sistem pendukung keputusan pemberian bantuan ekonomi

Serambi Engineering, Volume VI, No. 1, Januari 2021 hal 1452 - 1464

1452

p-ISSN : 2528-3561

e-ISSN : 2541-1934

Sistem Pendukung Keputusan Pemberian Bantuan Ekonomi

Menggunakan Algoritma C4.5

Agustiena Merdekawati1, Luci Kanti Rahayu

2

1,2

Universitas Bina Sarana Informatika

Gedung Rektorat Jl. Kramat Raya No. 98, Senen. Jakarta Pusat 10450

*Koresponden email: [email protected]

Diterima: 22 Oktober 2020 Disetujui: 16 November 2020

Abstract

The problem that often appears in the distribution of economic assistance is miss-targeting assistance.

This miss-targeted distribution is also faced by Baitul Maal Yayasan Al-Anshor Asmawiah, a foundation

that receives and distributes economic aid. This obstacle is faced due to the many criteria attributes of

potential recipients, confusing the foundation in selecting aid recipients and some parties are still

cheating. Information provided by potential beneficiaries is often incomplete so there is a lack of data on

the prospective beneficiary forms. The method for selecting economic aid is the C4.5 algorithm, which is

an algorithm that forms a decision tree as a reference for selecting economic assistance. After obtaining

the rules, the foundation implements the system in assisting. This system makes it easier for the public to

fill out economic assistance forms and it is easy to immediately find out information whether they reserve

the right to economic assistance or not and make it easier for administrators to get information divided to

whom reserve the right to attain assistance.

Keywords: C4.5 algorithm, decision support, decision tree, economic assistance, selection system

Abstrak

Permasalahan yang sering timbul dalam pemberian bantuan ekonomi adalah distribusi bantuan yang tidak

tepat sasaran. Problem tidak tepat sasaran ini dialami oleh Baitul Maal Yayasan Al-Anshor Asmawiah

sebuah yayasan yang menerima dan menyalurkan bantuan ekonomi. Kendala yang mereka hadapi

dikarenakan banyaknya atribut kriteria calon penerima sehingga membingungkan pihak yayasan dalam

melakukan seleksi bantuan dan beberapa pihak masih berbuat curang. Informasi yang diberikan calon

penerima bantuan sering tidak lengkap sehingga terjadi kekurangan data pada form bantuan ekonomi.

Metode untuk menyeleksi bantuan ekonomi ini yaitu Algoritma C4.5 dimana algoritma ini merupakan

algoritma yang dapat membentuk decision tree (pohon keputusan) yang digunakan sebagai acuan seleksi

bantuan ekonomi. Setelah mendapatkan rules, selanjutnya diimplementasikan dalam sebuah sistem agar

memudahkan pengguna memberikan bantuan. Sistem ini mempermudah masyarakat dalam mengisi form

bantuan ekonomi dan mudah langsung mengetahui informasi apakah berhak mendapatkan bantuan

ekonomi atau tidak serta memudahkan administrator mendapatkan informasi yang berhak menerima atau

tidak menerima bantuan. Kata Kunci: Algoritma C4.5, bantuan ekonomi, pohon keputusan, pendukung keputusan, sistem seleksi.

1. Pendahuluan

Permasalahan yang dihadapi oleh setiap negara berkembang yaitu kemiskinan. Di Indonesia,

masalah kemiskinan menjadi masalah yang terus berlanjut tiap tahunnya. Menurut hasil survei BPS

jumlah penududuk miskin di Indonesia masih sangat banyak, berikut data persentase:[1]

1. Jumlah penduduk miskin sebesar 25,95 juta orang (9,82%) pada bulan Maret 2018, jumlah tersebut

mengalami penurunan 633,2 ribu dari sebelumnya yaitu pada bulan September 2017 sebesar 26,58 juta

orang.

2. Persentase penduduk miskin di perkotaan pada September 2017 sebesar 7,26 persen, turun menjadi

7,02 persen pada Maret 2018. Sedangkan jumlah penduduk miskin di perdesaan pada September 2017

sebesar 13,47 persen, mengalami penurunan sebesar turun 13,20 persen pada Maret 2018.

3. Di daerah perkotaan jumlah penduduk miskin untuk periode September 2017–Maret 2018, mengalami

penurunan sebesar 128,2 ribu orang (dari 10,27 juta orang pada September 2017 menjadi 10,14 juta

orang pada Maret 2018), kemudian di daerah perdesaan mengalami penurunan sebanyak 505 ribu

orang (dari 16,31 juta orang pada September 2017 menjadi 15,81 juta orang pada Maret 2018


1453

p-ISSN : 2528-3561

e-ISSN : 2541-1934

Kemiskinan jika tidak diperhatikan oleh pemerintah, akan mendatangkan suatu risiko bagi bangsa

di masa akan datang. Tidak meratanya pendapatan keluarga akan mengakibatkan timbulnya

ketidakseimbangan pendapatan sehingga munculnya kemiskinan. Sebab itu diperlukan cara mengatasi

kemiskinan dengan menaikkan daya beli, guna pemerataan pendapatan. Cara pemerataan pendapatan

lainnya yaitu melakukan penyaluran pendapatandari masyarakat mampu kepada masyarakat miskin.

Langkah meningkatkan pendapatan salah satunya yaitu pemberian dana bantuan ekonomi seperti

yang dilakukan pemerintah ataupun lembaga penyalur. Permasalahan yang sering timbul dalam

pemberian bantuan ekonomi ini, pendistribusian yang tidak tepat sasaran. Itu dikarenakan sulitnya

menentukan kriteria utama dalam seleksi penerimaan dana bantuan ekonomi dan beberapa pihak yang

berbuat kecurangan.

Menurut [2], Dalam memenuhi kebutuhan yang semakin berat, seperti makanan, pakaian,

perumahan. Dampak dari kondisi seperti ini, yaitu menurunnya kesejahteraan disektor kehidupan

penduduk Indonesia. Dalam mengatasi kemiskinan, pemerintah memiliki program bantuan beras miskin

untuk keluarga yang tidak mampu. Proses seleksi pemberian beras miskin harus tepat sasaran dan sesuai

dengan penerima yang benar-benar membutuhkan. Kegiatan pemberian bantuan beras miskin ini, selalu

dilaksanakan setiap tahun dan setiap tahunnya selalu meningkat. Sehingga dilakukan penelitian agar

terhindari kekeliruan, ketidak konsistenan akurasi pemilihan, mengurangi tingkat kecurangan dan

mengurangi terjadinya penilaian yang subjektif. Decision Tree adalah suatu teknik yang populer

didalam data mining, metode ini sebelumnya tidak membutuhkan proses kelola pengetahuan dan

masalah dengan ukuran yang besar dapat diselesaikan dengan sederhana. Keakuratannya sangat optimal,

jika data yang menjadi ukuran adalah data yang sahih.

Menurut[3], Cara mengatasi kemiskinan yaitu perlunya dukungan masyarakat yang mampu ikut

mengeluarkan harta kekayaannya kepada masyarakat miskin, sehingga pendistribusian zakat cukup untuk

diluaskan agar menjadi solusi cara membangun ekonomi di Indonesia. Pemakaian algoritma C4.5 dalam

data mining, mengelompokkan data penyaluran dana pada BAZNAS Kabupaten Agam dalam bentuk

pemakaian (konsumtif) dan pemanfaatan (produktif). Penggunaan software rapid miner studio dihasil

pengelompokkan hasil yang akurat dengan memakai algoritma C4.5. Keakuratan hasil didasari oleh

kesesuaian dalam memilih atribut dan kesesuaian dalam mentransformasikan data kedalam atribut yang

dipilih. Jadi, rule yang dibentuk oleh algoritma C4.5 dapat membantu BAZNAS Kabupaten Agam

mengelompokkan jenis zakat yang akan didistribusikan dengan waktu relatif lebih singkat.

Menurut [4], di Batam sudah banyak kepala keluarga yang tidak bekerja, dikarenakan

pengurangan jumlah karyawan. Oleh karena itu, RT dan RW membuat kebijakan untuk membantu

finansial mereka, yaitu setiap bulannya memberikan beras dan uang. Namun pihak RT dan RW sulit

menetapkan keluarga yang benar-benar berhak menerima bantuan, untuk mengatasi hal seperti itu maka

dilakukanlah penelitian menggunakan algoritma C4.5. Calon penerima bantuan berdasarkan: status

perkawinan, pekerjaan, jumlah penghasilan, jumlah tanggungan, status kepemilikan rumah. Berdasarkan

perhitungan di dapatkan keputusan yang menerima bantuan uang dan beras 7 orang dan yang tidak

menerima bantuan uang dan besar 9 orang.

Menurut penelitian [5], pemberian bantuan sosial pada Kantor Kecamatan Siantar Selatan dengan

cara melakukan seleksi dengan mengamati berkas warga berdasarkan kriteria yang sudah ditentukan,

sehingga proses ini tidak sistematis dan terkadang tidak tepat sasaran. Oleh karena itu, digunakanlah

algoritma C4.5 untuk mengatasi masalah tersebut. Metode yang dipakai algoritma C4.5, dengan kriteria

pekerjaan, penghasilan, jumlah tanggungan, kondisi rumah. Hasil dari penelitian ini, atribut yang paling

berpengaruh adalah penghasilan, selanjutnya atribut kondisi rumah.

Baitul Maal Yayasan Al-Anshor Asmawiah merupakan yayasan yang menerima dan

menyalurkan bantuan ekonomi. Namun dalam menyalurkan bantuan ekonomi, masih terdapat beberapa

kendala, yaitu tidak tepat sasaran, dikarenakan banyaknya atribut kriteria yang dimiliki sehingga

membingungkan pihak seleksi bantuan ekonomi dan beberapa pihak masih ada yang berbuat curang,

kurangnya informasi data apa yang diberikan bagi pihak calon penerima bantuan, sehingga sering terjadi

kekurangan data pada pengisian form bantuan ekonomi. Tujuan penelitian ini memberikan pohon

keputusan (decision tree), sehingga dapat menentukan kriteria utama penentu penerimaan dana bantuan

ekonomi. Penelitian ini juga akan menghasilkan sistem yang mempermudah masyarakat dalam

melakukan pendaftaran bantuan ekonomi dan langsung memberikan informasi hasil diterima atau tidak

dan mempermudah administrator untuk menentukan penerima bantuan.


1454

p-ISSN : 2528-3561

e-ISSN : 2541-1934

2. Metode Penelitian

Berikut ini metode penelitian yang dilakukan oleh peneliti adalah:

Gambar 1. Tahapan penelitian

Uraian kerangka kerja penelitian :

1. Mendeskripsikan Masalah

Menggambarkan permasalahan yang terjadi, ruang lingkup masalah, merumuskan masalah sampai

batasan masalah. Permasalahan yang terjadi pada Yayasan Al-Anshor Asmawiah dalam menentukan

seleksi bantuan ekonomi ini adalah ketidak tepat sasaran, dikarenakan banyaknya atribut kriteria yang

dimiliki sehingga membingungkan pihak seleksi bantuan ekonomi dan beberapa pihak masih ada

yang berbuat curang, kurangnya informasi data apa yang diberikan bagi pihak calon penerima

bantuan, sehingga sering terjadi kekurangan data pada pengisian form bantuan ekonomi. Ruang

lingkup dalam penelitian ini hanya menentukan kriteria apa yang dijadikan penentuan bantuan

ekonomi, serta layak atau tidaknya mendapatkan bantuan.

2. Menganalisa Masalah

Memahami masalah yang sesuai dengan ruang lingkup atau batasan masalah. Metode yang digunakan

untuk menganalisis masalah sebagaiberikut :

a. Tahap identify: menelusuri dan menentukan masalahan yang pada Yayasan Al-Anshor Asmawiah,

b. Tahap understand: mencari lebih dalam masalah, dengan mengumpulkan data yang dibutuhkan

dalam menetukan pemberian dana bantuan ekonomi,

c. Tahap analyze yaitu : mencari kelemahan, kekurangan sistem dengan pengumpulan informasi apa

saya yang dibutuhkan sebagai harapan masyarakat dalam penentuan pemberian dana bantuan

ekonomi.

3. Mempelajari Literatur

Selanjutnya diperlukan mempelajari literatur yang berkaitan dengan permasalahan dalam penentuan

pemberian dana bantuan ekonomi dengan algoritma C4.5. Sumber literatur ini dapat diambil dari

buku, jurnal internasional, artikel, yang membahas mengenai metode algoritma C4.5, sistem

pemberian bantuan dana, serta bahan bacaan lain yang dapat mendukung penelitian.

4. Mengumpulkan Data

Pada penelitian ini, teknik pengumpulan yang digunakan, yaitu:

a. Observasi


1455

p-ISSN : 2528-3561

e-ISSN : 2541-1934

Mengumpulkan data dengan melakukan pengamatan langsung pada Baitul Maal Yayasan Al-

Anshor Asmawiah, dengan menganalisa masalah bantuan ekonomi.

b. Wawancara

Melakukan wawancara kepada ketua dan pembina Baitul Maal Yayasan Al-Anshor Asmawiah,

mengenai bagaimana cara mengumpulkan para calon penerima bantuan ekonomi sampai kepada

proses seleksi penentuan layak diterima atau tidak menerima bantuan ekonomi.

c. Kuesioner (angket)

Membuat pertanyaan-pertanyaan secara tertulis, setelah itu diberikan kepada respoden untuk

menjawab pertanyaan tersebut. Pemberian kuesioner ini sudah dilakukan sebelum penelitian,

karena merupakan cara untuk mendapatkan data calon penerima bantuan ekonomi.

d. Studi Pustaka

Studi pustaka yaitu pengumpulan data dengan cara membaca dan mencatat sumber referensi

seperti buku, jurnal, majalah, artikel, internet dan lainnya yang sesuai dengan penelitian.

5. Menganalisa Teknik Pengolah Data Menggunakan Algoritma C4.5

Melakukan proses pengolahan data mining dengan menggunakan metode KDD dan melakukan

penghitungan manual.

Menurut [6] Data Mining adalah teknik yang mendayagunakan satu atau lebih metode

pembelajaran komputer (Machine Learning) bagi meneliti dan mengekstraksi pengetahuan

(Knowledge) secara tepat. Pengertian lainnya yaitu penalaran berbasis induksi (Induction-based

Learning) merupakan proses menyusun konsep umum yang terdefinisikan, konsep umum itu

dilakukan dengan observasi contoh-contoh spesifik dari konsep-konsep yang akan dipelajari.

Data mining merupakan proses menganalisa informasi dan pola yang bermanfaat dari data yang

sangat besar. Data mining mencakup pengambilan data, mengekstraksikan data, mengamati data, dan

mengolah data. Data mining juga dikenal dengan Knowledge discovery, Knowledge extraction,

data/pattern analysis, information harvesting, dan lain-lain.[7]

Menurut [8], data mining adalah tahap dari analisis terhadap pengolahan penemuan pengetahuan

pada basis data atau Knowledge discovery in databases (KDD). Secara garis besar proses KDD

menurut [9], sebagai berikut :

a. Data understanding

Data yang didapatkan dari hasil observasi. Pada penelitian ini didapat data yang berjumlah 850.

Tabel 1 adalah data asli dari kuesioner.

Tabel 1. Data asli kuesioner

No Asnaf Nama KK/Umur Pekerjaan Kondisi Tempat

Tinggal Pendapatan Pengeluaran

Tanggungan

Keluarga

1 Miskin Jhony Sugiyono,

38 Th Pedagang

Rumah Sewa, kompor

gas, pompa air 1.400.000 1.995.000 2

2 Miskin Ester Tambunan,

36 Th Pedagang

Rumah Sewa, kompor

gas, pompa air 1.800.000 1.450.000 4

3 Miskin Ridwan Tanjung,

41 Th Pedagang

Rumah Sewa, kompor

gas, pompa air 1.900.000 1.650.000 3

4 Miskin Agus Efendi, 41

Th Pedagang

Rumah Sewa, kompor

gas, pompa air 2.500.000 2.340.000 2

5 Miskin Tuty Nasution, 38

Th Penjahit

Rumah Sendiri, kompor

gas, pompa air 3.000.000 2.450.000 4

6 Miskin Nur Asiah, 42 Th IRT Rumah Sewa, Sumur 1.000.000

3

7 Miskin Maryanto, 44 Th Petani

Rumah Sendiri, Kayu

Bakar, pompa air 1.650.000 1.400.000 1

8 Miskin Nayla Sari, 51 Th Buruh Cuci

Rumah Sendiri,

Kompor Gas, pompa air 1.500.000 1.750.000 3

9 Miskin Abdul Kadir

Zailani, 60 Th

Pedagang Empek-

empek

Menumpang, Kompor

Gas, pompa air 1.500.000 1.750.000 3

10 Miskin Sarli Eli Susanto,

49 Th

Tukang Becak Rumah Sendiri,

Kompor Gas, pompa air 1.850.000 1.830.000 4

11 Miskin Nurhelmi

Makruf, 47 Th

Buruh Serabutan Rumah Sendiri,

Kompor Minyak,

pompa air

2.226.000 2.476.000 4

12 Miskin Bambang

Dariyanto, 42 Th

Guru Honorer Rumah Sendiri, Tungku

Kayu 1.750.000 2


1456

p-ISSN : 2528-3561

e-ISSN : 2541-1934

13 Miskin Dadang Rosid ,55

Th

Buruh Rumah Sendiri,

Kompor Gas, pompa air 900.000 1.400.000 4

14 Miskin Dede

Durachman,46 Th

Buruh Menumpang, Kompor

Gas, pompa air 900.000 1.490.000 4

15 Miskin Odang Junaidi,

45 Th

Pedagang Rumah Sendiri, kompor

gas, pompa air 1.000.000 880.000 3

16 Miskin Imanudin, 45 Th Pedagang

Rumah Sewa, kompor

gas, pompa air 1.000.000 2.050.000 3

17 Miskin Dede Tarno, 41

Th Tukang

Rumah Sendiri, kompor

gas, Sumur 1.100.000 855.000 3

b. Pemilihan data (Data Selection)

Menurut Sembiring dan Sapta dalam [3], data selection dipakai pada saat memproses data

mining, penyimpanan basis data operasiona terpisah dengan penyimpanan data mining. Pada data

selection, mengambil data yang tidak memiliki hubungan dengan penelitian, dan atribut ini tidak

dipakai dalam penelitian. Contoh atribut nama dan umur tidak memiliki keterhubungan dengan

penelitian, sehingga tidak digunakan.

c. Pra-pemrosesan/Pembersihan (Pre-Processing/Cleaning)

Yaitu proses membersihkan data dengan menghapus data yang berganda, mengecek data yang

tidak konsisten, dan memperbaiki data yang salah. Pada tahap pre-processing ini, melakukan

pemilihan data yang tidak terisi lengkap, data yang digunakan hanya data yang terisi lengkap.

Contoh pada Tabel1, yang berwarna kuning merupakan proses cleaning, karena terdapat atribut

yang tidak mempunyai nilai data.

d. Transformasi (Transformation)

Pada tahap data transformation, merupakan tahap mengubah data menjadi beberapa atribut.

Berikut data bantuan ekonomi setelah dilakukan transformation:

Tabel 2. Data setelah transformasi

No Pekerjaan Kepemilikan

tempat tinggal

Pemakaian

bahan

bakar/energi

untuk memasak

Cara

memperoleh

air

Penghasilan Pengeluaran Jumlah

Tanggungan Label

1 Golongan 5 rumah sewa kompor gas pompa air 750000-1250000 1750001-2250000 2-3 y




5 Golongan 7 rumah sendiri kompor gas pompa air 2250001-2750000 2250001-2750000 4-5 y

6 Golongan 6 rumah sendiri kayu bakar pompa air 1250001-1750000 1250001-1750000 1 n


8 Golongan 5 menumpang kompor gas pompa air 1250001-1750000 1250001-1750000 2-3 y


10 Golongan 9 rumah sendiri kompor minyak pompa air 2250001-2750000 2250001-2750000 4-5 y


12 Golongan 9 menumpang kompor gas pompa air 750000-1250000 1250001-1750000 4-5 y

13 Golongan 5 rumah sendiri kompor gas pompa air 750000-1250000 kurang dari 750000 2-3 y


15 Golongan 7 rumah sendiri kompor gas sumur 1250001-1750000 kurang dari 750000 2-3 n



Setelah itu melakukan perhitungan data mining dengan metode algoritma C4.5

Decision tree atau pohon keputusan merupakan salah satu model yang memetakan observasi-

observasi suatu item sehingga diperoleh suatu kesimpulan tentang nilai target dari suatu item yang

digambarkan dalam bentuk pohon model [7].


1457

p-ISSN : 2528-3561

e-ISSN : 2541-1934

Metode decision tree yang sangat populer adalah Iterative Dychotomizer Version 3 (ID3) [8].

Dua metode lainnya yang terkenal adalah algoritma C4.5 dimana algoritma C4.5 adalah peningkatan

ID3. Pengembangan dari C4.5 adalah bisa mengatasi missing value, menyelesaikan continue data, dan

pruning, menurut [10].

Menurut Agustina dan Wijanarko dalam [3], Algoritma C4.5 merupakan algoritma yang dapat

membentuk decision tree (pohon keputusan) yang umumnya digunakan untuk melakukan

pengelompokan. Menurut Kusrini dan luthfi dalam [11], berikut langkah dari pembuatan pohon

keputusan menggunakan algoritma C4.5:

1. Mempersiapkan data training,

Data training yaitu data yang diambil dari data histori yang terjadi sebelumnya dan telah

dikumpulkan kedalam beberapa kelas tertentu. Data training ini terjadi setelah proses transformasi.

2. Menentukan akar dari pohon

Akar akan didapat dengan cara masing-masing atribut dihitung nilai gainnya, selanjutnya

mengambil nilai gain yang paling tinggi untuk menjadi akar pertama. Perhitungan entropy diawali

dengan menghitung nilai gain terlebih dahulu. Entropy adalah mengukur nilai sebuah informasi

agar didapat karakteristik dari ketidakmurnian dan homogen dari sekelompok data [12].

Perhitungan nilai entropy seperti rumus (1).

𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆) = ∑ −𝑝𝑖 𝑙𝑜𝑔2 𝑝𝑖𝑛𝑖=1 (1)

Keterangan :

S = Himpunan Kasus

n = jumlah partisi S

Pi = Proporsi Si terhadap S

Contoh: entropy =(((-27/32)*LOG2(27/32))+((-5/32)*LOG2(5/32))) = 0,625

3. Kemudian hitung nilai gain. Gain [13], algoritma yang menyeleksi fitur yang banyak digunakan,

karena handal dan mampu menyelesaikan dimensi data yang besar. Untuk menghitung nilai gain

menggunakan rumus (2).

𝐺𝑎𝑖𝑛 (𝑆, 𝐴) = 𝑒𝑛𝑡𝑟𝑜𝑝𝑦 (𝑠) − ∑|𝑆𝑖|

𝑆∗ 𝑒𝑛𝑡𝑟𝑜𝑝𝑦 (𝑠𝑖)𝑛

𝑖=1 (2)

Keterangan :

S = Himpunan Kasus

A = Fitur

n = Jumlah partisi atribut A

|Si| = Proporsi Si terhadap S

|S| = Jumlah kasus dalam S

Hitung nilai gain untuk setiap atribut, lalu pilih gain tertinggi. Nilai gain tertinggi akan jadi akar

dari pohon. Misalkan atribut kepemilikan tempat tinggal, maka gainnya:

=((0,729)-(((104/495)*0,744)+((356/495)*0,715)+((35/495)*0,822)))

Dari hasil perhitungan gain, terdapat gain tertinggi 0,098 pada atribut jumlah tanggungan. Berikut

hasil perhitungan entropy dan gain:

4. Ulangi langkah ke-2 hingga semua record sudah terpisah.

5. Proses pemisahan pohon keputusan akan berhenti saat :

a. Didalam simpul N, semua record mendapat kelas yang sama.

b. Tidak ada atribut di dalam record yang dipisahkan lagi.

c. Tidak terdapat record cabang yang kosong.

d. Data mining

Pencarian rule atau informasi dalam sekelompok data dengan menggunakan prosedur tertentu.

e. Interpretasi/Evaluasi (Interpretation/Evaluation)

Mengevaluasi pola atau informasi yang dibutuhkan yang sesuai dengan hipotesis yang ada

sehingga dihasilkan informasi yang dapat dimengerti dengan mudah.


1458

p-ISSN : 2528-3561

e-ISSN : 2541-1934

Tabel 3. Hasil Entropy dan Gain untuk menentukan akar

Atribut Nilai Jum.Kasus Y N Entropy Gain

Total 495 495 394 101 0,729935671

0,02882306 Pekerjaan

golongan 2 32 32 27 5 0,625262405

golongan 3 3 3 1 2 0,918295834

golongan 5 122 122 95 27 0,762554999

golongan 6 107 107 91 16 0,608669676

golongan 7 93 93 61 32 0,928675181

golongan 8 20 20 17 3 0,609840305

golongan 9 118 118 102 16 0,572580466

Kepemilikan

tempat tinggal

Menumpang 104 104 82 22 0,74441318 0,001064547

Rumah sendiri 356 356 286 70 0,715135078

Rumah sewa 35 35 26 9 0,822404226

pemakaian

bahan

bakar/energi

untuk memasak

kayu bakar 125 125 112 13 0,481548544 0,024596151

kompor gas 343 343 257 86 0,812431302

kompor minyak 27 27 25 2 0,380946586

0,010416934 Cara

memperoleh air

PDAM 6 6 2 4 0,918295834

pompa air 301 301 237 64 0,746469677

sumur 175 175 144 31 0,673786621

sungai 13 13 11 2 0,619382195

0,088498498 Penghasilan

kurang dari 750000 22 22 20 2 0,439496987

750000-1250000 165 165 138 27 0,64293835

1250001-1750000 226 226 195 31 0,576774109

1750001-2250000 54 54 28 26 0,999010271

2250001-2750000 14 14 11 3 0,749595257

2750001-3250000 2 2 1 1 1

tidak tentu 12 12 1 11 0,41381685

0,069180483 Pengeluaran

kurang dari 750000 14 14 7 7 1

750000-1250000 96 96 59 37 0,961777975

1250001-1750000 238 238 208 30 0,546506086

1750001-2250000 93 93 73 20 0,751032417

2250001-2750000 33 33 29 4 0,532835063

2750001-3225000 11 11 11 0 0

3225001-3750000 4 4 4 0 0

3750001-4225000 1 1 1 0 0

lebih dari 4750000 1 1 1 0 0

tidak tentu 4 4 1 3 0,811278124

0,098990033 Jumlah

tanggungan

0 1 1 0 1 0

1 50 50 21 29 0,981453895


1459

p-ISSN : 2528-3561

e-ISSN : 2541-1934

2-3 313 313 248 65 0,737000978

4-5 98 98 92 6 0,33228663

6-7 31 31 31 0 0

lebih dari 7 2 2 2 0 0

6. Melakukan Instalasi Software

Proses menginstal software Rapidminer untuk pengolahan data dengan menggunakan algoritma

C4.5 agar dapat dibentuk pola.

Rapidminer adalah [14] suatu aplikasi untuk mengolah data mining. Langkah awal proses

menggunakan Rapidminer yaitu membuat desainnya terlebih dahulu, seperti Gambar 2.

Gambar 2. Design Modelling pada Rapidminer

Setelah itu, import data excel ke Rapidminer, selanjutnya running-kan. Setelah itu muncul rule

atau pohon keputusannya

7. Mengimplementasikan Algoritma C4.5

Pembuatan aplikasi bantuan ekonomi dengan menggunakan rule atau pola yang sudah terbentuk

dalam Algoritma C4.5. Dalam pembuatan aplikasi bantuan ekonomi, peneliti menggunakan teknik

pengembangan sistem yaitu SDLC (Software Development Life Cycle). SDLC atau Software

Development Life Cycle atau System Development Life Cycle adalah prosedur pengembangan atau

mengubah suatu sistem software dengan menggunakan pola dan metodologi yang digunakan untuk

pengembangan sistem-sistem aplikasi sebelumnya [15].

3. Hasil dan Pembahasan

Setelah melakukan pengolahan entropy dan gain selanjutnya didapatkan pohon keputusan dengan

atribut yang paling tinggi adalah jumlah tanggungan, setelah itu atribut tertinggi kedua yaitu penghasilan.

hasil pohon keputusan node 1.1 seperti Gambar 3.


1460

p-ISSN : 2528-3561

e-ISSN : 2541-1934

Gambar 3. Hirarki dari hasil entropy dan gain Node 1.1

Hasil pohon keputusan node 1.2 seperti Gambar 4.






1461

p-ISSN : 2528-3561

e-ISSN : 2541-1934

Gambar 6. Hirarki dari hasil entropy dan gain Node 1.4, 1.5, 1.6

Berikut beberapa rule yang terbentuk pada node 1.1:

1. Jika Tanggungan=1 dan Penghasilan < 750.000 dan Pekerjaan=GOL-6 maka Dapat

2. Jika Tanggungan=1 dan Penghasilan < 750.000 dan Pekerjaan=GOL-9 maka Dapat

3. Jika Tanggungan=1 dan Penghasilan < 750.000 dan Pekerjaan=GOL-7 maka Tidak Dapat

4. Jika Tanggungan=1 dan Penghasilan < 750.000 dan Tempat Tinggal=Sendiri maka Dapat

5. Jika Tanggungan=1 dan Penghasilan < 750.000 dan Tempat Tinggal=Menumpang maka Tidak

Dapat 6. Jika Tanggungan=1 dan Penghasilan < 750.000 dan Pengeluaran =3 maka Dapat

7. Jika Tanggungan=1 dan Penghasilan < 750.000 dan Pengeluaran =1 maka Tidak Dapat

8. Jika Tanggungan=1 dan Penghasilan < 750.000 dan Pengeluaran =2 maka Dapat

9. Jika Tanggungan=1 dan Penghasilan=1.750.001 - 2.250.000 dan Pekerjaan=GOL-2 maka Dapat

10. Jika Tanggungan=1 dan Penghasilan=1.750.001 - 2.250.000 dan Pekerjaan=GOL-5 maka Tidak

Dapat Pada perhitungan olah data menggunakan Rapidminer, juga didapat atribut tertinggi yaitu jumlah

tanggungan dan atribut tertinggi kedua penghasilan. Berikut beberapa rule hasil perhitungan

menggunakan Rapidminer, yaitu:

1. Jika jumlah tanggungan=0 then tidak dapat

2. Jika jumlah tanggungan=1 dan penghasilan=1250001-1750000 dan pengeluaran=1250001-750000

maka tidak dapat

3. Jika jumlah tanggungan=1 dan penghasilan=1250001-1750000 dan pengeluaran=2250001-750000

maka dapat

4. Jika jumlah tanggungan=1 dan penghasilan=1250001-1750000 dan pengeluaran=750000–250000

maka tidak dapat

5. Jika jumlah tanggungan=1 dan penghasilan=1250001-1750000 dan pengeluaran<750000 maka

tidak dapat

6. Jika jumlah tanggungan=1 dan penghasilan=1750001-2250000 dan pekerjaan=golongan 2 maka

dapat


tidak dapat


tidak dapat

9. Jika jumlah tanggungan=1 dan penghasilan=750000-1250000 dan kepemilikan tempat tinggal=

menumpang dan pekerjaan=golongan 7 maka tidak dapat

10. Jika jumlah tanggungan=1 dan penghasilan=750000-1250000 dan kepemilikan tempat tinggal=

menumpang dan pekerjaan= golongan 9 maka dapat

Dari rule yang sudah terbentuk diimplementasikan ke dalam website dimana website ini terdapat 2

pengguna yaitu administrator dan calon penerima bantuan ekonomi. Gambar 7 adalah tampilan form

bantuan ekonomi.


1462

p-ISSN : 2528-3561

e-ISSN : 2541-1934

Gambar 7. Form bantuan ekonomi

Calon penerima melakukan pengisian form bantuan ekonomi, dengan memberikan informasi yang

sesuai dengan keadaan yang sebenarnya. Setelah pengisian lengkap dan sesuai dengan keadaan, klik kirim

pengajuan. Selanjutnya akan tampil output yang memberikan hasil dapat bantuan atau tidak, hasil ini

didapat menggunakan rule yang sudah terbentuk dari pengolahan data menggunakan Rapidminer. Hasil

ini dapat bertujuan memberikan hasil informasi diterima atau tidak diterima mendapatkan bantuan

ekonomi dengan cepat. Hasil pengajuan bantuan ekonomi seperti Gambar 8.

Gambar 8. Output bantuan ekonomi halaman calon penerima

Pada halaman administrator, halaman form bantuan yang sudah dikirim oleh calon penerima akan

tersimpan didalam administrator. Pada halaman ini juga dapat membuat laporan berdasarkan tanggal dan

hasil. Serta menampilkan detail dari pendaftar seperti Gambar 9.


1463

p-ISSN : 2528-3561

e-ISSN : 2541-1934

Gambar 9. Halaman form pengajuan bantuan ekonomi bagian administrator

Pada halaman ini, administrator dapat mengetahui siapa saja yang sudah mendaftar, yang diterima

bantuan ekonomi dan yang tidak mendapatkan ekonomi. Sehingga dapat memudahkan administrator atau

pihak yayasan dalam menyeleksi penerima bantuan ekonomi seperti Gambar 10.

Gambar 10. Halaman detail form bantuan ekonomi bagian administrator

4. Kesimpulan dan Saran

Penelitian ini dibuat untuk menentukan seleksi penerimaan bantuan ekonomi, sehingga tepat

sasaran. Penelitian ini menghasilkan aplikasi website sehingga memudahkan masyarakat dalam

melakukan pendaftaran dan memudahkan pihak yayasan dalam menyeleksi dan membuat laporan.

Penelitian sudah diujicobakan ke 50 calon penerima dan mendapatkan respon yang baik. Untuk

pengembangan lebih lanjut agar mengembangkan atribut yang dipakai dalam penentuan bantuan

ekonomi, serta membandingkan atau menggunakan metode data mining lainnya.

6. Referensi

[1] BPS, “Persentase penduduk miskin Maret 2018 turun menjadi 9,82 persen,” 2018. [Online].

Available: https://www.bps.go.id/pressrelease/2018/07/16/1483/persentase-penduduk-miskin-

maret-2018-turun-menjadi-9-82-persen.html.

[2] A. R. Susilo, S. Sudaryanto, J. T. Informatika, F. I. Komputer, and U. D. Nuswantoro, “Klasifikasi

penentuan penerimaan beras miskin menggunakan,” no. 5, pp. 1–6, 2013.

[3] R. S. Asa, S. Defit, and J. Na’am, “Identifikasi Penyaluran Zakat Menggunakan Algoritma C4.5

(Studi Kasus Di Baznas Kabupaten Agam),” J. Sains dan Inform., vol. 4, no. 1, pp. 44–53, 2019.

[4] R. Harman, “Penerapan Algoritma C.45 Untuk Kelayakan Penerima Uang Dan Beras,” Comput.

Based Inf. Syst. J., vol. 06 No. 01, 2018.

[5] R. E. Silalahi, H. S. Tambunan, and D. Suhendro, “Penerapan Data Mining Dalam Menentukan

Penerima Bantuan Sosial Dengan Algoritma C4.5 Pada Kantor Kecamatan Siantar Selatan,” Semin.

Nas. Mat. dan Terap., vol. 1 ISSN: 27, 2019.

[6] F. A. Hermawati, Data Mining, I. Yogyakarta: CV Andi Offset, 2013.

[7] M. Arhami and M. Nasir, Data Mining-Algoritma dan Implementasi, I. Yogyakarta: Andi

Publishing, 2020.


1464

p-ISSN : 2528-3561

e-ISSN : 2541-1934

[8] Suyanto, Data Mining Untuk Klasifikasi Dan Klasterisasi Data, Edisi Revi. Bandung: Informatika

Bandung.

[9] Y. Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4.5,” J. Edik Inform., vol. V2.i2

ISSN, pp. 213–219, 2017.

[10] H. Widayu, S. D. Nasution, N. Silalahi, and Mesran, “Data Mining Untuk Memprediksi Jenis

Transaksi Nasabah Pada Koperasi Simpan Pinjam Dengan Algoritma C4.5,” MEDIA Inform.

BUDIDARMA, vol. 1 No.2 ISS, 2017.

[11] S. Haryati, A. Sudarsono, and E. Suryana, “Implementasi Data Mining Untuk Memprediksi Masa

Studi Mahasiswa Menggunakan Algoritma C4.5 (Studi Kasus: Universitas Dehasen Bengkulu),” J.

Media Infotama, vol. 11, no. 2, pp. 130–138, 2015.

[12] D. T. Bi, S. W. Sihwi, and AnggrainingsihRini, “Implementasi Iterative Dichotomiser 3 Pada Data

Kelulusan Mahasiswa S1 Di Universitas Sebelas Maret,” J. ITSMART, vol. 4 No.2 ISS, pp. 84–91,

2015.

[13] M. F. Kurniawan, J. N. Irawan, and Ivandri, “Peningkatan Performa Algoritma Naive Bayes

Dengan Gain Ratio Untuk Klasifikasi Kanker Payudara,” Semin. Nas. Edusainstek, vol. ISBN: 978-

, 2018.

[14] Nendrabertus, “Eksplorasi Data Mining Menggunakan RapidMiner,” softovator.com, 2015.

[Online]. Available: https://www.softovator.com/eksplorasi-data-mining-menggunakan-

rapidminer/. [Accessed: 09-Oct-2010].

[15] R. A.S and M. Shalahuddin, Rekayasa Perangkat Lunak. Bandung: Informatika Bandung, 2016.

sistem pendukung keputusan pemberian bantuan ekonomi

Documents