admin Masuk Menu Utama Proses Algoritma Data Base Laporan

Masuk : Nama dan kata sandi()

Nama dan Kata Sandi Benar()

Pilih Menu Proses ()

Masukkan Data dan Tekan

Menu Proses Clustering ()
Verifikasi ()

Simpan ()

Tampilkan Hasil Clustering ()

Cetak Laporan ()

Pilih Laporan Untuk Cetak Laporan ()

Tutup ()

Tutup ()

Tutup ()

Nama dan Kata Sandi Salah ()

Keluar ()

Keluar ()

Gambar 3.5 Sequence Diagram Proses

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

Masuk : Nama dan kata sandi()

Nama dan Kata Sandi Benar()

Nama dan Kata Sandi Salah ()

Pilih Menu Laporan ()

Proses Data ()

Verifikasi Data ()

Cetak Laporan ()

Tutup ()

Keluar ()

Gambar 3.6 Sequence Diagram Laporan

 24

Sequence diagram menu laporan,menjelaskan urutan-urutan proses yang

dilakukan oleh admin dalam mengelolaan laporan dan mencetak laporan. Terdapat
tiga menu laporan yaitu laporan data master dan laporan data proses.

5. Sequence Diagram Keluar

Admin Keluar Proses

Pilih Keluar ()

Informasi Keluar ()

Keluar ()

Gambar 3.7 Sequence Diagram Keluar

Sequence diagram keluar , menampilkan cara keluar dari aplikasi dengan
memilih keluar, sistem akan berhenti dan aplikasi akan tertutup

3.4.2.3. Activity Diagram

Activity Diagram menggambarkan berbagai alir aktifitas dalam sebuah sistem
yang sedang dirancang, bagaimana masing–masing alir berawal, decision yang
mungkin terjadi dan bagai mana mereka berakhir. Activity diagram juga dapat
menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi.
1. Activity Diagram Masuk

Mulai

Form Masuk

Masukkan Nama dan

Kata Sandi

Salah

Apakah Nama atau Kata

Sandi Sudah Sesuai

Benar

Selesai
 25

Gambar 3.8 Activity Diagram Masuk

Activity diagram masuk merupakan diagram yang menggambarkan alur
aktivitas yang dilakukan oleh admin. Dimulai dari memasukkan nama dan kata sandi
kemudian sistem akan memverifikasinya jika benar maka akan masuk menu utama.

2. Activity Diagram Master

Mulai

Menu Utama

Menu Master

Data Penduduk

Simpan

Selesai

Gambar 3.9 Activity Diagram Master

Activity Diagram Klasifikasi Data Rumah menggambarkan alur yang tersedia
yaitu admin menginput dan memverifikasi data lalu menyimpannya jika berhasil
disimpan akan keluar pesan data berhasil disimpan.

3. Activity Diagram Proses

Mulai

Menu Utama

Menu Proses

Data Pengelompokan

Simpan

Proses

Hasil
Pengelompokkan

Selesai

Gambar 3.10 Activity Diagram Proses

 26

Activity Diagram Klasifikasi Data Rumah menggambarkan alur yang tersedia

dimana admin menginput, memverifikasi dan memproses data dengan menekan
tombol proses maka akan menampilkan hasil perhitungan Clustering K-means

4. Activity Diagram Laporan

Mulai

Menu Utama

Menu Laporan

Cetak Laporan

Selesai

Gambar 3.11 Activity Diagram Laporan

Activity diagram laporan merupakan diagram yang menggambarkan alir
aktivitas dalam sebuah proses mengelola dan mencetak laporan yang dilakukan oleh
admin.
5. Activity Diagram Keluar

Mulai

Menu Keluar

Keluar

Selesai

Gambar 3.12 Activity Diagram Keluar

 27

Activity diagram keluar menggambarkan alur yang tersedia dalam menu

keluar,dimulai dengan keluar lalu tekan keluar aplikasi,system akan berhenti dan
aplikasi tertutup
3.4.3. Desain Database
3.4.3.1. Struktur Tabel
1. Desain Tabel Pengguna
Nama Tabel : tb_masuk
Primary Key : Nm_admin
Fungsi : Menyimpan data pengguna pada aplikasi

Tabel 3.1 Masuk

No Field Tipe Data Ukuran Keterangan

1. Nm_admin* Varchar 5 Nama Admin/Pengguna
2. Kata_sandi Varchar 5 Kata Sandi Pengguna

2. Desain Tabel Penduduk

Nama Tabel : tb_penduduk
Primary Key : nik
Fungsi : Menyimpan data Penduduk kedalam Database
Tabel 3.2 Desain Tabel Penduduk

No Field Tipe Data Ukuran Keterangan

NomorInduk
1. nik* Varchar 16
Kependudukan
Nama Penduduk/kepala
2. nm_Lengkap Varchar 30
Keluarga
3. Jk Varchar 10 Jenis Kelamin
4. Alamat Varchar 11 alamat
5. jb Varchar 25 Jenis bantuan
6. Jml_Tanggungan Tinyint 2 Jumlah Tanggungan
7. Pekerjaan Varchar 30 Pekerjaan
8. Jml_Perbulan tinyInt 7 Penghasilan per Bulan

Tabel 3. 2 Desain Tabel Penduduk(Lanjutan)

 28

No Field Tipe Data Ukuran Keterangan

9. K_Lantai Varchar 20 Kondisi Lantai
10. K_Dinding Varchar 20 Kondisi Dinding
11. K_Atap Varchar 20 Kondisi Atap

3. Desain Tabel Proses Clustering

Nama Tabel : tb_proses
Primary Key : kd_proses
Fungsi : Menyimpan Proses Clustering
Tabel 3.3 Desain Tabel Proses Clustering

No Field Tipe Data Ukuran Keterangan

1. *Kd_proses Int 3 Kode Hitung

Nomor Induk
2. **nik Varchar 16
Kependudukan
3. Cluster Varchar 2 Pengelompokan

4. Tahun Date Tahun Pendataan

4. Desain Tabel Master Jenis Bantuan

Desain Tabel Master Jenis Bantuan
Nama Tabel : m_jenisbantuan
Fungsi : Menyimpan data jenis bantuan
Tabel 3.4 Desain Tabel Master Jenis Bantuan

No Field Tipe Data Ukuran Keterangan

1. Pb Tinyint 5 Pembangunan baru

2. pk Tinyint 5 Peningkatan kualitas

5. Desain Tabel Master Pekerjaan

Nama Tabel : m_pekerjaan
Fungsi : Menyimpan data pekerjaan
Tabel 3.5 Desain Tabel Master Pekerjaan
 29

No Field Tipe Data Ukuran Keterangan

1. Petani Tinyint 10 petani

2. swasta Tinyint 10 Swasta

6. Desain Tabel Master Desa

Desain Tabel Master Jenis Bantuan
Nama Tabel : m_desa
Fungsi : Menyimpan data nama desa
Tabel 3.6 Desain Tabel Master Desa

No Field Tipe Data Ukuran Keterangan

1. Kindingan Tinyint 25 Kindinginan
2. Tilahaan Tinyint 25 Tilahaan
3. Murung Tinyint 25 Murung

3.4.3.2. Relasi Tabel

Relasi tabel aplikasi pengelompokan penerima bantuan bedah rumah
menggunakan metode clustering k-means

Gambar 3.13 Relasi Tabel

 30

3.4.4. Desain Arsitektural

Adapun desain arsitektural dalam penilitian ini dapat dibuat sebagai berikut:

Masuk

Halaman Utama

Laporan Keluar
Master Proses

Laporan
Data Penduduk Pengelompokkan
Pengelompokkan

Gambar 3.14 Desain Arsitektural

Pada gambar diatas yaitu menggambarkan mengenai desain atau kerangka
dalam sistem, pertama sistem akan meminta kita untuk masuk, setelah masuk akan
muncul menu utama yang tersedia dalam menu utama adalah menu master yang
berisi data rumah.Lalu menu proses yang berisi data penentuan bedah rumah yaitu
data valid keberhasilan Pemilihan dan penentuan yaitu data prediksi yang dapat
digunakan sebagai data uji. Menu laporan yang berisi laporan, master untuk
mencetak data rumah, dan laporan proses untuk mencetak data penentuan. Lalu menu
fasilitas yang berisi pengaturan admin, backup dan restore data, dan export to Excel
serta pilihan keluar.
3.4.5. Desain Interface
1. Desain Form Masuk Aplikasi
Desain Form ini merupakan halaman masuk pada aplikasi terdapat yang
digunakan admin untuk masuk ke menu utama, dapat dilihat seperti dibawah ini.

KEMENTRIAN PEKERJAAN UMUM DAN PERUMAHAN RAKYAT

Logo DIREKTORAT JENDRAL PENYEDIAN PERUMAHAN

Nama

Kata Sandi

Masuk Batal
 31

Gambar 3.15 Desain Form Masuk

2. Desain Form Menu Utama Aplikasi
Desain Form ini merupakan halaman menu utama pada aplikasi terdapat yang
digunakan admin untuk memilih menu selanjutnya, dapat dilihat seperti dibawah
ini.
MASTER PROSES LAPORAN KELUAR

KEMENTRIAN PEKERJAAN UMUM DAN PERUMAHAN RAKYAT

DIREKTORAT JENDRAL PENYEDIAN PERUMAHAN

Logo

APLIKASI PENGELOMPOKAN PRIORITAS PENERIMA BANTUAN

BERDAH RUMAH MENGGUNAKA METODE CLUSTER K-MEANS

Gambar 3.16 Desain Form Menu Utama

3. Desain Form Data Penduduk

Desain Form ini merupakan halaman data penduduk untuk memasukkan data
penduduk kedalam data database, dapat dilihat seperti dibawah ini.

KEMENTRIAN PEKERJAAN UMUM DAN PERUMAHAN RAKYAT

Logo DIREKTORAT JENDRAL PENYEDIAN PERUMAHAN

NIK Penghasilan Perbulan

Nama Lengkap Luas Rumah

Jenis Kelamin Kondisi Lantai

Jumlah Tanggungan Kondisi Dinding

Pekerjaan Kondisi Atap

Tambah Ubah Hapus Simpan Keluar

Nama Jenis Jumlah Penghasilan Luas Kondisi Kondisi Kondisi

NIK Lengkap Tanggungan Pekerjan Perbulan Rumah Lantai Dinding Atap
Kelamin

Gambar 3.17 Desain Form Data Penduduk

4. Desain Desain Form Transaksi
 32

Desain Form merupaka n halaman data penduduk untuk memproses data

pengelompokan kedalam data database, dapat dilihat seperti dibawah ini.

Logo KEMENTRIAN PEKERJAAN UMUM DAN PERUMAHAN RAKYAT

DIREKTORAT JENDRAL PENYEDIAN PERUMAHAN

Kode Proses Luas Rumah

NIK
Kondisi Lantai

Jumlah Tanggungan Kondisi Dinding

Pekerjaan
Kondisi Atap

Penghasilan Perbulan

Tambah Ubah Hapus Simpan Keluar

Kode Penghasilan Luas Kondisi Kondisi Kondisi

NIK Pekerjan
Proses Perbulan Rumah Lantai Dinding Atap

Gambar 3.18 Desain Form Transaksi

5. Desain Form Laporan
Desain Form ini merupakan halaman laporan pada aplikasi terdapat yang
digunakan admin untuk menampilkan hasil pengelompokan,memilih menu
selanjutnya atau mencetak laporan, Dapat dilihat seperti dibawah ini.
Hasil Pengelompokan

No NIK Cluster

Cetak Hasil

Lihat Hasil

Keluar

Gambar 3.19 Desain Form Laporan

3.5. Instrumen Penelitian
Dari beberapa paper bukti permasalahan yang didapat yaitu, program bedah
rumah harus didukung dengan akurasi data dan efiansi waktu dalam pengolahan data
penerima bantuan. Dampak lain yang didapat tim pelaksana di lapangan ketidak tepat
sasaran penerima bantuan Rehabiltas Sosial Rumah tidak layak huni di lapangan, hal
ini terjadi karena kesalahan dalam pegelolahan data calon penerima bantuan yang
 33

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%).

3.5.1 Kisi-Kisi Instrument

Bentuk : Angket
Perihal : Analisa Permasalahan
Responden :

No Butir Instrumen dan Skala Pengukuran Jawaban

1. Apakah data rumah tidak layak dikelompokan Perlu agar bisa
setiap tahunnya ? (1-2-3-4-5) mengetahui anggaran
ditahun berikutnya
2. Apakah selama pendataan rumah tidak Waktu tergantung
layak dengan lambat ? (1-2-3-4-5) tim lapangan yang
mengerjakan karena
setiap desa beda tim
lapanganya

Banjarbaru,………………2019

( )
 34

Bentuk : Wawancara
Perihal : Analisa Permasalahan
Responden :

No Butir Instrumen dan Skala Pengukuran Cara Penyelesaian

1. Apakah selama ini setelah pendatan data bisa Tidak karena Selama
langsung dipakai ? (1-2-3-4-5) ini proses pendataan
dengan langsung
kelapang oleh tim
lapangan mendata
perdesa lalu data yang
diterima perdesa
dikumpulkan lagi
perkecamatan baru
dilakukan proses
pengelompokkan

Banjarbaru,………………2019

( )
 35

Bentuk : Angket
Perihal : Kualitas Software
Responden :

No Butir Instrumen dan Skala Pengukuran Cara Penyelesaian

1. Tingakt Keandalan Software(1-2-3-4-5) 1. Sangat Setuju
2. Setuju
3. Cukup setuju
4. Kurang setuju
5. Tidak setuju
2. Usabilitas (Mudah Digunakan dan Sederhana 1. Sangat Setuju
dalam Pengoprasiannya) Software(1-2-3-4-5)
2. Setuju
3. Cukup setuju
4. Kurang setuju
5. Tidak setuju
3. Kesesuaian dengan kebutuhan pengguna (1- 1. Sangat Setuju
2-3-4-5)
2. Setuju
3. Cukup setuju
4. Kurang setuju
5. Tidak setuju

Banjarbaru,………………2019

( )
 36

Bentuk : Angket
Perihal : Kemanfaatan Software
Responden :

No Butir Instrumen dan Skala Pengukuran Cara Penyelesaian

1. Apakah aplikasi yang di buat dapat 1. Sangat Setuju
membantu mempermudah proses
2. Setuju
pengelompokan prioritas penerima bantuan
bedah rumah? (1-2-3-4-5) 3. Cukup setuju
4. Kurang setuju
5. Tidak setuju
2. Apakah aplikasi yang di buat dapat 1. Sangat Setuju
membantu efisiensi waktu proses
2. Setuju
pengelompokan prioritas penerima bantuan
bedah rumah? (1-2-3-4-5) 3. Cukup setuju
4. Kurang setuju
5. Tidak setuju
3. Apakah aplikasi pengelompokan prioritas 1. Sangat Setuju
penerima bantuan bedah rumah akurat ? (1-
2. Setuju
2-3-4-5)
3. Cukup setuju
4. Kurang setuju
5. Tidak setuju
Banjarbaru,………………2019

( )
 37

3.6. Data dan Teknik Analisis Data

Dataset yang akan digunakan pada penelitian ini meliputi NIK, nama lengkap,
jenis kelamin, alamat, jenis bantuan, jumlah tanggungan, pekerjaan, penghasilah
perbulan, luas rumah, kondisi lantai, kondisi dinding, dan kondisi atap.
Tabel 3.7 Tabel Data
Jenis Jenis Jumlah Penghasilan Luas Kondisi Kondisi Kondisi
Pekerjaan
No No.KTP Nama Kelamin Alamat Bantuan Tanggungan Per Bulan Rumah Lantai Dinding Atap
KINDINGAN Tidak Tidak Tidak
PK Petani 175000 16
1 6307094107530103 JAINAH P RT.02 RW.02 2 Layak Layak Layak

KINDINGAN Tidak Tidak

PK Petani 200000 24 Layak
2 6307090107760145 SAHRUNI L RT.02 RW.01 2 Layak Layak

KINDINGAN PK 4 Petani 275000 24 Layak Layak Layak

3 6307095007730003 NORBAINAH P RT.02 RW.02
KINDINGAN PK 2 Petani 200000 10 Layak Layak Layak
4 6307091506900002 WAHAB L RT.02 RW.01
KINDINGAN PK 3 Petani 175000 14 Layak Layak Layak
5 6307090305790002 SAFRUDDIN L RT.02 RW.01
KINDINGAN PK 4 Petani 200000 36 Layak Layak Layak
6 6307090809650002 MASTANI L RT.02 RW.02
KINDINGAN Tidak Tidak
PK 3 Petani 175000 14 Layak
7 6307090107780273 HANIL L RT 04. RW. 02 Layak Layak

KINDINGAN PK 4 Petani 200000 24 Layak Layak Layak

8 6307094107580144 AMINAH P RT.02 RW.02
KINDINGAN PK 3 Petani 150000 16 Layak Layak Layak
9 6307094107680207 JUMIAH P RT.02 RW.02
KINDINGAN Tidak Tidak Tidak
PK 3 Petani 200000 16
10 6307090107880160 DILAH L RT.02 RW.02 Layak Layak Layak

KINDINGAN Tidak
PK 2 Petani 150000 12 Layak Layak
11 6307091903740002 KACIL L RT.02 RW.02 Layak

KINDINGAN PK 3 Petani 200000 16 Layak Layak Layak

12 6307090206810003 SARDI L RT.02 RW.02
KINDINGAN PK 2 Petani 150000 24 Layak Layak Layak
13 6307092607780001 SAHRUDIN L RT.02 RW.02
KINDINGAN Tidak Tidak Tidak
PK 1 Petani 50000 6
14 6307090106860002 M. YAMANI L RT.02 RW.02 Layak Layak Layak

KINDINGAN Tidak Tidak Tidak

PK 3 Petani 150000 16
15 6307090201720001 ANGKING L RT.01 RW.01 Layak Layak Layak

KINDINGAN Tidak Tidak Tidak

PK 2 Petani 150000 10
16 6306104503890001 HAHAM L RT.01 RW.01 Layak Layak Layak

KINDINGAN Tidak Tidak Tidak

PK 3 Petani 150000 10
17 6307094402650001 HAIRUL L RT.01 RW.01 Layak Layak Layak

KINDINGAN Tidak Tidak Tidak

PK 2 Petani 150000 10
18 6307091708820001 KARTASIAH p RT.01 RW.01 Layak Layak Layak

KINDINGAN PK 2 Petani 250000 36 Layak Layak Layak

19 6307090107860157 USUF L RT.01 RW.01
KINDINGAN PK 2 Petani 150000 10 Layak Layak Layak
20 6307090107760115 BAHRUDIN L RT.01 RW.01
KINDINGAN Tidak Tidak Tidak
PK 2 Petani 250000 36
21 6307094107700088 MISRAH P RT.01 RW.01 Layak Layak Layak

KINDINGAN PK 3 Petani 350000 36 Layak Layak Layak

22 6307090107780216 ABI L RT.01 RW.01
KINDINGAN PK 3 Petani 250000 26 Layak Layak Layak
23 6307090107810119 MUNAH L RT.01 RW.01
KINDINGAN Tidak Tidak
PK 3 Petani 150000 24 Layak
24 6307090107930221 NADI L RT.01 RW.01 Layak Layak

KINDINGAN Tidak Tidak Tidak

PK 2 Petani 150000 21
25 6307094107920169 UDIT L RT.01 RW.01 Layak Layak Layak

KINDINGAN PK 2 Petani 150000 12 Layak Layak Layak

26 6307094107470110 DIANA P RT.01 RW.01
KINDINGAN PK 2 Petani 150000 21 Layak Layak Layak
27 6307090107940110 MASRANI L RT.02 RW.01
KINDINGAN Tidak Tidak Tidak
PK 3 Petani 150000 8
28 6307090511870001 JAMIDI L RT.02 RW.01 Layak Layak Layak

KINDINGAN PK 3 Petani 150000 17 Layak Layak Layak

29 6307090107680256 SALIM L RT 03 RW.02
AFIFUDIN KINDINGAN Tidak Tidak
PK 3 Petani 175000 16 Layak
30 6307083108910003 NAJIB L RT 03 RW.02 Layak Layak

KINDINGAN Tidak Tidak

PK 2 Petani 150000 16 Layak
31 6307091001870002 RIDUANSYAH L RT 03 RW.02 Layak Layak

KINDINGAN Tidak Tidak Tidak

PK 0 Petani 50000 6
32 6307011112470001 AS'ARI L RT 03 RW.02 Layak Layak Layak

KINDINGAN PK 2 Petani 150000 10 Layak Layak Layak

33 6307090107710113 PUDIN L RT.03 RW.02
KINDINGAN Tidak Tidak Tidak
PK 0 Petani 50000 10
34 6307094208730001 PADILLAH P RT.04 RW.03 Layak Layak Layak

KINDINGAN PK 3 Petani 150000 16 Layak Layak Layak

35 6307094107430101 PURNAMA P RT.04 RW.03
KINDINGAN Tidak Tidak
PK 3 Petani 50000 10 Layak
36 6307090106830004 WARI L RT.04 RW.03 Layak Layak
 38

Tabel 3.7 Tabel Data (Lanjutan)

Jenis Jenis Jumlah Penghasilan Luas Kondisi Kondisi Kondisi
Pekerjaan
No No.KTP Nama Kelamin Alamat Bantuan Tanggungan Per Bulan Rumah Lantai Dinding Atap

KINDINGAN PK 4 Petani 150000 24 Layak Layak Layak

37 6307090107730231 JIDI L RT.04 RW.04
KINDINGAN PK 3 Petani 150000 16 Layak Layak Layak
38 6307090107680221 MURSIDI L RT.04 RW.04
TAUPIK KINDINGAN Tidak Tidak Tidak
PK Petani 150000 16
39 6307090107670075 RAHMAN L RT.04 RW.04 4 Layak Layak Layak

KINDINGAN Tidak Tidak Tidak

PK Petani 150000 18
40 6306030107820045 M.ARIANI L RT.04 RW.04 3 Layak Layak 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

Tabel 3.8 Tabel pusat cluster

Jumlah Penghasilan Luas

Data ke No.KTP
Tanggungan Per Bulan Rumah
7 6307090107780273 3 175000 14
11 6307091903740002 2 150000 12

3. Hitung jarak setia data ke masing-masing centroid menggunakan rumus

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

 Cluster Data ke-2 (2,150000 dan 12)

 C1 = = 250000001

 C2= =0

Berdasarkan sampet perhitungan diatas maka lebih lengkapnya data tersebut

didalam tabel perhitungan jarak cluster.
Tabel 3.9 Tabel Perhitungan jarak pada cluster
Data Jumlah Penghasilan Luas C1 C2 Jarak
ke No.KTP Tanggungan Per Bulan Rumah Terpendek

1 6307090305790002 3 175000 14 0 25000,0001 0

2 6307090809650002 4 200000 36 25000,0097 50000,0058 25000,0097

3 6307090107780273 3 175000 14 0 25000,0001 0

4 6307094107580144 4 200000 24 25000,00202 50000,00148 25000,00202

5 6307094107680207 3 150000 16 25000,00008 4,123105626 4,123105626

6 6307090107880160 3 200000 16 25000,00008 50000,00017 25000,00008

 40

7 6307091903740002 2 150000 12 25000,0001 0 0

8 6307090206810003 3 200000 16 25000,00008 50000,00017 25000,00008

9 6307092607780001 2 150000 24 25000,00202 12 12

10 6307090106860002 1 150000 6 25000,00136 6,08276253 6,08276253

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

4. Pengelompokkan data jarak terdekat antara data dengan centroid

Tabel 3.10 Tabel Hasil Pengelompokan Berdasarkan centroid
Data Jumlah Penghasilan Luas C1 C2 Jarak C1 C2
ke No.KTP Tanggungan Per Bulan Rumah Terpendek

1 6307090305790002 3 175000 14 0 25000,0001 0 OK -

2 6307090809650002 4 200000 36 25000,0097 50000,0058 25000,0097 OK -

3 6307090107780273 3 175000 14 0 25000,0001 0 OK -

4 6307094107580144 4 200000 24 25000,00202 50000,00148 25000,00202 OK -

5 6307094107680207 3 150000 16 25000,00008 4,123105626 4,123105626 - OK

6 6307090107880160 3 200000 16 25000,00008 50000,00017 25000,00008 OK -

7 6307091903740002 2 150000 12 25000,0001 0 0 - OK

8 6307090206810003 3 200000 16 25000,00008 50000,00017 25000,00008 OK -

9 6307092607780001 2 150000 24 25000,00202 12 12 - OK

10 6307090106860002 1 150000 6 25000,00136 6,08276253 6,08276253 - OK

Jarak Antar Pusat Cluster

C1 C2 25000,0001

Rasio 0,099999969
 41

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/-)

5. Iterasi 1 selesai,lanjutkan ke iterasi 2

Menentukan Cluster baru sebagai pusat awal cluster baru
Cluster baru sebagai pusat awal cluster baru
C1 3,333333333 191666,6667 20
C2 2 150000 14,5

Tabel 3.11 Tabel Hasil Pengelompokan Berdasarkan centroid

Data Jumlah Penghasilan Luas C1 C2 Jarak C1 C2
ke No.KTP Tanggungan Per Bulan Rumah Terpendek

1 6307090305790002 3 175000 14 16666,66775 25000,00003 16666,66775 OK -

2 6307090809650002 4 200000 36 8333,34872 50000,00466 8333,34872 OK -

3 6307090107780273 3 175000 14 16666,66775 25000,00003 16666,66775 OK -

4 6307094107580144 4 200000 24 8333,33432 50000,00094 8333,33432 OK -

5 6307094107680207 3 150000 16 41666,66686 1,802775638 1,802775638 - OK

6 6307090107880160 3 200000 16 8333,3343 50000,00003 8333,3343 OK -

7 6307091903740002 2 150000 12 41666,66746 2,5 2,5 - OK

8 6307090206810003 3 200000 16 8333,3343 50000,00003 8333,3343 OK -

9 6307092607780001 2 150000 24 41666,66688 9,5 9,5 - OK

10 6307090106860002 1 150000 6 41666,66908 8,558621384 8,558621384 - OK

Jarak Antar Pusat Cluster

C1 C2 41666,66705
 42

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/-)

6. Iterasi 2 selesai,lanjutkan ke iterasi 3

Cluster baru sebagai pusat awal cluster baru
C1 3,333333333 191666,6667 20
C2 2 150000 14,5

Tabel 3.12 Tabel Hasil Pengelompokan Berdasarkan centroid

Data Jumlah Penghasilan Luas C1 C2 Jarak C1 C2
ke No.KTP Tanggungan Per Bulan Rumah Terpendek

1 6307090305790002 3 175000 14 16666,66775 25000,00003 16666,66775 OK -

2 6307090809650002 4 200000 36 8333,34872 50000,00466 8333,34872 OK -

3 6307090107780273 3 175000 14 16666,66775 25000,00003 16666,66775 OK -

4 6307094107580144 4 200000 24 8333,33432 50000,00094 8333,33432 OK -

5 6307094107680207 3 150000 16 41666,66686 1,802775638 1,802775638 - OK

Tabel 3.12 Tabel Hasil Pengelompokan Berdasarkan centroid (Lanjutan)

Data Jumlah Penghasilan Luas C1 C2 Jarak C1 C2
ke No.KTP Tanggungan Per Bulan Rumah Terpendek

6 6307090107880160 3 200000 16 8333,3343 50000,00003 8333,3343 OK -

7 6307091903740002 2 150000 12 41666,66746 2,5 2,5 - OK

8 6307090206810003 3 200000 16 8333,3343 50000,00003 8333,3343 OK -

9 6307092607780001 2 150000 24 41666,66688 9,5 9,5 - OK

10 6307090106860002 1 150000 6 41666,66908 8,558621384 8,558621384 - OK

Jarak Antar Pusat Cluster

C1 C2 41666,66705
 43

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)

Tabel 3.13 Tabel Hasil Pengelompokan

Data
Cluster
ke No.KTP

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

3.7. Teknik Pengujian dan Analisis Hasil Uji

Untuk pengujian akurasi yang akan dilakukan pada penelitian ini yaitu
menggunakan precision, recall dan f-score, menggunakan tabel Confusion matrix
adalah sebuah tabel yang menyatakan jumlah data uji yang benar diklasifikasikan
dan jumlah data uji yang salah diklasifikasikan. Contoh confusion matrix untuk
pengelompokan ditunjukan pada tabel 3.14
Tabel 3.14 Confusion Matrix
Nilai Sebenarnya

1 0
1 TP FN
Nilai Sebenarnya
0 FP TN

Keterangan untuk tabel 3.7 dinyatakan sebagai berikut:

True Posstive (TP), yaitu jumlah dokumen dari kelas 1 yang benar dan diklasifikan
sebagai kelas 1.
True Negative (TN), yaitu jumlah dokumen dari kelas 0 yang benar diklasifikasikan
sebagai kelas 0.
False Positive (FP), yaitu jumlah dokumen dari kelas 0 yang salah diklasifikasikan
sebagai kelas 1.
False Negative (FN) yaitu jumlah dokumen dari kelas 1yang salah diklasifikasikan
sebagai kelas 0.
Perhitungan akurasi dinyatakan dalam persaman ;

Precision=
 45

Recall =

= 2.

Tabel 3.15 Hasil Pengelompokkan untuk dihitung akurasi

Data
Cluster
ke No.KTP

1 630709030579000
2 C1

2 630709080965000
2 C1

3 630709010778027
3 C1

Data yang dicluster(Lanjutan)

Data
Cluster
ke No.KTP

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

Cluster pertama memiliki pusat data ke 1, 3, dan 7

Cluster kedua memiliki pusat data ke 1, 5, dan 7
Tabel 3.16 Akurasi
P R F1
Data TP/ Akurasi
(TP+FP) TP/(TP+FN) 2PR/(P+R)
1 0,67 0,67 0,67 Tinggi
2 0,25 0,25 0,25 Rendah
 46

Dengan demikian hasil perhitungan akurasi menggunakan precision, recall

dan f-score, dengan 10 data yang dihitung akurasinya pada cluster ke1 menghasil
tingkat akurasi tinggi dan pada cluster ke 2 menghasilkan rendah.

3.8. Jadwal Penelitian

Langkah-langkah pengerjaan secara detail yang akan dilakukan selama
penelitian antara lain:

1. Persiapan penelitian dilakukan terhadap sistem yang akan dikembangkan. Hal ini
perlu dilakukan sesuai dengan kebutuhan pengguna.

2. Analisa masalah yaitu masalah yang menentukan kebutuhan sistem.

3. Perancangan sistem adalah tahapan penuangan hasil analisis yang dihasilkan

pada tahap sebelumnya kedalam bentuk rancangan sistem.

4. Pembuatan program tahap selanjutnya untuk melakukan pembuatan program

sesuai dengan rancangan sistem yang telah dibuat.

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.

6. Pembuatan laporan yaitu tahap akhir, penulisan keseluruhan hasil penelitian.

Bulan Bulan Bulan Bulan Bulan Bulan

Tahapan
ke-1 ke-2 ke-3 ke-4 ke-5 ke-6
Penelitian
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Persiapan
Penelitian
Analisa
Masalah
Perancangan
Sistem
Pembuatan
Program
 47

Testing &
Implementasi
Sistem
Pembuatan
Laporan
Tabel 3.17 Jadwal Penelitian
 DAFTAR PUSTAKA

Chintya Irwana, Z. F. (2018). Analisa Metode Moora Pada Warga Penerima

Bantuan Renovasi Rumah.
Gall, B. a. (1983). "Educational Research, An Introduction". New York and London:
Longman Inc.
Gay, L. (1991). "Educational Evaluation and Measurement: Com-petencies for
Analysis and Application". New York: Macmillan Publishing Compan.
Hermawati, W. d. (2018). Penerapan UML di Berbagai Bidang.
Husni, Y. D. (2015). Jurnal Simantec. Clusterisasi Dokumen Web (Berita) Bahasa
Indonesia, 4, 3.
Kasiram. (2008). Metodologi Penelitian Kualitatif dan Kuantitatif.
Prasetyo, E. (2009). Algoritma K-means Clustring.
Putra, E. (2017). Klasifikasi Penerimaan Bantuan Rumah TidakLayakhuni
Menggunakan Metode Naive Bayes.
Rakyat, K. P. (2018). Masyarakat Bisa Ajukan Permohonan Bedah Rumah Melalui
Kepala Desa. Retrieved 08 16, 2018, from
https://www.pu.go.id/berita/view/9711/masyarakat-bisa-ajukan-permohonan-
bedah-rumah-melalui-kepala-desa
Roger S. Pressman, P. D. (2010). REKAYASA PERANGKAT LUNAK BUKU 2. Andi.
Rosady Ruslan, S. M. (2013). MANAJEMEN PUBLIC RELATIONS & MEDIA
KOMUNIKASI Konsepsi dan Aplikasi. Rajawali Pers.
Rusadi, W. A. (2013, 05 01). White Box Testing & Black Box Testing. Retrieved 12
04, 2013,. (Bangwildan) Retrieved 08 20, 2018, from
http://bangwildan.web.id/berita-177-sertifikat-ata-20122013.html
Sarjono, Z. A. (2016). Analisis Data Mining Untuk Menentukan Kelompok Prioritas
Penerima Bantuan Bedah Rumah Menggunakan Metode Clustering K-
Means.
Sarjono, Z. A. (2016). Analisis Data Mining Untuk Menentukan Kelompok Prioritas
Penerima Bantuan Bedah Rumah Menggunakan Metode Clustering K-
Means.
Satria, W. d. (2015). Algoritma Cluster Dinamik untuk Optimasi Cluster pada
Algoritma K-Means dalam Pemetaan Nasabah Potensial. Journal of
Intelegent System, 1, 1.

44
 45

Setiawan, M. R. (2018). Analisis Data Mining Untuk Menentukan Kelompok

Prioritas Penerima Bantuan Bedah Rumah Di Desa Semen Menggunakan
Metode Clustering K-Means.
Simarmata, J. (2006 ). Aplikasi Mobile Commerce Menggunakan PHP dan MySQL.
Yogyakarta: Andi.
Siregar, N. N. (2018). Sistem Penentuan Penerima Bantuan Bedah Rumah Di
Kabupaten Serdang Bedagai Menggunakan Metode Clustering K-Means Dan
Višekriterijumsko Kompromisno Rangiranje (Vikor.
Tiradikha Hardiani, S. S. (2015). te Segmentasi Nasabah Tabungan Menggunakan
Model RFM (Recency, Frequency,Monetary) dan K-Means Pada Lembaga
Keuangan Mikro. Tekni Elektro dan Teknologi Informasi Universitas Gajah
Mada.
LAMPIRAN-LAMPIRAN