TUGAS TERSTRUKTUR
Diajukan untuk memenuhi salah satu syarat kelulusan mata Kuliah Data
KELOMPOK 4
11211892 ZULFANI MIRSUMA
11211891 HENDI MINARTO
11211893 ENDANG PERWANSYAH
11211360 MUHAMMAD FAHAD
11211854 NOOR HELLYDA HERMAWATI
yang telah melimpahkan rahmat dan karunia-Nya, sehingga pada akhirnya penulis
dapat menyelesaikan Tugas Terstruktur ini dengan baik. Dimana Tugas Terstruktur
ini penulis sajikan dalam bentuk buku yang sederhana. Adapun judul Tugas
Raya 2018-2020)”.
Tujuan penulisan Tugas Terstruktur ini dibuat sebagai salah satu syarat
kelulusan mata kuliah Data Warehouse and Business Intelligence program Srata
Satu (S1) Universitas Nusa Mandiri. Sebagai bahan penulisan diambil berdasarkan
hasil penelitian dan beberapa sumber literatur yang mendukung penulisan ini.
Penulis menyadari bahwa tanpa bimbingan dan dorongan dari semua pihak, maka
penulisan Tugas Terstruktur ini tidak akan lancar. Oleh karena itu pada kesempatan
4. Bapak Nanang Ruhyana, M.Kom selaku Dosen Pengajar dan Pembimbing mata
5. Dinas Kependudukan dan Catatan Sipil Kabupaten Kubu Raya yang telah
secara publik.
ii
6. Orang tua tercinta yang telah memberikan dukungan moral maupun spiritual
11.7D.06.
Serta semua pihak yang terlalu banyak untuk disebutkan satu persatu
ini masih jauh sekali dari sempurna, untuk itu penulis mohon kritik dan saran yang
Akhir kata semoga Tugas Terstruktur ini dapat berguna bagi penulis
Penulis,
Tim Penulis
iii
DAFTAR ISI
Halaman
Lembar Judul Tugas Terstruktur ................................................................ i
Kata Pengantar........................................................................................... ii
Daftar Isi.................................................................................................... iv
Daftar Gambar ........................................................................................... v
Daftar Tabel............................................................................................... vi
BAB I PENDAHULUAN
1.1. Latar Belakang................................................................ 1
1.2. Tujuan Data Warehouse dan Business Intelligence .......... 4
1.3. Fungsi Data Warehouse Business Intelligence ................ 6
iv
DAFTAR GAMBAR
Halaman
Gambar II.1. Ilustrasi Analisa Proses Bisnis .......................................... 12
Gambar II.2. Star Schema Data Kependudukan Kabupaten Kubu Raya . 15
Gambar II.3. Visualisasi Sebaran Penduduk Kabupaten Kubu Raya....... 22
Gambar II.4. Visualisasi Total Penduduk Setiap Kecamatan .................. 23
Gambar II.5. Visualisasi Jumlah Penduduk Setiap Tahun....................... 24
Gambar II.6. Visualisasi Jumlah Penduduk Berdasarkan Jenis Kelamin . 25
Gambar II.7. Visualisasi Jumlah Penduduk Berdasarkan Jenis Kelamin
Setiap Kecamatan ............................................................. 26
Gambar II.8. Visualisasi Jumlah Penduduk Berdasarkan Agama ............ 27
Gambar II.9. Visualisasi Jumlah Penduduk Berdasarkan Agama
Setiap Kecamatan ............................................................. 28
Gambar II.10. Visualisasi Jumlah Penduduk Berdasarkan Status Kawin .. 29
Gambar II.11. Visualisasi Jumlah Penduduk Berdasarkan Struktur Umur 30
Gambar II.12. Visualisasi Jumlah Penduduk Berdasarkan Tingkat
Pendidikan ........................................................................ 31
Gambar II.13. Visualisasi Rasio Jumlah Penduduk E-KTP Terhadap
Total Penduduk ................................................................. 32
Gambar II.14. Visualisasi Rasio Total Penduduk Terhadap Kartu Keluarga 33
Gambar II.15. Visualisasi 7 Desa Terpadat Berdasarkan Jumlah Penduduk 34
Gambar II.16. Membuat Koneksi Ke Database Menggunakan RapidMiner 35
Gambar II.17. Membangun Query Untuk Membuat Data Table............... 36
Gambar II.18. Data Table Kependudukan Kubu Raya ............................. 37
Gambar II.19. Cleansing Data Table Kependudukan Kubu Raya............. 38
Gambar II.20. Komparasi Model-Model Prediction ................................. 39
Gambar II.21. ROC Comparison Model-Model Prediction ...................... 39
Gambar II.22. Lift Charts Naïve Bayes .................................................... 40
Gambar II.23. Performansi Generalized Linier Model (GLM) ................. 40
Gambar II.24. Simulator Logistic Regression........................................... 41
Gambar II.25. Optimal Parameters Fast Large Margin ........................... 41
Gambar II.26. Weights Deep Learning ..................................................... 42
Gambar II.27. Model Decision Tree (Jumlah Penduduk Status Kawin) .... 43
Gambar II.28. Model Random Forest ...................................................... 43
Gambar II.29. Optimal Parameters Gradient Boosted Trees .................... 44
Gambar II.30. Centroid Chart K-Means .................................................. 45
Gambar II.31. Centroid Chart X-Means ................................................... 45
v
DAFTAR TABEL
Halaman
Tabel III.1. Spesifikasi File Dimension Kecamatan ............................. 16
Tabel III.2. Spesifikasi File Dimension Desa ....................................... 17
Tabel III.3. Spesifikasi File Dimension Tahun ..................................... 17
Tabel III.4. Spesifikasi File Dimension Jenis Kelamin......................... 18
Tabel III.5. Spesifikasi File Dimension Agama ................................... 18
Tabel III.6. Spesifikasi File Dimension Status Kawin .......................... 19
Tabel III.7. Spesifikasi File Dimension Struktur Umur ........................ 20
Tabel III.8. Spesifikasi File Dimension Tingkat Pendidikan ................ 20
Tabel III.9. Spesifikasi File Fact Penduduk ......................................... 21
vi
BAB I
PENDAHULUAN
sebelum digunakan akan diolah dulu menjadi suatu informasi yang dibutuhkan oleh
warehouse. Data warehouse adalah suatu konsep dan kombinasi teknologi yang
diperoleh dari sistem atau aplikasi operasional. Data warehouse bukan suatu
produk tetapi suatu lingkungan dimana user dapat menemukan informasi strategik.
Data warehouse adalah kumpulan data-data logik yang terpisah dengan database
diperoleh dari sistem atau aplikasi operasional. Data warehouse juga bisa diartikan
sebagai database relasional yang didesain lebih kepada query dan analisa dari pada
proses transaksi, biasanya mengandung history data dari proses transaksi dan bisa
juga data dari sumber lainnya. Data warehouse memisahkan beban kerja analisis
1
2
yang menunjang DSS (Decission Support System) dan EIS (Executive Information
System). Secara fisik data warehouse adalah database, tapi perancangan data
cara yang terbaik. Data warehouse adalah tempat penyimpanan berdasakan subyek
sumber data yang sudah terkumpul di dalam data warehouse ini akan dijadikan
sebagai landasan dalam pemodelan atau visualisasi. Pemodelan atau visualisasi dari
maupun validasi sehingga didapat data yang sesuai dengan kepentingan analisis
bisnis [3].
kecenderungan atau pattern dari data. Hasil penyederhanaan dan peringkasan ini
disajikan kepada end user yang biasanya merupakan pengambil keputusan bisnis.
3
aktual, dan tidak hanya mengandalkan intuisi dan pengalaman kuantitatif saja [4].
data serta menyediakan informasi, baik berupa data aktifitas bisnis internal
bisnis para pesaing yang mudah diakses serta dianalisis untuk berbagai kegiatan
pembuatan keputusan, seperti perangkat lunak untuk query database dan pelaporan
kriteria seperti jenis kelamin, struktur umur, agama, tingkat pendidikan, status
perkawinan, jumlah kartu keluarga, jumlah e-ktp dan lain sebagainya. Data
(pemerintah maupun non pemerintah), dalam berbagai bentuk baik angka, grafik,
Proses analisis data kependudukan ini dapat dilakukan dengan baik apabila
status perkawinan, jumlah kartu keluarga, jumlah e-ktp dan perkembangan setiap
Berdasarkan latar belakang yang telah diuraikan pada halaman di atas, maka
Kubu Raya).
adalah untuk menyatukan data yang beragam yang berasal dari berbagai sumber ke
data yang besar, mengidentifikasi peluang baru dan menerapkan strategi yang
kompetitif bagi bisnis dan stabilitas jangka panjang. Penerapan data warehouse dan
5
business intelligence memiliki tujuan tertentu. Adapun tujuan dari penerapan data
Melalui pembangunan BI, maka seluruh data dan informasi dapat diintegrasikan
(connect and combine) dengan menggunakan BI. Data dan informasi yang
dihasilkan pun juga menjadi lebih mudah diakses dan lebih mudah untuk
dimengerti (friendly-users).
disebut Key Performance Indicator (KPI). KPI tidak semestinya diukur dengan
dengan mudah, cepat dan tepat. Dengan demikian akan memudahkan pihak-
sistem-sistem tersebut sehingga data dan informasi yang sudah ada dapat
6
baik
workers)
seluruh level pegawai dalam mengakses data dan informasi yang diperlukan
sehingga membantu membuat suatu keputusan. Jika kondisi seperti ini tercapai,
maka misi dan strategi organisasi yang sudah ditetapkan dapat dengan lebih
training yang bisanya sering dilakukan dengan biaya yang cukup besar, dapat
institusi memiliki sistem penyimpanan data pendukung yang lebih terstruktur dan
terorganisir. Berikut beberapa fungsi lengkap dari data warehouse [1], yaitu:
7
cepat akan data esensial dari sebuah sumber yang menampung berbagai
dan bentuk aktivitas. Sistem ini juga menyimpan laporan dan query.
dan analisa.
berbagai sumber melalui satu tempat. Hal ini pastinya dapat menghemat waktu
6. Data warehouse menyimpan data dalam jumlah besar, begitu juga data-data
lama dari berbagai tahun. Informasi ini dapat dijadikan bahan analisis tambahan
untuk menganalisa suatu fenomena dan memprediksi trend yang akan muncul
keputusan dimana sistem dan aplikasi ini mengubah data-data dalam suatu
berasal dari data publik atau data private. Data-data tersebut kemudian diolah
8
dan disajikan dalam bentuk informasi yang mudah dipahami oleh penggunanya
ketersediaan data yang relevan yang akan disajikan pada pengguna. Biasanya,
Kubu Raya. Data kependudukan ini merupakan data publik yang disiapkan oleh
Dinas Kependudukan dan Catatan Sipil Kabupaten Kubu Raya. Analisa kasus ini
terbagi menjadi dua (2) bagian, yaitu analisa data set dan analisa proses bisnis.
Kubu Raya dari tahun 2018 sampai dengan tahun 2020 dengan tipe data berformat
portable document format (pdf). Datasets yang berupa format .Pdf kemudian
dikonversi menjadi Ms. Excel agar lebih mudah diolah. Kemudian data-data yang
telah menjadi Ms. Excel dilakukan clustering dan cleansing secara manual
menggunakan Ms. Excel yang terbagi menjadi beberapa sheet, dimana terdapat
Terdapat beberapa bagian dalam proses bisnis dari data warehouse dan
proses dalam data warehouse dan business intelligence [5], dapat diterjemahkan
1. Identifikasi masalah bisnis yang perlu diselesaikan dengan gudang data dan
9
10
Kubu Raya dari tahun 2018 sampai dengan tahun 2020. Sumber data ini berupa
11
data publik yang dapat diakses oleh semua orang. Untuk menentukan titik lokasi
google maps.
3. Merubah data yang diperoleh dari beragam sumber tersebut ke dalam sebuah
data yang konsisten. Data-data atau datasets yang didapat berupa format .Pdf
4. Mengambil data yang telah dirubah tersebut dan menyimpan ke dalam lokasi
bernama dim ini akan menjadi dimension dan sheet yang bernamakan fact akan
menjadi measurement.
5. Membuat sebuah gudang data dengan data yang ada dalam lokasi yang
secara manual, kemudian hal yang dilakukan adalah meng-import data set
berupa Ms. Excel tersebut ke SQLyog Enterprise (aplikasi basis data dengan
tipe MariaDB). Setelah berhasil melakukan import, hal yang dilakukan adalah
mengkonfigurasi struktur data dari setiap table tersebut untuk menentukan tipe
data, panjang data, primary key dan foreign key untuk setiap tabel serta asosiasi
6. Memasang sebuah produk atau aplikasi yang dapat memberikan akses ke data
atau aplikasi pembantu. Data-data yang telah tersimpan di data warehouse ini
yang dibuat adalah visualisasi berupa maps atau peta yang berisikan data
umur, pendidikan, status kawin, ratio-ratio dan prediksi. Hasil dari visualisasi
informasi yang lengkap, sehingga para pengguna data, baik orang awam
yang disajikan baik sebagai pengetahuan umum atau sebagai langkah strategis
Gambar II.1.
Ilustrasi Analisa Proses Bisnis
13
Analisa proses bisnis yang telah diuraikan pada sub-bab sebelumnya akan
data kependudukan Kabupaten Kubu Raya 2018 sampai dengan 2020 terbagi
menjadi tiga (3) tahapan, yaitu penyelesaian kasus dengan data warehouse,
modeling (MDM) yang merupakan salah satu pendekatan data warehouse yang
memiliki konsep dimensi, hirarki, level dan anggota. Agregat dari penerapan
bukan transaksi. Model ini umum digunakan dalam data warehouse karena bersifat
memiliki konsep intuitif dari banyak dimensi atau perspektif pengukuran bisnis atau
teknologi yang dirancang untuk mendukung proses analisis kompleks dalam rangka
sehingga pengguna dapat menggolongkan data sampai pada tingkat yang detail dan
14
memperoleh pandangan yang lebih luas mengenai objek yang sedang dianalisis.
schema. Penulis menggunakan star schema dalam pemodelan data warehouse. Star
schema merupakan desain skema tabel dimana terdapat sebuah tabel fact dengan n-
dimensi yang ada. Adapun kelebihan dan kekurangan dari star schema ini, yaitu
untuk performansi sistem, star schema lebih dapat diandalkan dibandingkan dengan
skema lainnya, hal ini dikarenakan penggunaan tingkat join antar tabel dimensi dan
tabel fact yang sedikit sehingga memudahkan sistem untuk melakukan suatu
Gambar II.2.
Star Schema Data Kependudukan Kabupaten Kubu Raya
Setiap tabel yang terdapat pada star schema tersebut akan diuraikan lebih
rinci ke dalam spesifikasi file. Adapun spesifikasi file tersebut, dijabarkan sebagai
berikut:
Akronim : dim_kecamatan
Media : Harddisk
Software : MySQL
Tabel III.1.
Spesifikasi File Dimension Kecamatan
No Nama Field Tipe Data Panjang Keterangan
1 kdkec char 10 Primary Key
2 kab varchar 50
3 provinsi varchar 50
4 negara varchar 50
5 lat varchar 255
6 long varchar 255
Sumber: Hasil Penelitian (2021)
Akronim : dim_desa
Media : Harddisk
Panjang record : 70
Software : MySQL
17
Tabel III.2.
Spesifikasi File Dimension Desa
No Nama Field Tipe Data Panjang Keterangan
1 kddesa char 10 Primary Key
2 desa varchar 50
3 kdkec char 10 Foreign Key
Sumber: Hasil Penelitian (2021)
Akronim : dim_tahun
Media : Harddisk
Panjang record : 14
Software : MySQL
Tabel III.3.
Spesifikasi File Dimension Tahun
No Nama Field Tipe Data Panjang Keterangan
1 kdtahun char 10 Primary Key
2 tahun year 4
Sumber: Hasil Penelitian (2021)
Akronim : dim_jeniskelamin
Media : Harddisk
Panjang record : 30
Software : MySQL
Tabel III.4.
Spesifikasi File Dimension Jenis Kelamin
No Nama Field Tipe Data Panjang Keterangan
1 kdjeniskelamin char 10 Primary Key
2 jeniskelamin varchar 20
Sumber: Hasil Penelitian (2021)
Akronim : dim_agama
Media : Harddisk
Panjang record : 30
Software : MySQL
Tabel III.5.
Spesifikasi File Dimension Agama
No Nama Field Tipe Data Panjang Keterangan
1 kdagama char 10 Primary Key
2 agama varchar 20
Sumber: Hasil Penelitian (2021)
19
Akronim : dim_statuskawin
Media : Harddisk
Panjang record : 30
Software : MySQL
Tabel III.6.
Spesifikasi File Dimension Status Kawin
No Nama Field Tipe Data Panjang Keterangan
1 kdstatuskawin char 10 Primary Key
2 statuskawin varchar 20
Sumber: Hasil Penelitian (2021)
Akronim : dim_strukturumur
Media : Harddisk
Panjang record : 30
Software : MySQL
Tabel III.7.
Spesifikasi File Dimension Struktur Umur
No Nama Field Tipe Data Panjang Keterangan
1 kdstrukturumur char 10 Primary Key
2 strukturumur varchar 20
Sumber: Hasil Penelitian (2021)
Akronim : dim_tingkatpendidikan
Media : Harddisk
Panjang record : 30
Software : MySQL
Tabel III.8.
Spesifikasi File Dimension Tingkat Pendidikan
No Nama Field Tipe Data Panjang Keterangan
1 kdtingkatpendidikan char 10 Primary Key
2 tingkatpendidikan varchar 20
Sumber: Hasil Penelitian (2021)
Akronim : fact_penduduk
Media : Harddisk
Kunci Field : kd
Software : MySQL
Tabel III.9.
Spesifikasi File Fact Penduduk
No Nama Field Tipe Data Panjang Keterangan
1 kd int 10 Primary Key
2 kddesa char 10 Foreign Key
3 kdtahun char 10 Foreign Key
4 kdstrukturumur char 10 Foreign Key
5 jumlahpendudukstrukturumur double 11
6 kdtingkatpendidikan char 10 Foreign Key
7 jumlahpendudukpendidikan double 11
8 kdagama char 10 Foreign Key
9 jumlahpendudukagama double 11
10 kdstatuskawin char 10 Foreign Key
11 jumlahpendudukstatuskawin double 11
12 kdjeniskelamin char 10 Foreign Key
13 jumlahpendudukjk double 11
14 jumlahpendudukktp double 11
15 jumlahkepalakeluarga double 11
Sumber: Hasil Penelitian (2021)
Aplikasi pembantu yang dijadikan sebagai alat untuk visualisasi adalah Tableau
Desktop 2019. Hasil visualisasi dari data warehouse tentang data kependudukan
22
berikut:
konsep dual axis, yaitu maps 2 layer, yang dimana layer pertama adalah untuk
menentukan lokasi Kabupaten Kubu Raya dan layer kedua adalah untuk
Gambar II.3.
Visualisasi Sebaran Penduduk Kabupaten Kubu Raya
titik tersebut menandakan lokasi dari Kecamatan yang ada di Kabupaten Kubu
Raya. Jumlah penduduk Kabupaten Kubu Raya secara keseluruhan pada tahun
Sebaran penduduk untuk setiap Kecamatan yang ada Kabupaten Kubu Raya
Gambar II.4.
Visualisasi Total Penduduk Setiap Kecamatan
pada tahun 2020, yaitu: Kecamatan Sungai Raya berjumlah 234.424, Sungai
28.911, Rasau Jaya berjumlah 28.631, Teluk Pakedai 21.226 dan Terentang
Gambar II.5.
Visualisasi Jumlah Penduduk Setiap Tahun
Raya pada tahun 2018 adalah 603.407, tahun 2019 adalah 606.729 dan tahun
Gambar II.6.
Visualisasi Jumlah Penduduk Berdasarkan Jenis Kelamin
Raya berdasarkan jenis kelamin pada tahun 2020 adalah 312.027 laki-laki
Jumlah penduduk berdasarkan jenis kelamin pada Kabupaten Kubu Raya akan
Gambar II.7.
Visualisasi Jumlah Penduduk Berdasarkan Jenis Kelamin Setiap Kecamatan
Gambar II.8.
Visualisasi Jumlah Penduduk Berdasarkan Agama
Raya berdasarkan agama pada tahun 2020 adalah 505.656 beragama islam,
kepercayaan.
28
Gambar II.9.
Visualisasi Jumlah Penduduk Berdasarkan Agama Setiap Kecamatan
Gambar II.10.
Visualisasi Jumlah Penduduk Berdasarkan Status Kawin
Raya berdasarkan status kawin pada tahun 2020 adalah 325.580 yang belum
kawin, 260.465 yang sudah kawin, 17.258 yang berstatus cerai mati dan 6.500
Gambar II.11.
Visualisasi Jumlah Penduduk Berdasarkan Struktur Umur
Gambar II.12.
Visualisasi Jumlah Penduduk Berdasarkan Tingkat Pendidikan
Kabupaten Kubu Raya berdasarkan tingkat pendidikan pada tahun 2020 adalah
189.010 yang belum sekolah, 81.933 yang tidak tamat SD, 158.243 tamat SD,
75.726 tamat SMP, 83.359 tamat SMA, 2.492 tamat D2, 5.474 tamat D3, 13.004
11. Visualisasi rasio jumlah penduduk yang memiliki E-KTP terhadap total
penduduk
diagram batang, yang berfungsi untuk mengetahui jumlah penduduk yang telah
Gambar II.13.
Visualisasi Rasio Jumlah Penduduk E-KTP Terhadap Total Penduduk
Raya pada tahun 2020 yang mempunyai E-KTP 396.474 berbanding dengan
jumlah penduduk yaitu 610.103. Berdasarkan informasi ini, didapat bahwa rasio
12. Visualisasi rasio total penduduk terhadap jumlah kartu keluarga (KK)
Rasio dari total penduduk yang ada di Kabupaten Kubu Raya akan
Gambar II.14.
Visualisasi Rasio Total Penduduk Terhadap Kartu Keluarga
Berdasarkan gambar di atas, dapat diketahui bahwa jumlah kartu keluarga (KK)
Kabupaten Kubu Raya pada tahun 2020 adalah 166.130 berbanding dengan
Sebaran jumlah penduduk pada Kabupaten Kubu Raya akan diklasifikasi lebih
Gambar II.15.
Visualisasi 7 Desa Terpadat Berdasarkan Jumlah Penduduk
Kabupaten Kubu Raya tahun 2020, yaitu Desa Parit Baru dengan jumlah
33.330, Desa Kuala Dua dengan jumlah 31.710, Desa Arang Limbung dengan
jumlah 27.811, Desa Pal Sembilan dengan jumlah 26.052, Desa Sungai Raya
Dalam dengan jumlah 23.690, Desa Sungai Rengas dengan jumlah 23.556 dan
knowledge dari sejumlah data yang disimpan dalam basis data atau media
data, akan didapatkan suatu interesting pattern yang dapat disimpan sebagai
knowledge baru. Pattern yang didapat akan digunakan untuk melakukan evaluasi
terhadap data-data tersebut untuk selanjutnya akan didapatkan informasi [5]. Dalam
data dan RapidMiner sebagai alat untuk data mining, diuraikan sebagai berikut:
Gambar II.16.
Membuat Koneksi Ke Database Menggunakan RapidMiner
36
Gambar II.17.
Membangun Query Untuk Membuat Data Table
Gambar II.18.
Data Table Kependudukan Kubu Raya
Data table yang telah terbentuk harus diatur terlebih dahulu tipe datanya, agar
3. Melakukan cleansing
Gambar II.19.
Cleansing Data Table Kependudukan Kubu Raya
4. Melakukan prediction
Model, Logistic Regression, Fast Large Margin, Deep Learning, Decision Tree,
Random Forest, Gradient Boosted Trees. Berikut ini, adalah hasil komparasi
Gambar II.20.
Komparasi Model-Model Prediction
Gambar II.21.
ROC Comparison Model-Model Prediction
a. Naïve Bayes
bahwa antar satu kelas dengan kelas yang lain tidak saling tergantung
ini yaitu pengklasifikasian akan mendapatkan nilai error yang lebih kecil
Gambar II.22.
Lift Charts Naïve Bayes
linier dengan asumsi prediktor memiliki efek linier akan tetapi tidak
Gambar II.23.
Performansi Generalized Linier Model (GLM)
c. Logistic Regression
seperti halnya regresi linear atau yang biasa disebut dengan istilah Ordinary
41
Gambar II.24.
Simulator Logistic Regression
Fast Large Margin merupakan salah satu model probabilitas tentang skema
mampu bekerja pada kumpulan data dengan jutaan contoh dan atribut.
Gambar II.25.
Optimal Parameters Fast Large Margin
42
e. Deep Learning
Deep Learning adalah bagian dari kecerdasan buatan dan machine learning,
terjemahan bahasa dan lain – lain. Deep Learning berbeda dari teknik
melakukan representasi dari data seperti gambar, video atau text tanpa
Gambar II.26.
Weights Deep Learning
f. Decision Tree
Decision tree adalah alat pendukung dengan struktur seperti pohon yang
kemungkinan konsekuensi.
43
Gambar II.27.
Model Decision Tree (Jumlah Penduduk Status Kawin)
g. Random Forest
bergantung pada sebuah nilai vector random dengan distribusi yang sama
pada semua pohon yang masing masing decision tree memiliki kedalaman
yang maksimal.
Gambar II.28.
Model Random Forest
44
Gambar II.29.
Optimal Parameters Gradient Boosted Trees
5. Melakukan clustering
a. K-Means
hirarki yang berusaha untuk mempartisi objek yang ada kedalam satu atau
cluster yang sama dan objek yang mempunyai karakteristik yang berbeda
Gambar II.30.
Centroid Chart K-Means
b. X-Means
eksekusi berlangsung.
Gambar II.31.
Centroid Chart X-Means
BAB III
PENUTUP
3.1. Kesimpulan
Kecamatan), total penduduk per Kecamatan, tingkat pertumbuhan per tahun, jenis
kawin, struktur umur, tingkat pendidikan, kepemilikan E-KTP dan jumlah kartu
Kubu Raya itu sendiri. Adapun kesimpulan-kesimpulan yang dapat diambil dari
berikut:
1. Jumlah penduduk Kabupaten Kubu Raya secara keseluruhan pada tahun 2020
adalah 610.103.
2. Jumlah penduduk untuk setiap kecamatan pada tahun 2020, yaitu: Kecamatan
35.636, Kuala Mandor berjumlah 28.911, Rasau Jaya berjumlah 28.631, Teluk
46
47
3. Jumlah penduduk Kabupaten Kubu Raya pada tahun 2018 adalah 603.407,
tahun 2019 adalah 606.729 dan tahun 2020 adalah 610.103. Berdasarkan
0,005%.
4. Jumlah penduduk Kabupaten Kubu Raya berdasarkan jenis kelamin pada tahun
Berdasarkan informasi ini, maka selisih antar jumlah laki-laki dan perempuan
5. Jumlah penduduk Kabupaten Kubu Raya berdasarkan agama pada tahun 2020
6. Jumlah penduduk Kabupaten Kubu Raya berdasarkan status kawin pada tahun
2020 adalah 325.580 yang belum kawin, 260.465 yang sudah kawin, 17.258
yang berstatus cerai mati dan 6.500 yang berstatus cerai hidup.
tahun 2020 adalah 189.010 yang belum sekolah, 81.933 yang tidak tamat SD,
158.243 tamat SD, 75.726 tamat SMP, 83.359 tamat SMA, 2.492 tamat D2,
5.474 tamat D3, 13.004 tamat S1, 802 tamat S2 dan 57 tamat S3.
48
9. Jumlah penduduk Kubu Raya pada tahun 2020 yang mempunyai E-KTP
10. Jumlah kartu keluarga (KK) Kabupaten Kubu Raya pada tahun 2020 adalah
11. 7 Desa terdapat pada Kabupaten Kubu Raya tahun 2020, yaitu Desa Parit Baru
dengan jumlah 33.330, Desa Kuala Dua dengan jumlah 31.710, Desa Arang
Limbung dengan jumlah 27.811, Desa Pal Sembilan dengan jumlah 26.052,
Desa Sungai Raya Dalam dengan jumlah 23.690, Desa Sungai Rengas dengan
3.2. Saran
Kasus: Data Kependudukan Kabupaten Kubu Raya 2018-2020) ini masih terdapat
beberapa bagian yang perlu dikembangkan lebih lanjut. Adapun saran-saran untuk
angka prestasi kasar (APK), angka prestasi sekolah (APS) dan angka prestasi
murni (APM).
3. Penambahan batas atau border untuk setiap Kecamatan dengan cara mengambil
[3] Rianto and C. Hadis, “Perancangan Data Warehouse Pada Rumah Sakit
(Studi Kasus : BLUD RSU Kota Banjar),” J. Siliwangi Seri Sains dan
Teknol., vol. 3, no. 2, pp. 214–221, 2017.
[5] Imelda, “Busines Intelligence,” Maj. Ilm. UNIKOM, vol. 11, no. 1, pp. 111–
122, 2017.
50