Klasifikasi Penduduk Miskin Provinsi Nusa Tenggara Timur Menggunakan Algoritma Naïve
Klasifikasi Penduduk Miskin Provinsi Nusa Tenggara Timur Menggunakan Algoritma Naïve
SKRIPSI
Oleh:
Daniel Rachman
311410065
SKRIPSI
Diajukan Sebagai Salah Satu Syarat Untuk Menyelesaikan
Program Strata Satu (S1) pada Program Studi Teknik Informatika
Oleh:
Daniel Rachman
311410065
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.
Daniel Rachman
v
DAFTAR ISI
Halaman
PERSETUJUAN…………………………………………………………………... i
PENGESAHAN…………………………………………………………………… ii
KATA PENGANTAR……………………………………………....................... iv
DAFTAR ISI…………………………………………………………….............. vi
DAFTAR TABEL………………………………………………………………… ix
DAFTAR GAMBAR………………………………........................................... x
DAFTAR LAMPIRAN……………………………………................................ xi
ABSTRACT……………………………………………………………………… xii
ABSTRAK……………………………………………………………………….. xiii
BAB I PENDAHULUAN…………………………………………………….. 1
vi
1.5.1 Tujuan……………………………………………………............. 5
1.5.2 Manfaat………………………………………………….............. 5
vii
3.2 Teknik Analisis Data…………………………………………………. 26
4.1 Hasil……………………………………………………………………….. 34
5.1 Kesimpulan………………………………………………………………… 52
DAFTAR PUSTAKA…………………………………………………………….. 53
LAMPIRAN……………………………………………………………………….
viii
DAFTAR TABEL
Halaman
ix
DAFTAR GAMBAR
Halaman
x
DAFTAR LAMPIRAN
Halaman
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..
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.
xiii
BAB I
PENDAHULUAN
Kemiskinan adalah kondisi seseorang atau sekelompok orang, laki laki dan
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
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
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.
klasifikasi. Klasifikasi merupakan salah satu teknik data mining yang digunakan
untuk membangun suatu model dari sampel data yang belum terklasifikasi untuk
data untuk dianalisis terlebih dahulu, kemudian pola dari hasil analisis tersebut
analisis algoritma Naïve Bayes untuk klasifikasi status kesejahteraan rumah tangga
keluarga binaan sosial. Penelitian dilakukan dengan jumlah data sebanyak 30 data set,
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,
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
Dari latar belakang masalah yang telah jelaskan diatas dapat diketahui
data mining dengan metode Naïve Bayes untuk menampilkan akurasi kemiskinan
penduduk miskin Nusa Tenggara Timur menggunakan algoritma Naïve Bayes dan
cross validation?
2. Klasifikasi penduduk miskin didasarkan pada data di situs data.go.id yang ada
1.5.1 Tujuan
1.5.2 Manfaat
Sistematika penulisan dan gambaran umum setiap bab dalam penulisan ini
BAB I PENDAHULUAN
Sistematika Penulisan.
6
Pada bab ini membahas tentang Kajian Pustaka, Tinjauan Studi, Tinjauan
Bab ini akan menjelaskan tentang hasil serta pembahasan dari penelitian yang
sudah dilakukan.
Bab ini berisikan kesimpulan dan saran dari penelitian yang sudah dilakukan
secara keseluruhan serta memberikan beberapa saran sebagai acuan apabila ada
BAB II
TINJAUAN PUSTAKA
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
keluarga binaan sosial. Hasilnya pun membuktikan bahwa akurasi untuk algoritma
naive bayes sebesar 85.80% dengan nilai area under cover (AUC) 0.930.
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.
untuk algoritma naive bayes sebesar 82.14% dengan nilai area under cover (AUC)
menggunakan algoritma Naive Bayes berbasis PSO menjadi 92.86% dan nilai AUC
0.839 dengan kategori “good classification”. Pada eksperimen kedua terbukti bahwa
Hasil lain Penelitian yang pernah di lakukan (Salmu & Solichin, 2017)
Berikut ini adalah daftar tabel penelitian sebelumnya yang menjadi bahan
0.839
Jumlah individu.
0.944
minum, Bahan
bakar memasak,
Sumber
penerangan,
Jumlah keluarga,
Jumlah individu.
11
Fasilitas.
Menggunakan semester 2, IP
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
dengan menerapkan suatu parameter yang sama untuk menangani beberapa dataset
yang memiliki karateristik berbeda sehingga dapat diketahui secara detail tingkat
Klasifikasian.
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
menentukan pola keteraturan, pola hubungan dalam set data berukuran besar
(Septiani, 2017).
untuk memperoleh manfaat lebih dari data yang ada (Iskandar & Suprapto, 2013).
Rangkaian proses, Data Mining dapat dibagi menjadi beberapa tahap proses.
Tahap- tahap tersebut bersifat interaktif, pemakai terlibat langsung atau dengan
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
dari teknik data mining karena data yang ditangani akan berkurang jumlah dan
kompleksitasnya.
satu database baru. Integrasi data perlu dilakukan secara cermat karena
kesalahan pada integrasi data bisa menghasilkan hasil yang menyimpang dan
Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena
itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database.
Data diubah atau digabung ke dalam format yang sesuai untuk diproses.
clustering hanya bisa menerima input data kategorikal. Karenanya data berupa
e. Proses mining
ditemukan. Dalam tahap ini hasilnya berupa pola-pola yang khas maupun
model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang
tercapai.
Pada gambar 2.1 menggambarkan tahapan – tahapan yang ada pada data mining.
a. Deskripsi
b. Estimasi
nilai prediksi.
c. Prediksi
Prediksi menerka sebuah nilai yang belum diketahui dan juga memperkirakan
d. Klasifikasi
pendapatan dapat dipisahkan dalam tiga kategori, yaitu tinggi, sedang, dan
rendah.
e. Pengklasteran
f. Asosiasi
Asosiasi bertugas menemukan atribut yang muncul dalam satu waktu. Dalam
memprediksi kelas pada suatu label tertentu, yaitu dengan mengklasifikasi data
18
(membangun model) berdasarkan training set dan nilai-nilai (label kelas) dalam
model yang akan digunakan untuk memprediksi label kelas (Sartika, Sensuse, Indo,
menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat
memperkirakan kelas dari suatu objek yang labelnya tidak diketahui (Bustami, 2014).
statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi
Keterangan :
berdasar pada penerapan aturan bayes dengan asumsi ketidaktergantungan yang kuat.
Selain itu naive bayes juga dapat menganalisa variabel-variabel yang paling
yang berdasar pada penerapan teorema Bayes (aturan Bayes) dengan asumsi
20
2016)
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
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
2015)
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
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.
K-fold digunakan karena dapat mengurangi waktu komputasi dengan tetap menjaga
keakuratan estimasi.
pemilihan model terbaik karena cenderung memberikan estimasi akurasi yang kurang
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
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
berikut.
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
beralih nama menjadi “Kepulauan Nusa Tenggara”, sampai dengan tahun 1957
menjadi 3 Provinsi yaitu Provinsi Bali, Provinsi Nusa Tenggara Barat dan Provinsi
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
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
Sumbawa dan Provinsi NTB, dan di sebelah timur berbatasan dengan negara Timor
Leste.
24
Tahun 2008, Provinsi NTT terdiri dari 20 kabupaten, 1 kota, 254 kecamatan, 297
2.326.487 jiwa dan penduduk perempuan sebanyak 2.357.340 jiwa (2010). Kepadatan
yang tinggal di perkotaan kurang lebih 20%, dan sisanya sebesar 80% mendiami
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.
Tenggara Timur (NTT). Kondisi ini terlihat dari 64,70 persen atau 71,27 persen dari
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
“Diduga untuk klasifikasi penduduk miskin dengan menggunakan Naïve Bayes dan
METODE PENELITIAN
Ketersediaan data akan sangat menentukan dalam proses pengolahan dan analisa
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
Data sekunder merupakan data yang diperoleh dari bentuk yang telah menjadi
informasi seperti dataset pada database. Pada penelitian ini data sekunder
Data Mining), yang memiliki siklus hidup terdiri dari 6 tahap. Adapun tahapan-
26
27
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
BPS Menyusun
BPS Menyusun BPS Melakukan
Instrumen dan
Regulasi Sensus ke Penduduk
Aplikasi
Kecamatan, Tahun, Program, Jumlah Penduduk, Belum APBN, Belum APBD dan
28
Kategori, Dari attribute diatas maka sebagian data akan digunakan untuk Klasifikasi
Pada proses pembersihan data adalah proses untuk membersihkan data yang
dihasilkan pada tahapan mengvaluasi data. Pada tahap pembersihan data ini
a. Nilai attribute yang bersifat tidak standar akan tetap diproses, untuk
b. Dari data penduduk miskin tidak terdapat missing value, untuk mencegah
terjadinya missing value maka setiap nilai yang kosong akan diganti dengan
nilai 0.
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
untuk analisis awal model yang akan digunakan. Pembagian data ke dalam set
pelatihan dan pengujian juga diperlukan untuk pemodelan. Model yang akan diuji
mendapatkan model yang paling akurat. Evaluasi dan validasi dilakukan dengan
Characteristic).
tahap sebelumnya, pada tahap ini diterapkan model atau rule yang paling akurat dan
1. Langkah awal yang dilakukan yaitu melakukan identifikasi masalah yang ada
Matrix.
31
3.4 Peralatan
a. Berikut ini beberapa piranti lunak yang dibutuhkan dalam peneletian ini
a. Berikut ini beberapa piranti keras yang dibutuhkan dalam peneletian ini
b. Hardisk External 1 TB
c. Printer
32
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
4.1 Hasil
Hasil algoritma naïve bayes untuk perhitungan Naive Bayes, implementasi klasifikasi
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 :
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
sebagai berikut :
Perhitungan ini untuk menentukan keputusan dengan metode naïve bayes untuk
mencari berapa jumlah data Miskin dan Tidak Miskin dari total keseluruhan data
P(Keterangan)
41 88 71
36
testing dengan atribut dari data training. Jumlah atribut dari Penduduk ”Miskin”
yang ada pada data training, kemudian dibagikan dengan probabilitas Penduduk
Miskin”.
a. Nama 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
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
Program
d. 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
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
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
training yang terdapat pada tabel 4.1 dan mengubahnya menjadi nilai yang
masing masing atribut dan nilai probabilitas kelas dikalikan. dari hasil yang
sudah ditentukan, jika penduduk “Miskin” bernilai lebih besar maka hasilnya
akan di buat studi kasus sebagai berikut dan rulenya berupa data training
(Lampiran1):
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
Keterangan
P(H)
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
“Tidak Miskin”
sudah dikalikan
perhitungan P(H)
46
dengan metode Naïve Bayes. Setelah melakukan perhitungan manual terhadap data
RapidMiner. Pembuktian perhitungan manual naive bayes terhadap data training dan
Gambar 4.1 Proses RapidMiner pengujian data traning terhadap data testing dalam
menentukan Klasifikasi.
47
Gambar 4. 2 Hasil Prediksi dimana data testing menggunakan sample acak awal dan
dataset source nantinya akan disesuaikan dengan dataset nilai siswa. Kemudian untuk
memvalidasi model dari algoritma naïve bayes digunakan metode cross validation.
sebagai model evaluasi dari kinerja algoritma naïve bayes. Untuk lebih jelasnya dapat
Dalam sub proses cross validation terdapat dua bagian dimana ada training
seperti pada di gambar 4.4 dimana pada bagian training terdapat algoritma naïve
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
digunakan untuk mengevaluasi hasil kinerja algoritma naïve bayes dengan parameter
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 :
Hasil analisa data training pada rapidminer dapat dilihat pada lampiran 1. Untuk
Diketehui :
Hasil = 96.50%
4.2 Pembahasan
hasil yang sudah didapatkan secara keseluruhan maka dapat dilihat hasil akurasi
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
5.1 Kesimpulan
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
5.2 Saran
beberapa saran yang dapat digunakan pada penelitian kedepanya sebagai berikut :
dan dengan jumlah data yang lebih besar lagi sehingga menghasilkan tingkat
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
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
3 Barat ak Perkotaan 30016 1136 284 Sedang
Kab. Kota
Sumba Waikabub PNPM
4 Barat ak Perdesaan 30016 3800 30 Sedang
Kab. Kota
Sumba Waikabub PNPM
5 Barat ak Perkotaan 30016 1440 160 Sedang
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
13 Timur g Perdesaan 8343 2400 600 Miskin
Kab. PNPM
Sumba Tabundun Pasca
14 Timur g Krisis 8343 3800 30 Miskin
Kab.
Sumba Tabundun PNPM
15 Timur g Perdesaan 8343 2400 600 Miskin
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
30 Selatan Fatumnasi Khusus 6861 750 30 Miskin
PNPM
Kab. Daerah
Timor Tertingga
Tengah l dan
31 Selatan Fatumnasi Khusus 6861 500 30 Miskin
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
42 Selatan Kota Soe Perkotaan 37682 1380 345 Miskin
Kab.
Timor
Tengah PNPM Tidak
43 Selatan Kota Soe Perkotaan 37682 1800 380 Miskin
Kab.
Timor
Tengah PNPM Tidak
44 Selatan Kota Soe Perkotaan 37682 980 145 Miskin
Kab.
Timor
Tengah PNPM Tidak
45 Selatan Kota Soe Perkotaan 37682 1395 155 Miskin
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
48 Selatan Selatan Perdesaan 15658 2400 600 Sedang
Kab.
Timor
Tengah Mollo PNPM
49 Selatan Selatan Perdesaan 15658 2700 300 Sedang
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
60 Kab. Belu Atambua Perkotaan 26764 2810 150 Miskin
PNPM Tidak
61 Kab. Belu Atambua Perkotaan 26764 710 130 Miskin
PNPM Tidak
62 Kab. Belu Atambua Perkotaan 26764 665 160 Miskin
PNPM Tidak
63 Kab. Belu Atambua Perkotaan 26764 1026 114 Miskin
PNPM Tidak
64 Kab. Belu Atambua Perkotaan 26764 270 30 Miskin
Kakuluk PNPM
65 Kab. Belu Mesak Perdesaan 17918 1600 400 Sedang
Kakuluk PNPM
66 Kab. Belu Mesak Perdesaan 17918 2700 300 Sedang
Kakuluk PNPM
67 Kab. Belu Mesak Perdesaan 17918 1000 100 Sedang
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
78 Kab. Belu Raihat Perdesaan 12924 2400 600 Sedang
PNPM
79 Kab. Belu Raihat Perdesaan 12924 865 85 Sedang
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
86 Kab. Belu Timur Perdesaan 21396 2400 600 Sedang
PNPM
Tasifeto Pasca
87 Kab. Belu Timur Krisis 21396 3800 30 Sedang
Tasifeto PNPM
88 Kab. Belu Timur Perdesaan 21396 2400 600 Sedang
Tasifeto PNPM
89 Kab. Belu Timur Perdesaan 21396 2700 300 Sedang
PNPM
Daerah
Tertingga
l dan
90 Kab. Belu Weliman Khusus 17269 750 30 Sedang
PNPM
Daerah
Tertingga
l dan
91 Kab. Belu Weliman Khusus 17269 1750 30 Sedang
PNPM
Daerah
Tertingga
l dan
92 Kab. Belu Weliman Khusus 17269 750 30 Sedang
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
99 Lembata n Perdesaan 30237 2400 600 Sedang
Kab. Nubatuka PNPM
100 Lembata n Perdesaan 30237 1350 900 Sedang
PNPM
Daerah
Kab. Tertingga
Flores Adonara l dan
101 Timur Barat Khusus 11681 750 30 Sedang
PNPM
Daerah
Kab. Tertingga
Flores Adonara l dan
102 Timur Barat Khusus 11681 3500 30 Sedang
PNPM
Daerah
Kab. Tertingga
Flores Adonara l dan
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
118 Timur Titehena Khusus 11640 1750 30 Miskin
PNPM
Daerah
Kab. Tertingga
Flores l dan Tidak
119 Timur Titehena Khusus 11640 500 30 Miskin
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
127 Sikka Alok Perkotaan 33009 2650 150 Miskin
Kab. PNPM Tidak
128 Sikka Alok Perkotaan 33009 1920 480 Miskin
Kab. PNPM Tidak
129 Sikka Alok Perkotaan 33009 1070 200 Miskin
Kab. PNPM Tidak
130 Sikka Alok Perkotaan 33009 340 60 Miskin
Kab. PNPM Tidak
131 Sikka Alok Perkotaan 33009 990 110 Miskin
Kab. PNPM Tidak
132 Sikka Alok Perkotaan 33009 540 60 Miskin
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
136 Sikka Waigete Perdesaan 22440 1600 400 Miskin
Kab. PNPM
137 Sikka Waigete Perdesaan 22440 2400 600 Miskin
PNPM
138 Kab. Ende Ende Perdesaan 16447 1600 400 Sedang
PNPM
139 Kab. Ende Ende Perdesaan 16447 480 120 Sedang
PNPM
140 Kab. Ende Ende Perdesaan 16447 855 45 Sedang
PNPM
141 Kab. Ende Ende Perdesaan 16447 2950 150 Sedang
Ende PNPM
142 Kab. Ende Selatan Perkotaan 21282 3800 30 Sedang
Ende PNPM
143 Kab. Ende Selatan Perkotaan 21282 2440 600 Sedang
Ende PNPM
144 Kab. Ende Selatan Perkotaan 21282 2136 534 Sedang
Ende PNPM
145 Kab. Ende Selatan Perkotaan 21282 870 170 Sedang
Ende PNPM
146 Kab. Ende Selatan Perkotaan 21282 530 120 Sedang
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
157 Ngada Bajawa Perkotaan 35529 792 198 Miskin
Kab. PNPM Tidak
158 Ngada Bajawa Perkotaan 35529 1582 350 Miskin
Kab. PNPM Tidak
159 Ngada Bajawa Perkotaan 35529 1145 230 Miskin
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
164 Ngada Golewa Perdesaan 38394 480 120 Miskin
Kab. PNPM Tidak
165 Ngada Golewa Perdesaan 38394 1045 55 Miskin
Kab. PNPM Tidak
166 Ngada Jerebuu Perdesaan 7556 1600 400 Miskin
Kab. Langke PNPM Tidak
167 Manggarai Rembong Perkotaan 60681 3200 30 Miskin
Kab. Langke PNPM Tidak
168 Manggarai Rembong Perkotaan 60681 2160 400 Miskin
Kab. Langke PNPM Tidak
169 Manggarai Rembong Perkotaan 60681 1720 430 Miskin
Kab. Langke PNPM Tidak
170 Manggarai Rembong Perkotaan 60681 2110 420 Miskin
Kab. Langke PNPM Tidak
171 Manggarai Rembong Perkotaan 60681 1705 420 Miskin
Kab. Langke PNPM Tidak
172 Manggarai Rembong Perkotaan 60681 2448 272 Miskin
Kab. Langke PNPM Tidak
173 Manggarai Rembong Perkotaan 60681 855 95 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
176 Kupang Alak Perkotaan 51165 810 810 Sedang
Kota PNPM
177 Kupang Alak Perkotaan 51165 1750 360 Sedang
Kota PNPM
178 Kupang Alak Perkotaan 51165 1420 320 Sedang
Kota PNPM
179 Kupang Alak Perkotaan 51165 1520 80 Sedang
Kota PNPM
180 Kupang Alak Perkotaan 51165 1947.5 102.5 Sedang
Kota Kelapa PNPM Tidak
181 Kupang Lima Perkotaan 61411 3500 30 Miskin
Kota Kelapa PNPM Tidak
182 Kupang Lima Perkotaan 61411 1790 1010 Miskin
Kota Kelapa PNPM Tidak
183 Kupang Lima Perkotaan 61411 2440 500 Miskin
Kota Kelapa PNPM Tidak
184 Kupang Lima Perkotaan 61411 825 130 Miskin
185 61411 1995 105
Kota Kelapa PNPM Tidak
Kupang Lima Perkotaan Miskin
Kota Kelapa PNPM Tidak
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
190 Kupang Maulafa Perkotaan 65852 1690 550 Sedang
Kota PNPM
191 Kupang Maulafa Perkotaan 65852 1710 330 Sedang
Kota PNPM
192 Kupang Maulafa Perkotaan 65852 400 40 Sedang
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
196 Kupang Oebobo Perkotaan 79675 1100 1100 Miskin
Kota PNPM Tidak
197 Kupang Oebobo Perkotaan 79675 2490 520 Miskin
Kota PNPM Tidak
198 Kupang Oebobo Perkotaan 79675 875 140 Miskin
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