aris kurniawan1, tekad matulatan2, nola ritha3 abstrakrepository.umrah.ac.id/3186/1/aris...

1

Klasifikasi Wilayah Berdasarkan Algoritma C4.5 (Studi Kasus : Kelurahan

Rintis Kecamatan Limapuluh Kota Pekanbaru)

Aris Kurniawan1, Tekad Matulatan2, Nola Ritha3

[email protected]

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


awal pada variabel kelayakan bangunan seperti berikut:

Gambar 3 Pohon Keputusan – Kelayakan Bangunan


berikut:

Jika Luas >7.2 M / Jiwa = Iya maka Pemukiman = layak

Jika Luas >7.2 M / Jiwa = Tidak maka Pemukiman = tidak layak


awal pada variabel air minum seperti berikut:

7

Gambar 4 Pohon Keputusan – Air Minum


berikut:

Jika Jarak Air > 10 M = Iya maka Pemukiman = layak

Jika Jarak Air > 10 M = Tidak maka Pemukiman = tidak layak


awal pada variabel pengelolaan air limbah/sanitasi seperti berikut:

Gambar 5 Pohon Keputusan - Pengelolaan Air Limbah/Sanitasi


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


awal pada variabel pengelolaan persampahan seperti berikut:

Gambar 6 Pohon Keputusan – Pengelolaan Persampahan


berikut:

Jika Pengangkutan 2X Seminggu = Iya maka Pemukiman = layak

Jika Pengangkutan 2X Seminggu = Tidak maka Pemukiman = tidak layak


awal pada variabel pengamanan kebakaran seperti berikut:

Gambar 7 Pohon Keputusan – Pengamanan Kebakaran


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


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


berikut:

Jika Luas >7.2 M / Jiwa = Iya maka Pemukiman = layak

Jika Luas >7.2 M / Jiwa = Tidak maka Pemukiman = tidak layak


keputusan awal pada variabel air minum seperti berikut:

Gambar 10 Pohon Keputusan – Air Minum


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.


keputusan awal pada variabel pengelolaan persampahan seperti berikut:

11

Gambar 11 Pohon Keputusan – Pengelolaan Persampahan


berikut:

Jika Pengangkutan 2X Seminggu = Iya maka Pemukiman = layak

Jika Pengangkutan 2X Seminggu = Tidak maka Pemukiman = tidak layak


keputusan awal pada variabel pengamanan kebakaran seperti berikut:

Gambar 12 Pohon Keputusan – Pengamanan Kebakaran


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

aris kurniawan1, tekad matulatan2, nola ritha3 abstrakrepository.umrah.ac.id/3186/1/aris...

Documents