Makalah Ptun
Makalah Ptun
LANDASAN TEORI
II-2
2. Tergugat
Tergugat adalah badan atau pejabat tata usaha negara yang mengeluarkan
keputusan berdasarkan wewenang yang ada padanya atau yang
dilimpahkan kepadanya, yang digugat oleh orang atau badan hukum
perdata (pasal 1 ayat 6 UU no.5 tahun 1986 dan UU no.9 tahun 2004).
II-3
5. Melampirkan alasan-alasan gugatan yang mendasari gugatan penggugat. Ada
beberapa alasan yang mendasari adanya gugatan atas KTUN yang
dikeluarkan oleh PTUN. Alasan-alasan ini diatur dalam pasal 53 Undang-
Undang No. 9 Tahun 2004, yaitu sebagai berikut :
a. KTUN tersebut bertentangan dengan undang-undang yang berlaku.
b. KTUN tersebut tidak prosedural dan tidak substansial.
c. KTUN tersebut dikeluarkan oleh pihak yang tidak berwenang.
d. KTUN tersebut bertentangan dengan asas-asas umum pemerintahan yang
baik.
e. KTUN tersebut dikeluarkan tidak melalui proses inventarisasi dan
pemerikasaan terhadap fakta-fakta yang relevan.
f. KTUN tersebut bersifat konkrit, individual dan final serta menimbulkan
akibat hukum.
g. KTUN tersebut tidak memerlukan persetujuan atasan atau instansi lain.
h. KTUN tersebut merupakan perbuatan tergugat yang sewenang-wenang
dan merugikan penggugat.
i. KTUN tersebut menyebabkan hak-hak penggugat sebagai pemilik tanah
terabaikan.
j. Gugatan yang diajukan oleh penggugat sesuai dengan waktu yang
dibenarkan.
6. Melampirkan permohonan penggugat yang diharapkan agar dikabulkan oleh
majelis hakim. Permohonan ini diatur dalam pasal 53 Undang-Undang No. 9
Tahun 2004, yaitu sebagai berikut :
a. Pembatalan atau menyatakan tidak sah KTUN yang dikeluarkan.
b. Ganti rugi.
c. Rehabilitasi.
7. Membayar biaya pendaftaran kasus ke adminstrasi PTUN.
II-4
2.3 Definisi Data Mining
Data mining merupakan suatu metode menemukan suatu pengetahuan
dalam suatu database yang cukup besar. Data mining adalah proses menggali
dan menganalisa sejumlah data yang sangat besar untuk memperoleh sesuatu
yang benar, baru, sangat bermanfaat dan akhirnya dapat dimengerti suatu corak
atau pola dalam data tersebut (Han & Kamber, 2006). Data mining didefinisikan
sebagai proses menemukan pola dalam data. Proses ini harus otomatis atau
biasanya secara semi-otomatis.Pola yang dihasilkan harus berarti bahwa pola
tersebut memberikan beberapa keuntungan.Pola tersebut diidentifikasi,
divalidasi, dan digunakan untuk membuat sebuah prediksi (Witten dkk, 2011).
II-5
Gambar 2.1 Empat Tugas Inti Data Mining (Tan dkk, 2006)
Pemodelan prediktif mengacu pada proses membangun model untuk
variabel target sebagai fungsi dari variabel penjelas. Ada dua tipe dari pemodelan
prediktif, yaitu klasifikasi (classification) yang digunakan untuk variabel target
yang diskret, dan regresi (regression) yang digunakan untuk variable target yang
kontinyu. Analisa asosiasi digunakan untuk menemukan pola yang
mendeskripsikan fitur-fitur data yang saling berhubungan. Pola-pola ini biasanya
digambarkan dalam bentuk aturan implikasi. Analisa cluster merupakan proses
untuk mencari kelompok-kelompok data, sedemikian sehingga data yang berada
dalam satu kelompok memiliki kemiripan dibandingkan data yang terletak pada
kelompok lain. Deteksi anomali merupakan proses identifikasi data yang memiliki
perbedaan karakteristik yang signifikan dengan data yang lain atau yang dikenal
dengan istilah outlier (Tan dkk, 2006).
II-6
cukup professional akan sedikit didukung dalam pemilihan presiden.
Deskripsi dari pola dan kecenderungan sering memberikan
kemungkinan penjelesan untuk suatu polaatau kecenderungan.
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variable target
estimasi lebih kearah numerik dari pada kearah kategori. Model
dibangun menggunakan record lengkap yang menyediakan nilai dari
variabel target sebagai prediksi. Selanjutnya, pada peninjauan
berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai
variabel predikasi. Sebagai contoh akan dilakukan estimasi tekanan
darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis
kelamin, indeks berat badan, dan level sodium darah. Hubungan antara
tekanan darah sistolik dan nilai variabel prediksi dalam proses
pembelajaran akan menghasilkan model estimasi. Model estimasi yang
dihasilkan dapat digunakan untuk kasus baru lainnya.
3. Prediksi.
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa
dalam predikasi nilai dari hasik akan ada dimasa mendatang. Contoh
prediksi bisnis dan penelitian adalah:
a. Prediksi harga beras dalam tiga bulan yang akan dating.
b. Prediksi persentasi kenaikan kecelakaan lalu lintas tahunepan
jika batas bawah kecepatan dinaikkan. Beberapa metode dan
teknik yang digunakan dalam klasifikasi dan estimasi dapat
pula digunakan (untuk keadaan yang tepat) untuk prediksi.
4. Klasifikasi
II-7
b. Memperkirakan apakah suatu pengajuan hipotek oleh nasabah
merupakan suatu kredit yang baik atau buruk.
c. Mendiagnosis penyakit seorang pasien untuk mendapatkan
termasuk kategori penyakit apa.
5. Pengklusteran (Clustering)
Pengkluteran merupakan pengelompokan record, pengamatan, atau
memperhatikan dan membentuk kelas objek-objek yang memiliki
kemiripan. Kluster adalah kumpulan record yang memiliki kemiripan
satu dengan yang lainnya dan memiliki ketidakmiripan dengan record-
record dalam kluster lain. Pengklusteran berbeda dengan klasifikasi
yaitu tidak adanya variabel target dalam pengklusteran. Pengklusteran
tidak mencoba untuk melakukan klasifikasi, mengestimasi, atau
memprediksi nilai dari variabel target. Akan tetapi, algoritma
pengklusteran mencoba untuk melakukan pembagian terhadap
keseluruhan data menjadi kelompok-kelompok yang memiliki
kemiripan (homogeny), yang mana kemiripan dalam satu kelompok
akan bernilai maksimal, sedangkan kemiripan dengan record dalam
kelompok lain akan bernilai minimal. Contoh pengklusteran dalam
bisnis dan penelitian adalah:
a. Mendapatkan kelompok-kelompok konsumen untuk target
pemasaran dari satu suatu produk bagi perusahaan yang tidak
memiliki dana pemesaran yang besar.
b. Untuk tujuan audit akuntansi, yaitu melakukan pemisahan
terhadap perilaku financial dalam baik dan mencurigakan.
c. Melakukan pengklusteran terhadap ekspresi dari gen, untuk
mendapatkan kemiripan perilaku dari gen dalam jumlah besar.
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan attribut yang
muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut
analisis keranjang belanja. Contoh asosiasi dalam bisnis dan penelitian
adalah:
II-8
a. Meneliti jumlah pelanggan dari perusahaan telekomunikasi
seluler yang diharapkan untuk memberikan respon positif
terhadap penawaran upgrade layanan yang diberikan.
b. Menentukan barang dalam supermarket yang dibeli secara
bersamaan dan yang tidak pernah dibeli secara bersamaan.
II-9
3. Transformasi
Data di ubah atau digabung ke dalam format yang sesuai untuk diproses
dalam data mining. Beberapa metode data mining membutuhkan format
data yang khusus sebelum bisa diaplikasikan. Sebagai contoh beberapa
motode standar seperti analisis asosiasi dan clusteringhanya bisa
menerima input data kategorikal. Karenanya data berupa angka numerik
yang berlanjut perlu dibagi- bagi menjadi beberapa interval. Proses ini
sering disebut transformasi data.
4. Penambangan data (data mining)
Proses mencari pola atau informasi menarik dalam data terpilih dengan
menggunakan teknik atau metode tertentu. Teknik, metode, atau
algoritma dalam penambangan data sangat bervariasi. Pemilihan
metode atau algoritma yang tepat sangat bergantung pada tujuan dan
proses KDD secara keseluruhan.
5. Interpretasi/Evaluasi
Pola informasi yang dihasilkan dari proses penambangan data perlu
ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang
berkepentingan. Tahap ini merupakan bagian dari proses KDD yang
disebut dengan interpretation.Tahap ini mencangkup pemeriksaan
apakah pola atau informasi yang ditemukan bertentangan dengan fakta
atau hipotesa yang ada sebelumnya atau tidak.
2.4 Klasifikasi
Klasifikasi adalah metode data mining yang dapat digunakan untuk proses
pencarian sekumpulan model (fungsi) yang dapat menjelaskan dan membedakan
kelas-kelas data atau konsep, yang tujuannya supaya model tersebut dapat
digunakan memprediksi objek kelas yang labelnya tidak diketahui atau dapat
memprediksi kecenderungan data-data yang muncul di masa depan. Metode
klasifikasi juga bertujuan untuk melakukan pemetaan data ke dalam kelas yang
sudah didefinisikan sebelumnya berdasarkan pada nilai atribut data (Han dan
Kamber, 2006). Proses klasifikasi tersebut seperti terlihat pada gambar 2.3.
II-10
Gambar 2.3 Proses Klasifikasi
II-11
2.5.1 Teorema Bayes
Bayes merupakan teknik prediksi berbasis probabilistik sederhana yang
berdasar pada penerapan aturan Bayes dengan asumsi indepedensi yang kuat.
Dengan kata lain, Naive Bayes merupakan model fitur independen. Maksud
independensi yang kuat pada fitur dalam Bayes adalah sebuah fitur data tidak
berkaitan dengan ada atau tidaknya fitur lain dalam data yang sama (Han, 2006).
Prediksi Bayes didasarkan pada teorema Bayes dengan formula umum
sebagai berikut (Han, 2006):
( | ) ( )
( | ) (2.1)
( )
Keterangan :
P (H|E) : Probabilitas akhir bersyarat suatu hipotesis H terjadi jika bukti E
terjadi.
P(E|H) : Probabilitas sebuah bukti E terjadi akan mempengaruhi hipotesis
H.
P(H) : Probabilitas awal hipotesis H terjadi tanpa memandang bukti
apapun.
P(E) : Probabilitas awal bukti E terjadi tanpa memandang hipotesis atau
bukti yang lain.
Ide dasar dari aturan Bayes adalah bahwa hasil dari hipotesis atau
peristiwa (H) dapat diperkirakan berdasarkan bukti (E) yang diamati. Ada
beberapa hal penting dari aturan Bayes tersebut, yaitu (Han, 2006) :
1. Sebuah probabilitas awal H atau P(H) adalah probabilitas dari suatu hipotesis
sebelum bukti diamati.
2. Sebuah probabilitas akhir H atau P(H|E) adalah probabilitas dari suatu
hipotesis setelah bukti diamati
II-12
fitur dan Y adalah label kelas, maka dalam Naive Bayes dituliskan dengan notasi
P(Y|X). Notasi tersebut berarti probabilitas label kelas Y didapatkan setelah fitur-
fitur X diamati. Notasi ini disebut juga probabilitas akhir (posterior probability)
untuk Y, sedangkan P(Y) disebut probabilitas awal (prior probability) Y (Han,
2006).
Selama proses pelatihan harus dilakukan pembelajaran probabilitas akhir
P(Y|X) pada model untuk setiap kombinasi X dan Y berdasarkan informasi yang
didapat dari data latih. Dengan membangun model tersebut, suatu data uji X’
dapat diklasifikasikan dengan mencari nilai Y’ dengan memaksimalkan nilai
P(X’|Y’) yang didapat (Han, 2006).
Formula Naive Bayes untuk klasifikasi adalah :
( ) ( | )
( | ) (2.2)
( )
Setiap set fitur X = {X1, X2, X3, ..., Xq} terdiri atas q atribut.
Naive Bayes lebih mudah untuk menghitung fitur bertipe kategoris, namun
untuk fitur bertipe numerik (kontinu) ada perlakuan khusus, yaitu (Han, 2006):
1. Melakukan diskretisasi pada setiap fitur kontinu dan mengganti nilai fitur
tersebut dengan nilai interval diskret.
2. Menggunakan distribusi Gaussian untuk merepresentasikan probabilitas
bersyarat dari fitur kontinu pad asebuah kelas P(Xi|Y). Distribusi Gaussian
dikarakteristikkan dengan dua parameter yaitu mean ( ) dan varian ( ).
Untuk setiap kelas yj, probabilitas bersyarat kelas yj untuk fitur Xi adalah :
II-13
( )
( | ) (2.4)
√
Parameter bisa didapat dari mean sampel Xi dari semua data latih yang
menjadi milik kelas yj. Sedangkan didapat dari varian sampel data latih.
Berdasarkan penjelasan sebelumnya maka dapat didaptkan formula-
formula utama dalam proses klasifikasi dengan Naive Bayes Classfier yaitu:
( | ) (2.5)
2. Probabilitas kelas :
( ) (2.6)
3. Probabilitas akhir :
( | )
(2.7)
Proses perhitungan dalam penentuan kelas akhir pada Naive Bayes
Classifier dimulai dengan mengetahui tipe dari fitur-fitur pada setiap kelas. Jika
bertipe kategoris lakukan perhitungan probabilitasnya, namun jika bertipe
numerik maka gunakan distribusi Gaussian untuk mencari nilai probabilitasnya.
Selanjutnya menghitung probabilitas masing-masing kelas. Probabilitas akhir
didapatkan dengan mengalikan probabilitas setiap fitur dan probabilitas kelasnya.
Label kelas dipilih berdasarkan nilai probabilitas akhir yang paling tinggi.
II-14
dekat dengan objek tersebut. Nearest Neighbor adalah pendekatan untuk mencari
kasus dengan menghitung kedekatan antara kasus baru dan kasus lama yaitu
berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada (Kusrini, 2009).
II-15
tersebut digunakan sebagai informasi lebih mengenai data tersebut. Persamaan
yang digunakan untuk menghitung validitas setiap data latih adalah :
( ) ∑ ( ( ) ( ( ))) (2.9)
Dimana :
K : Jumlah titik terdekat
Lbl (x) : Kelas x
Ni (x) : Label kelas titik terdekat x
Fungsi S digunakan untuk menghitung kesamaan antara titik adan data
ke-b tetangga terdekat. Persamaan untuk mendefinisikan fungsi S terdapat dalam
persamaan dibawah ini :
( ) { (2.10)
Dimana :
a : Kelas a pada data training
b : Kelas lain selain a pada data training
Dimana :
W(i) : Perhitungan Weight Voting
Validasi (x) : Nilai Validitas
: Jarak Euclidean
Setelah melakukan perhitungan weight voting, kemudian akan diambil k-
terbesar dari nilai weight voting. Kemudian diambil mayoritas dari nilai tersebut.
II-16
Nilai dari data mayoritas adalah kelas dari data uji. Cara kerja dari algoritma
MKNN dapat dilihat pada gambar 2.4.
2.8 Evaluasi
Evaluasi adalah kunci dalam pembuatan aplikasi atau sistem berbasis data
mining. Performa dari suatu model kasifikasi dapat diukur dengan tingkat
akurasinya. Akurasi dari sebuah klasifikasi memberikan hasil latih dengan bentuk
II-17
persentase dari kelompok data latih yang diklasifikasikan benar dari
pengklasifikasian yang telah dilakukan. Perhitungannya adalah (Han, 2006):
(2.12)
N
Nama Judul Metode Kesimpulan
No
1Mega Kombinasi Metode Knn, Kombinasi metode knn
1. Kartika KNN dan naïve bayes naïve dan naïve bayes mampu
Sari, dkk untuk klasifikasi data bayes menghasilkan akurasi yang
(2015) lebih tinggi dibandingkan
ketika dikerjakan terpisah
2 Alfa Implementasi metode Naïve Penelitian ini berhasil
2. Saleh klasifikasi naïve bayes bayes memprediksi besarnya
(2016) dalam memprediksi penggunaan listrik rumah
besarnya penggunaan tangga dengan persentase
listrik rumah tangga akurasi 78,33%
Bustami
3 Penerapan algoritma Naive Pada penelitian ini mampu
3. (2014) naïve bayes untuk Bayes mengklasifikasikan data
mengklasifikasi data Classifi nasabah menjadi kedalam
nasabah asuransi cation klasifikasi lancar, kurang
lancar, dan tidak lancer
4Sutrisn Implementasi MKNN MKNN Penelitian ini mampu
4. o,dkk dengan otomatisasi nilai melakukan klasifikasi
(2014) k pada pengklasifikasian dengan akurasi 98,83%
penyakit tanaman
kedelai
5Harmin Membandingkan knn Knn, Penelitian ini
5. parvin dan MKNN pada MKNN menghasilkan bahwa
et al beberapa dataset tingkat akurasi MKNN
(2008) lebih tinggi dari knn
7Muham Perbandingan naïve Naive Penelitian ini
II-18
N
Nama Judul Metode Kesimpulan
No
6. mad bayes classifier dan Bayes, menghasilkan bahwa
Rifqi support vector machine Support metode naive bayes
Ma’arif Vector memiliki akurasi yang lebih
untuk klasifikasi judul
Machine tinggi dari metode SVM
artikel
II-19