IMPLEMENTASI DATA MINING ESTIMASI

KETERSEDIAAN LAHAN PEMBUANGAN SAMPAH MENGGUNAKAN

ALGORITMA REGRESI LINIER

Disusun oleh :

1. Hilman Hidayat (19200274)

2. Fachry Dwi Afriza (19200277)
3. Roseanita Maharani Endharu (19200973)
4. Novan Rizkianto (19200985)
5. Ayu Intan Putri Maharani (19201100)

DATA WEREHOUSE DAN BUSINESS INTELIGENCE

TEKNIK & INFORMATIKA

UNIVERSITAS BINA SARANA INFORMATIKA

2023
 KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa yang telah memberikan rahmat dan hidayah –
Nya sehingga kami dapat menyelesaikan tugas makalah yang berjudul “IMPLEMENTASI
DATA MINING ESTIMASI KETERSEDIAAN LAHAN PEMBUANGAN SAMPAH
MENGGUNAKAN ALGORITMA REGRESI LINIER” ini tepat pada waktunya.

Adapun tujuan dari penulisan dari makalah ini adalah untuk memenuhi tugas akhir atau untuk
memenuhi nilai Ujian Akhir Semester 6 pada mata kuliah Data Warehouse dan Busniess
Inteligence. Selain itu makalah ini juga bertujuan untuk menambah wawasan tentang
penggunaan RapidMiner bagi para pembaca dan juga para penulis.

Kami mengucapkan terimakasih kepada Bapak Andi Diah Kuswanto, M.Kom, selaku dosen
mata kuliah Data Warehouse dan Business Inteligence yang telah memberi tugas ini sehingga
dapat menambah pengetahuan dan wawasan sesuai dengan bidang studi yang kami tekuni.

Kami juga mengucapkan terimakasih kepada semua pihak yang telah membagi sebagian
pengetahuannya sehingga kami dapat menyelesaikan makalah ini.

Kami menyadari, makalah yang kami tulis ini masih jauh dari kata sempurna. Oleh karena
itu, kritik dan saran yang membangun akan kami nantikan demi kesempurnaan makalah ini.

Jakarta, 17 Juni 2023

Penyusun
 BAB I

PENDAHULUAN

1.1 Latar Belakang Website

Seiring dengan perkembangan petumbuhan penduduk secara langsung akan

memberikan dampak peningkatan terhadap produksi sampah. Saat ini, sampah merupakan
permasalahan besar yang dialami di indonesia. Banyak kota–kota besar yang kurang
mampu dalam menanggulangi permasalahan sampah, sehingga berdampak negatif
terhadap perubahan keseimbangan lingkungan yaitu terjadinya polusi air, udara dan
tanah. Permasalahan akan sampah tidak hanya diselesaikan oleh pemerintah namun perlu
kesadaran masyarakat tentang pola konsumtif sehingga produksi sampah setiap tahunya
dapat berkurang
Sampah adalah suatu benda yang tidak dipakai atau sesuatu yang dibuang dari hasil
kegiatan manusia yang tidak terjadi dengan sendirinya[1]. Sampah adalah sisa kegiatan
sehari-hari manusia diakibatkan oleh proses alam dalam bentuk padat[2]. Pada umunya
sampah mengandung prinsip Suatu benda baik secara langsung maupun tidak langsung
berhubungan dengan kegiatan manusia yang mengakibatkan benda tersebut tidak
berguna[3]. banyak sumber sampah yang dihasilkan dari kegiatan manusia diantaranya
sampah dari sumber perternakan, perkebunan, perternakan, perumahan, perkantoran,
industri, tempat umum dan rumah tangga.[4] Sedangkan dilihat dari jenisnya ada sampah
organik dan unorganik[5].
Kota Jakarta Utara adalah bagian dari Kota/Kabupaten Administrasi di Provinsi DKI
Jakarta yang terletak di sisi utara daratan Jakarta. Jakarta Utara memiliki populasi
sebanyak 1.873.064 di tahun 2021 dengan kepadatan penduduk 12.723,48 jiwa/km².
Beberapa permasalahan terhadap sampah akan muncul baik ketersedian lahan, kesehatan
bahkan dampak pada keadaan sosial ekonomi. Pemerintah Kota Jakarta Utara telah
melakukan sosialisasi pengolahan sampah dengan kegiatan menggunakan kembali,
mengurangi dan mendaur ulang sampah yang telah memberikan perubahan signifikan
terhadap kesadaran masyarakat membuang sampah pada tempat pembuangan sampah,
sehingga mengakibatkan banyaknya jumlah sampah yang dibuang ke TPA setiap harinya.
Mengakibatkan kurangnya keteresediaan area pembuangan sampah. Oleh karena itu,
diperlukan metode untuk dapat memprediksi ketersediaan lahan pembuangan sampah
jangka panjang.
Data Mining adalah sebuah proses menganalisa data untuk mengetahui suatu pola dari
kelompok data yang tersembunyi[6]. Dengan memanfaatkan data kependudukan dan data
volume sampah setiap tahunya maka dapat dilakukan proses mining terhadap informasi
peningkatan penduduk yang berkorelasi dengan peningkatan volume sampah. Dari proses
mining dapat dilakukan transformasi data untuk proses estimasi ketersediaan lahan
pembuangan sampah dalam jangka waktu tertentu.
 BAB II
LANDASAN TEORI

2.1 Pengertian Data Mining Menurut Para Ahli

Data mining didefinisikan sebagai satu set teknik yang digunakan secara otomatis
untuk mengeksplorasi secara menyeluruh dan membawa ke permukaan relasi-relasi
yang kompleks pada set data yang sangat besar. Set data yang dimaksud di sini adalah
set data yang berbentuk tabulasi, seperti yang banyak diimplementasikan dalam
teknologi. manajemen basis data relasional. Akan tetapi, teknik-teknik data mining
dapat juga diaplikasikan pada representasi data yang lain, seperti domain data spatial,
berbasis teks, dan multimedia (citra).

Sebelum kita membahas data mining kita sedikit mengulas tentang data base yaitu
Database (Connoly dan Begg, 2010: 54- 66) adalah suatu pembagian kumpulan data
yang berisi secara logika, dan keterangan dari masing-masing data yang didesain
untuk mendapatkan informasi yang dibutuhkan sebuah organisasi. Database system
adalah kumpulan program. aplikasi yang berinteraksi dengan basis data bersama
dengan Database Management System (DBMS) dan basis data itu sendiri, sedangkan
Database Management System (DBMS) adalah merupakan sistem perangkat lunak
yang memungkinkan pengguna untuk mendefinisikan, membuat, memelihara dan
kontrol ke akses database. Buku di Google Play Persyaratan Layanan Diterbitkan oleh
CV Kekata Group Database (Mcleod, 2007: 124), adalah kumpulan dari semua data
 berbasis komputer pada suatu perusahaan. Dari teori-teori tersebut dapat disimpulkan
bahwa Database adalah sejumlah data yang terorganisasi dengan record dan field-nya
yang terstruktur dan saling terhubung untuk menyediakan informasi yang dibutuhkan
oleh perusahaan

2.2 Data Warehouse

Definisi Data menurut , (Gunadi & Widianto,2020) adalah bahan mentah yang perlu
dilakukan pengolahan sehingga menghasilkan informasi atau keterangan, baik
kualitatif maupun kuantitatif yang menunjukkan fakta sehingga dapat memberi
manfaat bagi peneliti atau memberi gambaran kepada peneliti tentang kondisi
atau suatu keadaan . Sedangkan informasi adalah sekumpulan data yang sudah
diolah sehingga menghasilkan suatu Analisa untuk digunakan oleh pihak yang
membutuhkan.

Mengutip dari Jurnal (Muhammad Rifqi, Rusdah, Moedjiono, menurut (Gunadi

& Widianto, 2020)) berjudul Penerapan Data Warehouse pada PT ALdengan
menggunakan Metode Kriptografi. Data warehouse adalah sebuah basis data
komprehensif yang mendukung semua analisis keputusan yang diperlukan oleh
suatu perusahaan dengan menyediakan ringkasan dan rincian informasi.
Penyimpanan sistem informasi pada data warehouse terbagi menjadi beberapa jenis
berdasarkan arsitektur teknologi informasinya, adalah :
 Arsitektur tersentralisasi Penyimpanan data yang tersentralisasi tersimpan di
computer yang memiliki kapasitas simpan yang besar dan mampu memproses
jutaan data transaksi. Yang saat data tersebut diperlukan maka komputer tersebut
bisa merespon dengan cepat. Tipe penyimpanan sentralisasi ini biasanya
digunakan oleh perusahaan yang semua datanya disimpan tersentral tidak
memiliki anak cabang karena hanya kantor utama, atau melihat dari sisi sekuritas
data perusahaan disentralkan.
 Arsitektur desentralisasi Penyimpanan data yang tersebar, yang setiap perangkat
tersebut antara satu sama lain terhubung dan memiliki spesifikasi yang serupa,
desentralisasi ini sering disebut dengan peer to peer. Biasanya sistem yang
terdistribusi seperti ini digunakan untuk perusahaan yang memiliki banyak sekali
anak cabang. Arsitektur seperti ini secara biaya lebih murah, tidak ada ongkos
 perawatan, cepat dan mudah diakses, tanggung jawab sesuai komputer tersebut
berada, ada data cadangan untuk back up. Semua dapat dicapai dengan baik
apabila perancangan dan standard control untuk arsitektur desentralisasi sudah
dibuat secara jelas dan terarah.
 Arsitektur client/server Arsitektur ini mengarahkan konektifitas komputer, client
yang dimaksud adalah software yang menerima perintah untuk menjalankan suatu
aplikasi yang terkoneksi ke server, sedangkan server tempat menyimpan data
informasi yang diminta oleh client. Contoh sederhana: data X disimpan pada
server untuk akses dan permintaan data tersebut butuh akses yang disetting atas
client yang berkaitan atau aplikasi yang diinstall pada server akan tetapi dapat di
remote server oleh komputer yang memiliki akses untuk membuat aplikasi pada
server tersebut.
 Arsitektur cloud Arsitektur cloud gabungan antara arsitektur desentralisasi dan
sentralisasi tapi semuanya berbasis Web Base. Mengutip dari IEEE Interner
Computing suatu paradigma di mana informasi secara permanen tersimpan di
server di internet dan tersimpan secara sementara di komputer user (client)
termasuk di dalamnya adalah desktop, komputer tablet, notebook, handheld,
sensor-sensor, monitor dan lain-lain
Data warehouse adalah koleksi data yang mempunyai sifat subject-oriented,
Integrated, nonvolatile, dan time-variant untuk mendukung proses pengambilan
keputusan dalam manajemen. Menurut Mannino, data warehouse adalah tempat
penyimpanan data terpusat, dimana data dari basis data operasional dan sumber lainnya
diintegrasikan, dibersihkan dan diarsipkan untuk mendukung pengambilan keputusan.
Menurut McLeod, data warehouse adalah sebuah sistem penyimpanan data yang
berkapasitas besar, dimana data dikumpulkan dengan menambahkan record baru daripada
meng-update record yang sudah ada dengan informasi baru. Data jenis ini digunakan
khusus untuk proses pengambilan keputusan dan bukan untuk kegiatan operasional
perusahaan sehari-hari. (Indrajani, menurut (Khotimah, 2016).
Data warehouse merupakan tempat penyimpanan data perusahaan atau institusi yang
disusun sedemikian rupa sehingga mengandung makna dan digunakan untuk analisa dan
pelaporan. Ada tiga hal atau lebih pendekatan untuk menyimpan data di data warehouse,
pendekatan yang paling penting yaitu pendekatan dimensional dan pendekatan yang
dinormalisasi . Jadi data warehouse adalah sumber informasi yang datanya diperoleh dari
online pemrosesan transaksi (OLTP). Kebanyakan data warehouse menyimpan data yang
bersifat historis, Seperti yang dikatakan Turban, menurut (Bhaskara et al., 2018),
Datawarehouse Aronson dan Ting adalah data warehouse yang komprehensif database
yang mendukung semua mendukung semua analisa keputusan yang diperlukan oleh
perusahaan dengan memberikan ringkasan dan detail informasi. Sedangkan menurut
Connolly and Begg, menurut (Bhaskara et al., 2018), data warehouse adalah kumpulan
data yang berorientasi pada subjek, terintegrasi, time-variant, dan non-volatile dalam
mendukung proses pengambilan keputusan.
Sedangkan untuk fungsi data warehouse sendiri adalah sebagai berikut :
- Mempermudah dalam mengambil keputusan
Fungsi yang paling mendasar sebagai referensi pengambilan keputusan yang tepat.
Intinya, informasi yang dikeluarkan oleh gudang data ini harus kredibel dan
berdasarkan kenyataan atau fakta di lapangan,
- Memberikan akses data yang cepat
Fungsi berikutnya adalah memberikan kemudahan ketika ingin mengakses yang
dimiliki.
- Memberikan data yang konsisten
Data warehouse adalah sebuah sistem yang mampu mengumpulkan data dari
beragam sumber yang berbeda. Walaupun berasal dari sumber yang berbeda, data
tersebut dapat disatukan menjadi format utuh agar bisa dimanfaatkan dengan baik.
- Membantu mengoptimalkan return on investment (ROI)
istilah ROI (return on investment) yaitu rasio antara hasil laba bersih dengan biaya
investasi yang nantinya menghasikan beberapa investasi lain pada sumber daya yang
tersedia saat itu.
Jika dikaitkan dengan data warehouse, fungsinya ialah untuk menghitung akurasi
pengembalian investasi sehingga lebih menguntungkan pelaku bisnis ataupun
organisasi.
- Memberikan insight seputar historical data
Data warehouse berfungsi sebagai penyedia utama historical data agar kamu tidak
salah dalam membuat perhitungan prioritas dan prediksi bisnis untuk waktu yang
akan datang.

Adapun Karakteristik Data Warehouse :

- Berorinetasi pada objek

 - Integrase data
- Statis dan terbentuk secara periodic
- Time variant (time-series)
- Nonvolatile
- Diringkas
- Tidak dinormaslisasikan
- Metadata
- Berbasis web, relational/multi-dimensi
- Client/server
- Real-time (aktif)

2.3 Metode Estimasi

Estimasi adalah suatu metode dimana kita dapat memperkirakan nilai Populasi dengan
memakai nilai sampel. Estimasi biasanya diperlukan untuk mendukung keputusan yang
baik, menjadwalkan pekerjaan, menentukan berapa lama proyek perlu dilakukan dan
berapa biayanya, menetukan apakah proyek layak dikerjakan, mengembangkan
kebutuhan arus kas, menentukan seberapa baik kemajuan proyek, Menyusun anggaran
time phased dan menetapkan baseline proyek (Prasetyo, 2014). Salah satu algoritma yang
dapat memodelkan persamaan untuk menghitung estimasi yakni Algoritma Linear
Regression.

2.4 Algoritma Linear Regression

Algoritma regresi linear adalah jenis aturan classification and regression pada data
mining selain Linear Regression yang termasuk pada golongan ini adalah Support Vector
Machine, Logistic Regression dan lain-lain. Analisis regresi linear adalah teknik data
mining untuk menentukan bahwa terdapat hubungan antara variable yang ingin
diramalkan dengan variabel lain[17].

Model Persamaan Regresi Linear adalah seperti berikut ini :

Y = a + bX

Dimana :

Y = Variabel Response (Dependent)

X = Variabel Predictor (Independent)

a = Konstanta

b = Koefisien regresi, besaran Response yang ditimbulkan oleh Predictor.

Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah ini :

( Σ y ) ( Σ x 2 )− ( Σ x )( Σ xy )
a=
n(Σx ²)– ( Σx)²
n ( Σx y ) −( Σ x ) ( Σ y )
b=
n(Σx ²) – (Σx)²

2.5 RapidMiner
Aplikasi RapidMiner RapidMiner adalah aplikasi atau perangkat lunak yang berfungsi
sebagai alat pembelajaran dalam ilmu data mining. Platfrom dikembangkan oleh
perusahaan yang didedikasikan untuk semua langkah yang melibatkan sejumlah besar
data dalam bisnis komersial, penelitian, pendidikan, pelatihan, dan pembelajaran.
RapidMiner memiliki sekitar 100 solusi pembelajaran untuk pengelompokan, klasifikasi
dan analisis regresi. RapidMiner juga mendukung sekitar 22 format file, seperti .xls, .csv,
dan sebagainya. RapidMiner membawa kecerdasan buatan kepada perusahaan melalui
platform ilmu data yang terbuka dan dapat diskalakan. RapidMiner dibangun untuk tim
analisis, mengintegrasikan seluruh siklus ilmu data, dari persiapan data hingga
pembelajaran mesin hingga penyebaran model prediksi. Lebih dari 625.000 profesional
analitis menggunakan produk RapidMiner untuk meningkatkan pendapatan, mengurangi
biaya, dan menghindari risiko.
RapidMiner adalah perangkat lunak independen yang digunakan untuk menganalisa
data dan mesin penambangan data, yang dapat diintegrasikan dengan berbagai bahasa
pemrograman secara mudah. RapidMiner ditulis dengan bahasa pemrograman Java,
sehingga dapat berkerja pada banyak sistem operasi. RapidMiner menyediakan UI untuk
mendesain pipa analisis, di mana akan menghasilkan file XML yang dapat menjelaskan
proses analisis yang ingin diterapkan oleh pengguna ke data. RapidMiner akan membaca
file ini untuk menjalankan analisa secara otomatis . RapidMiner menyediakan tampilan
(UI) yang ramah pengguna, sehingga memudahkan pengguna saat menggunakannya.
Tampilan yang terdapat pada RapidMiner disebut Perspective. Terdapat 3 Perspective,
yaitu Welcome Perspective, Design Perspective dan Result Perspective. Saat user
membuka aplikasi RapidMiner, user akan melihat Welcome Perspective. Design
Perspective merupakan tampilan di mana user akan bekerja di RapidMiner.
 Design Perspective adalah perspective utama pada RapidMiner, yang digunakan
sebagai tempat untuk merancang dan mengelola proses analisis. Terdapat beberapa view
pada perspective ini dengan fungsinya masing-masing. View dapat mendukung proses
analisis data. Result Perspective adalah tampilan di mana hasil analisis akan ditampilkan.
Tampilan yang dihasilkan bisa bermacam-macam, seperti grafik, teks, tree, tabel, dan
sebagainya, tergantung dari data dan metode yang dipakai untuk melakukan analisis.
Sebagai tampilan untuk lingkungan kerja, Design Perspective memiliki beberapa view.
Operator View adalah view yang paling utama dan penting. Semua operator atau
langkah-langkah kerja dalam RapidMiner ditampilkan dalam operator view dalam bentuk
grup hierarkis, sehingga operator ini dapat digunakan dalam proses analisis. perator view
dibagi menjadi beberapa kelompok operator, yang pertama adalah Process Control.
Operator ini berisi logika looping dan percabangan yang mengatur aliran proses analisis
data. Yang kedua adalah Utility yang berfungsi sebagai operator bantuan seperti macros,
loggin, subproses dan lain-lain. Ketiga yaitu Repository Access, di mana operator ini
berfungsi untuk membaca atau menulis akses pada repository. Operator yang keempat
adalah Import yang digunakan untuk membaca data dan objek dari file, database, dan
sebagainya. Operator kelima yaitu Export yang mempunyai fungsi yang berkebalikan dari
Import, di mana operator ini digunakan untuk menulis data ke dalam format tertentu.
Selanjutnya ada operator Data Transformation yang berguna untuk transformasi data dan
metadata. Kemudian operator Modelling yang berisi segala macam metode dan teknik
data mining untuk pengolahan data. Operator terakhir adalah Evaluation yang berfungsi
untuk mengevaluasi kualitas output yang dihasilkan Selain operator view, repository view
juga merupakan komponen yang cukup penting dalam Design Perspective. Pada view ini,
user dapat mengelola dan mengatur proses analisis data menjadi sebuah proyek, di mana
pada saat yang sama view tersebut berperan sebagai sumber data dan hal-hal yang terkait
dengan metadata. Process view juga berfungsi untuk menunjukkan tahap-tahap tertentu
dalam proses analisis dan juga berfungsi sebagai tautan ke langkah-langkah berikutnya.
 BAB III

METODOLOGI PENELITAN

3 Hasil dan Pembahasan

Pada tahapan ini dibutuhkan data kependudukan, sampah dan data luas lahan
pembuangan sampah untuk dapat diolah dengan analisis data mining menggunakan
algoritma regresi linier sederhana. Adapun analisis yang dilakukan sebagai berikut :

3.1 Data Kependudukan

Data kependudukan diperoleh berdasarkan hasil observasi yang dilakukan. Data
penduduk yang digunakan adalah data penduduk kota Jakarta Utara pada tahun 2010
– 2020.

No Tahun Jumlah Penduduk

1 2010 1653178
2 2011 1672882
3 2012 1692338
4 2013 1711036
5 2014 1729444
6 2015 1696015
7 2016 1707095
8 2017 1716591
9 2018 1781882
10 2019 1819958
11 2020 1844462

Sumber : https://jakutkota.bps.go.id/site/resultTab

3.2 Data Volume Sampah 2010-2020

Data volume sampah diperoleh dari hasil observasi yang dilakukan dimana data
sampah yang digunakan pertahun dari tahun 2010 sampai 2020 :

No Tahun Volume Sampah

1 2010 392674
2 2011 397354
3 2012 401976
4 2013 406417
 5 2014 410789
6 2015 402849
7 2016 405481
8 2017 407737
9 2018 423245
10 2019 432289
11 2020 438109

3.3 Data Lahan Pembuangan Sampah

Data lahan pembuangan sampah diperoleh dari hasil jumlah TPS yang ada pada tahun
2010-2020.

Jumlah Lokasi Luas Lahan Timbunan

152 Jakarta Utara 37Ha 1,5 ton/M2

3.4 Pertumbuhan Penduduk 2010-2020

Berdasarkan data penduduk tahun 2010-2020 dapat diketahui rata – rata pertumbuhan
penduduk yang terjadi pada kota Jakarta Utara yaitu sebesar 1% dimana rata – rata
pertumbuhan penduduk dapat diperoleh dari table beriktu.

Tahun Jumlah Penduduk(x) Pertumbuhan Orang %

2010 1653178 - -
2011 1672882 19704 1%
2012 1692338 19456 1%
2013 1711036 18698 1%
2014 1729444 18408 1%
2015 1696015 -33429 -2%
2016 1707095 11080 1%
2017 1716591 9496 1%
2018 1781882 65291 4%
2019 1819958 38076 2%
2020 1844462 24504 1%
Jumlah pertumbuhan 11%
Rata - rata 1%

3.5 Prediksi Penduduk Tahun 2021-2025

Dari hasil perhitungan pertumbuhan penduduk sebesar 1%, maka dapat dijadikan
acuan dalam melakukan prediksi pertumbuhan penduduk tahun 2021-2025 sebagai
 data training untuk mengetahui perkembangan volume sampah pada tahun 2021-2025
dengan menggunakan persamaan rumus ke 1 dengan hasil sebagai berikut.

No Tahun Jumlah Penduduk

1 2021 1862906,62
2 2022 1881535,686
3 2023 1900351,043
4 2024 1919354,553
5 2025 1938548,099

3.6 Volume Sampah

Dari hasil prediksi pertumbuhan penduduk kota Jakarta Utara sampai dengan tahun
2025 yaitu 1.938.354 Jiwa, maka dapat dilakukan estimasi pertumbuhan sampai
dengan tahun 2025 dengan persamaan ke 4, 5 dan 6 sebagai berikut :

Tahun Jiwa(x) Sampah(y) X2 xy

2010 1653178 392674 2,733E+12 6,4916E+11
2011 1672882 397354 2,79853E+12 6,64726E+11
2012 1692338 401976 2,86401E+12 6,80279E+11
2013 1711036 406417 2,92764E+12 6,95394E+11
2014 1729444 410789 2,99098E+12 7,10437E+11
2015 1696015 402849 2,87647E+12 6,83238E+11
2016 1707095 405481 2,91417E+12 6,92195E+11
2017 1716591 407737 2,94668E+12 6,99918E+11
2018 1781882 423245 3,1751E+12 7,54173E+11
2019 1819958 432289 3,31225E+12 7,86748E+11
2020 1844462 438109 3,40204E+12 8,08075E+11

X adalah Jumlah penduduk

Y adalah jumlah sampah
∑X = 19.024.881
∑Y = 4.518.920
∑ X . Y = 8.59719E+13
∑X 2 = 3.61946E+14

a = ¿¿
( 4.518 .920 ) (3.61946E+14 )−(19.024 .881)(8.59719E+13)
= 2
3 ( 3.61946E+14 )−(19.024 .881)
= 0,0407
 b = n¿¿
3 ( 8.59719E+13) −(19.024 .881)(4.518 .920)
=
3(3.61946E+14)(19.024 .881)2
= -2,1875
Y = a+bx
= 0,0407 + -2,1875x
Maka dapat diprediksi volume sampah dari tahun 2021 sampai dengan jumlah sampah
tahun 2025, sebagai berikut :
Penduduk 2021 =
Y = a+bx
= 0,0407 + (-2,1875)( 1.876.574)
= 3670951874 Ton
Hasil Perhitungan prediksi sampah sampai tahun 2024 di kota Jakarta Utara sebagai berikut :

No Tahun Sampah (Ton)

1 2021 4075108,191
2 2022 4115859,273
3 2023 41570179067
4 2024 4198588,045
5 2025 4240573,926
Total 41586809196

Dari proses perhitungan regresi linear diperoleh hasil prediksi sampah sampai dengan
2025 pada tabel adalah 4240573,926 ton. Dilihat dari luas area pembuangan sampah yang ada
sebesar 370000 M 2 dengan tinggi timbunan sampah sebesar 1,5 ton/ M 2 , maka dapat
diketahui estimasi ketersediaan lahan sampai tahun 2025 yaitu total volume sampah dibagi
dengan tinggi timbunan sampah, maka diperoleh luas lahan yang terpakai adalah 555.000 M 2 .
Sehingga estimasi ketersediaan lahan yang dimiliki oleh pemerintah kota Jakarta Utara
adalah luas lahan dikurang lahan yang terpakai sampai tahun 2025 yaitu 370000 M 2 –
555000 M 2 = -185000 M 2