Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
1
Klasifikasi Wilayah Berdasarkan Algoritma C4.5 (Studi Kasus : Kelurahan
Rintis Kecamatan Limapuluh Kota Pekanbaru)
Aris Kurniawan1, Tekad Matulatan2, Nola Ritha3
Jurusan Teknik Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji
ABSTRAK
Wilayah kumuh adalah kawasan rumah dan kondisi hunian masyarakat
dimana rumah, sarana dan prasarana yang ada harus sesuai standar berlaku atau
yang layak dihuni. Karena dalam sistem sebelumnya tidak memberikan informasi
klasifikasi bagian wilayah mana yang kumuh, dimana tingginya tingkat
keberhasilan kelurahan rintis kecamatan limapuluh, Kota Pekanbaru dilihat dari
kawasan rumah dan kondisi hunian masyarakat. Tujuan penelitian klasifikasi
wilayah kumuh di kecamatan rintis, kelurahan limapuluh, Kota Pekanbaru ini yaitu
untuk meningkatkan kondisi hunian masyarakat dan dapat dijadikan bahan
pertimbangan bagi pihak pengambil kebijakan dalam menentukan strategi terkait
permasalahan kumuh. Dalam klasifikasi ini menggunakan algoritma C4.5. Data
yang digunakan keteraturan bangunan, kelayakan bangunan, kondisi penyediaan air
minum, kondisi pengelolaan air limbah, kondisi pengelolaan persampahan dan
kondisi pengamanan kebakaran. Hasil pengujian algoritma C4.5 menggunakan
confusion matrix dari pengujian data training dengan 1101 data dan 26 RT/RW
didapatkan tingkat akurasi klasifikasi algoritma C4.5 proses mining awal sebesar
36% dan proses mining akhir tidak didapatkan karena nilai gain ratio 0. Sedangkan
dari pengujian data testing dengan 61 data dan 2 RT/RW proses mining awal
sebesar 36% dan proses mining akhir tidak didapatkan karena nilai gain ratio 0.
Kata kunci: Wilayah, Wilayah Kumuh, Klasifikasi, Algoritma C4.5
PENDAHULUAN
Kota Pekanbaru adalah salah satu kota di Provinsi Riau yang memiliki
lokasi kawasan pemukiman kumuh. Salah satu kelurahan di Kota Pekanbaru yang
termasuk kawasan pemukiman kumuh adalah Kelurahan Rintis, Kecamatan
Limapuluh, Kota Pekanbaru. Kawasan kumuh adalah kawasan rumah dan kondisi
hunian masyarakat dimana rumah maupun sarana dan prasarana yang ada tidak
sesuai dengan standar yang berlaku. Adapun ciri – ciri kawasan kumuh dapat dilihat
dari fasilitas umum yang kondisinya kurang atau tidak memadai, kondisi hunian
2
rumah dan pemukiman serta penggunaan ruang – ruangannya mencerminkan
penghuninya yang kurang mampu atau miskin.
Berdasarkan uraian diatas, maka diperlukan analisa terhadap data-data yang
sudah ditetapkan oleh pemerintah daerah melalui Surat Keputusan Walikota
Nomor: 151 Tahun 2016 tentang Perubahan atas Keputusan Walikota Pekanbaru
Nomor 189 Tahun 2014 tentang Penetapan Lokasi Perumahan dan Pemukiman
Kumuh di Kota Pekanbaru dengan deliniasi 113,56 Ha (TAPP Kelurahan Rintis,
TIPP Kelurahan Rintis Fasilitator, 2019). Berdasarkan penetapan sesuai aturan baru
Peraturan Menteri Pekerjaan Umum dan Perumahan Rakyat Republik Indonesia
Nomor 14/PRT/M/2018 Tentang Pencegahan dan Peningkatan Kualitas Terhadap
Perumahan Kumuh dan Permukiman Kumuh, maka memiliki aspek dan kriteria
kekumuhan, sehingga dapat diketahui karakteristik RT/RW mana yang kumuh pada
saat ini. Dalam hal tersebut, dilakukan penelitian dengan judul “Klasifikasi Wilayah
Kumuh Berdasarkan Algoritma C4.5”. Pada penelitian ini dapat memberikan hasil
berupa sistem atau aplikasi yang dapat digunakan dengan menerapkan Algoritma
C4.5, yang dapat memberikan acuan bagi pihak pengambil kebijakan dalam
menentukan strategi terkait permasalahan kumuh.
BAHAN DAN METODE
Pada penelitian yang dilakukan berdasarkan studi kasus klasifikasi wilayah
kumuh kelurahan rintis, kecamatan limapuluh, kota Pekanbaru, maka peneliti
menggunakan keseluruhan data pada tahun 2017 dengan jumlah nama kepala
keluarga sebanyak 1162 orang dan 28 RT/RW. Variabel yang digunakan
keteraturan bangunan, kelayakan bangunan, kondisi penyediaan air minum, kondisi
pengelolaan air limbah, kondisi pengelolaan persampahan dan kondisi pengamanan
kebakaran.
Pada penelitian ini digunakan data training adalah 1101 orang kepala
keluarga, 26 RT/RW dan data testing sebanyak 61 orang kepala keluarga dan 2
RT/RW. Peraturan Menteri Pekerjaan Umum dan Perumahan Rakyat Nomor 14
Tahun 2018 mengatur tentang pencegahan dan peningkatan kualitas terhadap
perumahan kumuh dan permukiman kumuh, dalam Peraturan Menteri PUPR 14 –
2018 memiliki cara untuk mentukan daerah dan kawasan kumuh dengan format
isian identifikasi lokasi dan format numerik lokasi, formulasi penilaian lokasi,
format penetapan lokasi perumahan kumuh dan permukiman kumuh. Adapun
predikat kawasan kumuh di tampilkan pada Tabel 2.1.
Tabel 1 Formulasi Penentuan Skala Prioritas Penanganan
Jumlah Nilai Tingkat Kekumuhan
71 – 95 Kumuh Berat
45 – 70 Kumuh Sedang
19 – 44 Kumuh Ringan
< 19 Tidak Kumuh
Algoritma C4.5 merupakan bagian dari kelompok decision tree dan
merupakan kategori 10 algoritma yang paling popular (Defit dan Nurcahyo, 2015).
3
Algoritma C.45 adalah salah satu algoritma induksi pohon keputusan yaitu ID3
(Iterative Dichotomiser 3). Pada dasarnya konsep dari algoritma C4.5 adalah
mengubah data menjadi pohon keputusan dan aturan-aturan keputusan (rule). C4.5
adalah algoritma yang cocok untuk masalah klasifikasi dan data mining. Ada
tahapan dari proses algoritma C4.5 adalah (Lakshmi dkk., 2013):
1. Mempersiapkan data training.
2. Hitung nilai Entropy dengan rumus sebagai berikut:
𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) = ∑ − 𝑝𝑖 ∗ 𝑙𝑜𝑔2 𝑝𝑖
𝑛
𝑖=1
(2.1)
Dimana:
S : Himpunan kasus.
n : Jumlah partisi S.
pi : Proporsi dari Si terhadap S
4. Setelah mendapatkan nilai dari Entropy maka akan digunakan untuk
mencari nilai Gain.
5. Rumus yang digunakan untuk menghitung Gain Information sebagai
berikut:
(2.2)
6. Kemudian mencari nilai Split Information dengan rumus:
(2.3)
7. Setelah mendapatkan nilai Gain Info dan Split Info, lalu mencari nilai
Gain Ratio dengan rumus sebagai berikut:
(2.4)
8. Nilai Gain Ratio tertinggi akan digunakan sebagai atribut akar. Dengan
itu akan terbentuk pohon keputusan sebagai node 1.
9. Ulangi proses ke-2 sampai semua cabang memiliki kelas yang sama.
10. Maka akan terbentuk pohon keputusan.
11. Dari pohon keputusan yang terbentuk maka dapat ditentukan Rule-Rule.
Selain dari tahapan-tahapan dari proses algoritma C4.5, dalam penelitian
ini juga terdapat flowchart proses Algoritma C4.5 berikut ini:
4
Mulai
Hitung jumlah kasus keseluruhan (S)Hitung jumlah kasus yang 0 (tidak layak)
Hitung jumlah kasus yang 1 (layak)
Hitung Entropy Total dari jumlah kasus keseluruhan
Mencari entropy dan gain masing –
masing atribut
Terbentuk node leaf
Gain ratio pada leaf node sama ?
Tidak
Pohon Keputusan
Iya
Selesai
Gambar 1 Flowchart Metode Decision Tree Algoritma C4.5
HASIL DAN PEMBAHASAN
Penelitian ini menggunakan data sebanyak 1162 orang kepala keluarga dan 28
RT/RW. Pada pemilihan data training, peneliti memilih pembagian data training
sebanyak 1101 orang kepala keluarga, 26 RT/RW sedangkan data testing berjumlah
61 orang kepala keluarga dan 2 RT/RW dengan menggunakan 6 variabel sesuai
aturan aspek dan kriteria kumuh yang berlaku. Berikut merupakan tabel hasil
perhitungan node 1 dari sistem :
1. Hasil Data Training
Pada uji coba data training menggunakan data sebanyak 1101 orang kepala
keluarga dan 26 RT/RW. Adapun hasil uji coba data training yaitu hasil klasifikasi
pohon keputusan awal dan pohon keputusan akhir. Berikut merupakan contoh hasil
perhitungan node 1 dari variabel keteraturan bangunan di tampilkan pada Tabel 1.
5
Tabel 2 Hasil Perhitungan Node 1 – Keteraturan Bangunan
Setelah proses mining awal mendapatkan hasil yang ditampilkan pada Tabel 2.
Kemudian membentuk pohon keputusan awal terbentuk, selanjutnya sistem akan
merepresentasikan pohon keputusan tersebut ke dalam bentuk rule yang akan
digunakan dalam menentukan tingkat wilayah kumuh untuk mendapatkan hasil per
RT/RW maka perlu adanya proses mining dua kali dengan menggunakan data dari
hasil proses mining awal. Setelah mendapatkan hasil mining akhir maka
membentuk pohon keputusan akhir dan rule akhir terbentuk.
Tabel 3 Hasil Mining Awal
No Class Atribut
Jumlah
Kasus
(S)
Teratur
(1)
Tidak
Terat
ur (0)
1 Keteraturan
Posisi muka bangunan hunian
menghadap ke
jalan
Iya 909 848 61
2 Kelayakan Kondisi Atap
Lantai Dinding Iya 1020 950 70
3 Air Minum Kebutuhan Air Iya 149 0 149
4 Air Limbah Pembuangan
Limbah Umum 27 16 11
5 Persampahan Pengangkutan 2X
Seminggu Iya 902 902 0
6 Kebakaran Ketersediaan Jalan Iya 13 13 0
Hasil Klasifikasi Pohon Keputusan Awal
Dari hasil perhitungan Tabel 1, maka didapatkan model pohon keputusan
awal pada variabel keteraturan bangunan seperti berikut:
Jumlah
Kasus (S)Teratur (1)
Tidak
Teratur (0)Entropy Gain Split Info Gain Ratio
Total Entrophy Keteraturan 1101 848 253 0.777646964
Keteraturan Bangunan Hunian Bangunan Akses Langsung Kejalan Iya 940 847 93 0.465614233 0.38011983 0.599113718 0.63447024
Tidak 160 0 160 0
Posisi Menghadap Kejalan Iya 909 848 61 0.355032498 0.48452749 0.667642474 0.72572898
Tidak 192 0 192 0
Akses Min > 1.5 M Iya 771 701 70 0.439105175 0.17300435 0.880957567 0.19638216
Tidak 330 147 183 0.991398259
Posisi Min > 1.5 M Iya 683 648 35 0.291660205 0.28525417 0.954010332 0.29900533
Tidak 356 138 218 0.963259954
Menghadap Sungai Tidak ada sungai dll 927 760 167 0.68040732 0.11186581 0.769749797 0.1453275
Tidak 53 0 53 0
Iya 121 88 33 0.845350937
Diatas Sempadan Tidak ada sungai dll 844 685 159 0.698088393 0.0213726 0 0
Tidak 257 163 94 0.947359797
Iya 0 0 0 0
Daerah Limbah Iya 1 0 1 0 0.00192898 0.01048741 0.18393273
Tidak 1100 848 252 0.776423185
6
Gambar 2 Pohon Keputusan - Keteraturan Bangunan
Dari model pohon keputusan tersebut didapat aturan/ pola sebagai
berikut:
Jika Posisi Menghadap Kejalan = Iya maka Pemukiman = layak
Jika Posisi Menghadap Kejalan = Tidak maka Pemukiman = tidak layak
Dari hasil perhitungan Tabel 3, maka didapatkan model pohon keputusan
awal pada variabel kelayakan bangunan seperti berikut:
Gambar 3 Pohon Keputusan – Kelayakan Bangunan
Dari model pohon keputusan tersebut didapat aturan/ pola sebagai
berikut:
Jika Luas >7.2 M / Jiwa = Iya maka Pemukiman = layak
Jika Luas >7.2 M / Jiwa = Tidak maka Pemukiman = tidak layak
Dari hasil perhitungan Tabel 3, maka didapatkan model pohon keputusan
awal pada variabel air minum seperti berikut:
7
Gambar 4 Pohon Keputusan – Air Minum
Dari model pohon keputusan tersebut didapat aturan/ pola sebagai
berikut:
Jika Jarak Air > 10 M = Iya maka Pemukiman = layak
Jika Jarak Air > 10 M = Tidak maka Pemukiman = tidak layak
Dari hasil perhitungan Tabel 3, maka didapatkan model pohon keputusan
awal pada variabel pengelolaan air limbah/sanitasi seperti berikut:
Gambar 5 Pohon Keputusan - Pengelolaan Air Limbah/Sanitasi
Dari model pohon keputusan tersebut didapat aturan/ pola sebagai
berikut:
Jika Pembuangan Limbah = Tidak maka Pemukiman = tidak layak
Jika Pembuangan Limbah = Iya dan Akses Sarana = Iya maka Pemukiman
layak
Jika Pembuangan Limbah = Iya dan Akses Sarana = Tidak maka
Pemukiman layak
8
Dari hasil perhitungan Tabel 3, maka didapatkan model pohon keputusan
awal pada variabel pengelolaan persampahan seperti berikut:
Gambar 6 Pohon Keputusan – Pengelolaan Persampahan
Dari model pohon keputusan tersebut didapat aturan/ pola sebagai
berikut:
Jika Pengangkutan 2X Seminggu = Iya maka Pemukiman = layak
Jika Pengangkutan 2X Seminggu = Tidak maka Pemukiman = tidak layak
Dari hasil perhitungan Tabel 3, maka didapatkan model pohon keputusan
awal pada variabel pengamanan kebakaran seperti berikut:
Gambar 7 Pohon Keputusan – Pengamanan Kebakaran
Dari model pohon keputusan tersebut didapat aturan/ pola sebagai
berikut:
Jika Ketersediaan Jalan = Iya maka Pemukiman = layak
Jika Ketersediaan Jalan = Tidak maka Pemukiman = tidak layak.
9
Hasil Klasifikasi Pohon Keputusan Akhir
Dari hasil perhitungan proses mining kedua kalinya dapat diketahui tidak
mendapatkan hasil nilai gain ratio tertinggi karena yang di dapatkan hanya bernilai
0 atau kosong.
2. Hasil Data Testing
Pada uji coba data testing menggunakan data sebanyak 61 orang kepala
keluarga dan 2 RT/RW. Adapun hasil uji coba data testing yaitu hasil klasifikasi
pohon keputusan awal dan pohon keputusan akhir.
Hasil Klasifikasi Pohon Keputusan Awal
Dari hasil perhitungan terlampir pada lampiran, maka didapatkan model
pohon keputusan awal pada variabel keteraturan bangunan seperti berikut:
Gambar 8 Pohon Keputusan - Keteraturan Bangunan
Dari model pohon keputusan tersebut didapat aturan/ pola sebagai
berikut:
Jika Akses Min > 1.5 M = Iya maka Pemukiman = layak
Jika Akses Min > 1.5 M = Tidak maka Pemukiman = layak
Dari hasil perhitungan terlampir pada lampiran, maka didapatkan model pohon
keputusan awal pada variabel kelayakan bangunan seperti berikut:
10
Gambar 9 Pohon Keputusan – Kelayakan Bangunan
Dari model pohon keputusan tersebut didapat aturan/ pola sebagai
berikut:
Jika Luas >7.2 M / Jiwa = Iya maka Pemukiman = layak
Jika Luas >7.2 M / Jiwa = Tidak maka Pemukiman = tidak layak
Dari hasil perhitungan terlampir pada lampiran, maka didapatkan model pohon
keputusan awal pada variabel air minum seperti berikut:
Gambar 10 Pohon Keputusan – Air Minum
Dari model pohon keputusan tersebut didapat aturan/ pola sebagai
berikut:
Jika Jarak Air > 10 M = Iya maka Pemukiman = layak
Jika Jarak Air > 10 M = Tidak maka Pemukiman = tidak layak
Dari hasil perhitungan terlampir pada lampiran, maka tidak didapatkan model
pohon keputusan awal pada variabel pengelolaan air limbah/sanitasi dikarenakan
pada sub variabel dibeberapa sub datanya ada yang tidak bernilai.
Dari hasil perhitungan terlampir pada lampiran, maka didapatkan model pohon
keputusan awal pada variabel pengelolaan persampahan seperti berikut:
11
Gambar 11 Pohon Keputusan – Pengelolaan Persampahan
Dari model pohon keputusan tersebut didapat aturan/ pola sebagai
berikut:
Jika Pengangkutan 2X Seminggu = Iya maka Pemukiman = layak
Jika Pengangkutan 2X Seminggu = Tidak maka Pemukiman = tidak layak
Dari hasil perhitungan terlampir pada lampiran, maka didapatkan model pohon
keputusan awal pada variabel pengamanan kebakaran seperti berikut:
Gambar 12 Pohon Keputusan – Pengamanan Kebakaran
Dari model pohon keputusan tersebut didapat aturan/ pola sebagai
berikut:
Jika Ketersediaan Jalan = Iya maka Pemukiman = layak
Jika Ketersediaan Jalan = Tidak maka Pemukiman = tidak layak
12
Hasil Klasifikasi Pohon Keputusan Akhir
Dari hasil perhitungan proses mining kedua kalinya tidak dapat dilanjutkan
karena pada variabel pengelolaan air limbah/sanitasi dibeberapa sub datanya ada
yang tidak bernilai.
3. Hasil Evaluasi
Dalam tahap ini dilakukan pengukuran keakuratan hasil yang telah di capai.
Berdasarkan uji coba pada data training dan data testing dari pembacaan pohon
keputusan awal dengan sinkronisasi data set, pada kasus ini algoritma C4.5
memiliki tingkat akurasi kurang dari 100%.
Adapun confusion matrix dari data testing dan data training yang digunakan
dengan output yaitu Tidak Kumuh, Kumuh Ringan, Kumuh Sedang dan Kumuh
Berat ditampilkan pada Tabel 4.2 dan Tabel 4.3
Tabel 4 Hasil Uji Coba Data Training
Tidak
Kumuh
Kumuh
Ringan
Kumuh
Sedang
Kumuh
Berat
Tidak Kumuh 3 4 1 0
Kumuh Ringan 9 5 0 0
Kumuh Sedang 0 0 0 0
Kumuh Berat 0 0 0 0
Tabel 5 Hasil Uji Coba Data Testing
Tidak
Kumuh
Kumuh
Ringan
Kumuh
Sedang
Kumuh
Berat
Tidak Kumuh 8 0 0 0
Kumuh Ringan 14 0 0 0
Kumuh Sedang 0 0 0 0
Kumuh Berat 0 0 0 0
Adapun perhitungan akurasi dapat dilihat pada persamaan 2.5.
Tabel 6 Confussion Matrix Wilayah Kumuh
Tidak
Kumuh
Kumuh
Ringan
Kumuh
Sedang
Kumuh
Berat
Tidak Kumuh a b c d
13
Kumuh Ringan e f g h
Kumuh Sedang i j k l
Kumuh Berat m n o p
Akurasi | Data Training =(3+5)
22𝑥100% = 36%
Akurasi | Data Testing =(8)
22𝑥100% = 36%
Berdasarkan confusion matrix pada data training proses mining awal (kepala
keluarga) dan proses mining akhir (RT/RW) didapatkan tingkat akurasi klasifikasi
algoritma C4.5 proses mining awal sebesar 36% dan proses mining akhir tidak
didapatkan karena nilai gain ratio 0.
Sedangkan pada data testing proses mining awal (kepala keluarga) dan proses
mining akhir (RT/RW) didapatkan tingkat akurasi klasifikasi algoritma C4.5 pada
proses mining awal sebesar 36% dan proses mining akhir tidak dapat dilanjutkan
karena pada variabel pengelolaan air limbah/sanitasi dibeberapa sub variabel
datanya ada yang tidak bernilai atau kosong.
KESIMPULAN
Kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut:
1. Penelitian ini menunjukkan bahwa sistem dapat menentukan wilayah kumuh
di kecamatan rintis, kelurahan limapuluh, Kota Pekanbaru.
2. Pada penelitian ini menggunakan algoritma C4.5 yang dimana pada kasus
wilayah kumuh memiliki proses dua kali mining untuk mendapatkan hasil
wilayah berdasarkan RT/RW dengan menghasilkan sebuah pohon keputusan
dan rules.
3. Pada pengujian akurasi menggunakan confusion matrix dari pengujian data
training dengan 1101 data dan 26 RT/RW, pada proses mining awal (kepala
keluarga) dan proses mining akhir (RT/RW) didapatkan tingkat akurasi
klasifikasi algoritma C4.5 proses mining awal sebesar 36% dan proses mining
akhir tidak didapatkan karena nilai gain ratio 0. Sedangkan pada pengujian
data testing dengan 61 data dan 2 RT/RW, pada proses mining awal (kepala
keluarga) dan proses mining akhir (RT/RW) didapatkan tingkat akurasi
klasifikasi algoritma C4.5 proses mining awal sebesar 36% dan proses mining
akhir tidak didapatkan karena nilai gain ratio 0. Algoritma C4.5 ini sangat
cocok untuk kasus seperti prediksi tingkat kelulusan mahasiswa.
14
DAFTAR PUSTAKA
Agustina, D. melina., dan Wijanarto., 2016, "Analisis Perbandingan Algoritma ID3
Dan C4 . 5 Untuk Klasifikasi Penerima Hibah Pemasangan Air Minum".,
Journal of Applied Intelligent System, 1(3), 234–244.
Aswin, A. R., 2016, "Penerapan Algoritma C4.5 Untuk Klasifikasi Tingkat
Keganasan Hama Pada Tanaman Padi"., Jurnal Sains Dan Informatika, 2, 54–
60.
Defit, S., dan Nurcahyo, G. W., 2015, "Penerapan Algoritma C4.5 Pada NUPTK
Untuk Menentukan Pola Sertifikasi Guru Dengan Menggunakan Metode
Klasifikasi Decision Tree (Studi Kasus: Pada Dinas Pendidikan Pemuda dan
Olahraga Kabupaten Rokan Hulu)"., Journal Of Computer Science, 1(1), 69–
83.
Kamagi, D. H., dan Hansun, S, 2014, "Implementasi Data Mining dengan
Algoritma C4 . 5 untuk Memprediksi Tingkat Kelulusan Mahasiswa".,
ULTIMATICS, Vol. VI, No. 1 | Juni 2014, VI(1), 15–20.
Lakshmi, T. M., Martin, A., Begum, R. M., dan Venkatesan, V. P., 2013, "An
Analysis on Performance of Decision Tree Algorithms using Student’s
Qualitative Data"., International Journal of Modern Education and Computer
Science, 5(5), 18–27. https://doi.org/10.5815/ijmecs.2013.05.03
Lorena, S., Zarman, W., dan Hamidah, I., 2014, "Analisis Dan Penerapan
Algoritma C4.5 Dalam Data Mining Untuk Memprediksi Masa Studi
Mahasiswa Berdasarkan Data Nilai Akademik"., Prosiding Seminar Nasional
Aplikasi Sains Dan Teknologi (SNAST), (November), 263–272.
https://doi.org/10.5829/idosi.weasj.2015.6.2.22162
Nasrullah, A. H., 2018, "Penerapan Metode C4.5 Untuk Klasifikasi Mahasiswa".
10, 244–250.
Pertiwi, A. G., Widyaningtyas, T., dan Pujianto, U., 2010, "Classification of
Province Based on Dropout Rate", 2017 International Conference on
Sustainable Information Engineering and Technology (SIET) Classification,
(5), 5–8. https://doi.org/10.1109/SIET.2017.8304173
Putra, Y. K., Mashun, Y. K., Teknik, F., dan Hamzanwadi, U., 2018, "Prediksi
Jumlah Retribusi Sampah Perbulan menggunakan Algoritma Decition Tree
(C4.5) pada Kantor Dinas Lingkungan Hidup dan Kebersihan Kecamatan
Selong Kabupaten Lombok Timur Yupi"., Infotek : Jurnal Informatika Dan
Teknologi, 1(2).
Ribeiro, B. M. G., 2015, "Mapping informal settlements using WorldView-2
imagery and C4.5 decision tree classifier", 2015 Joint Urban Remote Sensing
Event, JURSE 2015, 15–18. https://doi.org/10.1109/JURSE.2015.7120470
15
Sijabat, A., 2015, "Penerapan Data Mining Untuk Pengolahan Data Siswa Dengan
Menggunakan Metode Decision Tree ( Studi Kasus : Yayasan Perguruan
Kristen Andreas)"., Majalah Ilmiah Informasi Dan Teknologi Ilmiah, V(3), 7–
12.
LAMPIRAN
Hasil Uji Data Testing Proses Mining Awal – Keteraturan Bangunan
Hasil Uji Data Testing Proses Mining Awal – Kelayakan Bangunan
Hasil Uji Data Testing Proses Mining Awal – Air Minum
Hasil Uji Data Testing Proses Mining Awal – Pengelolaan Air Limbah
Jumlah
Kasus (S)Teratur (1)
Tidak
Teratur (0)Entropy Gain Split Info Gain Ratio
Total Entrophy Keteraturan 61 42 19 0.894869231
Keteraturan Bangunan Hunian Bangunan Akses Langsung Kejalan Iya 61 42 19 0.894869231 0 0 0
Tidak 0 0 0 0
Posisi Menghadap Kejalan Iya 61 42 19 0.894869231 0 0 0
Tidak 0 0 0 0
Akses Min > 1.5 M Iya 56 37 19 0.924133542 0.04648434 0.409073139 0.11363332
Tidak 5 5 0 0
Posisi Min > 1.5 M Iya 60 41 19 0.90071968 0.00891545 0.120681014 0.07387614
Tidak 1 1 0 0
Menghadap Sungai Tidak ada sungai dll 42 42 0 0 0.89486923 0 0
Tidak 19 0 19 0
Iya 0 0 0 0
Diatas Sempadan Tidak ada sungai dll 49 42 7 0.591672779 0.4195911 0 0
Tidak 12 0 12 0
Iya 0 0 0 0
Daerah Limbah Iya 0 0 0 0 0 0 0
Tidak 61 42 19 0.894869231
Total Entrophy Kelayakan 61 60 1 0.120681014
Kelayakan Bangunan Hunian Luas >7.2 M / Jiwa Iya 60 60 0 0 0.12068101 0.120681014 1
Tidak 1 0 1 0
Kelayakan Lantai Iya 60 60 0 0 0 0.120681014 0
Tidak 1 0 1 0
Kondisi Atap Iya 61 60 1 0.120681014 0 0 0
Tidak 0 0 0 0
Kondisi Dinding Iya 61 60 1 0.120681014 0 0 0
Tidak 0 0 0 0 0
Lantai Kramik Iya 61 60 1 0.120681014 0 0 0
Tidak 0 0 0 0
Kondisi Atap Lantai Dinding Iya 61 60 1 0.120681014 0 0 0
Tidak 0 0 0 0
Total Entrophy Air Minum 61 53 8 0.560576943
Air Minum Jarak Air > 10 M Iya 18 11 7 0.964078765 0.16376595 0.875195789 0.18711922
Tidak 43 42 1 0.159350063
Kebutuhan Air Tercukupi 8 0 8 0 0.56057694 0.560576943 1
Bulan Tertentu 53 53 0 0
Total Entrophy Air Limbah 61 61 0 0
Air Limbah Tempat BAB Umum 0 0 0 0 0 0 0
Sendiri 61 61 0 0
Tidak di WC 0 0 0 0
Akses Sarana Iya 61 61 0 0 0 0 0
Tidak 0 0 0 0
Leher Angsa Iya 61 61 0 0 0 0 0
Tidak 0 0 0 0
Pembuangan Limbah Iya 61 61 0 0 0 0 0
Tidak 0 0 0 0
16
Hasil Uji Data Testing Proses Mining Awal – Pengelolaan Persampahan
Hasil Uji Data Testing Proses Mining Awal – Pengamanan Kebakaran
Total Entrophy Persampahan 61 47 14 0.777152994
Pembuangan Sampah Rumah Tangga Pribadi 2 2 0 0
Komunal 32 21 11 0.928362072
Dalam Lubang 8 5 3 0.954434003
Ruang Terbuka 19 19 0 0 0.16497171 1.558432046 0.10585749
Pengangkutan 2X Seminggu Iya 47 47 0 0
Tidak 14 0 14 0 0.77715299 0.777152994 1
Total Entrophy Kebakaran 2 1 1 1
Kebakaran Kejadian Kebakaran 1 / 5 Thn 1 0 1 0 1 1 1
2 / 5 Thn 1 1 0 0
Penyebab Kebakaran Listrik 1 1 0 0 1 1 1
Tidak Pernah 1 0 1 0
Prasarana/Sarana Pencegahan = Tidak
Ada 1 0 1 0 1 0.5 0
Ketersediaan Jalan Iya 1 1 0 0 1 1 1
Tidak 1 0 1 0