KLASIFIKASI DESA TERTINGGAL DI INDONESIA

DENGAN ALGORITME POHON KEPUTUSAN

DAN REGRESI LOGISTIK
(Studi Kasus: Potensi Desa 2011)

YUANDRI TRISAPUTRA1 & OKTARINA SAFAR NIDA2

SIAP 16

MATHEMATIC COMPUTATION COMPETITION

1
DEPARTEMEN ILMU KOMPUTER DAN 2 DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
 ABSTRAK
Desa merupakan satuan daerah terkecil yang bisa dilihat gambaran pembangunan desa
melalui data Potensi Desa (Podes) yang dikeluarkan oleh Badan Pusat Statistik (BPS). Data Podes
adalah data kewilayahan (spasial) yang dimiliki oleh BPS yang menekankan pada penggambaran
situasi wilayah. Pada tahun 2015, pemerintah fokus kepada pembangunan desa sehingga
dibentuklah kementerian desa, pembangunan daerah tertinggal, dan transmigrasi melalui
Peraturan Presiden Nomor 12 Tahun 2015. Fokus pemerintahan kepada pembangunan desa ini
menarik untuk diperhatikan karena pembangunan yang tepat sasaran merupakan hal mutlak yang
diperlukan. Proses klasifikasi terhadap sebuah desa dengan ciri tertentu dapat dilakukan untuk
menduga desa tersebut termasuk ke dalam desa tertinggal atau tidak sehingga pembangunan yang
dilakukan pemerintah akan tepat sasaran. Data mengenai potensi 77,961 desa di Indonesia dengan
berbagai fitur menjadi menarik untuk diamati. Dalam penggalian data (data mining) diperlukan
adanya metode klasifikasi untuk membantu pemerintah dalam pengklasifikasian status sebuah
desa tertinggal atau tidak. Algoritme pohon keputusan menghasilkan keakuratan sebesar 75%
dengan validasi 10-fold cross validation. Sementara itu, metode regresi logistik dapat menentukan
besar peluang sebuah desa masuk dalam kategori tertinggal. Melalui regresi logistik dengan cuts
off peluang sebesar 0.5 didapatkan keakuratan sebesar 66%. Pada regresi logistik dapat ditentukan
sendiri nilai cuts off yang sesuai dengan analisis pemerintah. Kombinasi peluang regresi logistik
dan peluang pada pohon keputusan menjadi peluang akhir yang digunakan, karena kombinasi
tersebut menghasilkan akurasi sebesar 77%. Selain itu, melalui model yang dihasilkan dari
algoritme data mining yaitu pohon keputusan dan regresi logistik cukup akurat, sehingga model
klasifikasi desa tertinggal tersebut disimulasikan ke dalam sistem berbasis web.

Kata kunci: desa tertinggal, klasifikasi, logistic regression, potensi desa, pohon keputusan

PENDAHULUAN
Latar Belakang
Rencana Pembangunan Jangka Menengah (RPJM) Nasional tertulis pada peraturan
pemerintah No.7 tahun 2005. Pada tahun 2004-2009 digambarkan bahwa kesenjangan
pembangunan antar daerah masih lebar, seperti:
● antara Jawa – Luar Jawa,
● antara Kawasan Barat Indonesia (KBI) – Kawasan Timur Indonesia (KTI), serta
● antara kota – desa.
Desa merupakan satuan daerah terkecil yang bisa dilihat pembangunan desa, salah satunya
melalui data Potensi Desa (Podes) yang dikeluarkan oleh Badan Pusat Statistik (BPS). Data Podes
adalah data kewilayahan (spasial) dan bersumber dari BPS yang menekankan pada penggambaran
situasi wilayah. Cakupan Wilayah dan Kegiatan Pendataan Podes 2011 dilakukan terhadap
seluruh wilayah administrasi pemerintahan setingkat desa (desa, kelurahan, nagari/jorong) di
seluruh Indonesia, termasuk Unit Permukiman Transmigrasi (UPT) dan Satuan Permukiman
Transmigrasi (SPT) yang masih dibina oleh kementerian terkait.
Pada tahun 2015, pemerintah fokus kepada pembangunan desa sehingga dibentuklah
kementerian desa, pembangunan daerah tertinggal, dan transmigrasi melalui Peraturan Presiden
Nomor 12 Tahun 2015. Fokus pemerintahan kepada pembangunan desa ini menarik untuk
diperhatikan karena pembangunan yang tepat sasaran merupakan hal mutlak yang diperlukan.
Menurut Kementerian Pekerjaan Umum (2011), desa tertinggal merupakan kawasan perdesaan
yang ketersediaan sarana dan prasarana dasar wilayahnya kurang/tidak ada (tertinggal) sehingga
menghambat pertumbuhan/perkembangan kehidupan masyarakatnya dalam bidang ekonomi
(kemiskinan) dan bidang pendidikan (keterbelakangan).
 Proses klasifikasi terhadap sebuah desa dengan ciri tertentu dapat dilakukan untuk
menduga/mengidentifikasi desa tersebut termasuk ke dalam desa tertinggal atau tidak sehingga
pembangunan yang dilakukan pemerintah akan tepat sasaran. Data mengenai potensi seluruh desa
di Indonesia menjadi menarik untuk diamati. Dalam penggalian data (data mining) diperlukan
suatu metode klasifikasi untuk membantu pemerintah dalam pengklasifikasian status sebuah desa
tertinggal atau tidak.
Pada data mining dikenal beberapa metode untuk proses klasifikasi. Metode tersebut
diantaranya Neural Network, Fuzzy, Support Vector Machine, dan Decision Tree (Pohon
Keputusan). Algoritme pohon keputusan dikenal selama ini sebagai algoritme yang cukup
sederhana dan akurat dalam proses klasifikasi dibanding dengan algoritme klasifikasi lainnya.
Sementara peluang sebuah desa masuk dalam kategori desa tertinggal berdasarkan fitur-fitur yang
ada dapat ditentukan melalui metode Regresi Logistik. Regresi Logistik merupakan metode
pendugaan dalam statistika yang memiliki respon kategorik. Pada kasus ini respon kategorik yang
digunakan merupakan biner yaitu desa tertinggal (1) dan desa tidak tertinggal (0). Algoritme
pohon keputusan menghasilkan keakuratan sebesar 75% dengan validasi 10-fold cross validation.
Sementara itu, metode regresi logistik dapat menentukan besar peluang sebuah desa masuk dalam
kategori tertinggal. Melalui regresi logistik dengan cuts off peluang sebesar 0.5 didapatkan
keakuratan sebesar 66%. Pada regresi logistik dapat ditentukan sendiri nilai cuts off yang sesuai
dengan analisa pemerintah. Kombinasi peluang regresi logistik dan peluang pada pohon
keputusan menjadi peluang akhir yang digunakan, karena kombinasi tersebut menghasilkan
akurasi sebesar 77%. Selain itu, melalui model yang dihasilkan dari algoritme data mining yaitu
pohon keputusan dan regresi logistik cukup akurat, sehingga model klasifikasi desa tertinggal
tersebut disimulasikan ke dalam sistem berbasis web.

Tujuan
Tujuan dari penelitian ini adalah:
1. Menerapkan algoritme pohon keputusan dan regresi logistik untuk klasifikasi desa tertinggal.
2. Mengidentifikasi peluang sebuah desa menggunakan algoritme pohon keputusan dan regresi
logistik.
3. Menentukan peluang sebuah desa masuk dalam kategori tertinggal dengan menggunakan
kombinasi regresi logistik dan peluang aturan pohon keputusan.
4. Membuat program untuk klasifikasi desa tertinggal berbasis web.

TINJAUAN PUSTAKA
Algoritme J48
Algoritme J48 adalah algoritme untuk membentuk pohon keputusan yang digunakan untuk
klasifikasi. Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat dan
terkenal. Metode pohon keputusan mengubah fakta yang besar menjadi pohon keputusan yang
merepresentasikan aturan. Aturan dapat mudah dipahami dengan bahasa alami. Aturan tersebut
dapat diekspresikan dalam bentuk bahasa basis data seperti SQL (Structured Query Language)
untuk mencari record kategori tertentu. Pohon keputusan juga berguna untuk mengeksplorasi data,
menemukan hubungan tersembunyi antara sejumlah variabel input dengan variabel target. Karena
pohon memadukan antara eksplorasi data dan dan pemodelan, pohon keputusan sangat bagus
sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari
beberapa teknik lain. Dalam algoritme keputusan dapat ditentukan peluang sebuah data masuk ke
kelas tertentu berdasarkan peluang di dalam node pohon keputusan.

Klasifikasi dan Prediksi

Klasifikasi merupakan penempatan objek-objek ke salah satu dari beberapa kategori yang
telah ditetapkan sebelumnya. Klasifikasi bertujuan untuk memperoleh aturan klasifikasi yang
dapat digunakan untuk memprediksi label kelas dari objek yang tidak yang tidak diketahui label
kelasnya. (Li et al 2001)
Klasifikasi terdiri atas dua proses yaitu tahap induktif yang merupakan tahap membangun
model klasifikasi dari data latih dan tahap deduktif yang merupakan tahap menerapkan model
untuk data uji. Klasifikasi mempunyai dua teknik pembelajaran yaitu eager learner yang
membuat model berdasarkan atribut input yang dipetakan terhadap kelas label setelah data latih
tersedia dan lazy learner yang melakukan proses pemodelan dari data latih ketika ada data uji
yang akan diklasifikasikan (Tan et al. 2006).

k-Fold Cross Validation

k-fold cross validation dilakukan untuk membagi data latih dan data uji. K-fold cross
validation mengulang k-kali untuk membagi sebuah himpunan contoh secara acak menjadi k
subset yang saling bebas, setiap ulangan disisakan satu subset untuk pengujian dan subset lainnya
untuk pelatihan (Fu 1994). Pada metode tersebut, data awal dibagi menjadi k subset atau “fold”
yang saling bebas secara acak, yaitu S1, S2, ..., Sk, dengan ukuran setiap subset kira-kira sama.
Pada iterasi ke-i, subset Si diperlukan sebagai data pengujian dan subset lainnya diperlukan
sebagai data pelatihan. Prosedur ini diulang sebanyak k-kali sedemikian sehingga setiap subset
digunakan untuk pengujian tepat satu kali. Total akurasi ditentukan dengan menjumlahkan akurasi
untuk semua k proses tersebut (Ulya 2013).

Confusion Matrix
Evaluasi model klasifikasi berdasar pada proporsi antara data uji yang diprediksi secara
tepat dengan total seluruh prediksi (Tan et al.2006). Informasi mengenai klasifikasi sebenarnya
(aktual) dengan klasifikasi hasil prediksi disajikan dalam bentuk tabel yang disebut confusion
matrix seperti diperlihatkan pada Tabel 1.

Tabel 1 Confusion matrix

Kelas Prediksi
Kelas Aktual Kelas 1 Kelas 2
Kelas 1 A b
Kelas 2 C d

Jumlah baris dan kolom pada tabel bergantung pada banyaknya kelas target. Akurasi
merupakan proporsi jumlah prediksi yang tepat. Contoh perhitungan akurasi untuk tabel tersebut
adalah (Faiza 2009):

Jumlah prediksi yang tepat a+ d

Akurasi= i=
Total prediksi a+b+ c+ D

Regresi Logistik Biner

Regresi logistik biner adalah analisis statistika yang digunakan untuk menjelaskan
hubungan antara peubah respon yang berskala kategori biner dengan satu atau lebih peubah
penjelas yang berskala kategori atau kontinu. Pada model regresi logistik tidak diperlukan adanya
pengujian asumsi yaitu uji normalitas dan uji asumsi klasik (uji heteroskedastisitas dan uji
autokorelasi). Metode kuadrat terkecil sudah tidak tepat lagi digunakan untuk data regresi yang
memiliki variabel respon biner.
Model regresi logistik menggunakan transformasi logit. Pada model ini, yang diregrsikan
adalah peluang variabel respon sama dengan 1 dibentuk dengan menyatakan E(Y=1|x) sebagai
π(x). Hosmer dan Lemeshow (2000) menjelaskan bahwa model regresi logistik π(x) dinotasikan
sebagai berikut:
 exp ⁡( β + βx 1+… …+ βxp)
ᴨ ( x )=
1+ exp ⁡( β + βx 1+ … …+ βxp)
dengan :
g ( x )=β 0+ β1 x 1+ …+ β p x p
β 0 = konstanta
β i = koefisien regresi logistik
i = 1,2,…,p
p = banyak peubah penjelas

METODE
Penelitian ini akan dilakukan dalam beberapa tahap. Tahap-tahap tersebut disajikan pada
Gambar 1.

Proses data dan Implementasi

Akuisisi data Dataset pembentukan model program
serta evaluasi model

Gambar 1 Tahapan Penelitian

Data Penelitian
Data yang digunakan pada penelitian ini adalah data potensi desa 2011 dari Badan Pusat
Statistik. Data tersebut terdiri dari 77,961 desa dan 1501 variabel utama yang terdiri dari variabel
numerik dan kategorik.

Proses data dan pembentukan model

Proses data dan pembentukan model untuk identifikasi desa tertinggal dapat dilihat pada
Gambar 2. Dataset sebagai input yang digunakan dalam makalah ini adalah data potensi desa
tahun 2011 dengan 205 fitur (variabel numerik) dan class desa tertinggal atau tidak tertinggal
berdasarkan kriteria Kementerian Pekerjaan Umum dan Perumahan Rakyat Republik Indonesia.
Rincian fitur yang digunakan bisa dilihat pada lampiran 1. Cleaning data digunakan untuk
praproses data. Data yang digunakan adalah data 77,961 desa di Indonesia pada tahun 2011.
 Cleaning Data
Mengatasi missing value berdasarkan dengan variabel lain yang masih ada
hubungannya. Misal: variabel x merupakan jumlah puskesmas namun terdapat
missing value, sehingga di cek pada variabel y (terdapati atau tidak terdapat
puskesmas) jika ternyata tidak terdapat puskesmas maka variable x diisi dengan 0.
Melakukan pemilihan fitur dari 1501 fitur utama.
Percobaan
Melakukan penyeleksian fitur kembali dan
membandingkannya kombinasi antara jumlah fitur
dan keakuratan dalam klasifikasi. Kemudian dipilih
kombinasi dengan keakuratan terbaik.

Klasifikasi dengan Pohon Keputusan Klasifikasi dengan Regresi Logistik

Algoritma J48 untuk menentukan class Regresi dengan respons (class) 1 untuk desa
desa tertinggal dan 0 untuk desa tidak tertinggal.

Gambar 2 Proses data dan pembentukan model klasifikasi

Setelah proses cleaning data maka dilakukan percobaan untuk mendapatkan kombinasi
antara banyak fitur dan akurasi. Kombinasi antara banyak fitur dan akurasi tersedia pada Tabel 2.

Tabel 2 Percobaan
Validasi Seleksi Fitur Fitur yang digunakan
10 Fold Cross Validation Tidak 205 Fitur
train 80%, test 20% SubSetEval BestFirst 7 Fitur
train 80%, test 20% Ranker InfoGain 7 Fitur
train 80%, test 20% Ranker Correlation 7 Fitur

Output dari percobaan ini adalah aturan-aturan klasifikasi untuk desa di Indonesia dan
pendugaan class desa. Model terbaik akan diterapkan pada sistem untuk mengidentifikasi desa
tertinggal.

Implementasi Program
Implementasi program dilakukan berdasarkan model terbaik yang didapatkan pada tahap
pembentukan model. Program yang dibuat berbasis web. Web akan menampilkan hasil
identifikasi desa tertinggal berdasarkan input yang sesuai dengan variabel atau fitur yang
digunakan. Selain itu, program yang dibuat akan menampilkan peluang kombinasi dari model
pohon keputusan dan regresi logistik.

Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan dalam penelitian yaitu
sebagai berikut:
1. Perangkat Keras terdiri dari: Processor Intel Core i3, Memori 6 GB, Harddisk 500 GB, Layar
14 inci, Mouse dan Keyboard.
2. Perangkat Lunak:
● Sistem operasi Windows 8
● Microsoft Excel 2013 dan EmEditor sebagai lembar pengolahan data tambahan, media
merapihkan data penggabungan data, pembersihan data, dan transformasi data
● SPSS 23 untuk melakukan proses data mining klasifikasi.

HASIL DAN PEMBAHASAN

 Dataset yang digunakan dalam makalah ini adalah data potensi desa tahun 2011 dengan
205 fitur (variabel numerik) dan class desa tertinggal atau tidak. Dataset tersebut digunakan untuk
membangun model klasifikasi menggunakan kombinasi validasi dan fitur yang akan digunakan.
Hasil akurasi model dengan kombinasi validasi dan fitur dapat dilihat pada Tabel 3.

Tabel 3 Hasil akurasi model

Validasi Seleksi Fitur Fitur yang digunakan Akurasi (Pohon
Keputusan, Reglog)
10 Fold Cross Validation Tidak 205 Fitur 74.8%, 66%
train 80%, test 20% SubSetEval BestFirst 7 Fitur 60%, 59%
train 80%, test 20% Ranker InfoGain 7 Fitur 74%, 63%
train 80%, test 20% Ranker Correlation 7 Fitur 64%, 63%

Dengan melihat Tabel 3, tingkat akurasi terbaik didapat pada validasi data training 10-
Fold Cross Validation dengan penggunaan 205 fitur. Setelah didapatkan kombinasi antara fitur
dan akurasi yang terbaik maka dilakukan klasifikasi dengan algoritma pohon keputusan dan
regresi logistik.
Model Pohon Keputusan
Pohon keputusan dijalankan menggunakan SPSS 23 dengan 10 Fold Cross Validation
(CV). Metode yang digunakan pada pohon keputusan ini adalah Growth Method CHAID
(multiway split). Rule yang dihasilkan pada algoritme pohon keputusan ini sebanyak 143 rule.
Confusion Matrix pohon keputusan dapat dilihat pada Tabel 4. Presentase kebenaran
pengklasifikasian sebanyak 74.8%. Melalui Tabel 4 di bawah dapat diketahui bahwa sebanyak
23662 data desa tertinggal benar diklasifikasi sebagai desa tertinggal, 34646 data desa tidak
tertinggal benar diklasifikasi sebagai desa tidak tertinggal. Sementara itu, terdapat 7468 desa
tertinggal salah diklasifikasi ke dalam desa tidak tertinggal dan 121267 desa tidak tertinggal
tertinggal salah diklasifikasi ke dalam desa tertinggal.

Tabel 4 Confusion Matrix Pohon Keputusan

Model pohon keputusan yang didapat menggunakan SPSS adalah pohon keputusan
dengan kedalaman maksimal 3. Contoh pohon keputusan pada kedalaman 1 dan 3 dapat dilihat
pada Gambar 3 dan Gambar 4.

Gambar 3 Pohon Keputusan dengan Kedalaman 1

 Gambar 4 Pohon Keputusan dengan Kedalaman 3
Berdasarkan pohon keputusan yang dihasilkan, didapatkan aturan-aturan atau rule yang
dapat mengidentifikasikan sebuah desa dikategorikan sebagai desa tertinggal atau tidak. Contoh
rule yang didapat sebagai berikut: Jika Jumlah surat miskin/SKTM yang dikeluarkan Desa lebih
besar dari 60 dan Jumlah surat miskin/SKTM yang dikeluarkan Desa kurang dari sama dengan
115 dan Jumlah Posyandu yang aktif setiap sebulan sekali lebih besar dari 2 dan Jumlah
Posyandu yang aktif setiap sebulan sekali kurang dari sama dengan 3 dan Jumlah keluarga buruh
tani lebih dari 51, maka Desa dikategorikan "Tidak Tertinggal". Rule tersebut mempunyai
peluang sebesar 0.693359 berdasarkan dataset yang digunakan.

Model Regresi Logisitik

Regresi logistik dijalankan menggunakan SPSS 23 dengan 10 Fold Cross Validation
(CV). Metode yang digunakan yaitu Binary Logistic Regression. Model yang didapatkan dalam
bentuk fungsi peluang desa yang dikategorikan desa tidak tertinggal. Akurasi yang didapat
sebesar 66.6%, Confusion Matrix dapat dilihat pada Tabel 5.

Tabel 5 Confusion Matrix Regresi Logistik

Kombinasi Peluang Pohon Keputusan dan Regresi Logistik

Kombinasi peluang dari model pohon keputusan dan regresi logistik digunakan untuk
menentukan hasil akhir suatu desa dikategorikan sebagai desa tertinggal atau tidak tertinggal.
Peluang kombinasi tersebut didapatkan berdasarkan nilai akurasi dari model yang dibangun. Nilai
peluang akan dikalikan dengan proporsi dari akurasi model. Dengan demikian, akurasi yang lebih
besar akan memiliki bobot yang lebih besar untuk menentukan hasil akhir klasifikasi/identifikasi.
Persamaan kombinasi peluang pohon keputusan regresi logistik dapat dilihat pada Persamaan 1.

Akurasi pohon keputusan Akurasi regresi logistik

× P1 +¿❑
Akurasi pohon keputusan+ Akurasi regresi logistik Akurasi pohon keputusan+ Akurasi regresilogistik

Dengan P1❑ adalah peluang dari model pohon keputusan dan P2❑adalah peluang dari
model regresi logistik. Berdasarkan model yang didapat, akurasi dari pohon keputusan adalah
0.75 sedangkan akurasi dari regresi logistik adalah 0.67. Oleh hal itu, rumus peluang untuk
penentuan klasifikasi desa tertinggal dapat dilihat pada Persamaan 2. Akurasi yang didapat
menggunakan kombinasi ini sebesar 77%. Akurasi cukup baik untuk digunakan sebagai
pengklasifikasian.
0.75 0.67
× P1 +¿❑ × P2 .......(2)❑ ¿
0.75+0.67 0.75+ 0.67

Implementasi Program
Program yang dibuat berbasis web. Web akan menampilkan hasil identifikasi desa
tertinggal berdasarkan input yang sesuai dengan variabel atau fitur yang digunakan. Selain itu,
program yang dibuat akan menampilkan peluang kombinasi dari model pohon keputusan dan
regresi logistik.
Gambar 5 menampilkan halaman utama dari program. Pada halaman ini terdapat menu
identification untuk melakukan identifikasi desa. Menu identification akan menampilkan daftat
pertanyaan yang harus diisi untuk proses identifikasi. Tampilan menu Identification dapat dilihat
pada Gambar 6.

Gambar 5 Tampilan Utama Program

Gambar 6 Tampilan Menu Identification

Setelah seluruh pertanyaan diisi program akan menampilkan hasil identifikasi seperti
Gambar 7.
 Gambar 7 Hasil/Output Identifikasi
SIMPULAN
Melalui analisis dan simulasi yang telah dilakukan diperoleh simpulan sebagai berikut:
1. Algoritme pohon keputusan dan regresi logistik dapat diterapkan dalam data podes. Klasifikasi
menggunakan pohon keputusan dengan algoritma J48 menghasilkan akurasi sebesar 74.8%.
Sementara itu, klasifikasi menggunakan regresi logistik didapatkan akurasi sebesar 66.6%
2. Peluang sebuah desa dapat diidentifikasi menggunakan algoritme pohon keputusan dan regresi
logistik.
3. Peluang sebuah desa masuk dalam kategori tertinggal dengan dapat ditentukan menggunakan
kombinasi regresi logistik dan peluang aturan pohon keputusan. Penggunaan kombinasi
peluang regresi logistik dan pohon keputusan menghasilkan akurasi yang lebih baik, yaitu
sebesar 77%
4. Sistem berbasis web dibuat untuk klasifikasi desa tertinggal di Indonesia dengan menggunakan
kombinasi regresi logistik dan pohon keputusan.

DAFTAR PUSTAKA
Ulya, Fiqrotul. 2009. Klasifikasi debitur kartu kredit menggunakan algoritme k-nearest neighbor
untuk kasus imbalanced data. [skripsi]. Bogor (ID): IPB
Faiza NN. 2009. Prediksi tingkat keberhasilan mahasiswa tingkat I IPB dengan metode k-Nearest
Neighbor. [skripsi]. Bogor (ID): IPB
Fu L. 1994. Neural Network in Computer Intelligence. Singapura: McGraw Hill.
Hosmer DW, Lemeshow S. 2000. Applied Logistic Regression. Ed ke-2. New York : John Wiley
and Sons, Inc.
Tan, Pang-Ning,et al. 2006. Introduction to Data Mining. Boston: Pearson Education, Inc.

LAMPIRAN
Lampiran 1 Tabel peubah yang digunakan

NO PEUBAH KETERANGAN
1 R304B Jumlah jenjang SLS di bawah Desa/Kelurahan
2 R304C Jumlah SLS terkecil di Desa/Kelurahan
 3 R401A Jumlah penduduk laki-laki pada Januari 2011
4 R401B Jumlah penduduk perempuan pada Januari 2011
5 R401C Jumlah keluarga pada Januari 2011
6 R401D Jumlah keluarga pertanian pada Januari 2011
7 R401E Jumlah keluarga buruh tani pada Januari 2011
8 R402A Jumlah warga laki-laki yang bekerja sebagai TKI
9 R402B Jumlah warga perempuan yang bekerja sebagai TKI
10 R508B Jumlah pemukiman di bantaran sungai
11 R508C Jumlah bangunan rumah di bantara sungai
12 R508D Jumlah keluarga di bantaran sungai
13 R509B1 Jumlah pemukiman di bawah SUTET
14 R509B2 Jumlah bangunan rumah di bawah SUTET
15 R509B3 Jumlah keluarga di bawah SUTET
16 R510B1 Jumlah permukiman kumuh
17 R510B2 Jumlah bangunan rumah di permukiman kumuh
18 R510B3 Jumlah keluarga di permukiman kumuh
19 R60101K3 Jumlah kejadian bencana tanah longsor
20 R60101K4 Jumlah korban jiwa bencana tanah longsor
21 R60101K5 Kerugian materi akibat bencana tanah longsor
22 R60102K3 Jumlah kejadian bencana banjir
23 R60102K4 Jumlah korban jiwa bencana banjir
24 R60102K5 Kerugian materi akibat bencana banjir
25 R60103K3 Jumlah kejadian bencana banjir bandang
26 R60103K4 Jumlah korban jiwa bencana banjir bandang
27 R60103K5 Kerugian materi akibat bencana banjir bandang
28 R60104K3 Jumlah kejadian bencana gempa bumi
29 R60104K4 Jumlah korban jiwa bencana gempa bumi
30 R60104K5 Kerugian materi akibat bencana gempa bumi
31 R60105K3 Jumlah kejadian bencana tsunami
32 R60105K4 Jumlah korban jiwa bencana tsunami
33 R60105K5 Kerugian materi akibat bencana tsunami
34 R60106K3 Jumlah kejadian bencana gelombang pasang laut
35 R60106K4 Jumlah korban jiwa bencana gelombang pasang laut
36 R60106K5 Kerugian materi akibat bencana gelombang pasang laut
37 R60107K3 Jumlah kejadian bencana angin puyuh/puting beliung/topan
38 R60107K4 Jumlah korban jiwa bencana angin puyuh/puting beliung/topan
39 R60107K5 Kerugian materi akibat bencana angin puyuh/puting beliung/topan
40 R60108K3 Jumlah kejadian bencana gunung meletus
41 R60108K4 Jumlah korban jiwa bencana gunung meletus
42 R60108K5 Kerugian materi akibat bencana gunung meletus
43 R60109K3 Jumlah kejadian bencana kebakaran hutan
44 R60109K4 Jumlah korban jiwa bencana kebakaran hutan
45 R60109K5 Kerugian materi akibat bencana kebakaran hutan
46 R60110K3 Jumlah kejadian bencana kekeringan (lahan)
47 R60110K4 Jumlah korban jiwa bencana kekeringan (lahan)
48 R60110K5 Kerugian materi akibat bencana kekeringan (lahan)
49 R701CK2 Jumlah SMP/Sederajat Negeri
50 R701CK3 Jumlah SMP/Sederajat Swasta
51 R701CK4 Jarak ke SMP terdekat
52 R701DK2 Jumlah SMU/Sederajat Negeri
53 R701DK3 Jumlah SMU/Sederajat Swasta
54 R701DK4 Jarak ke SMU terdekat
55 R701EK2 Jumlah SMK/Sederajat Negeri
56 R701EK3 Jumlah SMK/Sederajat Swasta
57 R701EK4 Jarak ke SMK terdekat
58 R701FK2 Jumlah Akademi/Perguruan Tinggi Negeri
59 R701FK3 Jumlah Akademi/Perguruan Tinggi Swasta
60 R701GK2 Jumlah Sekolah Luar Biasa (SLB) Negeri
61 R701GK3 Jumlah Sekolah Luar Biasa (SLB) Swasta
62 R701HK3 Jumlah Pondok Pesantren Swasta
63 R701IK3 Jumlah Madrasah Diniyah Swasta
64 R701JK3 Jumlah seminari/sejenisnya Swasta
65 R702A Jumlah lembaga pendidikan keterampilan bahasa asing
66 R702B Jumlah lembaga pendidikan keterampilan komputer
67 R702C Jumlah lembaga pendidikan keterampilan menjahit/tata busana
68 R702D Jumlah lembaga pendidikan keterampilan kecantikan
69 R702E Jumlah lembaga pendidikan keterampilan montir mobil/motor
70 R702F Jumlah lembaga pendidikan keterampilan elektronika
71 R702G Jumlah lembaga pendidikan keterampilan lainnya
72 R704AK3 Jumlah rumah sakit
73 R704AK4 Jarak ke rumah sakit terdekat
74 R704BK3 Jumlah rumah bersalin
75 R704BK4 Jarak ke rumah bersalin terdekat
76 R704CK3 Jumlah poliklinik/balai pengobatan
77 R704CK4 Jarak ke poliklinik terdekat
78 R704DK3 Jumlah Puskesmas
79 R704DK4 Jarak ke Puskesmas terdekat
80 R704EK3 Jumlah Puskesmas Pembantu
81 R704EK4 Jarak ke Pustu terdekat
82 R704FK3 Jumlah tempat praktek dokter
83 R704FK4 Jarak ke dokter terdekat
84 R704GK3 Jumlah tempat praktek bidan
85 R704GK4 Jarak ke bidan terdekat
86 R704HK3 Jumlah Poskesdes
87 R704HK4 Jarak ke Poskesdes terdekat
88 R704IK3 Jumlah Polindes
89 R704IK4 Jarak ke Polindes terdekat
90 R704JK3 Jumlah Posyandu
91 R704KK3 Jumlah apotek
92 R704KK4 Jarak ke apotek terdekat
93 R705A Jumlah Posyandu yang tidak ada aktifitas
94 R705B Jumlah Posyandu yang aktif setiap sebulan sekali
95 R705C Jumlah Posyandu yang aktif setiap 2 bulan sekali atau lebih
96 R706AK2 Jumlah Poskesdes yang memberi pelayanan
97 R706AK3 Jumlah bidan di Poskesdes
98 R706AK4 Jumlah kader di Poskesdes
 99 R706BK2 Jumlah Poskesdes yang tidak memberi pelayanan
100 R707A1 Jumlah dokter pria yang menetap di Desa/Kelurahan
101 R707A2 Jumlah dokter wanita yang menetap di Desa/Kelurahan
102 R707B Jumlah dokter gigi yang menetap di Desa/Kelurahan
103 R707C Jumlah bidan yang menetap di Desa/Kelurahan
104 R707D Jumlah tenaga kesehatan lainnya yang menetap di Desa/Kelurahan
105 R707E Jumlah dukun bayi yang menetap di Desa/Kelurahan
106 R708AK3 Jumlah penderita muntaber/diare
107 R708AK4 Jumlah penderita muntaber/diare yang meninggal
108 R708BK3 Jumlah penderita demam berdarah
109 R708BK4 Jumlah penderita demam berdarah yang meninggal
110 R708CK3 Jumlah penderita campak
111 R708CK4 Jumlah penderita campak yang meninggal
112 R708DK3 Jumlah penderita ISPA
113 R708DK4 Jumlah penderita ISPA yang meninggal
114 R708EK3 Jumlah penderita malaria
115 R708EK4 Jumlah penderita malaria yang meninggal
116 R708FK3 Jumlah penderita flu burung
117 R708FK4 Jumlah penderita flu burung yang meninggal
118 R708GK3 Jumlah penderita TB
119 R708GK4 Jumlah penderita TB yang meninggal
120 R708HK3 Jumlah penderita
121 R708HK4 Jumlah penderita yang meninggal
122 R709 Jumlah penderita gizi buruk selama 3 tahun terakhir
123 R710A Jumlah kematian warga (semua umur) setahun terakhir
124 R710B Jumlah kematian balita setahun terakhir
125 R710C Jumlah kematian Ibu hamil/melahirkan/nifas setahun terakhir
126 R711 Jumlah warga penerima kartu Jamkesmas/Jamkesmasda tahun 2010
127 R712 Jumlah surat miskin/SKTM yang dikeluarkan Desa tahun 2010
128 R803A Jumlah masjid
129 R803B Jumlah surau/langgar
130 R803C Jumlah gereja Kristen
131 R803D Jumlah gereja Katolik
132 R803E Jumlah kapela
133 R803F Jumlah pura
134 R803G Jumlah vihara
135 R803H Jumlah klenteng
136 R804AK2 Jumlah organisasi kemasyarakatan
137 R804BK2 Jumlah organisasi sosial
138 R804CK2 Jumlah organisasi profesi
139 R804DK2 Jumlah perkumpulan sosial/budaya/olah raga/hobi
140 R804EK2 Jumlah LSM
141 R804FK2 Jumlah lembaga keagamaan
142 R804GK2 Jumlah organisasi bantuan kemanusiaan/beasiswa
143 R805A Jumlah penyandang tunanetra
144 R805B Jumlah penyandang tunarungu
145 R805C Jumlah penyandang tunawicara
146 R805D Jumlah penyandang tunarungu-wicara
147 R805E Jumlah penyandang tunadaksa (cacat tubuh)
148 R805F Jumlah penyandang tunagrahita (cacat mental)
149 R805G Jumlah penyandang tunalaras (eks sakit jiwa)
150 R805H Jumlah penyandang eks sakit kusta
151 R805I Jumlah penyandang cacat ganda (cacat fisik-mental)
152 R901B Jarak ke gedung bioskop terdekat
153 R902B Jarak ke pub/diskotik/tempat karaoke terdekat
154 R1003B Jumlah jembatan
155 R1004AK2 Jarak tempuh dari kantor kepala desa ke kantor camat
156 R1004BK2 Jarak tempuh dari kantor kepala desa ke kantor bupati/walikota
157 R1004CK2 Jarak tempuh dari kantor kepala desa ke kantor bupati/walikota lain terdekat
158 R1005B Jumlah keluarga yang berlangganan telepon kabel
159 R1103AK5 Persentase lahan sawah yang menjadi lahan pertanian nonsawah
160 R1103AK7 Persentase lahan sawah yang menjadi lahan nonpertanian
161 R1103BK3 Persentase lahan nonsawah yang menjadi lahan pertanian sawah
162 R1103BK7 Persentase lahan non sawah yang menjadi lahan nonpertanian
163 R1103CK3 Persentase lahan nonpertanian yang menjadi lahan pertanian sawah
164 R1103CK5 Persentase lahan nonpertanian yang menjadi pertanian nonsawah
165 R1202A Jumlah industri dari kulit
166 R1202B Jumlah industri dari kayu
167 R1202C Jumlah industri logam mulia dan bahan dari logam
168 R1202D Jumlah industri anyaman
169 R1202E Jumlah industri gerabah/keramik/batu
170 R1202F Jumlah industri dari kain/tenun
171 R1202G Jumlah industri makanan dan minuman
172 R1202H Jumlah industri lainnya
173 R1203B Jarak ke kelompok pertokoan terdekat
174 R1205B Jarak ke pasar terdekat
175 R1206 Jumlah pasar tanpa bangunan (termasuk pasar terapung)
176 R1207 Jumlah minimarket
177 R1208 Jumlah toko/warung kelontong
178 R1209 Jumlah warung/kedai makanan minuman
179 R1210 Jumlah restoran/rumah makan
180 R1211 Jumlah hotel
181 R1212 Jumlah penginapan
182 R1213A Jumlah Koperasi Unit Desa (KUD) yang masih aktif
183 R1213B Jumlah Industri Kecil dan Kerajinan Rakyat (Kopinkra) yang masih aktif
184 R1213C Jumlah Koperasi Simpan Pinjam (Kospin) yang masih aktif
185 R1213D Jumlah koperasi lainnya yang masih aktif
186 R1215AK3 Jumlah Bank Umum
187 R1215AK4 Jarak ke Bank Umum terdekat
188 R1215BK3 Jumlah Bank Perkreditan Rakyat?
189 R1215BK4 Jarak Bank Perkreditan Rakyat terdekat
R1301B1K Jumlah kejadian perkelahian antar kelompok warga
190 2
R1301B2K Jumlah kejadian perkelahian warga antar Desa/Kelurahan
191 2
R1301B3K Jumlah kejadian perkelahian warga dengan aparat keamanan
192 2
 R1301B4K Jumlah kejadian perkelahian warga dengan aparat pemerintah
193 2
R1301B5K Jumlah kejadian perkelahian antar pelajar/mahasiswa
194 2
R1301B6K Jumlah kejadian perkelahian antar suku
195 2
R1301B7K Jumlah kejadian perkelahian massal lainnya
196 2
197 R1306 Jumlah lokasi berkumpul anak jalanan
198 R1309BK3 Jarak ke pos polisi terdekat
199 R1310 Jumlah anggota linmas/hansip
200 R1401AK3 Jumlah penerimaan dari PAD
R1401B1K Jumlah penerimaan dari bantuan Pemerintah Kabupaten/Kota
201 3
R1401B3K Jumlah penerimaan dari bantuan Pemerintah Pusat
202 3
R1401B4K Jumlah penerimaan dari bantuan luar negeri
203 3
R1401B5K Jumlah penerimaan dari bantuan swasta
204 3
R1401B6K Jumlah penerimaan dari bantuan lainnya
205 3