Klasifikasi Penduduk Miskin Provinsi Nusa Tenggara Timur Menggunakan Algoritma Naïve

KLASIFIKASI PENDUDUK MISKIN PROVINSI NUSA
TENGGARA TIMUR MENGGUNAKAN ALGORITMA NAÏVE

BAYES DAN CROSS VALIDATION
SKRIPSI
Oleh:
Daniel Rachman
311410065
PROGRAM STUDI TEKNIK INFORMATIKA

SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
BEKASI
2018
KLASIFIKASI PENDUDUK MISKIN PROVINSI NUSA
TENGGARA TIMUR MENGGUNAKAN ALGORITMA NAÏVE
BAYES DAN CROSS VALIDATION
SKRIPSI
Diajukan Sebagai Salah Satu Syarat Untuk Menyelesaikan
Program Strata Satu (S1) pada Program Studi Teknik Informatika
Oleh:
Daniel Rachman
311410065
PROGRAM STUDI TEKNIK INFORMATIKA

SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
BEKASI
2018
iii
iv
v
KATA PENGANTAR
Puji syukur penulis panjatkan kehadiran Allah SWT. yang telah melimpahkan
segala rahmat dan hidayah-Nya, sehingga tersusunlah Skripsi yang berjudul
“KLASIFIKASI PENDUDUK MISKIN PROVINSI NUSA TENGGARA
TIMUR MENGGUNAKAN ALGORITMA NAÏVE BAYES DAN CROSS
VALIDATION”.
Skripsi tersusun dalam rangka melengkapi salah satu persyaratan dalam
rangka menempuh ujian akhir untuk memperoleh gelar Sarjana Komputer (S.Kom.)
pada Program Studi Teknik Informatika di Sekolah Tinggi Teknologi Pelita Bangsa.
Penulis sungguh sangat menyadari, bahwa penulisan Skripsi ini tidak akan
terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Sudah selayaknya,
dalam kesempatan ini penulis menghaturkan penghargaan dan ucapan terima kasih
yang sebesar-besarnya kepada:
a. Bapak Dr. Ir. Suprianto, M.P. selaku Ketua STT Pelita Bangsa
b. Bapak Aswan S. Sunge, S.E., M.Kom. selaku Ketua Program Studi Teknik
Informatika STT Pelita Bangsa.
c. Bapak Elkin Rilvani, S.Kom., M.M.. selaku Dosen pembimbing utama yang telah
banyak memberikan arahan dan bimbingan kepada penulis dalam penyusunan
Skripsi ini.
d. Ir. Tri Ngudi Wiyatno, M.T. selaku Dosen pembimbing kedua yang telah banyak
memberikan arahan dan bimbingan kepada Penulis dalam penyusunan Skripsi ini.
e. Seluruh Dosen STT Pelita Bangsa yang telah membekali penulis dengan
wawasan dan ilmu di bidang Teknik Informatika.
f. Seluruh staf STT Pelita Bangsa yang telah memberikan pelayanan terbaiknya
kepada penulis selama perjalanan studi jenjang Strata 1.
iv
g. Rekan-rekan mahasiswa STT Pelita Bangsa, khususnya angkatan 2014, yang
telah banyak memberikan inspirasi dan semangat kepada penulis untuk dapat
menyelesaikan studi jenjang Strata 1.
h. Ibu dan Ayah tercinta yang senantiasa mendo’akan dan memberikan semangat
dalam perjalanan studi Strata 1 maupun dalam kehidupan penulis.
Akhir kata, Penulis mohon maaf atas kekeliruan dan kesalahan yang terdapat
dalam Skripsi ini dan berharap semoga Skripsi ini dapat memberikan manfaat bagi
khasanah pengetahuan Teknologi Informasi di lingkungan STT Pelita Bangsa
khususnya dan Indonesia pada umumnya.
Bekasi, November 2018
Daniel Rachman
v
DAFTAR ISI
Halaman
PERSETUJUAN…………………………………………………………………... i
PENGESAHAN…………………………………………………………………… ii
PERNYATAAN KEASLIAN PENELITIAN……………………………………. iii
KATA PENGANTAR……………………………………………....................... iv
DAFTAR ISI…………………………………………………………….............. vi
DAFTAR TABEL………………………………………………………………… ix
DAFTAR GAMBAR………………………………........................................... x
DAFTAR LAMPIRAN……………………………………................................ xi
ABSTRACT……………………………………………………………………… xii
ABSTRAK……………………………………………………………………….. xiii
BAB I PENDAHULUAN…………………………………………………….. 1
1.1 Latar Belakang………………………………………………………… 1
1.2 Identifikasi Masalah…………………………………………………… 4
1.3 Rumusan Masalah………………………………………....................... 4
1.4 Batasan Masalah………………………………………………………. 4
1.5 Tujuan dan Manfaat………………………………………................... 4
vi
1.5.1 Tujuan……………………………………………………............. 5
1.5.2 Manfaat………………………………………………….............. 5
1.6 Sistematika Penulisan……………………………………………........ 5
BAB II TINJAUAN PUSTAKA………………………..................................... 7
2.1 Tinjauan Studi………………………………………………………… 7
2.2 Kajian Pustaka……………………………………………………........ 13
2.2.1 Data Mining ……………………………........................................ 13
2.2.2 Tahap-tahap Data Mining…………………................................... 13
2.2.3 Konsep Klasifikasi…………………………….............................. 17
2.2.4 Naïve Bayes………………………………………………………. 18
2.2.5 Cross Validation……………………………………………......... 20
2.3 Tinjauan Organisasi…………………………………….............................. 22
2.3.1 Keadaan Geografis dan Administrasi NTT…………..................... 22
2.3.2 Populasi dan Mata Pencarian Penduduk NTT…………………… 24
2.4 Kerangka Pemikiran………………………………………................... 24
2.5 Hipotesis Penelitian………………………………………………......... 25
BAB III METODE PENELITIAN…………………………………………….. 26
3.1 Metode Pengumpulan Data…………………………………………… 26
vii
3.2 Teknik Analisis Data…………………………………………………. 26
3.3 Langkah Penelitian…………………………………………………… 30
3.4 Peralatan ……………………………………………………….......... 31
3.5 Waktu Penelitian……………………………………………………… 32
BAB IV HASIL DAN PEMBAHASAN……………………………………….. 34
4.1 Hasil……………………………………………………………………….. 34
4.1.1 Perhitungan Naïve Bayes……………………………………………. 34
4.1.2 Implementasi Klasifikasi Naïve Bayes Pada Rapid Minner………….. 46
4.1.3 Akurasi Klasifikasi…………………………………………………… 47
4.2 Pembahasan…………………………………………………………. ……. 50
BAB V KESIMPULAN DAN SARAN………………………………………… 52
5.1 Kesimpulan………………………………………………………………… 52
5.2 Saran………………………………………………………………… …….. 52
DAFTAR PUSTAKA…………………………………………………………….. 53
LAMPIRAN……………………………………………………………………….
viii
DAFTAR TABEL
Halaman
Tabel 2.1 Penelitian Sebelumnya Yang Relevan……………………......... 9
Tabel 3.1 Atribut Dataset………………………………………………… 28
Tabel 3.2 Jadwal Kegiatan Penelitian……………………………………. 32
Tabel 4.1 Kriteria Yang Digunakan………………………………………. 34
Tabel 4.2 Probolitas Keterangan Penduduk………………………………. 35
Table 4.3 Atribut Kabupaten………………………………………………. 36
Table 4.4 Atribut Kecamatan………………………………………………. 37
Table 4.5 Atribut Program…………………………………………………. 38
Tabel 4.6 Atribut Jumlah Penduduk……………………………………….. 38
Tabel 4.5 Atribut Belum APBN…………………………………………… 39
Tabel 4.6 Atribut Belum APBD…………………………………………. 40
Tabel 4.7 Data Testing…………………………………………………… 41
Tabel 4.8 Perhitungan P (ci)……………………………………………… 42
Tabel 4.9 Menghitung Jumlah Kelas Atas Klasifikasi…………………… 43
ix
DAFTAR GAMBAR
Halaman
Gambar 2.1 Tahap-Tahap Data Maning…………………………………... 16
Gambar 2.2 Skema 10 Fold……………………………………………….. 21
Gambar 2.3 Kerangka Pemikiran………………………………………….. 25
Gambar 3.1 Pemahaman Bisnis…………………………………………… 27
Gambar 3.2 Dataset……………………………………………………….. 28
Gambar 4.1 Proses Rapid Miner………………………………………….. 46
Gambar 4.2 Hasil Klasifikasi Rapid Miner……………………………….. 47
Gambar 4.3 Model Pengujian……………………………………………… 47
Gambar 4.4 Sub Proses Cross Validation…………………………………. 48
Gambar 4.5 Confusion Matrix Penduduk…………………………………. 49
Gambar 4.6 Hasil Pengukuran Accuracy…………………………………. 51
x
DAFTAR LAMPIRAN
Halaman
Lampiran 1 Data Training……………..…………………………………...
Lampiran 2 Data Test……………..………………………………….........
xi
ABSTRACT
Poverty is the condition of a person or group of people, male and female, unable to
fulfill their basic rights to maintain and develop a dignified life. East Nusa Tenggara
is one of the provinces in Indonesia. Poverty in the province of East Nusa Tenggara
in September 2017 reached 1,134.74 thousand people. In this case East Nusa
Tenggara is difficult to determine the poor or not poor population. In this study, it is
proposed to use data mining techniques to classify the poor population. Data mining
techniques to classify based on population. The algorithm used is Naïve Bayes. From
this study, Naive Bayes succeeded in classifying the poor population with an
accuracy rate of 59%. In the study, the data was 200 people..
Keywords: Poverty ,East Nusa Tenggara, Data Mining, Naïve Bayes
xii
ABSTRAK
Kemiskinan adalah kondisi seseorang atau sekelompok orang, laki laki dan
perempuan, tidak mampu memenuhi hak dasarnya untuk mempertahankan dan
mengembangkan kehidupan yang bermartabat. Nusa Tenggara Timur adalah salah
satu provinsi yang berada di Indonesia, Kemiskinan diprovinsi Nusa Tenggara Timur
pada bulan September 2017 mencapai 1.134,74 ribu orang. Dalam hal ini Nusa
Tenggara Timur sulit menentukan penduduk yang miskin atau tidak miskin Pada
penelitian ini diusulkan penggunaan teknik data mining untuk mengklasifikasi
penduduk miskin. Teknik data mining untuk mengklasifikasi berdasarkan jumlah
penduduk. Algoritma yang digunakan yaitu Naïve Bayes, Dari penelitian ini Naive
Bayes ini berhasil mengklasifikasi penduduk miskin dengan persentase keakuratan
sebesar 59% .Dalam penelitian menggunakan data sebanyak 200 penduduk.
Kata kunci : Kemiskinan, Nusa Tenggara Timur, Data Mining, Naïve

Bayes.
xiii
BAB I
PENDAHULUAN
1.1 Latar Belakang
Kemiskinan adalah kondisi seseorang atau sekelompok orang, laki laki dan
perempuan, tidak mampu memenuhi hak dasarnya untuk mempertahankan dan
mengembangkan kehidupan yang bermartabat sehingga dalam upaya meningkatkan
kesejahteraan tersebut dapat dilakukan melalui program penanggulangan kemiskinan
baik berupa bantuan sosial maupun pemberdayaan masyarakat. Banyak penelitian
terkait klasifikasi kesejahteraan rumah tangga seringkali menggunakan variabel
target/kelas berupa kategori miskin dan tidak miskin.
Indonesia merupakan salah satu Negara berkembang di asia khususnya asia
tenggara. Salah satu masalah yang sering dihadapi oleh Negara berkembang adalah
kemiskinan. Berdasarkan data yang dikeluarkan oleh Badan Pusat Statistik, angka
kemiskinan di Indonesia pada tahun 1999 mencapai 47.97 juta jiwa. Pada tahun 2018
jumlah penduduk miskin menjadi 29.95 juta jiwa. Nusa Tenggara Timur adalah salah
satu provinsi yang berada di Indonesia, Kemiskinan diprovinsi Nusa Tenggara Timur
pada bulan September 2017 mencapai 1.134,74 ribu orang.
Cara mengetahui kemiskinan dengan cara melakukan pendataan
kependudukan khususnya masalah kemiskinan yang dilakukan oleh Badan Pusat
Statistik setiap 3 tahun sekali. Proses pendataan dilakukan dengan cara door to door,
cara ini dianggap kurang efektif dari pekerjaan ini BPS menghasilkan data yang
1
2
berlimpah mengenai kemiskinan. Kemiskinan ini harus diperhatikan untuk dapat
mengetahui ketepatan jenis/klasifikasi didapat dari pengelolahan data yang ada dan
tersimpan dalam basis data (database). Pada data kemiskinan tersebut dari banyak
nilai untuk mengetahui miskin atau tidaknya masyarakat, hal ini sesuai dengan bidang
keilmuan IT lain yaitu data mining yang bisa diintegrasikan kembali. Data mining
adalah proses yang memanfaatkan suatu metode untuk memperoleh informasi baru
dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar.
Pendekatan yang dapat digunakan untuk menganalisis sekumpulan data adalah
klasifikasi. Klasifikasi merupakan salah satu teknik data mining yang digunakan
untuk membangun suatu model dari sampel data yang belum terklasifikasi untuk
digunakan mengklasifikasi sampel data baru ke dalam kelas-kelas yang sejenis.
Klasifikasi termasuk ke dalam supervised learning karena menggunakan sekumpulan
data untuk dianalisis terlebih dahulu, kemudian pola dari hasil analisis tersebut
digunakan untuk pengklasifikasian data uji.
Salah satu penelitian yang dilakukan oleh Erfan Karyadiputra mengenai
analisis algoritma Naïve Bayes untuk klasifikasi status kesejahteraan rumah tangga
keluarga binaan sosial. Penelitian dilakukan dengan jumlah data sebanyak 30 data set,
hasilnya di dapatkan bahwa nilai akurasi tertinggi diperoleh dengan menggunakan
algoritma Naïve Bayes sebesar 85,80%.
Performa pengklasifikasi biasanya diukur dengan ketepatan atau tingkat galat.
Naive Bayes (NB) adalah algoritma klasifikasi probabilitas sederhana yang
berdasarkan pada teorema Bayes, asumsi bebas yang kuat (naive), dan model fitur
3
independen. Naive Bayes juga merupakan algoritma klasifikasi yang utama pada data
mining dan banyak diterapkan dalam masalah klasifikasi di dunia nyata karena
memiliki performa klasifikasi yang tinggi. Menghitung peluang untuk suatu hipotesis,
menghitung peluang dari suatu kelas dari masing-masing kelompok atribut yang ada,
dan menentukan kelas mana yang paling optimal.
Dari paparan diatas maka peneliti mengusulkan menggunakan bidang ilmu
Data mining untuk menyelesaikannya dengan metode Klasifikasi untuk menetukan
akurasi data kemiskinan diprovinsi Nusa Tenggara Timur.
Pemilihan algoritma klasifikasi yang tepat untuk mengklasifikasi akurasi
adalah hal yang sangat mempengaruhi kepercayaan masyarakat kepada Badan Pusat
Statistik oleh karena itu penulis memilih Naive Bayes (NB) untuk peneltian ini NB
adalah salah satu algoritma yang paling banyak digunakan dalam masalah klasifikasi
karena sederhana dan keefektifannya. Namun Naïve Bayes juga memiliki masalah
dalam akurasi perhitungannya, Pada permasalah Naïve Bayes ini akan dibantu Cross
Validation (CV) untuk meningkatkan akurasi perhitungannya
Berdasarkan uraian permasalahan diatas penulis akan mencoba mebuat
sebuah penelitian yang berjudul “KLASIFIKASI PENDUDUK MISKIN
PROVINSI NUSA TENGGARA TIMUR MENGGUNAKAN ALGORITMA
NAÏVE BAYES DAN CROSS VALIDATION”.

4
1.2 Identifikasi Masalah
Dari latar belakang masalah yang telah jelaskan diatas dapat diketahui
permasalahan dalam penelitian kali ini adalah
1. Sulitnya menentukan masyarakat miskin diprovinsi Nusa Tenggara Timur.
2. Menentukan penduduk miskin oleh BPS masih menggunakan cara sensus.
1.3 Rumusan Masalah
Berdasarkan identifikasi masalah diatas adalah bagaimana menerapkan teknik
data mining dengan metode Naïve Bayes untuk menampilkan akurasi kemiskinan
diprovinsi Nusa Tenggara Timur.
Maka pertanyaan penelitian yang timbul adalah bagaimana menentukan
penduduk miskin Nusa Tenggara Timur menggunakan algoritma Naïve Bayes dan
cross validation?
1.4 Batasan Masalah
Agar permasalahan lebih terarah, maka perlu adanya batasan masalah.
Adapun batasan masalah pada skripsi ini:
1. Pengklasifikasian penduduk miskin didasarkan pada yang ada pada provinsi
Nusa Tenggara Timur
2. Klasifikasi penduduk miskin didasarkan pada data di situs data.go.id yang ada
pada provinsi Nusa Tenggara Timur.
3. Penggunaan algoritma dan cross validation untuk klasifikasi kemiskinan.

5
1.5 Tujuan dan Manfaat
1.5.1 Tujuan
Adapun tujuan dari penelitian yang dilakukan adalah untuk menentukan
penyelesaian penduduk miskin menggunakan algoritma Naïve Bayes.
1.5.2 Manfaat
1. Hasil penelitian ini diharapkan dapat digunakan untuk membantu
mengidentifikasi kemiskinan diprovinsi Nusa Tenggara Timur.
2. Hasil penelitian ini diharapkan dapat memberikan sumbangan untuk
pengembangan teori yang berkaitan metode klasifikasi data mining untuk
klasifikasi kemiskinan khususnya metode Naive Bayes.
3. Hasil penelitian ini diharapkan dapat memberikan masukan pada instansi
terkait dalam rangka mengambil kebijakan untuk mengevaluasi kebijakan
dalam upaya mengentaskan kemiskinan diprovinsi Nusa Tenggara Timur.
1.6 Sistematika Penulisan
Sistematika penulisan dan gambaran umum setiap bab dalam penulisan ini
adalah sebagai berikut:
BAB I PENDAHULUAN
Pada bab ini membahas tentang Latar Belakang, Identifikasi Masalah,
Rumusan Masalah, Batasan Masalah, Tujuan dan Manfaat Penelitian, dan
Sistematika Penulisan.
6
BAB II TINJAUAN PUSTAKA
Pada bab ini membahas tentang Kajian Pustaka, Tinjauan Studi, Tinjauan
Organisasi, Kerangka Berfikir, dan Hipotesis Penelitian.
BAB III METODE PENELITIAN
Pada bab ini membahas tentang Metode Penelitian, Metode Pemilihan
Sampel, Metode Pengumpulan Data, Teknik Analisis Data, Langkah
Penelitian, Peralatan dan Waktu Penelitian.
BAB IV HASIL DAN PEMBAHASAN
Bab ini akan menjelaskan tentang hasil serta pembahasan dari penelitian yang
sudah dilakukan.
BAB V KESIMPULAN DAN SARAN
Bab ini berisikan kesimpulan dan saran dari penelitian yang sudah dilakukan
secara keseluruhan serta memberikan beberapa saran sebagai acuan apabila ada
yang akan melanjutkan penelitan ataupun ingin mengembangkan penelitian ini.

7
BAB II
TINJAUAN PUSTAKA
2.1 Tinjauan Studi
Menurut penelitian yang sudah dilakukan oleh (Erfan Karyadiputra et al,
2016) dimana penelitian tersebut menggunakan metode klasifikasi status
kesejahteraan rumah tangga menggunakan Naïve Bayes berbasis seleksi atribut chi
squared. Hasilnya pun membuktikan bahwa akurasi untuk algoritma naive bayes
sebesar 85.80% dengan nilai area under cover (AUC) 0.930. Pada eksperimen kedua
dengan menggunakan algoritma naive bayes berbasis seleksi atribut chi squared
menjadi 86.78% dan nilai AUC 0.944. Pada eksperimen kedua terbukti bahwa dengan
penambahan optimasi dapat meningkatkan nilai akurasi.
Penelitian yang lainnya juga pernah dilakukan diantaranya ialah penelitian
(Karyadiputra, Kom, 2016) dimana penelitian tersebut menggunakan metode
klasifikasi Naive Bayes dalam menentukan status kesejahteraan rumah tangga
keluarga binaan sosial. Hasilnya pun membuktikan bahwa akurasi untuk algoritma
naive bayes sebesar 85.80% dengan nilai area under cover (AUC) 0.930.
Hasil lain penelitian yang pernah di lakukan (Nuraeni, 2017) tersebut
menggunakan metode klasifikasi Naive Bayes dalam Penentuan Kelayakan Kredit
pada Studi Kasus Bank Mayapada Mitra Usaha Cabang PGC. Hasil penelitian untuk
nilai akurasi algoritma klasifikasi Naïve Bayes Classifier adalah 89.33%, Sementara
8
untuk evaluasi menggunakan ROC Curve untuk model klasifikasi Naïve Bayes
Classifier nilai AUC adalah 0.955 dengan tingkat diagnosa Excellent Classification.
Hasil lain penelitian yang pernah di lakukan (Widiastuti, Santosa, &
Supriyanto, 2014) penelitian tersebut menggunakan algoritma naïve bayes
menggunakan metode optimasi particle swarm optimization (PSO) dalam
menentukan deteksi penyakit jantung. Hasilnya pun membuktikan bahwa akurasi
untuk algoritma naive bayes sebesar 82.14% dengan nilai area under cover (AUC)
0.686 dengan kategori “poor classification”. Pada eksperimen kedua dengan
menggunakan algoritma Naive Bayes berbasis PSO menjadi 92.86% dan nilai AUC
0.839 dengan kategori “good classification”. Pada eksperimen kedua terbukti bahwa
dengan penambahan optimasi dapat meningkatkan nilai akurasi.
Hasil lain Penelitian yang pernah di lakukan (Salmu & Solichin, 2017)
dimana penelitian tersebut menggunakan Metode klasifikasi Naive Bayes dalam
menentukan Prediksi Kelulusan Tepat Waktu. Hasilnya pun membuktikan bahwa
akurasi untuk algoritma naive bayes sebesar 80.72%.
Berikut ini adalah daftar tabel penelitian sebelumnya yang menjadi bahan
acuan Penulis sebagai literatur penelitian :

9
Tabel 2.1 Penelitian Sebelumnya yang Relevan
No Nama Penulis Judul Jurnal Tahun Atribut Metode Hasil
1 Nur Aeni Algoritma 2014 Usia, Jenis Metode Hasil dari
Widiastuti, et al Klasifikasi kelamin, Hasil Kalsifika algoritma naïve
Data Mining darah, Thorax, si Naïve bayes
Naïve Bayes Hasil rekam Bayes mendapatkan
Berbasis jantung, Cepat akurasi 82.14%
Particle Swarm capek, Merokok, dan nilai (AUC)
Optimization Hipertensi dan 0.686, PSO
Untuk Dateksi Tekanan darah. mendapatkan
Penyakit akurasi 92.86%
Jantung dan nilai (AUC)
0.839
2 Erfan Klasifikasi 2016 Jenis kelamin Metode Hasil dari
Karyadiputra, et Status KRT, Umur Kalsifika algoritma naïve
al Kesejahteraan KRT, Pendidikan si Naïve bayes
Rumah Tangga KRT, Lapangan Bayes, mendapatkan
Keluarga usaha KRT, Skp Seleksi akurasi 85.80%
Binaan Sosial KRT, Spt KRT, Atribut dan nilai (AUC)
Menggunakn Jenis atap, Chi 0.930, Algoritma
Algoritma Kualitas atap, Squared naïve bayes
Naïve Bayes Kualitas dinding, berbasis seleksi
Berbasis Jenis lantai, atribut chi
Seleksi Atribut Sumber squared

10
Chi Squared penerangan, mendapatkan
Bahan bakar akurasi 86.78%
memasak dan dan nilai (AUC)
Jumlah individu.
0.944
3 Erfan Analisis 2016 Jenis kelamin, Metode Hasil dari
Karyadiputra Algoritma Umur KRT, Kalsifika algoritma naïve
Naïve Bayes Pendidikan KRT, si Naïve bayes
Untuk Lapangan usaha Bayes mendapatkan
Klasifikasi KRT, Skp KRT, akurasi 85.80%
Status Spt KRT, Jenis dan nilai (AUC)
Kesejahteraan atap, Kualitas 0.930.
Rumah Tangga atap, Jenis
Keluarga dinding, Kualitas
Binaan Sosial dinding, Jenis
lantai, Sumber air
minum, Bahan
bakar memasak,
Sumber
penerangan,
Jumlah keluarga,
Jumlah individu.
11
4 Nia Nuraeni Penentuan 2017 Jenis usaha, Metode Hasil dari
Kelayakan Status tempat Kalsifika algoritma naïve
Kredit Dengan usaha, Lama si Naïve bayes Classifier
Algoritma usaha, Sistem Bayes mendapatkan
Naïve Bayes penjualan, Sistem akurasi 89.33%
Classifier: studi pembelian, dan nilai (AUC)
kasus Bank Omset, Gross 0.955
mayapada profit margin,
Mitra Usaha Repayment
Cabang PGC capacity dan
Fasilitas.
5 Supardi Salmu, Prediksi 2017 Jenis kelamin, Metode Hasil dari
et al Tingkat Jenis seleksi, Kalsifika algoritma naïve
Kelulusan Pendapatan ayah, si Naïve bayes
Mahasiswa Pendidikan ibu, Bayes mendapatkan
Tepat Waktu IP semester 1, IP akurasi 80.72%
Menggunakan semester 2, IP
Naive Bayes: semester 3, IP
Studi Kasus semester 4, SKS
UIN Syarif semester 1, SKS
Hidayatullah semester 2, SKS
Jakarta semester 3 dan
SKS semester 4.
12
Berdasarkan tabel 2.1 dari banyaknya penelitian yang ada algoritma naïve
bayes masih efektif dalam menklasifikasi dan menentukan akurasi. Oleh karna itu
untuk meningkatkan performansi algoritma Naïve Bayes perlu adanya penelitian
dengan menerapkan suatu parameter yang sama untuk menangani beberapa dataset
yang memiliki karateristik berbeda sehingga dapat diketahui secara detail tingkat
Klasifikasian.
Penulis memilih Cross Validation sebagai metode statistik untuk
meningkatkan performansi algoritma Naïve Bayes dalam mengklasifikasi data karena
algoritma Naïve Bayes dan Cross Validation dinilai mampu serta efektif di beberapa
penelitian sebelumnya.
Penelitian yang dilakukan oleh (Septiani, Studi, & Informatika, 2017) Dari
metode. Cross Validation sebagai metode statistik hasil penelitian yang telah
dilakukan pada data pasien penderita penyakit hepatitis maka dapat disimpulkan
bahwa metode klasifikasi data mining Algoritma Naive Bayes menghasilkan akurasi
83,71% dan nilai AUC 0,812. Dengan demikian dapat disimpulkan bahwa metode
Cross Validation sebagai metode statistik ini akurat dalam melakukan prediksi untuk
penyakit hepatitis.
13
2.2 Kajian Pustaka
2.2.1 Data Mining
Data mining, sering juga disebut knowledge discovery in database (KDD),
adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk
menentukan pola keteraturan, pola hubungan dalam set data berukuran besar
(Septiani, 2017).
Data mining merupakan sebuah teknik untuk menggali informasi tersembunyi
untuk memperoleh manfaat lebih dari data yang ada (Iskandar & Suprapto, 2013).
Data mining merupakan proses yang menggunakan teknik statistik,
matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan
mengidenfikasi informasi yang bermanfaat dan pengetahuan yang terakit dari
berbagai database besar/Data Warehouse (Tampubolon et al., 2013).
2.2.2 Tahap-Tahap Data Mining
Rangkaian proses, Data Mining dapat dibagi menjadi beberapa tahap proses.
Tahap- tahap tersebut bersifat interaktif, pemakai terlibat langsung atau dengan
perantaraan knowledge base. Tahap-tahap Data Mining adalah sebagai berikut:
Tahap-tahap data mining ada 7 yaitu :(Asriningtias et al., 2014)
a. Pembersihan data (data cleaning)
Pembersihan data merupakan proses menghilangkan noise dan data yang tidak
relevan. Pada umumnya data yang diperoleh, baik dari database memiliki
isian-isian yang tidak sempurna seperti data yang hilang, data yang tidak valid
14
atau juga hanya sekedar salah ketik. Data- data yang tidak relevan itu juga
lebih baik dibuang. Pembersihan data juga akan mempengaruhi performasi
dari teknik data mining karena data yang ditangani akan berkurang jumlah dan
kompleksitasnya.
b. Integrasi data (Data integration)
Integrasi data merupakan penggabungan data dari berbagai database ke dalam
satu database baru. Integrasi data perlu dilakukan secara cermat karena
kesalahan pada integrasi data bisa menghasilkan hasil yang menyimpang dan
bahkan menyesatkan pengambilan aksi nantinya.
c. Seleksi Data (Data Selection)
Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena
itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database.
d. Transformasi data (Data Transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk diproses.
Sebagai contoh beberapa metode standar seperti analisis asosiasi dan
clustering hanya bisa menerima input data kategorikal. Karenanya data berupa
angka numerik yang berlanjut perlu dibagi-bagi menjadi beberapa interval.
Proses ini sering disebut transformasi data.
e. Proses mining
Merupakan suatu proses utama saat metode diterapkan untuk menemukan
pengetahuan berharga dan tersembunyi dari data.
f. Evaluasi pola (pattern evaluation)

15
Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang
ditemukan. Dalam tahap ini hasilnya berupa pola-pola yang khas maupun
model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang
tercapai.
g. Presentasi pengetahuan (knowledge presentation)
Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang
digunakan untuk memperoleh pengetahuan yang diperoleh pengguna.Tahap
terakhir adalah bagaimana memformulasikan keputusan atau aksi dari hasil
analisis yang didapat. Karenanya presentasi dalam bentuk pengetahuan yang
bisa dipahami semua orang adalah satu tahapan yang diperlukan.Dalam
presentasi ini, visualisasi juga bisa membantu mengkomunikasikan hasil data
mining (Han, 2006).

16
Pada gambar 2.1 menggambarkan tahapan – tahapan yang ada pada data mining.
Gambar 2. 1 Tahap-tahap Data Mining
Sumber : ((jiawei han, micheline kamber, n.d.)
Pengelompokan Data Mining dibagi menjadi beberapa kelompok yaitu :
(Fajrin, Maulana, Informatika, Batam, & Soeprapto, 2018)
a. Deskripsi
Deskripsi merupakan cara untuk menggambarkan pola dan kecenderungan
yang terdapat dalam data yang dimiliki.

17
b. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variable target estimasi
lebih ke arah numerik daripada ke arah kategori. Model yang dibangun
menggunakan record lengkap yang menyediakan nilai variable target sebagai
nilai prediksi.
c. Prediksi
Prediksi menerka sebuah nilai yang belum diketahui dan juga memperkirakan
nilai untuk masa mendatang.
d. Klasifikasi
Dalam klasifikasi terdapat target variable kategori, misal penggolongan
pendapatan dapat dipisahkan dalam tiga kategori, yaitu tinggi, sedang, dan
rendah.
e. Pengklasteran
Merupakan pengelompokan record, pengamatan, atau memperhatikan dan
membentuk kelas objek-objek yang memiliki kemiripan.
f. Asosiasi
Asosiasi bertugas menemukan atribut yang muncul dalam satu waktu. Dalam
dunia bisnis lebih umum disebut analisis keranjang belanja.
2.2.3 Konsep Klasifikasi
Klasifikasi adalah penempatan objek-objek ke salah satu dari beberapa
kategori yang telah ditetapkan sebelumnya. Klasifiksi banyak digunakan untuk
memprediksi kelas pada suatu label tertentu, yaitu dengan mengklasifikasi data
18
(membangun model) berdasarkan training set dan nilai-nilai (label kelas) dalam
mengklasifikasikan atribut tertentu dan menggunakannya dalam mengklasifikasikan
data yang baru (Meilina, 2015).
Klasifikasi adalah salah satu pembelajaran yang paling umum di data
mining. Klasifikasi didefinisikan sebagai bentuk analisis data untuk mengekstrak
model yang akan digunakan untuk memprediksi label kelas (Sartika, Sensuse, Indo,
Mandiri, & Komputer, 2017).
Klasifikasi adalah proses untuk menemukan model atau fungsi yang
menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat
memperkirakan kelas dari suatu objek yang labelnya tidak diketahui (Bustami, 2014).
2.2.4 Naive Bayes
Naive bayes merupakan perhitungan teorema bayes yang paling
sederhana,karena mampu mengurangi kompleksitas komputasi menjadi multiplikasi
sederhana dari probabilitas (Sartika et al., 2017).
Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan
statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi
peluang di masa depan berdasarkan pengalaman dimasa sebelumnya sehingga dikenal
sebagai Teorema Bayes (Bustami, 2014)

19
Rumus dari theorem bayes:
Keterangan :
X = Data dengan class yang belum diketahui
H = Hipotesis data X merupakan suatu class spesifik
P(H|X) = Probabilitas hipotesis H berdasarkan kondisi X (posteriori prob)
P(H) = Probabilitas hipotesis H (prior prob)
P(X|H) = Probabilitas X berdasarkan kondisi tersebut
P(X) = Probabilitas dari X
Naive bayes merupakan teknik prediksi berbasis probabilitas sederhana yang
berdasar pada penerapan aturan bayes dengan asumsi ketidaktergantungan yang kuat.
Selain itu naive bayes juga dapat menganalisa variabel-variabel yang paling
mempengaruhinya dalam bentuk peluang (Listiana, Sudjalwo, & Gunawan, 2015)
Navie Bayes merupakan algoritma klasifikasi yang sederhana dimana setiap
atribut bersifat independent dan memungkinkan berkontribusi terhadap keputusan
akhir (Hasan, 2017)
Naive Bayes merupakan teknik prediksi berbasis probabilistik sederhana
yang berdasar pada penerapan teorema Bayes (aturan Bayes) dengan asumsi
20
independensi (ketidaktergantungan) yang kuat (Supriyanti, Kusrini, & Amborowati,
2016)
2.2.5 Cross Validation
Pendekatan alternatif untuk 'training dan testing' yang sering diadopsi ketika
sejumlah contoh kecil (dan yang banyak yang memilih menggunakan terlepas dari
ukuran) dikenal sebagai k kali lipat cross-validasi. Jika dataset terdiri kasus N, ini
dibagi menjadi bagian-bagian k sama, k biasanya menjadi sejumlah kecil seperti 5
atau 10 (Jika N tidak tepat habis dibagi oleh k, bagian akhir akan memiliki kasus
lebih sedikit dari k lain – 1 bagian) Serangkaian berjalan k kini dilakukan. Setiap
bagian k pada gilirannya digunakan sebagai ujian menetapkan dan k lainnya - 1
bagian digunakan sebagai training set (Bramer, 2007).(Kadek Wibowo, Sfenrianto,
2015)
Statistik atau penambangan data, tugas umumnya adalah mempelajari model
dari data yang tersedia. Model semacam itu mungkin merupakan model regresi atau
penggolong. Masalah dengan mengevaluasi model tersebut adalah bahwa hal itu
dapat menunjukkan kemampuan prediksi yang memadai pada data pelatihan, tetapi
mungkin gagal untuk memprediksi data tak terlihat di masa depan. Cross validation
adalah prosedur untuk memperkirakan kinerja generalisasi dalam konteks ini. Ide
untuk Cross validation berasal dari tahun 1930. Di kertas satu sampel digunakan
untuk regresi dan yang kedua untuk prediksi. Mosteller dan Turki, dan berbagai orang
lain mengembangkan gagasan ini lebih lanjut. Pernyataan cross validation yang jelas,
yang mirip dengan versi k-fold cross validation saat ini, pertama kali muncul di. Pada
21
tahun 1970, baik Stone dan Geisser menggunakan Cross validation sebagai sarana
untuk memilih parameter model yang tepat, sebagai lawan menggunakan Cross
validation murni untuk memperkirakan kinerja model. Saat ini, Cross validation
diterima secara luas di komunitas penambangan data dan pembelajaran mesin, dan
berfungsi sebagai prosedur standar untuk estimasi kinerja dan pemilihan model
(Payam Refaeilzadeh, Lei Tang, n.d.).
Cross-validation (CV) adalah metode statistik yang dapat digunakan untuk
mengevaluasi kinerja model atau algoritma dimana data dipisahkan menjadi dua
subset yaitu data proses pembelajaran dan data validasi / evaluasi. Model atau
algoritma dilatih oleh subset pembelajaran dan divalidasi oleh subset validasi.
Selanjutnya pemilihan jenis CV dapat didasarkan pada ukuran dataset. Biasanya CV
K-fold digunakan karena dapat mengurangi waktu komputasi dengan tetap menjaga
keakuratan estimasi.
Gambar 2. 2 Skema 10 Fold CV
Sumber : ((Indrayanti, Devi Sugianti, 2017)

22
10 fold CV adalah salah satu K fold CV yang direkomendasikan untuk
pemilihan model terbaik karena cenderung memberikan estimasi akurasi yang kurang
bias dibandingkan dengan CV biasa, leave-one-out CV dan bootstrap. Dalam 10 fold
CV, data dibagi menjadi 10 fold berukuran kira-kira sama, sehingga kita memiliki 10
subset data untuk mengevaluasi kinerja model atau algoritma. Untuk masing-masing
dari 10 subset data tersebut, CV akan menggunakan 9 fold untuk pelatihan dan 1 fold
untuk pengujian seperti diilustrasikan.
Fold ke-1 adalah ketika bagian ke-1 menjadi data uji (testing data) dan sisanya
menjadi data latih (training data). Selanjutnya, hitung akurasi berdasarkan porsi data
tersebut. Perhitungan akurasi tersebut dengan menggunakan persamaan sebagai
berikut.
Keterangan : Data Uji benar Klasifikasi : Jumlah data uji
Total Data Uji : Jumlah total dataset testing
2.3 Tinjauan Organisasi
2.3.1 Keadaan Geografis dan Administratif Provinsi NTT
Provinsi Nusa Tenggara Timur (NTT) terdiri dari pulau-pulau yang memiliki
penduduk yang beraneka ragam, dengan latar belakang yang berbeda-beda. Provinsi
NTT sebelumnya lazim disebut dengan “Flobamora” (Flores, Sumba, Timor dan
Alor). Sebelum kemerdekaan RI, Flobamora bersama Kepulauan Bali, Lombok dan
23
Sumbawa disebut Kepulauan Sunda Kecil. Namun setelah proklamasi kemerdekaan
beralih nama menjadi “Kepulauan Nusa Tenggara”, sampai dengan tahun 1957
Kepulauan Nusa Tenggara merupakan daerah Swatantra Tingkat I (statusnya sama
dengan Provinsi sekarang ini). Selanjutnya tahun 1958 berdasarkan Undang-Undang
Nomor 64 tahun 1958 Daerah Swatantra Tingkat I Nusa Tenggara dikembangkan
menjadi 3 Provinsi yaitu Provinsi Bali, Provinsi Nusa Tenggara Barat dan Provinsi
Nusa Tenggara Timur. Dengan demikian Provinsi Nusa Tenggara Timur
keberadaannya adalah sejak tahun 1958 sampai sekarang.
Berdasarkan Peraturan Menteri Dalam Negeri No. 6 Tahun 2008 tanggal 31
Januari 2008, luas daerah Provinsi NTT adalah 48.718,10 kilometer persegi atau
sebesar 2,55 persen dari total luas daerah wilayah Indonesia (BPS, 2009). Provinsi
NTT terletak antara 80-1200 Lintang Selatan dan 1180-1250 Bujur Timur dan
memiliki 1.192 pulau (42 pulau dihuni dan 1.150 pulau tidak dihuni). Sebagian besar
wilayahnya bergunung dan berbukit, hanya sedikit dataran rendah. Memiliki
sebanyak 40 sungai dengan panjang antara 25-118 kilometer (BPS, 2010). Sebagai
bagian dari negara maritim, Provinsi NTT dikelilingi oleh perairan maupun daratan.
Provinsi NTT di sebelah utara berbatasan dengan Laut Flores, di sebelah selatan
berbatasan dengan Samudera Indonesia, sebelah barat berbatasan dengan pulau
Sumbawa dan Provinsi NTB, dan di sebelah timur berbatasan dengan negara Timor
Leste.
24
Secara administratif, berdasarkan Peraturan Menteri Dalam Negeri No. 6
Tahun 2008, Provinsi NTT terdiri dari 20 kabupaten, 1 kota, 254 kecamatan, 297
kelurahan dan 2.387 desa.
2.3.2 Populasi dan Mata Pencaharian Penduduk NTT
Jumlah penduduk di provinsi ini adalah 4.683.827 jiwa dengan laju
pertumbuhan penduduk sebesar 2,07%. Jumlah penduduk laki-laki sebanyak
2.326.487 jiwa dan penduduk perempuan sebanyak 2.357.340 jiwa (2010). Kepadatan
penduduk di Nusa Tenggara Timur sebesar 96 jiwa/km2, dengan presentasi penduduk
yang tinggal di perkotaan kurang lebih 20%, dan sisanya sebesar 80% mendiami
kawasan pedesaan. Sebagian besar penduduk beragama Kristen dengan rincian
persentase kurang lebih sebagai Katolik 46,43% Protestan 45,34%, Islam 6,38% ,
Hindu 0,11% Buddha 0,01% dan sebanyak 1,73% menganut agama dan kepercayaan
lainnya.
pertanian masih menjadi lapangan pekerjaan utama bagi penduduk Nusa
Tenggara Timur (NTT). Kondisi ini terlihat dari 64,70 persen atau 71,27 persen dari
2.061.229 orang angkatan kerja di NTT hidup sebagai petani.
2.4 Kerangka Pemikiran
Agar lebih terfokus untuk menyelesaikan permasalahan yang ada maka
disusunlah kerangka pemikiran sebagai gambaran global dalam penelitian ini sebagai
berikut :
25
Masalah Proses
Melakukan
Klasifikasi &
Dataaset Kemiskinan Pengujian dengan
Informasi
Naïve Bayes dan
Penduduk Miskin
Cross Validation
Hasil
Teori & Tinjauan

studi terkait
Klasifikasi Menentukan
Penduduk miskin
yang lebih tepat
Gambar 2.3 Kerangka Pemikiran
2.5 Hipotesis Penelitian
Hipotesis merupakan jawaban sementara dari pertanyaan penelitian.
Hipotesis berfungsi untuk menentukan ke arah pembuktian, artinya hipotesis
merupakan pernyataan yang harus dibuktikan.Maka hipotesis penelitian ini adalah
“Diduga untuk klasifikasi penduduk miskin dengan menggunakan Naïve Bayes dan
Cross Validation agar mendapat nilai akurasi yang optimal”

BAB III
METODE PENELITIAN
3.1 Metode Pengumpulan Data
Pengumpulan data merupakan bagian paling penting dalam sebuah penelitian.
Ketersediaan data akan sangat menentukan dalam proses pengolahan dan analisa
selanjutnya. Karenanya, dalam pengumpulan data harus dilakukan teknik yang
menjamin bahwa data diperoleh itu benar, akurat dan bisa dipertanggung jawabkan
sehingga hasil pengolahan dan analisa data tidak biasa. Pengumpulan data bersifat
teoritis yang berhubungan dengan penelitian ini. Pengambilan data tersebut dilakukan
dengan cara mempelajari literatur-literatur, jurnal-jurnal penelitian, bahan kuliah dan
sumber-sumber lain yang ada hubungannya dengan permasalahan yang dibahas.
Pengumpulan data dalam penelitian ini adalah sebagai berikut :
1. Pengumpulan data sekunder
Data sekunder merupakan data yang diperoleh dari bentuk yang telah menjadi
informasi seperti dataset pada database. Pada penelitian ini data sekunder
didapatkan dari website Data.go.id.
3.2 Teknik Analisis Data
Penelitian ini menggunakan model CRISP-DM (Cross Standart Industries for
Data Mining), yang memiliki siklus hidup terdiri dari 6 tahap. Adapun tahapan-
tahapannya sebagai berikut :
26
27
1. Pemahaman Bisnis (Business Understanding)
Pada tahapan pertama penulis mencoba untuk memahami permasalahan yang
ada dalam mengklasifikasi kemiskinan pada provinsi nusa tenggara timur. Sehingga
dapat menentukan tujuan dan pola yang akan didapatkan dengan data mining.
Faktor dalam penentuan penduduk miskin bisanya terdapat pada salah satu
atribut yang mempunyai faktor terbesar dalam menentukan kemiskinan, dimana
atribut berperan terhadap kemiskinan.
BPS Menyusun
BPS Menyusun BPS Melakukan
Instrumen dan
Regulasi Sensus ke Penduduk
Aplikasi
BPS Menetapkan Penduduk Mengisi

Penduduk Miskin Form Sensus
Gambar 3.1 Pemahaman Bisnis
2. Data Understanding Phase (Fase Pemahaman Data)
Pada kegiatan pencatatan data Bisnis Proses untuk menentukan penduduk
miskin ke database menggunakan attribute sebagai berikut : Nama Kabupaten,
Kecamatan, Tahun, Program, Jumlah Penduduk, Belum APBN, Belum APBD dan
28
Kategori, Dari attribute diatas maka sebagian data akan digunakan untuk Klasifikasi
penduduk miskin dalam proses data mining.
Gambar 3.2 Dataset
3. Data Preparation Phase (Fase Pengolahan Data)
Pada proses pembersihan data adalah proses untuk membersihkan data yang
dihasilkan pada tahapan mengvaluasi data. Pada tahap pembersihan data ini
melakukan pembersihan data sebagai berikut :
a. Nilai attribute yang bersifat tidak standar akan tetap diproses, untuk
melakukan klasifikasi penduduk miskin maka dilakukan transformasi data
agar mudah dalam melakukan proses klasifikasi.
Tabel 3.1 Atribut Dataset
NO Atribut Type Keterangan
1 Nama Kabupaten Binominal Digunakan
2 Kecamatan Binominal Digunakan

29
3 Tahun Numeric Tidak Digunakan
4 Program Binominal Digunakan
5 Jumlah Penduduk Numeric Digunakan
6 Belum Apbn Numeric Digunakan
7 Belum Apbd Numeric Digunakan
8 Kategori Binominal Digunakan
b. Dari data penduduk miskin tidak terdapat missing value, untuk mencegah
terjadinya missing value maka setiap nilai yang kosong akan diganti dengan
nilai 0.
4. Modeling Phase (Fase Pemodelan)
Tujuan dari pemodelan data mining adalah untuk mencari hasil dari berbagai
situasi yang ada. Alat perangkat lunak untuk data mining seperti visualisasi (mensplit
data dan membangun hubungan) dan analisis metode data mining (untuk
mengidentifikasikan variable berjalan dengan baik secara bersamaan) dapat berguna
untuk analisis awal model yang akan digunakan. Pembagian data ke dalam set
pelatihan dan pengujian juga diperlukan untuk pemodelan. Model yang akan diuji
yaitu algoritma Naïve Bayes dan Cross-Validation.

30
5. Evaluation Phase (Fase Evaluasi)
Melakukan pengujian terhadap model-model yang bertujuan untuk
mendapatkan model yang paling akurat. Evaluasi dan validasi dilakukan dengan
menggunakan metode Confusion Matrix dan kurva ROC (Receiver Operating
Characteristic).
6. Deployment Phase (Fase Penyebaran)
Pembentukan model selanjutnya melakukan analisa dan pengukuran pada
tahap sebelumnya, pada tahap ini diterapkan model atau rule yang paling akurat dan
selanjutnya dapat digunakan untuk mengevaluasi data baru.
3.3 Langkah Penelitian
Langkah penelitian untuk menyelesaikan permasalah penelitian yang ada
dengan langkah-langkah sebagai berikut :
1. Langkah awal yang dilakukan yaitu melakukan identifikasi masalah yang ada
dalam suatu perusahaan
2. Melakukan pengumpulan data yang didapat dari perusahaan.
3. Analisis data lalu pembersihan data dan pemilihan atribut
4. Mempersiapan untuk melakukan analisis data dengan menerapkan Naive Baiyes
Classifier dan Cross-validation untuk klasifikasi penduduk miskin.
5. Untuk melakukan evaluasi dan validasi data mining digunakan Confusion
Matrix.
31
6. Menghasilakan sebuah hasil klasifikasi dengan akurasi yang optimal.
3.4 Peralatan
Penelitian ini memerlukan beberapa perlengakapan penelitian untuk
mendukung pelaksanaan penelitian. Berikut ini beberapa perlengkapan yang
dibutuhkan untuk menunjang penelitian berupa piranti lunak (Software) maupun
piranti keras (Hardware) antara lain :
1. Kebutuhan piranti lunak (Software)
a. Berikut ini beberapa piranti lunak yang dibutuhkan dalam peneletian ini
: Sistem Operasi Windows 7, 64 Bit
b. Mendeley Desktop Version 1.19.1
c. RapidMiner Studio Educational 8.2
d. Microsoft Office Word & Excel 2010
e. Microsoft Visio 2013
2. Kebutuhan piranti keras (Hardware)
a. Berikut ini beberapa piranti keras yang dibutuhkan dalam peneletian ini
: Laptop Intel i3-2348M @2.30 GHz, Ram 4 GB, HDD 1TB
b. Hardisk External 1 TB
c. Printer
32
3.5 Waktu Penelitian
Penelitian ini direncanakan mengikuti jadwal penelitian seperti yang terlihat
pada tebel berikut:
Tabel 3.2 Jadwal Kegiatan Penelitian
No Bulan 1 Bulan 2 Bulan 3 Bulan 4 Bulan 5

Kegiatan
.
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1
Persiapan
Penelitian
x x x
2
Literatur
x x x x x x x x
Review
3
Pengumpulan
x x x x x x x x x
Data
4
Pelaksanaan
Penelitian
x x x x x x x x x x X x x x
5
Menyusun
x x x x x x x x
Metode
6
Pengujian x x x x X x x
7
Pembahasan x X x x x
8
Penyelesaian
Penelitian
x x x x x X x x x X x
9
Penyusunan
x x X x x x X x
Laporan
33
10
Penulisan
x x x x x X x x x
Skripsi
11
Finalisasi
x X x X
Skripsi
12
Penyerahan
X
Skripsi
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil
Hasil algoritma naïve bayes untuk perhitungan Naive Bayes, implementasi klasifikasi
naïve bayes dan akurasi klasifikasi.
4.1.1 Perhitungan Naive Bayes
Perhitungan naive bayes dilakukan dengan menghitung menggunakan data
yang diambil dari website data.go.id yang membahas kemiskinan di provinsi Nusa
Tenggara Timur sebanyak 7 atribut dan 200 data. Kriteria yang digunakan adalah
sebagai berikut :
Tabel 4.1 Kriteria yang digunakan
Kab.Sumba Barat, Kab.Sumba Timur, Kab.

Kupang,……., Kab. Belu, Kab. Lembata, Kab. Flores
Timur
Nama Kabupaten
Kota Waikabubak, Kahaungu Eti, Kota Waingapu,
Amfoang Barat Laut,……, Boking, Fatumnasi, Kie,
Kolbano
Nama Kecamatan
PNPM Pasca Krisis, PNPM Perkotaan, PNPM
Perdesaan, PNPM Daerah Tertinggal dan Khusus
Program
30016, 8410, 35446, 8731, 8343,......,...., 38394, 7556,
60681, 14709, 51165
Jumlah Penduduk
3800, 890, 1136, 1440, 1600,….,.… , 1380, 1800, 980,
1395, 1282.5
Belum Apbn
34
35
30, 185, 284, 160, 400, 600, 205, 153, 167.5, 300, 350,
150, 120, 790, 345, 380, 145, 155, 142.5
Belum Apbd
MISKIN dan TIDAK MISKIN
Keterangan
Tabel 4.1 Kriteria Data penduduk miskin yang telah memasuki tahap pengolahan data
kemudian akan dilakukan perhitungan dengan menggunakan algoritma naïve bayes
sebagai berikut :
1. Menghitung Probabilitas Penduduk
Perhitungan ini untuk menentukan keputusan dengan metode naïve bayes untuk
mencari probabilitas dari masing-masing kelas. dalam menentukan keputusan
akan ditentukan kelas “Miskin” dan “Tidak Miskin”. Perhitungannya dimana
mencari berapa jumlah data Miskin dan Tidak Miskin dari total keseluruhan data
training dan membaginya dengan total keseluruhan data.
Tabel 4.2 Probabilitas Keterangan Penduduk
P(Keterangan)
MISKIN SEDANG TIDAK MISKIN
41 88 71
36
2. Menghitung Probabilitas Masing-Masing Atribut
Mencari probabilitas suatu atribut dengan membandingkan atribut dari data
testing dengan atribut dari data training. Jumlah atribut dari Penduduk ”Miskin”
yang ada pada data training, kemudian dibagikan dengan probabilitas Penduduk
“Miskin”. Begitu juga mencari probabilitas untuk Penduduk “Sedang”, “Tidak
Miskin”.
a. Nama Kabupaten
Tabel 4.3 Atribut Kabupaten
Nama Kabupaten
SEDANG TIDAK
Belum Apbn MISKIN
MISKIN
Kab. Sumba Barat 0 5 0
Kab. Sumba Timur 8 3 0
Kab. Kupang 3 0 2
Kab. Timor Tengah
Selatan 24 7 6
Kab. Belu 0 31 6
….
….
….
Kab. Ende 1 15 0
Kab. Ngada 0 2 11
Kab. Manggarai 0 0 7
Kab. Sumba Tengah 1 0 0
Kota Kupang 0 12 14
37
b. Nama Kecamatan
Tabel 4.4 Atribut Kecamatan
Nama Kecamatan
SEDANG TIDAK
Belum Apbn MISKIN
MISKIN
Kota Waikabubak 0 5 0
Kahaungu Eti 2 0 0
Kota Waingapu 0 4 0
Nggaha Oriangu 1 0 0
Tabundung 4 0 0
….
….
….
Kelapa Lima 0 0 6
Kota Lama 0 0 1
Kota Raja 0 0 1
Maulafa 0 6 0
Oebobo 0 0 6
38
c. Program
Tabel 4.5 Atribut Program
Program
(Program) MISKIN SEDANG TIDAK MISKIN
PNPM Pasca Krisis 1 4 0

PNPM Perkotaan 0 27 46
PNPM Perdesaan 23 38 12
PNPM Daerah
Tertinggal dan Khusus 16 20 13
d. Jumlah Penduduk
Tabel 4.6 Atribut Jumlah Penduduk
Jumlah Penduduk
SEDANG TIDAK
Belum Apbn MISKIN
MISKIN
30016 0 5 0
8410 2 0 0
35446 0 3 0
8731 1 0 0
8343 4 0 0
….
….
….
61411 0 0 6
30196 0 0 1
39
47878 0 0 1
65852 0 6 0
79675 0 0 6
e. Belum Apbn
Tabel 4.7 Atribut Belum Apbn
Belum Apbn
SEDANG TIDAK
Belum Apbn MISKIN
MISKIN
51 0 1 0
63 0 0 1
45.3 1 0 0
47.9 2 0 0
60.7 1 0 0
….
….
….
1282.5 0 1 1
3000 0 1 0
2800 0 2 0
1690 0 1 0
1710 0 1 0
40
f. Belum Apbd
Tabel 4.8 Atribut Belum Apbd
Belum Apbd
SEDANG TIDAK
Belum Apbd MISKIN
MISKIN
30 18 29 18
35 0 0 1
37.5 0 1 3
40 0 1 0
42.5 0 0 1
….
….
….
900 0 1 0
790 0 0 1
1010 0 0 1
1100 0 0 1
1200 1 0 0
3. Menghitung Probabilitas akhir
Menghitung probabilitas akhir pada setiap kelas, perlu menggunakan data
training yang terdapat pada tabel 4.1 dan mengubahnya menjadi nilai yang
sudah ditentukan pada perhitungan probabilitas masing-masing atribut, dari
masing masing atribut dan nilai probabilitas kelas dikalikan. dari hasil yang
sudah ditentukan, jika penduduk “Miskin” bernilai lebih besar maka hasilnya
“Miskin”. Begitu pula sebaliknya.

41
4. Kasus perhitungan Naïve Bayes
Dalam memudahkan pemahaman perhitungan naïve bayes , secara manual
akan di buat studi kasus sebagai berikut dan rulenya berupa data training
(Lampiran1):
Tabel 4.9 Data Testing
Kecamata Program Jumlah

No Kabupaten n Belum Belum Keterangan
Penduduk Apbn Apbd
PNPM
Kab. Belu Ende Perdesaan 21396 2700 300 ?
1
PNPM
2
Kab. Sasita PNPM
Kupang Mean Perkotaan 18460 2400 600 ?
3
Kab. Sasita PNPM
Kupang Mean Perkotaan 18460 2700 300 ?
4
PNPM
5
… … … … … …
… … … … … …
PNPM
Kelapa
96 Kab. Sikka Lima
Daerah
13944 2850 150
Tertinggal ?
dan Khusus
PNPM
Kelapa
97 Kab. Sikka Lima
Daerah
13944 3500 30
Tertinggal ?
dan Khusus
Kelapa
98 Kab. Sikka Lima PNPM 11640 2650 150
Daerah
?
Tertinggal
42
dan Khusus
PNPM
99 Kab. Sikka Kota Soe
Daerah
11640 1920 480
Tertinggal ?
dan Khusus
PNPM
Daerah
Kab. Sikka Kota Soe 33009 1070 200 ?
100 Tertinggal
dan Khusus
Menghitung jumlah Penduduk :
Tabel 4.10 Perhitungan P(H)
Keterangan
P(H)
P(Miskin) P(Sedang) P(Tidak Miskin)
Miskin 41/200 Sedang 88/200 Tidak Miskin 71/200
Miskin 0.20 Sedang 0.44 Tidak Miskin 0.35

43
Tabel 4.11 Menghitung jumlah kelas atau klasifikasi
P(X| P(X|H
P(H/ P(X| P(X| P(X| P(X| P(X| P(X| Keteran
No P(H) H) )*P(H)
X) C1) C2) C3) C4) C5) C6) gan
1 41 0.20 0 0 0.56 0 0.07 0.09 0 0

Sedang
88 0.44 0.35 0.04 0.43 0.04 0.04 0.07 1.13 5.0
71 0.35 0.08 0 0.16 0 0 0 0 0
2 41 0.20 0 0 0.56 0 0.14 0.43 0 0

Sedang
88 0.44 0.35 0.04 0.43 0.04 0.07 0.32 8.23 3.62
71 0.35 0.08 0 0.16 0 0.02 0.25 0 0
3 41 0.20 0 0 0 0 0.24 0.21 0 0

Sedang
88 0.44 0.13 0.04 0.30 0.04 0.15 0.15 2.18 9.62
71 0.35 0.19 0 0.64 0 0.01 0.04 0 0
4 41 0.20 0 0 0 0 0.07 0.09 0 0

Sedang
88 0.44 0.13 0.04 0.30 0.04 0.04 0.07 3.12 1.37
71 0.35 0.19 0 0.64 0 0 0 0 0
5 41 0.20 0 0 0.56 0 0 0.43 0 0

Sedang
88 0.44 0.35 0.04 0.43 0.04 0.02 0.32 2.35 1.03
71 0.35 0.08 0 0.16 0 0.01 0.25 0 0
.. .. .. .. .. .. .. .. .. .. .. ..
96 41 0.20 0.07 0 0.39 0 0 0 0 0 Tidak
88 0.44 0.02 0 0.22 0 0.01 0.02 0 0 Miskin
71 0.35 0.09 0.08 0.18 0.05 0.01 0.04 5.11 1.81
97 41 0.20 0.07 0 0.39 0 0 0.43 0 0 Tidak

44
88 0.44 0.02 0 0.22 0 0.01 0.32 0 0 Miskin

71 0.35 0.09 0.08 0.18 0.05 0.04 0.25 9.20 3.26
98 41 0.20 0.07 0 0.39 0 0 0 0 0 Tidak

88 0.44 0.02 0 0.22 0 0 0.02 0 0 Miskin
71 0.35 0.09 0.08 0.18 0.04 0.01 0.04 3.83 1.36
99 41 0.20 0.07 0 0.39 0 0 0 0 0 Tidak

88 0.44 0.02 0 0.22 0 0 0 0 0 Miskin
71 0.35 0.09 0.08 0.18 0.04 0.01 0.01 1.27 4.53
100 41 0.20 0.07 0 0.39 0 0 0 0 0 Tidak

88 0.44 0.02 0 0.22 0 0 0 0 0 Miskin
71 0.35 0.09 0.08 0.18 0.09 0.01 0.01 2.98 1.05
Tabel 4.11 menghitung jumlah penduduk dimana :
a. Nilai P(H) keseluruhan keterangan label “Miskin”, “Sedang” dan
“Tidak Miskin”
b. Nilai P(H|X) adalah Hasil dimana label “Miskin”, “Sedang” dan
“Tidak Miskin” dibagi dengan keseluruhan data

45
c. Nilai P(X|C1) adalah Nama Kabupaten yang sudah dihitung dari
keseluruhan nilai Miskin dibagi kesluruhan data Miskin, Sedang dan
sebaliknya nilai tidak Miskin
d. Nilai P(X|C1) adalah Nama Kecamatan yang sudah dihitung dari
e. Nilai P(X|C3) adalah Program yang sudah dihitung dari keseluruhan
nilai Miskin dibagi kesluruhan data Miskin, Sedang dan sebaliknya
nilai tidak Miskin
f. Nilai P(X|C4) adalah Jumlah Penduduk yang sudah dihitung dari
g. Nilai P(X|C5) adalah Belum Apbn yang sudah dihitung dari
h. Nilai P(X|C6) adalah Belum Apbd yang sudah dihitung dari
i. Hasil P(X|H) adalah perhitungan dari P(X|C1) sampai P(X|C6) yang
sudah dikalikan
j. Hasil P(X|H)*P(H) adalah perhitungan P(X|H) dikalikan Hasil
perhitungan P(H)
46
4.1.2 Implementasi Klasifikasi Naïve Bayes pada RapidMiner
Perhitungan yang telah dilakukan diatas sesuai untuk menentukan kelulusan
dengan metode Naïve Bayes. Setelah melakukan perhitungan manual terhadap data
training dan data testing, langkah selanjutnya pembuktian dengan menggunakan
RapidMiner. Pembuktian perhitungan manual naive bayes terhadap data training dan
data testing, akan dilakukan perhitungan menggunakan RapidMiner. RapidMiner
yang digunakan adalah versi 8.1.
Gambar 4.1 Proses RapidMiner
Gambar 4.1 Proses RapidMiner pengujian data traning terhadap data testing dalam
menentukan Klasifikasi.
47
Gambar 4.2 Hasil Klasifikasi RapidMiner
Gambar 4. 2 Hasil Prediksi dimana data testing menggunakan sample acak awal dan
akhir data yang digunakan dalam penelitian ini.
4.1.3 Akurasi Klasifikasi
Gambar 4.3 Model Pengujian

48
Gambar 4.3 menggambarkan rangkaian model pengujian dimana pada
dataset source nantinya akan disesuaikan dengan dataset nilai siswa. Kemudian untuk
memvalidasi model dari algoritma naïve bayes digunakan metode cross validation.
Dimana didalamnya terdapat performance dengan menggunakan confussion matrix
sebagai model evaluasi dari kinerja algoritma naïve bayes. Untuk lebih jelasnya dapat
dilihat pada gambar 4.4 berikut :
Gambar 4.4 Sub Proses Cross Validation
Dalam sub proses cross validation terdapat dua bagian dimana ada training
seperti pada di gambar 4.4 dimana pada bagian training terdapat algoritma naïve
bayes hal tersebut dimaksudkan agar dataset dibuat modelnya menggunakan
algoritma naïve bayes dimana pada cross validation dengan nilai k = 10 folds.
Kemudian pada data testing terdapat dua fitur yakni Apply model yang digunakan
untuk menerapkan model data yang sudah dilatih sebelumnya dengan data test.
49
Terakhir dibagian testing terdapat fitur performance dimana fitur tersebut
digunakan untuk mengevaluasi hasil kinerja algoritma naïve bayes dengan parameter
pengukuran confussion matrix (accuracy,recall,precision).
Pengujian dengan metode Naïve Bayes menggunakan dataset Kemiskinan.
Hasil yang didapatkan pengujian ini mendapatkan hasil akurasi sebesar 96,50%
dengan nilai presisi serta recall masing-masing kelas dapat dilihat pada gambar 4.5
berikut ini :
Gambar 4. 5 Confusion Matrix Penduduk
Hasil analisa data training pada rapidminer dapat dilihat pada lampiran 1. Untuk
menghitung akurasi sebagai berikut:
Diketehui :
Jumlah data yang diuji : 200
Jumlah data yang diprediksi benar : 193

50
Jumlah data yang diprediksi salah : 10
Hitungan Hasil Akurasi
Hasil = 96.50%
4.2 Pembahasan
Penelitian dilakukan sebanyak dengan menggunakan algoritma Naïve Bayes
untuk menentukan klasifikasi penduduk miskin. Teknik preprocessing
menggunakan teknik cleaning, integration dan transformation data. Berdasarkan
hasil yang sudah didapatkan secara keseluruhan maka dapat dilihat hasil akurasi
secara keseluruhan pada tabel 4.6 berikut :

51
Gambar 4.6 Hasil Pengukuran accuracy
Hasil dari tingkat akurasi klasifikasi Naive Bayes pada Gambar 4.6 menunjukan
bahwa tingkat akurasi mencapai 96,50%. Maka dapat disimpulkan hasil akurasi
Klasifikasi Naive Bayes dalam penelitian ini, metode Naive bayes merupakan metode
yang cukup baik dalam penelitian ini.

BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan data Penduduk yang diperoleh, proses Data Mining membantu
dalam penerapan metode Naive Bayes dalam mendapatkan informasi dari hasil
Klasifikasi penduduk miskin pada provinsi Nusa tenggara timur yang dijadikan data
training, Sehingga dengan demikian metode Naive Bayes ini berhasil mengklasifikasi
penduduk miskin dengan persentase accuracy sebesar 96,50% dan recall miskin
sebesar 95,15%, sedang sebesar 98,86%, dan tidak miskin sebesar 94,37%. Dalam
penelitian menggunakan data sebanyak 200 penduduk.
5.2 Saran
Berdasarkan pada hasil penelitian yang telah dilakukan Penulis memiliki
beberapa saran yang dapat digunakan pada penelitian kedepanya sebagai berikut :
1. Pada penelitian selanjutnya dapat mencoba Menggunakan metode optimasi
lain dalam upaya mencari metode optimasi terbaik yang mampu
meningkatkan akurasi algoritma naïve bayes secara maksimal.
2. Pada penelitian selanjutnya dapat mencoba menggunakan data yang berbeda
dan dengan jumlah data yang lebih besar lagi sehingga menghasilkan tingkat
akurasi yang lebih tinggi.
52
DAFTAR PUSTAKA
Asriningtias, Y., Mardhiyah, R., Studi, P., Informatika, T., Bisnis, F., Informasi, T.,
& Yogyakarta, U. T. (2014). APLIKASI DATA MINING UNTUK
MENAMPILKAN INFORMASI, 8(1), 837–848.
Bustami. (2014). Penerapan Algoritma Naive Bayes. Jurnal Informatika, 8(1), 884–
898.
Fajrin, A. A., Maulana, A., Informatika, T., Batam, U. P., & Soeprapto, J. R. (2018).
PENERAPAN DATA MINING UNTUK ANALISIS POLA PEMBELIAN
KONSUMEN DENGAN ALGORITMA FP- GROWTH PADA DATA
TRANSAKSI PENJUALAN, 5(1), 27–36.
Hasan, M. (2017). Menggunakan Algoritma Naive Bayes Berbasis, 9, 317–324.
Indrayanti, Devi Sugianti, M. A. A. K. (2017). Fakultas Teknik – Universitas Muria
Kudus 823, 823–829.
Iskandar, D., & Suprapto, Y. K. (2013). Perbandingan akurasi klasifikasi tingkat
kemiskinan antara algoritma C4 . 5 dan Naïve Bayes Clasifier, 11(1), 14–17.
jiawei han, micheline kamber, jian pei. (n.d.). Data Mining Concepts and
Techniques, Third Edition.
Kadek Wibowo, Sfenrianto, kaman nainggolan. (2015). MENGGUNAKAN NAIVE
BAYES SERTA OPTIMASI, 1(1), 1–10.
Karyadiputra, E., Kom, S., & Kom, M. (2016). ANALISIS ALGORITMA NAIVE
BAYES UNTUK KLASIFIKASI STATUS KESEJAHTERAAN RUMAH
TANGGA KELUARGA BINAAN SOSIAL, 7(4), 199–208.
Listiana, M., Sudjalwo, & Gunawan, D. (2015). Perbandingan Algoritma Decision
Tree (C4.5) Dan Naïve Bayes Pada Data Mining Untuk Identifikasi Tumbuh
Kembang Anak Balita (Studi Kasus Puskesmas Kartasura). Informatika, 1(1),
18.
Meilina, P. (2015). PENERAPAN DATA MINING DENGAN METODE
KALSIFIKASI, 7(1).
Nuraeni, N. (2017). Penentuan Kelayakan Kredit Dengan Algoritma Naïve Bayes
Classifier : Studi Kasus Bank Mayapada Mitra Usaha Cabang PGC, III(1), 9–15.
Payam Refaeilzadeh, Lei Tang, H. L. A. (n.d.). Cross Validation.
53
54
Riyan Eko Putri, Suparti, R. R. (2014). PERBANDINGAN METODE

KLASIFIKASI NAÏVE BAYES DAN K-NEAREST NEIGHBOR PADA
ANALISIS DATA STATUS KERJA DI KABUPATEN DEMAK TAHUN
2012, 3, 831–838.
Salmu, S., & Solichin, A. (2017). Prediksi Tingkat Kelulusan Mahasiswa Tepat
Waktu Menggunakan Naïve Bayes : Studi Kasus UIN Syarif Hidayatullah
Jakarta Prediction of Timeliness Graduation of Students Using Naïve Bayes : A
Case Study at Islamic State University Syarif Hidayatullah Jakarta, (April), 701–
709.
Sarjana, P., Informatika, T., & Dian, U. (2016). KLASIFIKASI STATUS
KESEJAHTERAAN RUMAH TANGGA, 12, 116–122.
Sartika, D., Sensuse, D. I., Indo, U., Mandiri, G., & Komputer, F. I. (2017).
Perbandingan Algoritma Klasifikasi Naive Bayes , Nearest Neighbour , dan
Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola
Pakaian. Jurnal Teknik Informatika Dan Sistem Informasi (JATISI), 1(2), 151–
161.
Septiani, W. D. (2017). Komparasi Metode Klasifikasi Data Mining Algoritma C4.5
Dan Naive Bayes Untuk Prediksi Penyakit Hepatitis. Pilar Nusa Mandiri, 13(1),
76–84.
Septiani, W. D., Studi, P., & Informatika, M. (2017). DAN NAIVE BAYES UNTUK
PREDIKSI PENYAKIT HEPATITIS, 13(1), 76–84.
Supriyanti, W., Kusrini, & Amborowati, A. (2016). Perbandingan kinerja algoritma
c4.5 dan naive bayes untuk ketepatan pemilihan konsentrasi mahasiswa.
Informa, 1(2012), 46–52.
Tampubolon, K., Saragih, H., Reza, B., Epicentrum, K., Asosiasi, A., & Apriori, A.
(2013). Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan
Alat-Alat Kesehatan. Informasi Dan Teknologi Ilmiah, 93–106.
https://doi.org/2339-210X
Widiastuti, N. A., Santosa, S., & Supriyanto, C. (2014). Algoritma Klasifikasi Data
Mining Naïve Bayes Berbasis Particle Swarm Optimization Untuk Deteksi
Penyakit Jantung. Jurnal Pseudocode, 1(1), 2355–5920. Retrieved from
www.jurnal.unib.ac.id
LAMPIRAN
Lampiran 1
Data Training
Nama Kecamata Jumlah Belum Belum Keateg
No Kabupaten n Program Penduduk Apbn Apbd ori
Kab. Kota PNPM
Sumba Waikabub Pasca
1 Barat ak Krisis 30016 3800 30 Sedang
Kab. Kota
Sumba Waikabub PNPM
2 Barat ak Perkotaan 30016 890 185 Sedang
Kab. Kota
Sumba Waikabub PNPM
Kab. Kota
Sumba Waikabub PNPM
4 Barat ak Perdesaan 30016 3800 30 Sedang
Kab. Kota
Sumba Waikabub PNPM
Kab.
Sumba Kahaungu PNPM
6 Timur Eti Perdesaan 8410 1600 400 Miskin
Kab.
Sumba Kahaungu PNPM
7 Timur Eti Perdesaan 8410 2400 600 Miskin
Kab.
Sumba Kota PNPM
8 Timur Waingapu Perkotaan 35446 870 205 Sedang
Kab.
Sumba Kota PNPM
9 Timur Waingapu Perkotaan 35446 1377 153 Sedang
Kota PNPM
Kab.
10 Waingapu Perkotaan 35446 1507.5 167.5 Sedang
Sumba
Timur
Kab.
Sumba Nggaha PNPM
11 Timur Oriangu Perdesaan 8731 2700 300 Miskin
Kab.
Sumba Tabundun PNPM
12 Timur g Perdesaan 8343 1600 400 Miskin
Kab.
Sumba Tabundun PNPM
Kab. PNPM
Sumba Tabundun Pasca
14 Timur g Krisis 8343 3800 30 Miskin
Kab.
Sumba Tabundun PNPM
Kab.
Sumba Wula PNPM
16 Timur Waijelu Perdesaan 7023 1400 350 Miskin
Kab. Amfoang PNPM
17 Kupang Barat Laut Perdesaan 9196 2400 600 Miskin
Kab. Amfoang PNPM
18 Kupang Selatan Perdesaan 8900 1600 400 Miskin
Kab. Amfoang PNPM
19 Kupang Timur Perdesaan 7218 1600 400 Miskin
Kab. Kupang PNPM Tidak
20 Kupang Barat Perdesaan 14813 2850 150 Miskin
Kab. PNPM Tidak
21 Kupang Nekamese Perdesaan 9873 2400 600 Miskin
Kab.
Timor
Tengah Amanatun PNPM
22 Selatan Selatan Perdesaan 19203 2700 300 Miskin
Kab.
Amanuba PNPM
Timor
23 n Barat Perdesaan 21844 2400 600 Miskin
Tengah
Selatan
Kab.
Timor
Tengah Amanuba PNPM
24 Selatan n Selatan Perdesaan 25138 2400 600 Miskin
Kab.
Timor
Tengah Amanuba PNPM
25 Selatan n Timur Perdesaan 16781 480 120 Miskin
Kab.
Timor
Tengah PNPM
26 Selatan Batu Putih Perdesaan 12219 2400 600 Miskin
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
27 Selatan Boking Khusus 11412 750 30 Miskin
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
28 Selatan Boking Khusus 11412 71.5 30 Miskin
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
29 Selatan Fatumnasi Khusus 6861 500 30 Miskin
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
Kab.
Timor
Tengah PNPM
32 Selatan Kie Perdesaan 24239 2400 600 Miskin
Kab.
Timor
Tengah PNPM
33 Selatan Kie Perdesaan 24239 2700 300 Miskin
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
34 Selatan Kolbano Khusus 18460 500 30 Sedang
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
35 Selatan Kolbano Khusus 18460 51 30 Sedang
Kab.
Timor
Tengah PNPM
36 Selatan Kolbano Perdesaan 18460 2400 600 Sedang
Kab.
Timor
Tengah PNPM
37 Selatan Kolbano Perdesaan 18460 2700 300 Sedang
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
38 Selatan Kot'Olin Khusus 11173 750 30 Miskin
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
39 Selatan Kot'Olin Khusus 11173 1000 30 Miskin
Kab. PNPM
Timor Daerah
40 Kot'Olin 11173 750 30 Miskin
Tengah Tertingga
Selatan l dan
Khusus
Kab.
Timor
Tengah PNPM Tidak
41 Selatan Kota Soe Perkotaan 37682 1410 790 Miskin
Kab.
Timor
Tengah PNPM Tidak
Kab.
Timor
Tengah PNPM Tidak
Kab.
Timor
Tengah PNPM Tidak
Kab.
Timor
Tengah PNPM Tidak
Kab.
Timor
Tengah PNPM Tidak
46 Selatan Kota Soe Perkotaan 37682 1282.5 142.5 Miskin
Kab.
Timor
Tengah Mollo PNPM
47 Selatan Selatan Perdesaan 15658 2400 600 Sedang
Kab.
Timor
Tengah Mollo PNPM
Kab.
Timor
Tengah Mollo PNPM
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
50 Selatan Nunkolo Khusus 14307 500 30 Miskin
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
51 Selatan Nunkolo Khusus 14307 47.9 30 Miskin
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
52 Selatan Oenino Khusus 11771 750 30 Miskin
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
53 Selatan Oenino Khusus 11771 750 30 Miskin
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
54 Selatan Oenino Khusus 11771 60.7 30 Miskin
Kab.
Timor
Tengah PNPM
55 Selatan Oenino Perdesaan 11771 2400 600 Miskin
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
56 Selatan Polen Khusus 13919 500 30 Miskin
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
57 Selatan Polen Khusus 13919 47.9 30 Miskin
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
58 Selatan Toianas Khusus 13466 45.3 30 Miskin
PNPM Tidak
59 Kab. Belu Atambua Perkotaan 26764 3700 30 Miskin
PNPM Tidak
PNPM Tidak
PNPM Tidak
PNPM Tidak
PNPM Tidak
Kakuluk PNPM
65 Kab. Belu Mesak Perdesaan 17918 1600 400 Sedang
Kakuluk PNPM
Kakuluk PNPM
PNPM
68 Kab. Belu Kobalima Perdesaan 16701 2400 600 Sedang
PNPM
Daerah
Tertingga
Laen l dan
69 Kab. Belu Manen Khusus 10885 500 30 Sedang
Laen PNPM
70 Kab. Belu Manen Perdesaan 10885 2800 300 Sedang
PNPM
Pasca
71 Kab. Belu Lamaknen Krisis 11679 3800 30 Sedang
PNPM
Daerah
Tertingga
l dan
72 Kab. Belu Lasiolat Khusus 6319 500 30 Sedang
PNPM
73 Kab. Belu Lasiolat Perdesaan 6319 1400 350 Sedang
Malaka PNPM
74 Kab. Belu Barat Perdesaan 19856 2400 600 Sedang
Malaka PNPM
75 Kab. Belu Timur Perdesaan 9323 2400 600 Sedang
PNPM
Daerah
Tertingga
Rai l dan
76 Kab. Belu Manuk Khusus 14834 500 30 Sedang
PNPM
77 Kab. Belu Raihat Perdesaan 12924 2400 600 Sedang
PNPM
PNPM
PNPM
80 Kab. Belu Rinhat Perdesaan 13413 2400 600 Sedang
PNPM
Daerah
Tertingga
Sasita l dan
81 Kab. Belu Mean Khusus 7972 750 30 Sedang
PNPM
Daerah
Tertingga
Sasita l dan
82 Kab. Belu Mean Khusus 7972 750 30 Sedang
PNPM
Sasita Daerah
83 Kab. Belu Mean 7972 82.2 30 Sedang
Tertingga
l dan
Khusus
Sasita PNPM
84 Kab. Belu Mean Perdesaan 7972 2700 300 Sedang
PNPM
Tasifeto Pasca
85 Kab. Belu Barat Krisis 22834 3800 30 Sedang
Tasifeto PNPM
PNPM
Tasifeto Pasca
87 Kab. Belu Timur Krisis 21396 3800 30 Sedang
Tasifeto PNPM
Tasifeto PNPM
PNPM
Daerah
Tertingga
l dan
90 Kab. Belu Weliman Khusus 17269 750 30 Sedang
PNPM
Daerah
Tertingga
l dan
PNPM
Daerah
Tertingga
l dan
PNPM
Daerah
Tertingga
l dan
93 Kab. Belu Weliman Khusus 17269 72.7 30 Sedang
94 Kab. Belu Wewiku 17561 3000 30 Sedang
PNPM
Daerah
Tertingga
l dan
Khusus
PNPM
Daerah
Tertingga
l dan
95 Kab. Belu Wewiku Khusus 17561 750 30 Sedang
Kab. PNPM
96 Lembata Atadei Perdesaan 7486 1600 400 Sedang
Kab. PNPM
97 Lembata Lebatukan Perdesaan 8635 1800 1200 Miskin
Kab. Nubatuka PNPM
98 Lembata n Perdesaan 30237 1200 300 Sedang
Kab. Nubatuka PNPM
Kab. Nubatuka PNPM
PNPM
Daerah
Kab. Tertingga
Flores Adonara l dan
101 Timur Barat Khusus 11681 750 30 Sedang
PNPM
Daerah
Kab. Tertingga
102 Timur Barat Khusus 11681 3500 30 Sedang
PNPM
Daerah
Kab. Tertingga
103 Timur Barat Khusus 11681 91.7 30 Sedang
PNPM
Kab. Daerah
Flores Tidak
Tertingga
104 Timur Ile Boleng 14213 500 30 Miskin
l dan
Khusus
PNPM
Daerah
Kab. Tertingga
Flores l dan Tidak
105 Timur Ile Boleng Khusus 14213 3500 30 Miskin
PNPM
Daerah
Kab. Tertingga
Flores l dan Tidak
106 Timur Ile Boleng Khusus 14213 63 30 Miskin
Kab.
Flores PNPM Tidak
107 Timur Ile Boleng Perdesaan 14213 712.5 37.5 Miskin
PNPM
Daerah
Kab. Tertingga
Flores Ile l dan Tidak
108 Timur Mandiri Khusus 9344 1250 30 Miskin
PNPM
Daerah
Kab. Tertingga
Flores Ile l dan Tidak
109 Timur Mandiri Khusus 9344 500 30 Miskin
PNPM
Daerah
Kab. Tertingga
Flores Kelubagol l dan Tidak
110 Timur it Khusus 10307 750 30 Miskin
PNPM
Daerah
Kab. Tertingga
Flores Kelubagol l dan Tidak
111 Timur it Khusus 10307 750 30 Miskin
PNPM
Kab. Daerah
Flores Kelubagol Tidak
Tertingga
112 Timur it 10307 79.7 30 Miskin
l dan
Khusus
Kab.
Flores Kelubagol PNPM Tidak
113 Timur it Perdesaan 10307 360 90 Miskin
Kab.
Flores PNPM Tidak
114 Timur Larantuka Perdesaan 34834 1800 450 Miskin
PNPM
Daerah
Kab. Tertingga
Flores Tanjung l dan
115 Timur Bunga Khusus 12100 2500 30 Sedang
PNPM
Daerah
Kab. Tertingga
Flores Tanjung l dan
116 Timur Bunga Khusus 12100 750 30 Sedang
PNPM
Daerah
Kab. Tertingga
Flores l dan Tidak
117 Timur Titehena Khusus 11640 500 30 Miskin
PNPM
Daerah
Kab. Tertingga
Flores l dan Tidak
PNPM
Daerah
Kab. Tertingga
Flores l dan Tidak
PNPM
Daerah
Kab. Tertingga
Flores l dan Tidak
120 Timur Witihama Khusus 13944 500 30 Miskin
121 Witihama 13944 2750 30
Kab. PNPM Tidak
Flores Daerah Miskin
Timur Tertingga
l dan
Khusus
Kab.
Flores PNPM Tidak
122 Timur Witihama Perdesaan 13944 712.5 37.5 Miskin
Kab.
Flores PNPM Tidak
123 Timur Witihama Perdesaan 13944 765 35 Miskin
PNPM
Daerah
Kab. Tertingga
Flores Wotan l dan
124 Timur Ulu Mado Khusus 7934 500 30 Sedang
Kab.
Flores Wotan PNPM
125 Timur Ulu Mado Perdesaan 7934 2850 150 Sedang
Kab. PNPM Tidak
126 Sikka Alok Perkotaan 33009 3500 30 Miskin
Kab. PNPM Tidak
Kab. PNPM Tidak
Kab. PNPM Tidak
Kab. PNPM Tidak
Kab. PNPM Tidak
Kab. PNPM Tidak
Kab. PNPM
133 Sikka Bola Perdesaan 10778 1600 400 Sedang
Kab. PNPM
134 Sikka Bola Perdesaan 10778 2400 600 Sedang
Kab. PNPM
135 Sikka Waigete Perdesaan 22440 1600 400 Miskin
Kab. PNPM
Kab. PNPM
PNPM
138 Kab. Ende Ende Perdesaan 16447 1600 400 Sedang
PNPM
PNPM
PNPM
Ende PNPM
142 Kab. Ende Selatan Perkotaan 21282 3800 30 Sedang
Ende PNPM
Ende PNPM
Ende PNPM
Ende PNPM
Ende PNPM
147 Kab. Ende Selatan Perkotaan 21282 712.5 37.5 Sedang
PNPM
148 Kab. Ende Maukaro Perdesaan 6948 1400 350 Sedang
Nangapan PNPM
149 Kab. Ende da Perkotaan 21551 3800 30 Sedang
Nangapan PNPM
150 Kab. Ende da Perdesaan 21551 1600 400 Sedang
Nangapan PNPM
151 Kab. Ende da Perdesaan 21551 1600 400 Sedang
Pulau PNPM
152 Kab. Ende Ende Perkotaan 7862 3800 30 Miskin
PNPM
153 Kab. Ende Wolojita Perdesaan 6281 2400 600 Sedang
Kab. PNPM
154 Ngada Aimere Perkotaan 14694 3800 30 Sedang
Kab. PNPM
155 Ngada Aimere Perdesaan 14694 1600 400 Sedang
Kab. PNPM Tidak
156 Ngada Bajawa Perkotaan 35529 1000 360 Miskin
Kab. PNPM Tidak
Kab. PNPM Tidak
Kab. PNPM Tidak
Kab. PNPM Tidak
160 Ngada Bajawa Perkotaan 35529 1567.5 82.5 Miskin
Kab. PNPM Tidak
161 Ngada Bajawa Perkotaan 35529 2303.75 121.25 Miskin
Kab. Bajawa PNPM Tidak
162 Ngada Utara Perdesaan 8469 1600 400 Miskin
Kab. PNPM Tidak
163 Ngada Golewa Perdesaan 38394 1800 450 Miskin
Kab. PNPM Tidak
Kab. PNPM Tidak
Kab. PNPM Tidak
166 Ngada Jerebuu Perdesaan 7556 1600 400 Miskin
Kab. Langke PNPM Tidak
167 Manggarai Rembong Perkotaan 60681 3200 30 Miskin
Kab. Umbu
Sumba Ratu PNPM
174 Tengah Nggay Perdesaan 14709 1200 300 Miskin
Kota PNPM
175 Kupang Alak Perkotaan 51165 1685 345 Sedang
Kota PNPM
Kota PNPM
Kota PNPM
Kota PNPM
Kota PNPM
180 Kupang Alak Perkotaan 51165 1947.5 102.5 Sedang
Kota Kelapa PNPM Tidak
181 Kupang Lima Perkotaan 61411 3500 30 Miskin
185 61411 1995 105
Kupang Lima Perkotaan Miskin
186 Kupang Lima Perkotaan 61411 902.5 47.5 Miskin
Kota Kota PNPM Tidak
187 Kupang Lama Perkotaan 30196 712.5 37.5 Miskin
Kota PNPM Tidak
188 Kupang Kota Raja Perkotaan 47878 807.5 42.5 Miskin
Kota PNPM
189 Kupang Maulafa Perkotaan 65852 2800 30 Sedang
Kota PNPM
Kota PNPM
Kota PNPM
Kota PNPM
193 Kupang Maulafa Perkotaan 65852 1282.5 67.5 Sedang
Kota PNPM
194 Kupang Maulafa Perkotaan 65852 2042.5 107.5 Sedang
Kota PNPM Tidak
195 Kupang Oebobo Perkotaan 79675 2215 675 Miskin
Kota PNPM Tidak
Kota PNPM Tidak
Kota PNPM Tidak
Kota PNPM Tidak
199 Kupang Oebobo Perkotaan 79675 2232.5 117.5 Miskin
Kota PNPM Tidak
200 Kupang Oebobo Perkotaan 79675 1021.25 53.75 Miskin
Lampiran 2
Data Test
No Nama Jumlah Belum Belum

Kabupaten Kecamatan Program Penduduk Apbn Apbd Kategori
1 PNPM ?
Kab. Belu Ende Perdesaan 21396 2700 300
2 PNPM ?
3 Kab. PNPM ?
Kupang Sasita Mean Perkotaan 18460 2400 600
4 Kab. PNPM ?
5 PNPM ?
Kab. ?
Timor
6 Tengah PNPM
Selatan Sasita Mean Perdesaan 24239 51 30
Kab. ?
Timor
7 Tengah Tasifeto PNPM
Selatan Barat Perdesaan 24239 2400 600
Kab. ?
Timor
Selatan Timur Perdesaan 11412 2700 300
Kab. ?
Timor PNPM
9 Tengah Tasifeto Pasca
Selatan Timur Krisis 11412 750 30
Kab. ?
Timor
Kab. ?
Timor
Kab. ?
Timor
12 Tengah PNPM
Selatan Weliman Perdesaan 11173 1410 790
Kab. ?
Timor
13 Tengah PNPM
Kab. ?
Timor
14 Tengah PNPM
Kab. ?
Timor
15 Tengah PNPM
Kab. ?
Timor
16 Tengah PNPM
Selatan Wewiku Perdesaan 37682 1395 155
Kab. ?
Timor
17 Tengah PNPM
Selatan Wewiku Perdesaan 37682 1282.5 142.5
Kab. ?
Timor
18 Tengah PNPM
Selatan Atadei Perdesaan 37682 2400 600
Kab. ?
Timor
19 Tengah PNPM
Selatan Lebatukan Perdesaan 37682 2400 600
20 PNPM ?
Kab.
Nubatukan Perdesaan 37682 2700 300
Timor
Tengah
Selatan
Kab. ?
Timor
21 Tengah PNPM
Selatan Nubatukan Perdesaan 6861 500 30
PNPM ?
Daerah
Kab. Tertinggal
22 Sumba dan
Timur Nubatukan Khusus 15658 47.9 30
PNPM ?
Daerah
Kab. Tertinggal
23 Sumba Adonara dan
Timur Barat Khusus 15658 750 30
PNPM ?
Daerah
Kab. Tertinggal
Timur Barat Khusus 14307 750 30
PNPM ?
Daerah
Kab. Tertinggal
Timur Barat Khusus 14307 60.7 30
PNPM ?
Daerah
Kab. Tertinggal
26 Sumba dan
Timur Ile Boleng Khusus 11771 2400 600
Kab. ?
27 Sumba PNPM
Timur Ile Boleng Perdesaan 11771 500 30
Kab. ?
28 Sumba PNPM
Timur Ile Boleng Perdesaan 11771 47.9 30
PNPM ?
Daerah
Tertinggal
29 dan
Kab. Belu Ile Boleng Khusus 11771 45.3 30
PNPM ?
Daerah
Tertinggal
30 dan
Kab. Belu Ile Mandiri Khusus 13919 3700 30
31 PNPM ?
Kab. Belu Ile Mandiri Perdesaan 13919 2810 150
32 PNPM ?
Kab. Belu Kelubagolit Perdesaan 13466 710 130
PNPM ?
Daerah
Tertinggal
33 dan
Kab. Belu Kelubagolit Khusus 26764 665 160
PNPM ?
Daerah
Tertinggal
34 dan
PNPM ?
Daerah
Tertinggal
35 dan
36 PNPM ?
Kab. Belu Larantuka Perkotaan 26764 1600 400
37 Tanjung PNPM ?
Kab. Belu Bunga Perkotaan 26764 2700 300
38 Tanjung PNPM ?
Kab. Belu Bunga Perkotaan 26764 1000 100
39 PNPM ?
Kab. Belu Titehena Perkotaan 17918 2400 600
40 PNPM ?
41 PNPM ?
42 PNPM ?
Kab. Belu Witihama Perdesaan 16701 3800 30
43 PNPM ?
44 PNPM ?
PNPM ?
Daerah
Tertinggal
45 dan
Kab. Belu Witihama Khusus 11679 2400 600
PNPM ?
Daerah
Tertinggal
46 Wotan Ulu dan
Kab. Belu Mado Khusus 6319 2400 600
PNPM ?
Daerah
Tertinggal
47 Wotan Ulu dan
Kab. Belu Mado Khusus 6319 500 30
PNPM ?
Daerah
Tertinggal
48 dan
Kab. Belu Alok Khusus 19856 2400 600
PNPM ?
Daerah
Tertinggal
49 dan
50 PNPM ?
Kab. Belu Alok Perdesaan 14834 865 85
PNPM ?
Daerah
Tertinggal
51 dan
PNPM ?
Daerah
Tertinggal
52 dan
PNPM ?
Daerah
Tertinggal
53 dan
54 PNPM ?
Kab. Belu Alok Perkotaan 13413 82.2 30
55 PNPM ?
Kab. Belu Bola Perkotaan 7972 2700 300
56 PNPM ?
Kab. Belu Bola Perkotaan 7972 3800 30
57 PNPM ?
Kab. Belu Waigete Perkotaan 7972 2400 600
58 PNPM ?
59 PNPM ?
60 Kab. PNPM ?
Kupang Raihat Perdesaan 18460 750 30
61 Kab. PNPM ?
Kupang Rinhat Perdesaan 18460 500 30
62 Kab. PNPM ?
63 PNPM ?
PNPM ?
Daerah
Tertinggal
64 Ende dan
Kab. Belu Selatan Khusus 17269 72.7 30
65 Ende PNPM ?
Kab. Belu Selatan Perdesaan 17269 3000 30
PNPM ?
66 Kab. Ende Pasca
Lembata Selatan Krisis 17269 750 30
PNPM ?
Daerah
Tertinggal
67 Kab. Ende dan
Lembata Selatan Khusus 17269 1600 400
68 Kab. Ende PNPM ?
Lembata Selatan Perdesaan 17561 1800 1200
69 Kab. Ende PNPM ?
Lembata Selatan Perdesaan 17561 1200 300
70 Kab. PNPM ?
Lembata Maukaro Perdesaan 7486 2400 600
PNPM ?
Daerah
Kab. Tertinggal
71 Flores dan
Timur Nangapanda Khusus 8635 1350 900
Kab. ?
72 Flores PNPM
Timur Nangapanda Perdesaan 30237 750 30
Kab. ?
73 Flores PNPM
Timur Nangapanda Perdesaan 30237 3500 30
Kab. ?
74 Flores PNPM
Timur Pulau Ende Perdesaan 30237 91.7 30
75 PNPM ?
Kab.
Wolojita Perdesaan 11681 500 30
Flores
Timur
PNPM ?
Daerah
Kab. Tertinggal
76 Flores dan
Timur Aimere Khusus 11681 3500 30
PNPM ?
Daerah
Kab. Tertinggal
77 Flores dan
Timur Aimere Khusus 11681 63 30
PNPM ?
Daerah
Kab. Tertinggal
78 Flores Kelapa dan
Timur Lima Khusus 14213 712.5 37.5
Kab. ?
79 Flores Kelapa PNPM
Timur Lima Perdesaan 14213 1250 30
Kab. PNPM ?
80 Flores Kelapa Pasca
Timur Lima Krisis 14213 500 30
Kab. ?
81 Flores Kelapa PNPM
Timur Lima Perdesaan 14213 750 30
Kab. PNPM ?
82 Flores Kelapa Pasca
Timur Lima Krisis 9344 750 30
Kab. ?
83 Flores PNPM
Timur Kota Lama Perdesaan 9344 79.7 30
Kab. ?
84 Flores PNPM
Timur Kota Raja Perdesaan 10307 360 90
PNPM ?
Kab. Daerah
85 Flores Tertinggal
Timur Maulafa 10307 1800 450
dan
Khusus
PNPM ?
Daerah
Kab. Tertinggal
86 Flores dan
Timur Maulafa Khusus 10307 2500 30
PNPM ?
Daerah
Kab. Tertinggal
87 Flores Amanuban dan
Timur Selatan Khusus 10307 750 30
PNPM ?
Daerah
Kab. Tertinggal
88 Flores Amanuban dan
Timur Timur Khusus 34834 500 30
PNPM ?
Daerah
Kab. Tertinggal
89 Flores dan
Timur Batu Putih Khusus 12100 1750 30
PNPM ?
Daerah
Kab. Tertinggal
90 Flores dan
Timur Boking Khusus 12100 500 30
Kab. ?
91 Flores PNPM
Timur Boking Perdesaan 11640 500 30
Kab. ?
92 Flores PNPM
Timur Fatumnasi Perdesaan 11640 2750 30
Kab. ?
93 Flores PNPM
Timur Fatumnasi Perdesaan 11640 712.5 37.5
Kab. ?
94 Flores PNPM
Timur Fatumnasi Perdesaan 13944 765 35
Kab. ?
95 Flores PNPM
Timur Kie Perdesaan 13944 500 30
PNPM ?
Daerah
Tertinggal
96 Kab. Kelapa dan
Sikka Lima Khusus 13944 2850 150
PNPM
Daerah ?
Tertinggal
97 Kab. Kelapa dan
PNPM
Daerah ?
Tertinggal
98 Kab. Kelapa dan
PNPM
Daerah ?
Tertinggal
99 Kab. dan
Sikka Kota Soe Khusus 11640 1920 480
PNPM
Daerah ?
Tertinggal
100 Kab. dan
Sikka Kota Soe Khusus 33009 1070 200

Klasifikasi Penduduk Miskin Provinsi Nusa Tenggara Timur Menggunakan Algoritma Naïve

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Klasifikasi Penduduk Miskin Provinsi Nusa Tenggara Timur Menggunakan Algoritma Naïve

Diunggah oleh

Hak Cipta:

Format Tersedia

KLASIFIKASI PENDUDUK MISKIN PROVINSI NUSA

TENGGARA TIMUR MENGGUNAKAN ALGORITMA NAÏVE

PROGRAM STUDI TEKNIK INFORMATIKA

PROGRAM STUDI TEKNIK INFORMATIKA

Bekasi, November 2018

PERNYATAAN KEASLIAN PENELITIAN……………………………………. iii

1.1 Latar Belakang………………………………………………………… 1

1.2 Identifikasi Masalah…………………………………………………… 4

1.3 Rumusan Masalah………………………………………....................... 4

1.4 Batasan Masalah………………………………………………………. 4

1.5 Tujuan dan Manfaat………………………………………................... 4

1.6 Sistematika Penulisan……………………………………………........ 5

BAB II TINJAUAN PUSTAKA………………………..................................... 7

2.1 Tinjauan Studi………………………………………………………… 7

2.2 Kajian Pustaka……………………………………………………........ 13

2.2.1 Data Mining ……………………………........................................ 13

2.2.2 Tahap-tahap Data Mining…………………................................... 13

2.2.3 Konsep Klasifikasi…………………………….............................. 17

2.2.4 Naïve Bayes………………………………………………………. 18

2.2.5 Cross Validation……………………………………………......... 20

2.3 Tinjauan Organisasi…………………………………….............................. 22

2.3.1 Keadaan Geografis dan Administrasi NTT…………..................... 22

2.3.2 Populasi dan Mata Pencarian Penduduk NTT…………………… 24

2.4 Kerangka Pemikiran………………………………………................... 24

2.5 Hipotesis Penelitian………………………………………………......... 25

BAB III METODE PENELITIAN…………………………………………….. 26

3.1 Metode Pengumpulan Data…………………………………………… 26

3.3 Langkah Penelitian…………………………………………………… 30

3.4 Peralatan ……………………………………………………….......... 31

3.5 Waktu Penelitian……………………………………………………… 32

BAB IV HASIL DAN PEMBAHASAN……………………………………….. 34

4.1.1 Perhitungan Naïve Bayes……………………………………………. 34

4.1.2 Implementasi Klasifikasi Naïve Bayes Pada Rapid Minner………….. 46

4.1.3 Akurasi Klasifikasi…………………………………………………… 47

4.2 Pembahasan…………………………………………………………. ……. 50

BAB V KESIMPULAN DAN SARAN………………………………………… 52

5.2 Saran………………………………………………………………… …….. 52

Tabel 2.1 Penelitian Sebelumnya Yang Relevan……………………......... 9

Tabel 3.1 Atribut Dataset………………………………………………… 28

Tabel 3.2 Jadwal Kegiatan Penelitian……………………………………. 32

Tabel 4.1 Kriteria Yang Digunakan………………………………………. 34

Tabel 4.2 Probolitas Keterangan Penduduk………………………………. 35

Table 4.3 Atribut Kabupaten………………………………………………. 36

Table 4.4 Atribut Kecamatan………………………………………………. 37

Table 4.5 Atribut Program…………………………………………………. 38

Tabel 4.6 Atribut Jumlah Penduduk……………………………………….. 38

Tabel 4.5 Atribut Belum APBN…………………………………………… 39

Tabel 4.6 Atribut Belum APBD…………………………………………. 40

Tabel 4.7 Data Testing…………………………………………………… 41

Tabel 4.8 Perhitungan P (ci)……………………………………………… 42

Tabel 4.9 Menghitung Jumlah Kelas Atas Klasifikasi…………………… 43

Gambar 2.1 Tahap-Tahap Data Maning…………………………………... 16

Gambar 2.2 Skema 10 Fold……………………………………………….. 21

Gambar 2.3 Kerangka Pemikiran………………………………………….. 25

Gambar 3.1 Pemahaman Bisnis…………………………………………… 27

Gambar 3.2 Dataset……………………………………………………….. 28

Gambar 4.1 Proses Rapid Miner………………………………………….. 46

Gambar 4.2 Hasil Klasifikasi Rapid Miner……………………………….. 47

Gambar 4.3 Model Pengujian……………………………………………… 47

Gambar 4.4 Sub Proses Cross Validation…………………………………. 48

Gambar 4.5 Confusion Matrix Penduduk…………………………………. 49

Gambar 4.6 Hasil Pengukuran Accuracy…………………………………. 51

Lampiran 1 Data Training……………..…………………………………...