abstrak
Krisis ekonomi di Indonesia berdampak pada menurunnya tingkat kesejahteraan di sektor kehidupan tertentu. Untuk
menanggulangi hal tersebut, pemerintah memberlakukan pengadaan kartu Jamkesmas bagi masyarakat kurang mampu. Pengadaan
kartu Jamkesmas kurang mencapai sasaran dikarenakan ketidakmerataan penduduk miskin yang mendapatkannya, disebabkan
pihak kelurahan kesulitan menentukan kriteria sebuah keluarga dikatakan miskin. Selain itu, untuk penduduk musiman atau yang
tidak memiliki KTP penduduk asli, juga sangat sulit untuk memiliki kartu Jamkesmas. Oleh karena itu, perlu dibuat suatu aplikasi
yang mampu menentukan penerima kartu Jamkesmas secara komputasi dan mudah dilakukan. Adapun metode yang digunakan
dalam perancangan aplikasi ini, yaitu metode Decision Tree dengan menggunakan algoritma C4.5, yang nantinya diharapkan dapat
menghasilkan suatu pola kriteria penduduk miskin. Dengan adanya aplikasi untuk menentukan penduduk yang berhak memiliki
kartu Jamkesmas ini, nantikan pihak kelurahan tidak akan mengalami kesulitan untuk menentukan penduduk yang berhak mendapat
kartu Jamkesmas sesuai kriteria keluarga miskin.
abstract
The economic crisis in Indonesia decrease the level of welfare in certain sectors of life. To overcome this, the government
procurement card Jamkesmas for disadvantaged communities. Procurement cards achieving goals Jamkesmas less inequality
because poor people who get it, due to the difficulty determining the criteria for a village family being poor. In addition, for the
seasonal resident ID card or who do not have a native, is also very difficult to have a health card. Therefore, it needs to make
an application that is able to determine the recipient Jamkesmas card and computationally easy to do. The methods used in the
design of this application is, by using the method of Decision Tree C4.5 algorithm, which is expected to produce a pattern of poor
population criteria. With the application for menentukan residents who are entitled to have this Jamkesmas card, wait for the village
would not be difficult to determine which residents are entitled to Jamkesmas card according to the criteria of poor families.
warga musiman yang sebelumnya tidak tercantum malah b. Prediksi presentasi kenaikan kecelakaan lalu lintas
terdaftar. tahun depan jika batas bawah kecepatan dinaikkan.
Program pengadaan Kartu JAMKESMAS merupakan
program pemerintah yang sangat bagus, tetapi masih Klasifikasi
banyak masalah di lapangan terkait menentukan Di dalam klasifikasi terdapat target variabel kategori.
penerima kartu JAMKEMAS, sehingga dikhawatirkan Sebagai contoh penggolongan pendapatan dapat
akan memicu terjadinya gejolak di masyarakat. dipisahkan dalam tiga kategori, yaitu pendapatan tinggi,
Untuk mengatasi kendala-kendala tersebut, maka pendapatan sedang, dan pendapatan rendah. Kemudian
dibuat aplikasi yang mampu menentukan keluarga mana untuk menentukan pendapatan seorang pegawai, dipakai
yang layak untuk mendapatkan kartu JAMKESMAS dari cara klasifikasi dalam data mining.
pihak kecamatan dengan dibantu kelurahan.
Pengklusteran
Pengklusteran merupakan pengelompokan record,
dasar teori pengamatan atau memperhatikan dan membentuk kelas
objek-objek yang mempunyai kemiripan. Kluster adalah
Data mining adalah suatu proses untuk menemukan kumpulan record yang memiliki kemiripan satu dengan
informasi yang bermanfaat dari sekumpulan database yang lainnya dan memiliki ketidakmiripan dengan
besar yang tersimpan dalam penyimpanan, dengan record-record dalam kluster lain. Contoh pengklusteran
menggunakan teknik pengenalan pola, seperti teknik dalam bisnis dan penelitian adalah:
statistik, matematika, kecerdasan buatan, dan machine a. Mendapatkan kelompok-kelompok konsumen untuk
learning. Data mining dibagi menjadi beberapa kelompok target pemasaran dari suatu produk bagi perusahaan
berdasarkan tugas yang dapat dilakukan, yaitu: yang tidak memiliki dana pemasaran besar.
b. Untuk tujuan audit akuntansi, yaitu melakukan
Deskripsi pemisahan terhadap perilaku finansial.
Terkadang peneliti dan analis secara sederhana ingin c. Melakukan pengklusteran terhadap ekspresi dari
mencoba mencari cara untuk menggambarkan pola gen, untuk mendapatkan kemiripan perilaku dari gen
dan kecenderungan yang terdapat dalam data. Sebagai dalam jumlah besar.
contoh, petugas pengumpulan suara mungkin tidak
dapat menemukan keterangan atau fakta, bahwa siapa Asosiasi
yang tidak cukup profesional akan mendapatkan sedikit Tugas asosiasi dalam data mining adalah menemukan
dukungan dalam pemilihan presiden. Deskripsi dari pola atribut yang muncul dalam satu waktu. Dalam dunia
dan kecenderungan sering memberikan kemungkinan bisnis lebih umum disebut analisis keranjang belanja.
penjelasan untuk suatu pola atau kecenderungan. Asosiasi mencari kombinasi jenis barang yang akan
terjual untuk bulan depan.
Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali Metode Decision Tree
variabel target estimasi lebih ke arah numerik daripada Metode ini merupakan salah satu metode yang ada
ke arah kategori. Model dibangun menggunakan record pada teknik klasifikasi dalam data mining. Metode
lengkap yang menyediakan nilai dari variabel target pohon keputusan mengubah fakta sangat besar menjadi
sebagai nilai prediksi. Selanjutnya, pada penilaian pohon keputusan yang merepresentasikan aturan. Pohon
berikutnya, estimasi nilai dari variabel target dibuat keputusan juga berguna untuk mengekplorasi data,
berdasarkan nilai variabel prediksi. Sebagai contoh, akan menemukan hubungan tersembunyi antara sejumlah
dilakukan estimasi tekanan darah sistolik pada pasien calon variabel input dengan sebuah variabel target.
rumah sakit berdasarkan umur pasien, jenis kelamin, Data dalam pohon keputusan biasanya dinyatakan
indeks berat badan, dan level sodium darah. Hubungan dalam bentuk tabel dengan atribut dan record. Atribut
antara tekanan darah sistolik dan nilai variabel prediksi menyatakan suatu parameter yang disebut sebagai
dalam proses pembelajaran akan menghasilkan kriteria dalam pembentukan pohon. Misalkan untuk
model estimasi. Model estimasi yang dihasilkan dapat menentukan permainan tenis, kriteria yang diperhatikan
digunakan untuk kasus baru lainnya. adalah cuaca, angin, dan suhu. Salah satu atribut
merupakan atribut yang menyatakan data solusi per item
Prediksi data, atau disebut atribut hasil. Banyak algoritma yang
Prediksi hampir sama dengan klasifikasi dan dapat dipakai dalam pembentukan pohon keputusan,
estimasi, kecuali dalam prediksi, nilai dari hasil akan antara lain ID3, C4.5, CART.
ada di masa mendatang. Contoh prediksi dalam bisnis
dan penelitian adalah: Algoritma C4.5
a. Prediksi harga beras dalam tiga bulan mendatang. Algoritma C4.5 merupakan pengembangan dari
algoritma ID3. Algoritma C4.5 dan ID3 diciptakan oleh
Meilani dan Utami: Aplikasi Perangkat Lunak 49
Kepemilikan
Aset
Penghasilan Penghasil
perhari an perhari
L.bangun B
an L.bangun
A L.bangu B
an nan
sempit luas
sempit luas sempit luas
Tanggung
B A B A B
an anak
cukup banyak
A B
penerimaan JAMKESMAS yang telah diproses akan JAMKESMAS berdasarkan kriteria-kriteria dari
tampil seperti terlihat pada Gambar 4 berikut. data-data sebelumnya dengan menggunakan metode
Algoritma C4.5.
2. Aplikasi Pengadaan Kartu JAMKESMAS akan
memudahkan user, karena diperbolehkan untuk
melihat laporan hasil yang berhak untuk menerima
kartu JAMKESMAS, dan laporan didasarkan pada
aturan yang sudah terbentuk (persyaratan dari
penerima kartu JAMKESMAS).
3. Dengan adanya Aplikasi Pengadaan Kartu
JAMKESMAS akan memudahkan pihak kecamatan
yang semula pengadaan Kartu JAMKESMAS
dilakukan secara manual/konvensional, sekarang
dapat dilaksanakan secara komputasi.
Gambar 4. Hasil Analisis.
Form hasil uji coba ini digunakan untuk menghitung
daftar pustaka
tingkat keakuratan data training terhadap data testing.
1. Agrawal, Rakesh, Ramakrishnan Srikant. Fast Algorithms for Mining
Association Rules. In Proc. International Conference Very Large Data
Bases (VLDB). 1994.
2. Ahmad Saikhu, Joko Lianto, Umi Hanik. Fuzzy Decision Tree dengan
Algoritma C45 pada Data Diabetes India Pima, Konferensi Nasional
Sistem dan Infomatika 2010, Bali. 2011.
3. Davies, Paul Beynan. Database Systems. Third Edition. Palgrave
Macmillan. New York. 2004.
4. Kusrini, Emha Taufik Luthfi. Algoritma Data Mining. Penerbit Andi.
Yogyakarta. 2009.
5. Larose, Daniel T, Kantardzic, Mehmed.Data Mining: Concepts,
Models, Methods, and Algorithms. Discovering Knowledge in Data
An Introduction to Data Mining. John Wiley & Sons, Inc. Hoboken.
Gambar 5. Form Hasil Uji Coba. New Jersey. 2005.
6. Pramudiono, Iko. Apa Itu Data Mining? 2006. http://datamining.
japati.net/, diakses 5 April 2011.
7. Santoso, Budi. 2007. Data Mining Teknik Pemanfaatan Data untuk
kesimpulan Keperluan Bisnis. Graha Ilmu. Yogyakarta.
8. Sunjaya. Klasifikasi Data Nasabah Sebuah Ansuransi Menggunakan
Algoritma C45. Seminar Nasional Aplikasi Teknologi Informasi 2010
Dari perancangan dan pembuatan Aplikasi Pengadaan (SNATI 2010). Yogyakarta. 2010.
Kartu JAMKESMAS, dapat ditarik kesimpulan bahwa:
1. Aplikasi Pengadaan Kartu JAMKESMAS mampu
menentukan penduduk yang memperoleh Kartu