penerapan algoritma naÏve bayes classifier di …

i

PENERAPAN ALGORITMA NAÏVE BAYES CLASSIFIER

UNTUK PENENTUAN BANTUAN BEDAH RUMAH

DI KELURAHAN KRAPYAK

TUGAS AKHIR

OLEH :AGUS SUPRIYANTO

G.231.15.0065

PROGRAM STUDI S1 – TEKNIK INFORMATIKAJURUSAN TEKNOLOGI INFORMASI

FAKULTAS TEKNOLOGI INFORMASI DAN KOMUNIKASI

UNIVERSITAS SEMARANG2020

PENGESAHAN UJIAN TUGAS AKHIR

DENGAN JUDUL

PENERAPAN ALGORITMA NAIVE BAYES CLASSIFIER

T]NTUK PENENTUAN BANTUAN BEDAH RUMAH

DI KELURAHAN KRAPYAK

th

NAMA

NIM

OLEH

: AGUS SUPRIYA}ITO

: G.231.15.0065

Telah diujikan dan dipertahankan di hadapan Dewan Penguji pada Sidang Tugas

Akhir (TA) Hari 15 Januari 2020 Menurut pandangan kami, Tugas Akhir (TA) ini

memadai dari segi kualitas maupun lquantitas untuk tujuan penganugrahan gelar

Sarj ana Komputer (S.Kom).

Ketua Tim Penguji

Nur Wakhidah. S.Kom. M.CsNrs. 06557003102100

Penguji Pendamping

l. Agusta Praba Ristadi P.. M.Kom.Nrs.06557003102180

2. Rastri Prathivi. M.KomNrs. 06ss7003 102 1 s4

-01 -?gl,o

tv

v

ABSTRACT

Help House No Livable (RTLH) or Surgery house is the compensation given by thegovernment to the poor to relieve the burden on the economy. In the village areaKrapyak this assistance when recipients considered eligible and the criteriaspecified for example: the floor is ground, the walls still bamboo, endangering theroof structure, the control status of the building, water resources, as well aselectrical power. The research was done because many weaknesses underlying theassessment system used. In the village still Krapyak ratings are subjective andmanuals, it is very difficult for the selectors to determine candidates for surgicalassistance. By because it was conducted research to create a system that uses analgorithm naive Bayes classifier, which produces labels "Can" and "Can not"having 8 variable to the process of selecting the people who will get help and thenapplied in programming PHP CodeIgniter Framework. The result of this researchis a system that will have three actors, namely the citizens as the applicant, theVillage as selectors and Social Office as approved, so residents if it is confirmed toreceive surgical assistance home, residents dapet check how the continuation ofsuch assistance when the execution date or the delivery of aid.

Keywords: Application of naïve Bayes algorithm, classifier, surgical Help home

vi

ABSTRAK

Bantuan Rumah Tidak Layak Huni (RTLH) atau Bedah rumah adalah kompensasiyang diberikan pemerintah kepada orang miskin untuk meringankan bebanekonomi. Di daerah Kelurahan Krapyak bantuan ini diberikan apabila calonpenerima dinilai memenuhi syarat serta kriteria yang ditentukan contoh: lantaimasih tanah, dinding masih bambu, struktur atap membahayakan, statuspenguasaan bangunan, sumber air, serta daya listrik. Penelitian ini dilakukan karenamelatarbelakangi banyaknya kelemahan system penilaian yang digunakan. DiKelurahan Krapyak penilaian masih bersifat subjektif dan manual, hal tersebutsangat menyulitkan bagi pihak penyeleksi untuk menentukan calon penerimabantuan bedah rumah. Oleh karna itu penelitian ini dilakukan untuk membuatsystem yang menggunakan algoritma naïve bayes classifier, yang menghasilkanlabel “Dapat” dan “Tidak Dapat” yang memiliki 8 variabel untuk prosespenyeleksian warga yang akan mendapatkan bantuan dan kemudian diterapkandalam pemrograman PHP Framework CodeIgniter. Hasil penelitian ini berupasystem yang akan memiliki 3 aktor yaitu warga sebagai pemohon, pihak Kelurahansebagai penyeleksi dan Dinas sosial sebagai approved, jadi warga jika sudahdipastikan mendapat bantuan bedah rumah, warga dapet mengecek bagaimanakelanjutan dari bantuan tersebut kapan tanggal eksekusi atau penyerahan danabantuan.

Kata Kunci : Penerapan algoritma naïve bayes, classifier, Bantuan bedah rumah

Agusta Praba Ristadi P.,M.Kom

NIS. 06557003102180

vii

KATA PENGANTAR

Alhamdulillah puji dan syukur penulis panjatkan kehadirat Allah SWT. Atas

segala rahmat dan hidayah-Nya yang telah memberikan kemudahan sehingga

penulis dapat menyelesaikan penyusunan Laporan Tugas Akhir yang berjudul

“PENERAPAN ALGORITMA NAÏVE BAYES CLASSIFIER UNTUK

PENENTUAN BANTUAN BEDAH RUMAH DI KELURAHAN KRAPYAK” ini

dengan baik. Penyusunan Tugas Akhir ini sebagai salah satu syarat dalam

memperoleh gelar Sarjana Komputer (S.Kom) Program Studi S1 – Teknik

Informatika di Universitas Semarang.

Selama proses pembuatan maupun penyusunan Tugas Akhir, penulis

mengalami berbagai kendala dan hambatan. Namun, berkat dukungan dan bantuan

dari berbagai pihak, penulis dapat mengatasinya dengan baik. Oleh karena itu, pada

kesempatan kali ini, penulis ingin menyampaikan rasa hormat serta terima kasih

kepada:

1. Bapak Andy Kridasusila, S.E., M.M., selaku Rektor Universitas

Semarang.

2. Bapak Susanto, S.Kom., M.Kom., selaku Dekan Fakultas Teknologi

Informasi dan Komunikasi Universitas Semarang.

3. Bapak April Firman Daru, S.Kom., M.Kom., selaku Ketua Program Studi

S1 – Teknik Informatika Universitas Semarang.

4. Agusta Praba Ristadi P.,M.Kom., selaku dosen pembimbing yang telah

banyak memberikan dukungan dan bantuan berupa solusi masalah, ide

pengembangan, serta masukan yang berguna bagi penulis.

5. Seluruh Dosen Pengajar dan Staff Fakultas Teknologi Informasi dan

Komunikasi Universitas Semarang yang turut memberikan bantuan dan

dukungan.

6. Kedua Orang Tua saya yang telah memberikan motivasi, semangat dan

doa untuk kelancaran pembuatan Laporan Tugas Akhir.

viii

7. Ibu Titik Suharni, SH,M.Si selaku Lurah Krapyak yang telah memberikan

ijin untuk melakukan penelitian Tugas Akhir di Kelurahan Krapyak.

8. IT Kelurahan Krapyak Bapak Ferry Susanto, S.Kom., yang telah

membantu penulis dalam memberikan data dan informasi selama

penyusunan Laporan Tugas Akhir ini.

9. Atmoko Nugroho, ST, M.Eng, selaku Dosen Wali Penulis.

10. Teman-teman dan semua pihak yang tidak dapat disebutkan satu persatu

yang telah banyak memberikan bantuan hingga terselesaikannya laporan

ini.

Penulis menyadari bahwa masih terdapat banyak kekurangan dalan

penyusunan Tugas Akhir ini. Oleh karena itu penulis mohon maaf dan saran

maupun kritik yang membangun guna menyempurnakan laporan Tugas Akhir

ini. Harapan penulis semoga laporan ini bisa bermanfaat bagi semua orang

yang membacanya.

Semarang, 1 Desember 2019

Penulis

ix

DAFTAR ISI

HALAMAN JUDUL ........................................................................................ i

PERNYATAAN PENULIS TUGAS AKHIR ................................................ ii

PENGESAHAN TUGAS AKHIR ................................................................... iii

PENGESAHAN UJIAN TUGAS AKHIR ..................................................... iv

ABSTRACT ....................................................................................................... v

ABSTRAK ........................................................................................................ vi

KATA PENGANTAR ...................................................................................... vii

DAFTAR ISI ..................................................................................................... ix

DAFTAR GAMBAR ........................................................................................ xiii

DAFTAR TABEL ............................................................................................ xvi

BAB I PENDAHULUAN ................................................................................. 1

1.1 Latar Belakang masalah .................................................................. 1

1.2 Perumusan Masalah ......................................................................... 3

1.3 Batasan Masalah .............................................................................. 4

1.4 Tujuan Tugas Akhir ........................................................................ 4

1.5 Manfaat Tugas Akhir ...................................................................... 4

1.6 Metodologi Penelitian ..................................................................... 5

1.6.1 Jenis dan Sumber Data ........................................................ 5

1.6.2 Metode Pengumpulan Data ................................................. 6

1.6.3 Metode Pengembangan Sistem ........................................... 6

1.7 Sistematika Penulisan ...................................................................... 8

BAB II TINJAUAN UMUM KELURAHAN KRAPYAK ........................... 10

2.1 Gambaran Umum ............................................................................ 10

2.2 Sarana dan Prasarana ....................................................................... 11

2.3 Visi Misi dan Moto ......................................................................... 13

2.3.1 Visi ...................................................................................... 13

2.3.2 Misi ...................................................................................... 13

x

2.3.3 Moto .................................................................................... 13

2.4 Struktur Organisasi Kelurahan Krapyak ......................................... 14

2.5 Tugas dan Wewenang masing – masing struktur ............................ 14

BAB III TINJAUAN PUSTAKA .................................................................... 17

3.1 Data Mining .................................................................................... 17

3.2 Klasifikasi ........................................................................................ 19

3.3 Algoritma Naïve Bayes ................................................................... 20

a. Teorema Bayes .......................................................................... 20

b. Naïve Bayes untuk Klasifikasi .................................................. 22

c. Karakteristik Naïve Bayes Bayes .............................................. 23

3.4 Framework ....................................................................................... 24

3.5 Codeigniter ...................................................................................... 24

3.6 Basis Data MySQL .......................................................................... 26

3.7 Unified Modelling Language (UML) .............................................. 26

3.7.1 Use Case Diagram .............................................................. 27

3.7.2 Activity Diagram ................................................................. 29

3.7.3 Sequence Diagram .............................................................. 30

3.7.4 Class Diagram ..................................................................... 31

3.8 Pengujian Sistem ............................................................................. 32

BAB IV PERENCANAAN DAN ANALISA PERANCANGAN SISTEM. . 35

4.1 Perencanaan Sistem ......................................................................... 35

4.2 Analisis Perancangan Sistem .......................................................... 35

4.2.1 Analisa Kebutuhan Hardware ............................................. 35

4.2.2 Analisa Kebutuhan Software ............................................... 36

4.2.3 Analisa Kebutuhan User ..................................................... 36

4.3 Identifikasi Data .............................................................................. 37

4.3.1 Persiapan Data ..................................................................... 37

4.3.2 Perhitungan Klasifikasi Manual .......................................... 38

4.4 Perancangan Sistem ......................................................................... 43

xi

4.4.1 Use Case Diagram .............................................................. 43

4.4.2 Activity Diagram ................................................................. 53

4.4.3 Sequence Diagram .............................................................. 58

4.4.4 Class Diagram ..................................................................... 65

4.5 Perancangan Database ..................................................................... 65

4.5.1 Perancangan Tabel Admin ................................................... 65

4.5.2 Perancangan Tabel Data Training ....................................... 66

4.5.3 Perancangan Tabel Hasil Data Testing ................................ 67

4.5.4 Perancangan Tabel Approve ................................................ 67

4.6 Perancangan Antarmuka (User Interface) ....................................... 68

BAB V IMPLEMENTASI SISTEM................................................................ 76

5.1 Implementasi User Interface ........................................................... 76

5.1.1 Halaman Utama Cek Status.................................................. 76

5.1.2 Halaman Form Cek Status Bantuan ..................................... 77

5.1.3 Halaman Hasil Pengecekan Status Bantuan ......................... 78

5.1.4 Halaman Cetak Detail Penentuan Bantuan .......................... 78

5.1.5 Halaman Dashboard Admin Kelurahan............................... 79

5.1.6 Halaman Data Training ........................................................ 79

5.1.7 Halaman Penentuan Bantuan (Import) ................................. 80

5.1.8 Halaman Penentuan Bantuan Data Tunggal......................... 80

5.1.9 Halaman Data Warga Sudah Diklasifikasi ........................... 81

5.1.10 Halaman cetak Laporan Keurahan ....................................... 81

5.1.11 Halaman Cetak Laporam Kelurahan Data Individu ............. 81

5.1.12 Halaman Dashboard Admin DINSOS ................................. 82

5.1.13 Halaman Halaman Approve.................................................. 83

5.1.14 Halaman Lish Warga Dapat Bantuan ................................... 84

5.1.15 Halaman Cetak Laporan DINSOS ....................................... 84

5.1.16 Halaman Cetak Laporan DINSOS Individu ......................... 85

5.2 Implementasi Database ................................................................... 85

5.2.1 Tabel Admin......................................................................... 86

xii

5.2.2 Tabel data_training............................................................... 86

5.2.3 Tabel hasil_testing................................................................ 86

5.2.4 Tabel Approve ..................................................................... 87

5.3 Implementasi Penghitungan Klasifikasi .......................................... 87

5.3.1 Penghitungan Unruk Menguji Hasil Dengan Sistem ........... 87

5.3.2 Pengujian Data Testing Menggunakan Sistem..................... 88

5.4 Pengujian Sistem ............................................................................. 90

5.4.1 Pengujian Black Box ............................................................. 91

5.4.1 Pengujian White Box ............................................................ 97

5.5 Pemeliharaan Sistem ....................................................................... 103

BAB VI PENUTUP .......................................................................................... 105

6.1 Kesimpulan ...................................................................................... 105

6.2 Saran .............................................................................................. 105

DAFTAR PUSTAKA ....................................................................................... 106

LAMPIRAN – LAMPIRAN

xiii

DAFTAR GAMBAR

Gambar 1.1 Metode Pengembangan Sistem Prototype ...................................... 7

Gambar 2.1 Denah Lokasi ................................................................................. 12

Gambar 2.2 Lokasi Kelurahan Krapyak ............................................................. 12

Gambar 2.3 Didalam Kelurahan Krapyak .......................................................... 13

Gambar 2.4 Struktur Organisasi Kelurahan Krapyak ........................................ 14

Gambar 3.1 Pengujian kotak putih ..................................................................... 34

Gambar 4.1 Use Case Sistem Penentuan Bantuan RLTH .................................. 43

Gambar 4.2 Activity Diagram Melakukan Login ............................................... 53

Gambar 4.3 Activity Diagram Mengelola Data Training ................................... 54

Gambar 4.4 Activity Diagram Melakukan Logout.............................................. 54

Gambar 4.5 Activity Diagram Mengelola penentuan bantuan .......................... 55

Gambar 4.6 Activity Diagram Mengelola Bantuan Sudah Proses ...................... 56

Gambar 4.7 Activity Diagram Mengelola Approve Bantuan.............................. 56

Gambar 4.8 Activity Diagram Mengelola Data Warga Dapat Bantuan .............. 57

Gambar 4.9 Activity Diagram Cek Status Bantuan & Cetak Detail Bantuan ..... 58

Gambar 4.10 Sequence Diagram Login ............................................................. 59

Gambar 4.11 Sequence Diagram Logout ........................................................... 59

Gambar 4.12 Sequence Diagram Mengelola Data Training .............................. 60

Gambar 4.13 Sequence Diagram Penentuan Bantuan ....................................... 61

Gambar 4.14 Sequence Diagram Mengelola Bantuan Sudah Proses ................ 62

Gambar 4.15 Sequence Diagram Mengelola Approve Bantuan ........................ 63

Gambar 4.16 Sequence Diagram Mengelola Data Warga Dapat Bantuan ......... 63

Gambar 4.17 Sequence Diagram Cek Status Bantuan & Cetak Detail Bantuan..64

Gambar 4.18 Class Diagram .............................................................................. 65

Gambar 4.19 Cek Status Bantuan ...................................................................... 68

Gambar 4.20 Form Cek Status Bantuan ............................................................. 69

Gambar 4.21 Rancangan Hasil Cek Status Bantuan .......................................... 69

Gambar 4.22 Rancangan Hasil Cetak Detail Pengajuan Bantuan....................... 70

Gambar 4.23 Tampilan Login ............................................................................ 71

xiv

Gambar 4.24 Rancangan Halaman Data Training .............................................. 71

Gambar 4.25 Rancangan Halaman Klasifikasi Banyak Data ............................. 72

Gambar 4.26 Rancangan Halaman Penentuan Bantuan Data Tunggal .............. 72

Gambar 4.27 Rancangan Halaman Data Sudah Siproses.................................... 73

Gambar 4.28 Rancangan Halaman Cetak Laporan Kelurahan ........................... 73

Gambar 4.29 Rancangan Halaman Approve Bantuan ........................................ 74

Gambar 4.30 Rancangan Halaman Data Bantuan Sudah Approve .................... 74

Gambar 4.31 Rancangan Halaman Cetak Laporan DINSOS.............................. 75

Gambar 4.32 Rancangan Halaman Tambah Admin ........................................... 76

Gambar 4.33 Rancangan Halaman List Data Admin.......................................... 76

Gambar 5.1 Tampilan Utama Cek Status............................................................ 77

Gambar 5.2 Tampilan Halaman Modal Cek Status ............................................ 77

Gambar 5.3 Tampilan Detail Pengecekan Status Bantuan ................................. 78

Gambar 5.4 Tampilan Cetak Laporan Untuk Warga .......................................... 78

Gambar 5.5 Tampilan Halaman Dashboard Kelurahan ...................................... 79

Gambar 5.6 Tampilan Halaman Data Training................................................... 79

Gambar 5.7 Tampilan Halaman Penentuan Bantuan Dengan Banyak Data ....... 80

Gambar 5.8 Tampilan Halaman Penentuan Bantuan Dengan Tunggal .............. 80

Gambar 5.9 Tampilan Halaman Data Sudah Proses Klasifikasi......................... 81

Gambar 5.10 Tampilan Hasil Cetak Laporan Kelurahan.................................... 81

Gambar 5.11 Tampilan Hasil Cetak Laporan Bantuan Perorangan.................... 82

Gambar 5.12 Tampilan Halaman Dashboard Dinsos.......................................... 83

Gambar 5.13 Tampilan Halaman approve .......................................................... 83

Gambar 5.14 Tampilan Form Approve Bantuan................................................. 83

Gambar 5.15 Tampilan List Warga dapat Bantuan............................................. 84

Gambar 5.16 Tampilan Halaman Cetak Laporan Data Sudah Diapprove .......... 84

Gambar 5.17 Tampilan Halaman Cetak Laporan DINSOS Perorangan............. 85

Gambar 5.18 Tabel Admin.................................................................................. 86

Gambar 5.19 Tabel Data Training ...................................................................... 86

Gambar 5.20 Tabel Hasil Testing ....................................................................... 87

Gambar 5.21 Tabel Approve............................................................................... 87

xv

Gambar 5.22 Data Testing .................................................................................. 88

Gambar 5.23 Hasil Klasifikasi Dengan Sistem................................................... 89

Gambar 5.24 Hasil Perhitungan akurasi menggunakan Rapidminer .................. 90

Gambar 5.25 Flow Chart..................................................................................... 97

Gambar 5.26 Flow Graph.................................................................................... 101

xvi

DAFTAR TABEL

Tabel 3.1 Simbol-simbol dalam Use Case Diagram ......................................... 27

Tabel 3.2 Simbol-simbol dalam Activity Diagram ............................................. 29

Tabel 3.3 Simbol-simbol dalam Sequence Diagram .......................................... 31

Tabel 3.4 Simbol-simbol dalam Class Diagram ................................................ 32

Tabel 4.1 Tabel data latih untuk proses mining sebanyak 70 record ................. 39

Tabel 4.2 Contoh data uji ................................................................................... 40

Tabel 4.3 Hasil Peritungan semua variable untuk 1 data uji .............................. 42

Tabel 4.4 Hasil perhitungan contoh data uji ...................................................... 42

Tabel 4.5 Skenario Use Case Melakukan Login ................................................ 44

Tabel 4.6 Skenario Use Case Mengelola Data Training ................................... 44

Tabel 4.7 Skenario Use Case Mengelola Penentuan Bantuan ........................... 45

Tabel 4.8 Skenario Use Case Mengelola Penentuan Bantuan Data Tunggal ..... 46

Tabel 4.9 Skenario Use Case Mengelola Bantuan Sudah Proses ...................... 47

Tabel 4.10 Skenario Use Case Mengelola Data Admin .................................... 48

Tabel 4.11 Skenario Use Case Approve Bantuan ............................................. 50

Tabel 4.12 Skenario Use Case Mengelola Warga Dapat Bantuan .................... 50

Tabel 4.13 Skenario Use Case Cek Pengajuan Bantuan ................................... 51

Tabel 4.14 Skenario Use Case Detail Pengajuan Bantuan ............................... 52

Tabel 4.15 Skenario Use Case Melakukan Logout ............................................ 53

Tabel 4.16 Perancangan Tabel Admin ............................................................... 65

Tabel 4.17 Perancangan Tabel Data Training..................................................... 65

Tabel 4.18 Perancangan Tabel Hasil Testing ..................................................... 66

Tabel 4.19 Perancangan Tabel Approve ............................................................ 66

Tabel 5.1 Hasil Perhitungan Klasifikasi Data Uji .............................................. 88

Tabel 5.2 Pengujian Menu Tentukan Bantuan ................................................... 91

Tabel 5.3 Pengujian Halaman Login................................................................... 92

Tabel 5.4 Pengujian Menu Data Training .......................................................... 93

Tabel 5.5 Pengujian Halaman Hitung Individu .................................................. 94

xvii

Tabel 5.6 Pengujian Halaman Data Sudah diklasifikasi .................................... 94

Tabel 5.7 Pengujian Halaman Tambah Admin ................................................... 95

Tabel 5.8 Pengujian List Data Admin ................................................................ 96

Tabel 5.9 Pengujian Halaman Utama Untuk Warga .......................................... 96

Tabel 5.10 Pengujian Basis Path ....................................................................... 103

1

BAB IPENDAHULUAN

1.1 Latar Belakang Masalah

Kemiskinan merupakan salah satu masalah sosial yang ada di negeri

ini. Setiap pemimpin daerah maupun pusat menjadikan penduduk miskin

sebagai tujuan utama yang harus di tuntaskan. Begitu banyak bantuan bagi

penduduk miskin di Indonesia dari dana pemerintah seperti Jaminan

Kesehatan Nasional (JKN), Kartu Indonesia Sehat (KIS), Kartu Indonesia

Pintar (KIP) dan sebagainya.

Sesuai dengan pasal 27 ayat 2, setiap warga berhak atas pekerjaan dan

kehidupan yang layak dan memiliki tempat tinggal yang layak oleh karena itu

penelitian ini akan berfokus kepada masyarakat yang memiliki tempat tinggal

kurang layak atau pada program pemerintah disebut perbaikan rumah tidak

layak huni (RLTH). Di Kecamatan Semarang Barat lebih tepatnya di

Kelurahan Krapyak memang sudah banyak rumah yang layak huni tapi masih

ada juga beberapa yang memiliki rumah yang tidak layak huni, dan

pemerintah memberikan anggaran untuk mengurangi kemiskinan sekitar satu

milyar di tiap kecamatan dan setiap warga yang mendapatkan bantuan akan

diberikan anggaran sepuluh juta rupiah untuk renovasi rumah.

Anggaran setiap kecamatan mendapat kesempatan untuk mengelola

dana tersebut salah satunya dalam bentuk bantuan bedah rumah atau

perbaikan rumah tidak layak huni. Bantuan bedah rumah tersebut harus

didukung dengan akurasi data yang akurat agar bantuan tepat ke warga yang

membutuhkan. Selain tingkat akurasi data juga dibutuhkan efisiensi waktu

pengelolaan data penerima bantuan. Dalam pengolahan data selama ini untuk

menentukan bantuan bedah rumah di Kelurahan Krapyak sendiri

menggunakan data warga miskin untuk menjadi data reverensi dan kemudian

akan dicocokan dengan kriteria-kriteria seperti Status Penguasaan

bangunan, Tempat tinggal, Jenis atap, Jenis lantai, Jenis dinding, Sumber air,

dan Kualitas atap. Nilai dari kriteria akan menjadi patokan untuk

2

penyeleksian penduduk yang menjadi prioritas utama untuk mendapatkan

bantuan bedah rumah. Untuk mengetahui warga mendapatkan bantuan bedah

rumah biasana diberitahu oleh Ketua RT dan untuk kejelasan dana akan di

salurkan dan kapan rumah mulai di kerjakan renovasinya warga harus

menunggu dari DINSOS yang tidak tahu kapan kepastianya.

Penelitian ini akan membuat system yang nantinya penduduk bisa

mengajukan langsung bantuan ke Kelurahan atau lewat Ketua RT dan warga

bisa mengecek langsung status bantuan di system secara real time. Yang

nantinya system tersebut akan memiliki 1 halaman client untuk warga

mengetahui status, dan 2 akses admin yang digunakan untuk proses seleksi

penerimaan bantuan bedah rumah dan approved kapan dana diberikan dan

tanggal eksekusi renovasi rumah, untuk proses seleksi akan menggunakan

algoritma naïve bayes classifier. Mengapa menggunakan naïve bayes karena

naïve bayes merupakan salah satu metode data mining yang menggunakan

perhitungan probabilitas dan sudah di uji dengan Rapidminer dengan menguji

70 data training dan 10 data uji diperoleh hasil presisi 100%, recall 100% dan

akurasi 100%.

Penelitian sebelumnya yang terkait dengan tema serupa adalah

penelitian dengan judul “Penentuan Kelayakan Penerima Bantuan Renovasi

Rumah Warga Miskin Menggunakan Naïve Bayes” tingkat akurasi dalam

penentuan bantuan renovasi rumah warga miskin, pengujian di lakukan

dengan menerapkan metode Naïve Bayes. Dari hasil penghitungan dengan

metode Naïve Bayes yang menggunakan bantuan tools WAKA didapat hasil

90%. Metode naïve bayes dapat membantu dalam pengambilan kepurusan

untuk penentuan bantuan, sedangkan 10% tidak dapat membantu

pengambilan keputusan (Sari & Prabowo, 2017). Penelitian berikutnya

dengan judul “Penerapan Metode Naïve Bayes Terhadap Bantuan Langsung

Tunai Di Desa Baleturi Nganjuk” membahas tentang penentuan Bantuan BLT

mengggunakan metode Naïve Bayes sehingga dapat diketahui keputusan

yang mendapat BLT (Nasiruddin, 2016). Penelitian selanjutnya berjudul “

Penerapan Data Mining Menggunakan Algoritma Naïve Bayes Untuk

3

Mengukur Tingkat Kelulusan Taruna STIMART AMNI” dengan tingkat

keakurasian 78% berdasarkan hasil evaluasi dengan membandingkan hasil

sebelumnya dengan hasil penghitungan dengan algoritma Naïve Baye (Arum,

2018). Penelitian selanjutnya dengan judul” Aplikasi Data Mining

Menggunakan Naïve Bayes Classifier Untuk Persetujuan Pengajuan Kredit”

Hasil tingkat keberhasilan dari testing 11 data dengan tingkat keberhasilan

63,6% dan dari testing data sebanyak 50 Data dengan tingkat keberhasilan

76%. Aplikasi data mining menggunakan naïve bayes classifier ini sudah

dapat membantu dalam proses menentukan kriteria nasabah kredit (Hernawan

& Lorena, 2014).

Dari penelitian yang di lakukan sebelumnya dengan tema serupa dapat

menjadi acuan dalam penelitian yang akan di lakukan penulis untuk

membantu permasalahan penentuan penerima bantuan bedah rumah di

Kelurahan Krapyak.

Penelitian ini akan menggunakan Bahasa pemrograman PHP dengan

bantuan Framework Codeigniter yang akan di kombinasikan dengan metode

Naïve Bayes Classifier dan database MySql untuk menentukan warga yang

berhak mendapatkan bantuan bedah rumah di Kelurahan krapyak. Sehingga

peniliti berharap bisa membuat system yang memudahkan pihak Kelurahan

untuk menentukan calon penerima bantuan menggunakan data warga miskin

yang berdasarkan data sebelumnya, Memudahkan warga untuk mengetahui

status bantuan dan DINSOS bisa melakukan Approve dari sistem secara

langsung.

1.2 Perumusan MasalahBerdasarkan latar belakang yang telah diuraikan, maka perumusan

masalah yang dapat diambil dalam penelitian ini adalah “Bagaimana

menerapkan Algoritma Naïve Bayes untuk penentuan bantuan bedah rumah

di KELURAHAN KRAPYAK berdasarkan data induk dan data warga

miskin?” Sehingga perlu di buatkan sistem agar mempermudah menentukan

bantuan bedah rumah.

4

1.3 Batasan MasalahDalam penulisan tugas akhir ini terdapat beberapa Batasan masalah

untuk mencegah meluasnya ruang lingkup permasalahan. Adapun Batasan

masalah berdasarkan system yang akan dibangun, diantaranya yaitu:

1. Data yang akan digunakan adalah data yang sudah ada sebelumnya dan

warga miskin di Kelurahan Krapyak Semarang Barat.

2. Kriteria yang akan mendapatkan bantuan adalah penguasaan bangunan,

jenis dinding, jenis lantai, jenis atap, sumber air, daya listrik dan kualitas

bangunan

3. Metode yang digunakan adalah metode klasifikasi dengan algoritma

Naïve Bayes.

4. Penelitian ini hanya mengklasifikasikan penentuan bantuan bedah rumah

yang menghasilkan label berupa dapat dan tidak dapat serta approved dari

DINSOS dan kapan bantuan tersebut disalurkan kepada yang mendapat.

5. System akan diimplementasi dan dikembangkan menggunakan

Framework Codeigniter dan MySql sebagai database penyimpanannya.

1.4 Tujuan Tugas Akhir

Tujuan yang ingin dicapai dalam tugas akhir ini adalah membangun

suatu system yang dapat menentukan siapa yang mendapatkan bantuan bedah

rumah (RTLH) di Kelurahan Krapyak dengan mengklasifikasikan hasil

“Dapat” dan “Tidak Dapat” menggunakan data warga miskin di Kelurahan

Krapyak, sehingga bisa mempermudah menentukan warga yang berhak

menerima bantuan dengan menggunakan metode klasifikasi Naïve Bayes.

1.5 Manfaat Tugas Akhir

Manfaat yang di harapkan dari Tugas Akhir ini adalah sebagai berikut

:

5

1. Bagi Penulis

Menambah pengetahuan dan pengalaman di bidang pembuatan System

menggunakan algoritma Naïve Bayes dalam penerapannya di lapangan

dan mencoba mengukur seberapa jauh kemampuan penulis dalam

membuat program aplikasi sesuai dengan materi pembelajaran selama

dalam perkuliahan yang telah di dapat.

2. Bagi Akademik

Bahan referensi yang dapat di pergunakan untuk perbandingan dan

kerangka acuan untuk persoalan yang sejenis, sehingga dapat

meningkatkan kualitas pendidikan.

3. Bagi Kelurahan Krapyak

Membantu pemerintah untuk menyalurkan bantuan bedah rumah tepat

sasaran serta memprioritaskan yang paling membutuhkan.

4. Bagi Pembaca

Dapat menambah wawasan dan pengetahuan pembaca tentang

bagaimana cara membuat System Expert dengan algoritma naïve bayes

menggunakan framework codeigniter.

1.6 Metodologi PenelitianDalam melakukan penelitian ini penulis menggunakan beberapa

metode penelitian, meliputi jenis dan sumber data, pengumpulan data, dan

metode pengembangan perangkat lunak.

1.6.1 Jenis dan Sumber Data

a. Data Primer, suatu data yang diperoleh langsung dari pihak

institusi yang bersangkutan, yakni di pusat data terpadu warga

miskin dinas sosial Kelurahan Krapyak Kecamatan Semarang

Barat berupa data induk dan data warga miskin yang mendapatkan

bantuan .

b. Data Sekunder, data yang diperoleh dari buku-buku penunjang

maupun keterangan dari berbagai pihak.

6

1.6.2 Metode Pengumpulan DataPengumpulan data terbagi menjadi 3, yaitu:

a. Wawancara, metode pengumpulan data dengan melakukan

wawancara langsung dengan Lurah Kelurahan krapyak, Sekertaris

dan IT kelurahan Krapyak mengenai data-data yang dibutuhkan

untuk proses penelitian.

b. Observasi, suatu metode untuk memperoleh data dengan cara

melakukan pengamatan langsung data induk dan data warga miskin

yang mendapat bantuan berupa file dengan format .xlsx dan file

form kriteria-kriteria yang memperoleh bantuan dari bagian pusat

data induk warga miskin yang diberikan oleh IT Kelurahan Krapyak

setelah mendapat persetujuan Dari Lurah Krapyak.

c. Studi Pustaka atau Literatur, suatu metode dimana sumber data

berdasarkan teori-teori dan literatur yang berhubungan dengan

pembahasan. Dapat diperoleh melalui internet atau buku literatur

yang ada.

1.6.3 Metode Pengembangan Sistem

Metode yang digunakan dalam penulisan Tugas Akhir adalah

metode prototype. Metode ini cocok digunakan untuk mengembangkan

sebuah perangkat yang akan di kembangkan kembali. Metode prototype

dimulai dari pengumpulan kebutuhan pelanggan terhadap perangkat

lunak yang akan dibuat. Lalu di buatlah program prototype agar

pelanggan terbayang dengan apa yang sebenarnya di inginkan

(Pressman, 2012).

Mengapa di system ini cocok menggunakan metode prototype

karena untuk project-project pemerintah biasanya mengutamakan

fungsinya sesuai kebutuhan user, untuk pengembanganya bisa di

lakukan sambil sistem digunakan oleh user dan setiap komplain dan

juga kekurangan, serta kelebihan dari sistem tersebut kemudian akan

7

dicatat dan dilakukan pengembangan terus menerus, hingga akhirnya

sistem tersebut selesai dan bisa digunakan secara penuh.

Berikut adalah gambar alur metode prototype seperti ditunjukkan

pada Gambar 1.1

Gambar 1.1 Metode Pengembangan Sistem Model Prototype

(Pressman, 2012).

1. Komunikasi

Pada tahap ini penulis mengumpulkan data awal seperti data

warga yang mendapatkan bantuan dan melakukan analisis terhadap

kebutuhan user dengan melakukan clasifikasi menggunakan metode

naïve bayes.

2. Perancangan Secara CepatDalam tahap ini, penulis membuat desain umum yang selanjutnya

dikembangkan kembali sebgai bentuk perancangan awal atau desain

sistem penentuan bantuan bedah rumah yang telah dianalisis ke dalam

perhitungan klasifikasi menggunakan metode naïve bayes.

8

3. Pemodelan Perancangan Secara Cepat

Dalam tahap ini penulis membuat perancangan pada sistem yang

nantinya akan dibuat menjadi bentuk sebelum tahap implementasi

sistem.

4. Pembukaan Prototype

Dalam tahapan ini penulis membuat perangkat prototype

termasuk pengujian dan penyempurnaan ke dalam bahasa pemrograman

PHP menggunakan framework codeigniter yang di kompinasikan

dengan agoritma naïve bayes.

5. Penyerahan System ke User atau Umpan BalikDalam tahap ini, prototype diberikan kepada pengguna untuk

digunakan dan di evaluasi serta perbaikan apabila kebutuhan atau

permintaan user bertambah.

1.7 Sistematika Penulisan

Sistematika penulisan laporan Tugas Akhir ini, terbagi menjadi

beberapa Bab dan Sub Bab dengan sistematika berikut:

BAB I : PENDAHULUANBab ini membahas mengenai latar belakang masalah,

perumusan masalah, batasan masalah, tujuan dan manfaat

tugas akhir, metode penelitian, dan sistematika penulisan

laporan.

BAB II : TINJAUAN UMUM KELURAHAN KRAPYAK

Pada bab ini berisi gambaran umum tentang Profil Kelurahan

Krapyak, visi misi dan moto, program kerja alamat

perusahaan, struktur organisasi.

BAB III : TINJAUAN PUSTAKA

Pada bab ini penulis memaparkan teori-teori dasar yang

diambil dari beberapa pustaka kemudian menjadikannya

9

sebagai acuan dan panduan dalam penulisan laporan tugas

akhir.

BAB IV : PERENCANAAN DAN ANALISA PERANCANGANSISTEM

Bab ini menjelaskan pembahasan mengena Sistem yang dibuat

menggunakan algoritma naïve bayes. Dari tampilan dan menu-

menu tampilan yang dioperasikan oleh administrator dan

Client (warga).

BAB V : IMPLEMENTASI SISTEMBab ini berisi tentang bagaimanakah sistem ini akan

diimplementasikan dan digunakan hingga akhirnya ditindak

lanjuti guna mengetahui sejauh mana perangkat lunak tersebut

bekerja dan bagaimana pengembangan berikutnya. Dari tahap

ini kemudian dilanjutkan implementasi untuk menguji coba

perangkat yang dibuat.

BAB VI : PENUTUP

Berisi kesimpulan dan saran dari pembahasan untuk

melengkapi penyusunan Tugas Akhir terhadap pihak-pihak

yang terkait.

10

BAB IITINJAUAN UMUM KELURAHAN KRAPYAK

2.1 Gambaran Umum

Kelurahan krapyak merupakan salah satu kelurahan yang yang berada

di semarang barat tepatnya di jl. Subali raya. Kelurahan krapyak terdiri dari

9 RW dan 48 RT. Berikut ini adalah rincian data penduduk di kelurahan

krapyak:

a. Jumlah RT : 48

b. Jumlah RW : 9

Tahun 2018 Bulan Ke-

1. 2. 3. 4. 5. 6. 7. 8.

1. Jumlah

Laki-laki

3209 3202 3203 3206 3210 3214 3211 3204

2. Jumlah

Perempuan

3341 3336 3339 3340 3346 3352 3354 3346

3 Jumlah

Penduduk

6550 6538 6542 6546 6556 6566 6565 6550

Jumlah

KK

1462 1460 1458 1461 1461 1465 1466 1467

Letak geografis kelurahan krapyak adalah sebagai berikut :

a. LUAS WILAYAH : 119 Ha.

b. BATAS WILAYAH

1. Sebelah Utara : Kelurahan Tambakharjo

2. Sebelah Timur : Kelurahan Kalibanteng Kulon

3. Sebelah Selatan : Kelurahan Kembang Arum

4. Sebelah Barat : Kelurahan Jrakah Kecamatan Tugu

11

c. KEADAAN GEOGRAFIS

1. Ketinggian tanah dari permukaan air laut ± 1 – 15 M

2. Banyaknya curah hujan ± 1.341 mm/ Tahun

3. Fotografi dataran rendah / tinggi pantai

4. Suhu Udara rata-rata ± 34° C

d. ORBITASI ( Jarak Pusat Pemerintahan Kelurahan Ke ):

1. Ibukota Kecamatan : ± 5 KM

2. Ibukota Semarang : ± 8 KM

3. Ibukota Propinsi : ± 10 KM

4. Ibukota Negara : ± 625 KM

2.2 Sarana Dan Prasarana

SARANA1. Fukuda (Pengangkut Sampah)

2. Mesin Potong Rumput

3. Telephon Kantor

4. Komputer

5. Meja dan kursi

6. Printer

7. TV

8. Dispenser

9. Proyektor LCD

10. Fasilitas Internet

PRASARANA

1. Gedung Kelurahan

2. Balai Kelurahan

12

Gambar 2.1 Denah Lokasi

Gambar 2.2 Lokasi Kelurahan Krapyak

13

Gambar 2.3 Didalam Kelurahan Krapyak

2.3 Visi, Misi Dan Moto Kelurahan Krapyak

2.3.1 VisiPeningkatan Pelayanan Kepada Masyarakat Secara Luas, Prima,

Cepat dan Tepat

2.3.2 Misi

Pemerataan Di Bidang Pembangunan, Pemerintahan, Dan

Kesejahteraan Masyarakat Serta Pelayanan Publik.

2.3.3 Moto

Melayani Dengan Senyum, Ramah, Santun dan Ikhlas.

14

2.4 Struktur Organisasi Kelurahan KrapyakPengorganisasian sangatlah penting dalam suatu instansi, dengan

adanya pengorganisasian, instansi dapat berjalan lancar. Pengorganisasian

merupakan salah satu fungsi fungsi manajemen dalam pembagian tugas,

wewenang dan tanggung jawab serta penentuan hubungan antara satuan

organisasi.

Struktur organisasi pada Kelurahan Krapyak adalah sebagai berikut :

Gambar 2.4 Struktur Organisasi Kelurahan Krapyak

2.5 Tugas dan Wewenang masing – masing strukturTugas dan wewenang setiap pekerja memiliki tugas dan kegiatan yang

sesuai jobdesk masing – masing :

1. Lurah

Lurah mempunyai tugas pokok menyelenggarakan urusan pemerintahan,

pembangunan dan kemasyarakatan dan melaksanakan urusan

pemerintahan yang dilimpahkan oleh Walikota.

Dalam melaksanakan tugas pokok tersebut Lurah mempunyai tugas:

1. Pelaksanaan kegiatan pemerintahan kelurahan

2. Pemberdayaan masyarakat

3. Pelayanan masyarakat

4. Penyelenggaraan ketentrataman dan ketertiban umum

15

5. Pemeliharaan prasarana dan fasilitas pelayanan umum

6. Pembinaan lembaga kemasyarakatan di tingkat kelurahan

2. Sekretaris Kelurahan

Sekretaris Kelurahan mempunyai tugas melakukan pembinaan

administrasi dan memberikan pelayanan teknis administratif kepada

seluruh satuan organisasi kelurahan.

Untuk melaksanakan tugas dimaksud sekretaris kelurahan mempunyai

fungsi :

1. Penyusunan rencana, pengendalian dan evaluasi pelaksanaan

serta penyusunan laporan.

2. Pelaksanaan tata usaha administrasi umum, kepegawaian dan

perlengkapan rumah tangga.

3. Pengelolaan peñata usahaan aministrasi keuangan.

4. Pemeliharaan Inventaris dan asset .

5. Menyelenggarakan dan mempersiapkan rapat-rapat staf dan

koordinasi.

6. Melaksanakan tugas yang diberikan oleh atasan langsung.

3. Seksi Pemerintahan dan Pembangunan

Seksi Pemerintahan mempunyai tugas melaksanakan urusan

pemerintahan umum.

Untuk melaksanakan tugas dimaksud), seksi pemerintahan mempunyai

fungsi :

1. Penyusunan program dan pembinaan penyelenggaraan

pemerintahan umum

2. Penyelenggaraan pelayanan administrasi kependudukan dan

catatan sipil melalui simyankel.

3. Pelaksanaan tugas bidang Pertanahan.

4. Pembinaan organisasi dan administrasi RT beserta

perangkatnya.

16

5. Pemeliharaan data wilayah dan kependudukan.

4. Seksi Kesejahteraan Sosial

Seksi Kesejahteraan Sosial mempunyai tugas program

pembinaankesehatan, pendidikan, keluargaberencana, keagamaan, sosial

budaya,kesenian, generasi muda dan pemberdayaan perempuan serta

bantuandan pelayanan sosial.

Untuk melaksanakan tugas dimaksud dalam ayat (1), Seksi

Kesejahteraan Sosial mempunyai fungsi :

1. Penyusunan program dan pembinaan bidang sosial

2. Pelayanan kepada masyarakat bidang sosial budaya melalui

Simyankel

3. Pembinaan sosial budaya masyarakat; d.Melaksanakan

Program Pembangunan Pengentasan Kemiskinan

4. Penyaluran bantuan korban bencana alam dan bencana lainnya

5. Pembinaan masyarakat rentan sosial.

5. Seksi Kententraman Dan kesejahteraan Umum

Seksi Kesejahteraan Sosial mempunyai tugas program pembinaan

kesehatan, pendidikan, keluarga berencana, keagamaan, sosial budaya,

kesenian, generasi muda dan pemberdayaan perempuan serta

bantuandan pelayanan sosial.

Untuk melaksanakan tugas dimaksud dalam ayat (1), Seksi

Kesejahteraan Sosial mempunyai fungsi :

1. Penyusunan program dan pembinaan bidang sosial.

2. Pelayanan kepada masyarakat bidang sosial budaya melalui

Simyankel.

3. Pembinaan sosial budaya masyarakat.

4. Melaksanakan Program Pembangunan Pengetesan Kemiskinan.

5. Penyaluran bantuan korban bencana alam dan bencana lainnya.

6. Pembinaan kepemudaan, kesenian, olahraga dan pemberdayaan

perempuan.

17

BAB IIITINJAUAN PUSTAKA

3.1 Data Mining

Data mining adalah suatu istilah yang digunakan untuk menguraikan

penemuan pengetahuan di dalam basis data. Data Mining adalah proses

yang menggunakan teknik statistik, matematika, kecerdasan buatan,

machine learning untuk mengekstraksi dan mengidentifikasi informasi yang

bermanfaat dan pengetahuan yang terkait dari berbagai basis data besar

(Kursini & Emha, 2009).

Data mining adalah suatu proses ekstraksi atau penggalian data yang

belum diketahui sebelumnya, namun dapat dipahami dan berguna dari

database yang besar serta digunakan untuk membuat suatu keputusan bisnis

yang sangat penting (Connolly & Begg, 2010).

Pada prosesnya data mining akan mengekstrak informasi yang

berharga dengan cara menganalisis adanya pola-pola ataupun hubungan

keterkaitan tertentu dari data-data yang berukuran besar. Data mining

berkaitan dengan bidang ilmu ilmu lain, seperti Database System, Data

Warehousing, Statistic, Machine Learning, Information Retrieval, dan

Komputasi Tingkat Tinggi. Selain itu data mining didukung oleh ilmu lain

seperti Neural Network, Pengenalan Pola, Spatial Data Analysis, Image

Database, Signal Processing (Connolly & Begg, 2010).

Berikut adalah tahap-tahap dalam data mining (Huda, 2010).

Untuk penelitian ini Cuma menggunakan 5 tahapan di data mining sebagai

berikut:

1. Seleksi Data (Data Selection)

Data yang ada pada database sering kali tidak semuanya dipakai, oleh

karena itu hanya data yang sesuai untuk dianalisis yang akan diambil

dari database.

18

2. Transformasi Data (Data Transformation)

Data diubah 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

metode standar seperti analisis asosiasi dan clustering hanya bisa

menerima input data kategorikal. Karenanya data berupa angka numerik

yang berlanjut perlu dibagi-bagi menjadi beberapa interval. Proses ini

sering disebut transformasi data.

3. Proses Mining

Merupakan suatu proses utama saat metode diterapkan untuk

menemukan pengetahuan berharga dan tersembunyi dari data.

4. Evaluasi Pola (Pattern Evaluation)

Berfungsi untuk mengidentifikasi pola-pola menarik ke dalam

knowledge based yang ditemukan. Dalam tahap ini hasil dari teknik data

mining berupa pola-pola yang khas maupun model prediksi dievaluasi

untuk menilai hipotesa yang ada memang tercapai. Bila ternyata hasil

yang diperoleh tidak sesuai hipotesa ada beberapa alternatif yang dapat

diambil seperti menjadikannya umpan balik untuk memperbaiki proses

data mining, mencoba metode data mining lain yang lebih sesuai, atau

menerima hasil ini sebagai suatu hasil yang di luar dugaan yang

mungkin bermanfaat.

5. Presentasi Pengetahuan (Knowledge)

Merupakan visualisasi dan penyajian pengetahuan mengenai metode

yang digunakan untuk memperoleh pengetahuan yang diperoleh

pengguna. Tahap terakhir dari proses data mining adalah

memformulasikan keputusan atau aksi dari hasil analisis yang didapat.

Ada kalanya hal ini harus melibatkan orang-orang yang tidak memahami

data mining. Oleh sebab itu presentasi hasil data mining dalam bentuk

pengetahuan yang bisa dipahami semua orang adalah satu tahapan yang

diperlukan dalam proses data mining. Dalam presentasi ini, visualisasi

juga bisa membantu mengkomunikasikan hasil data mining.

19

3.2 Klasifikasi

Dalam data mining terdapat beberapa teknik yang memiliki fungsi

berbeda-beda yaitu prediksi, estimasi, deskripsi, klasifikasi, pengklasteran

dan asosiasi. Klasifikasi merupakan metode yang digunakan untuk

menemukan model atau fungsi yang digambarkan dengan perbedaan kelas

data atau konsep yang berfungsi untuk memprediksi kelas dari objek yang

label sudah diketahui (Annur, 2018).

Proses penemuan model (atau fungsi) yang menggambarkan dan

membedakan kelas data atau konsep yang bertujuan agar bisa digunakan

untuk memprediksi kelas dari objek yang label kelasnya tidak diketahui

Algoritma klasifikasi yang banyak digunakan secara luas, yaitu Decision

classification trees, Bayesian classifiers Naïve Bayes classifiers, Neural

networks, Analisa Statistik, Algoritma Genetika, Rough sets, k-nearest

neighbor, Metode Rule Based, Memory based reasoning, dan Support vector

machines (Annur, 2018).

Dalam klasifikasi akan terjadi 2 proses, proses pertama adalah

learning (fase training), dimana algoritma klasifikasi diciptakan untuk

menganalisa data training kemudian direpresentasikan ke dalam bentuk rule

klasifikasi. Proses kedua adalah klasifikasi, dimana data testing akan dipakai

untuk memperkirakan akurasi dari rule klasifikasi (Gorunescu, 2010).

Terdapat komponen yang mendasari proses klasifikasi sebagai

berikut (Gorunescu, 2010):

1. Class

Variabel dependen atau variabel yang memiliki ketergantungan (terikat)

berupa data kategorikal yang merepresentasikan suatu label yang melekat

pada objek.

2. Predictor

Variabel dependen variabel yang memiliki ketergantungan (terikat)

yang direpresentasikan oleh (data) atribut tertentu.

20

3. Training dataset

Sekumpulan data yang mengandung nilai dari kedua komponen

sebelumnya yang dimanfaatkan untuk pemilihan kelas yang tepat

berdasarkan predictor.

4. Testing dataset

Sekumpulan data baru yang akan melalui proses klasifikasi

menggunakan model yang telah ditentukan. Hasil dari klasifikasi tersebut

yang kemudian akan dievaluasi keakuratannya.

3.3 Algoritma Naïve Bayes

Naïve Bayes Classifier dikenal sebagai pengklasifikasi bayesian

sederhana dan telah menjadi model probabilistik yang penting dan telah

berhasil dalam praktiknya. Walaupun memiliki asumsi independensi yang

kuat, Naïve Bayes Classifier telah terbukti efektif dalam klasifikasi dalam

bentuk teks, diagnosa medis dan manajemen kinerja computer (Rahman &

Kurniawan, 2018).

Naive Bayes merupakan sebuah pengklasifikasian probalistik

sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan

frekuensi dan kombinasi nilai dari dataset yang diberikan. Algoritma

menggunakan teorema bayes dan mengansumsikan semua atribut

independen atau tidak saling ketergantungan yang diberikan oleh nilai pada

variabel kelas. Naive Bayes juga didefinisikan sebagai pengklasifikasian

dengan metode probabilitas dan statistik yang dikemukakan oleh ilmuan

inggis Thomas Bayes, yaitu memprediksi peluang di masa depan

berdasarkan pengalaman di masa sebelumnya (Septiari, 2016).

Pada sub bab ini akan dijelaskan mengenai teorema Bayes, Naïve

Bayes untuk klasifikasi, serta karakteristik Naïve Bayes.

a. Teorema Bayes

Bayes merupakan teknik prediksi berbasis probabilistik sederhana

yang berdasar pada penerapan teorema Bayes (atau aturan Bayes) dengan

asumsi independensi (ketidaktergantungan) yang kuat (naif). Dengan kata

21

lain, dalam Naïve Bayes, model yang digunakan adalah “model fitur

independen” (Prasetyo, 2012).

Metode Naive Bayes Classifier menggunakan konsep probabilitas

yang bertujuan untuk melakukan klasifikasi data pada class tertentu, metode

Naive Bayes Classifier merupakan penyederhanaan dari teorema bayes.

Prediksi bayes didasarkan pada teorema bayes dengan formula umum

sebagai berikut: (Uriawan & Yusfira, 2018)

P(H|E) = P(E|H) P(H)P(E) ⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯(3.1)Penjelasan dari formula 1 adalah sebagai berikut (Uriawan & Yusfira,

2018):

P(H|E) : Probabilitas akhir bersyarat (conditional probability) suatu

hipotesis H terjadi jika diberikan bukti (evidence) E terjadi.

P(E|H) : Probabilitas sebuah bukti E terjadi akan pengaruh hipotesis H

P(H) : Probabilitas awal (Priori) hipotesis H terjadi tanpa memandang

bukti apapun.

P(E) : Probabilitas awal (Priori) bukti E terjadi tanpa memandang

hipotesis/bukti yang lain.

Ide dasar dari aturan Bayes adalah bahwa hasil dari hipotesis atau

peristiwa (H) dapat diperkirakan berdasarkan pada beberapa bukti (E) yang

diamati. Ada beberapa hal penting dari aturan Bayes tersebut, yaitu:

1. Sebuah probabilitas awal/priori 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.

22

Teorema Bayes juga bisa menangani beberapa bukti, misalnya ada E1,

E2, dan E3, sehingga probabilitas akhir dapat dihitung dengan cara berikut

(Prasetyo, 2012).

P(H| , , ) = P( , , |H) P(H)P( , , ) ⋯⋯⋯⋯⋯⋯⋯⋯⋯ (3.2)Karena asumsi yang digunakan untuk bukti adalah independen, bentuk

formula 2 dapat diubah menjadi sebagai berikut (Prasetyo, 2012).

P(H| , , ) = P( | ) ( , | ) ( |H) P(H)P( ) ( ) ( ) ⋯⋯⋯ (3.3)b. Naïve Bayes untuk Klasifikasi

NBC adalah metode klasifikasi yang berdasarkan probabilitas dan

Teorema Bayesian dengan asumsi bahwa setiap variable X bersifat bebas

(independence). Dengan kata lain, NBC mengansumsikan bahwa

keberadaan sebuah atribut (variable) tidak ada kaitannya dengan keberadaan

atribut (variable) yang lain. Metode NBC menempuh dua tahap dalam

proses klasifikasi teks,yaitu tahap pelatihan dan tahap klasifikasi (Indriani,

2014).

Kaitan antara Naïve Bayes dengan klasifikasi, korelasi hipotesis, dan

bukti dengan klasifikasi adalah bahwa hipotesis dalam teorema Bayes

merupakan label kelas yang menjadi target pemetaan dalam klasifikasi,

sedangkan bukti merupakan fitur-fitur yang menjadi masukan dalam model

klasifikasi. Jika X adalah vektor masukan yang berisi fitur dan Y adalah

label kelas, Naïve Bayes dituliskan dengan 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.

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,

23

suatu data uji X’ dapat diklasifikasikan dengan mencari nilai Y’ dengan

memaksimalkan nilai P(Y’|X’) yang didapat.

Formulasi Naïve Bayes untuk klasifikasi adalah sebagi berikut

(Prasetyo, 2012).P(Y|X) = P(Y)∏ P ( |Y)P(X) ⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯(4)P(Y|X) adalah probabilitas data dengan vector X pada kelas Y. P(Y)

adalah probabilitas awal kelas Y. ∏ P ( |Y) adalah probabilitas

independen kelas Y dari semua fitur dalam vector X. Nilai P(X) selalu tetap

sehingga dalam perhitungan prediksi nantinya hanya menghitung bagian

P(Y) ∏ P ( |Y) dengan memilih yang terbesar sebagai kelas yang dipilih

sebagai hasil prediksi. Sementara probabilitas independen ∏ P( |Y)tersebut merupakan pengaruh semua fitur dari data terhadap setiap kelas Y,

yang dinotasikan dengan persamaan berikut (Prasetyo, 2012).

P(X|Y = y) P ( |Y = y) ⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯(3.5)Setiap set fitur X = {X , X , X , …, X } terdiri atas q atribut (q dimensi).

c. Karakteristik Naïve Bayes

Klasifikasi dengan Naïve Bayes bekerja berdasarkan teori

probabilitas yang memandang semua fitur dari data sebagai bukti dalam

probabilitas. Hal ini memberikan karakteristik Naïve Bayes sebagai berikut

(Laroussi, 2015).

1. Metode Naïve Bayes teguh (robust) terhadap data-data yang terisolasi

yang biasanya merupakan data dengan karakteristik berbeda (outlier).

Naïve Bayes juga bisa menangani nilai atribut yang salah dengan

mengabaikan data latih selama proses pembangunan model dan

prediksi.

24

2. Tangguh menghadapi atribut yang tidak relevan.

3. Atribut yang mempunyai korelasi bisa mendegradasi kinerja klasifikasi

Naïve Bayes karena asumsi independensi atribut tersebut sudah tidak

ada.(Laroussi, 2015).

3.4 Framework

Web Aplikasi Framework (WAF), atau yang sering disingkat Web

Framework adalah satu kumpulan kode berupa pustaka (library) dan alat

(tool) yang dipadukan sedemikian rupa menjadi satu kerangka kerja

(framework) guna memudahkan dan mempercepat proses pengembangan

aplikasi web.

Framework secara sederhana dapat diartikan kumpulan dari fungsi –

fungsi atau prosedur-prosedur dan class-class untuk tujuan tertentu yang

sudah siap digunakan sehingga bias lebih mempermudah dan mempercepat

pekerjaan seorang programmer, tanpa harus membuat fungsi atau class dari

awal (Raharjo, 2012)..

3.5 CodeIgniter

CodeIgniter adalah framework web untuk Bahasa pemrograman

PHP, yang dibuat oleh Rick Ellis pada tahun 2006, penemu dan pendiri

Ellislab (www.ellislab.com). Ellislab adalah suatu tim kerja yang berdiri

pada tahun 2002 dan bergerak di bidang pembuatan softwere dan tool untuk

para pengembang web. Sejak tahun 2014 sampai sekarang, Ellipslab telah

menyerahkan hak kepemilikan Codeigniter ke British Columbia Institute of

Technologi (BCIT) untuk proses perkembangan lebih lanjut. Saat ini situs

resmi dari codeigniter telah berubah dari www.ellislab.com ke

www.codeigniter.com (Raharjo, 2012).

Codeigniter merupakan aplikasi sumber terbuka yang berupa

framework PHP dengan model MVC (model, View, Controler) untuk

membangun website dinamis menggunakan PHP (Raharjo, 2012).

25

Arsitektur atau sering di sebut pola Model-View-Controler (MVC)

muncul sejak era 70-an atas pemikiran Prof.Trygve Reenskaug, seorang

berkebangsaan Norwegia. Dasar arsitektur ini adalah memisahkan antara

logika aplikasi dengan tampilan. Menggunakan pola ini diharapkan dapat

meminimalisasi penulisan perintah, sehingga resiko terjadinya bug juga

minimal, serta meningkatkan efisiensi aplikasi (Raharjo, 2012).

Codeigniter pertama kali dirilis pada 28 Februari 2006. Versi stabil

terakhir adalah versi 3.1.6.

Terdapat 3 jenis komponen yang membangun suatu MVC :

1. Model

Biasanya berhubungan langsung dengan database untuk memanipulasi

data (insert, update, delete), menangani validasi dari bagian controller,

namun tidak dapat berhubungan langsung dengan bagian view.

2. View

merupakan bagian yang menangani presentation logic. Pada suatu

aplikasi web bagian ini biasanya berupa file template HTML, yang

diatur oleh controller. View berfungsi untuk menerima dan

mempresentasikan data kepada user. Bagian ini tidak memiliki akses

langsung terhadap bagian model.

3. Controller

merupakan bagian yang mengatur hubungan antara bagian model dan

view, controller berfungsi untuk menerima request data dari user

kemudian menentukan apa yang akan diproses oleh aplikasi.

Kelebihan Codeigniter (CI) di bandingkan dengan framework PHP lain

diantaranya (Raharjo, 2012):

1. Performa sangat cepat.

2. Konfigurasi yang sangat minim (nearly zero configuration).

3. Banyak komunitas.

4. Dokumentasai yang sangat lengkap.

26

3.6 Basis Data MySQL

Basis data adalah sekumpulan informasi yang diatur agar mudah

dicari. Dalam arti umum basis data adalah sekumpulan data yang diproses

dengan bantuan komputer yang memungkinkan data dapat diakses dengan

mudah dan tepat, yang dapat digambarkan sebagai aktivitas dari satu atau

lebih organisasi yang berelasi (Kustiyahningsih & Rosa, 2011).

MySQL merupakan suatu database. MySQL dapat juga dikatakan

sebagai database yang sangat cocok bila dipadukan dengan PHP. Secara

umum, database berfungsi sebagai tempat atau wadah untuk menyimpan,

mengklasifikasikan data secara profesional. MySQL bekerja menggunakan

SQL Language (Structure Query Language). Hal itu dapat diartikan bahwa

MySQL merupakan standar penggunaan database di dunia untuk

pengolahan data (Kustiyahningsih & Rosa, 2011).

MySQL termasuk jenis RDBMS (Relational Database Management

System). Sedangkan RDBMS sendiri lebih banyak mengenal istilah seperti

tabel, baris, dan kolom digunakan dalam perintah-perintah di MySQL.

MySQL merupakan sebuah basis data yang mengandung satu atau sejumlah

tabel. Tabel terdiri atas sejumlah baris dan setiap baris mengandung satu

atau beberapa kolom. Di dalam PHP telah menyediakan fungsi untuk

koneksi ke basis data dengan sejumlah fungsi untuk pengaturan baik

menghubungkan maupun memutuskan koneksi dengan server database

MySQL sebagai sarana untuk mengumpulkan informasi (Kadir, 2013).

Pada umumnya, perintah yang paling sering digunakan dalam

mySQL adalah select (mengambil), insert (menambah), update (mengubah),

dan delete (menghapus). Selain itu, SQL juga menyediakan perintah untuk

membuat database, field, ataupun index guna menambah atau menghapus

data (Kadir, 2013).

3.7 Unified Modelling Language (UML)UML adalah sebuah “bahasa” yang telah menjadi standar dalam

industri untuk visualisasi, merancang dan mendokumentasikan sistem

27

piranti lunak. UML menawarkan sebuah standar untuk merancang model

sebuah system (Sugiarti, 2013).

Unified Modelling Language (UML) biasa digunakan untuk :

1. Menggambarkan batasan sistem dan fungsi-fungsi sistem secara umum,

dibuat dengan use case dan actor

2. Menggambarkan kegiatan atau proses bisnis yang dilaksanakan secara

unum, dibuat dengan interaction diagrams.

3. Menggambarkan representasi struktur statis sebuah sistem dalam

bentuk class diagrams.

4. Membuat model behavior “yang menggambarkan kebiasaan atau sifat

sebuah sistem” dengan state transition diagrams.

5. Menyatakan arsitektur implementasi fisik menggunakan component and

development.

6. Menyampaikan atau memperluas fungsionlity dengan stereotyes.

3.7.1 Use Case Diagram

Use Case Diagram atau Diagram Use Case merupakan

permodelan untuk menggambarkan kelakuan (behavior) sistem satu

yang akan dibuat (Sugiarti, 2013).

Adapun simbol-simbol yang digunakan dalam use case

seperti ditunjukkan pada Tabel 3.1

Tabel 3.1 Simbol-simbol dalam Use Case Diagram (Rosa, 2014).

SIMBOL NAMA KETERANGAN

Use Case

Fungsionalitas yang disediakanoleh sistem sebagai unit atauactor yang biasanya dinyatakandengan menggunakan kata kerjadi awal frase nama use case.

28

Tabel Lanjutan 3.1 Simbol – simbol Use Case (Sugiarti, 2013).


Actor

Orang atau proses atau sistem

lain yang berinteraksi dengan

sistem informasi yang akan di

buat di luar sistem informasi

yang akan di buat itu sendiri

Assosiation

Komunikasi antara actor dan

use case yang berpartisipasi

pada use case atau use case

yang memiliki interaksi dengan

aktor

Relasi use case tambahan ke

sebuah use case dimana use case

yang ditambahkan dapat berdiri

sendiri walapun tanpa use case

tambahan itu; mirip dengan

prinsip inheritance pada

pemrograman berorientasi

objek; biasanya use case arah

panah menunjukan pada use

case yang dituju.

Relasi use case tambahan ke

sebuah use case dimana use case

yang ditambahkan memerlukan

use case ini untuk menjalankan

fungsinya atau sebagai syarat

dijalankan use case.

Extends

Include

29

3.7.2 Activity Diagram

Activity diagram menggambarkan berbagai alir aktivitas

dalam sistem yang sedang dirancang, bagaimana masing-masing alir

berawal, decision yang mungkin terjadi dan bagaimana mereka

berakhir. Activity diagram merupakan state diagram khusus, di mana

sebagian besar state adalah action dan sebagian besar transisi di

trigger oleh selesainya state sebelumnya (Sugiarti, 2013).

Adapun simbol-simbol yang digunakan dalam activity

diagram seperti ditunjukkan pada Tabel 3.2.

Tabel 3.2 simbol-simbol Activity Diagram (Sugiarti, 2013).


Start state Titik awal atau permulaan

End state Titik akhir atau akhir dariaktivitas

Activity Activity atau aktivitas yangdilakukan oleh actor

Decision Pilihan untuk mengambilkeputusan

Transition

Sebuah kejadian yangmemicu sebuah state objekdengan cara memperbaharuisatu atau lebih nilaiatributnya

State State dari system yangmencerminkan eksekusidari sistem

30

Tabel Lanjutan 3.2 simbol-simbol Activity Diagram (Sugiarti, 2013).

3.7.3 Sequence Diagram

Sequence Diagram menggambarkan kelakuan objek pada

use case dengan mendeskripsikan waktu hidup objek dan message

yang dikirimkan dan diterima antar objek. Oleh karena itu untuk

menggambarkan Sequence Diagram maka harus diketahui objek-

objek yang terlibat dalam sebuah use case beserta metode-metode

yang dimiliki kelas yang diinstansiasi menjadi objek itu. Membuat

Sequence Diagram juga dibutuhkan untuk melihat skenario yang ada

pada use case (Sugiarti, 2013).

Adapun simbol-simbol yang digunakan dalam Sequence

Diagram seperti ditunjukkan pada Tabel 3.3.


JoinUntuk menggabungkanbeberapa kegiatan secarapararel menjadi satu

Fork Menunjukan kegiatan yangdilakukan secara pararel

31

Tabel 3.3 Simbol-simbol dalam Sequence Diagram (Sugiarti, 2013).

.

3.7.4 Class Diagram

Class Diagram atau diagram kelas menggambarkan struktur

sistem dari segi pendefinisian kelas-kelas yang akan dibuat untuk

membangun system (Sugiarti, 2013).

Adapun simbol-simbol yang digunakan dalam Class

Diagram seperti ditunjukkan pada Tabel 3.4.


Actor Orang ataupun pihak yangakan mengelola system.

Garis Hidup /Lifeline

Menggambarkan sebuah objekdalam sebuah sistem atau salahsatu komponennya.

Control

Permodelan“perilakumengatur”

khusus untuk satu ataubeberapa use case saja.

Entity

Permodelan informasi yangharus disimpan oleh sistemyang memperlihatkan strukturdata dari suatu sistem.

Message

Mengindifikasikan urutankomunikasi yang terjadi antarobjek.

32

Tabel 3.4 Simbol-simbol dalam Class Diagram (Sugiarti, 2013).


ClassHimpunan dari objek-objekyang berbagi atribut sertaoperasi yang sama

Generalization

Garis yang melambangkankonsep pewarisan dari sautukelas ke satu atau lebih subkelas

........................ AssociationApa yang menghubungkanantara objek satu dengan objeklainnya

InterfaceSama dengan konsep interfasedalam pemprogramanberorientasi objek.

DirectedAssociation

Relasi antar kelas denganmakna kelas yang satudigunakan dengan kelas yanglain. Asosiasi biasanya jugadisertai denganMultiplycity.

Aggregation

Relasi antar kelas denganmakna kelas yang satudigunakan dengan kelas yanglain. Asosiasi biasanya jugadisertai denganMultiplycity.

3.8 Pengujian SistemPengujian sistem atau testing merupakan proses pengeksekusian

program untuk menemukan kesalahan-kesalahan yang terdapat di dalam

system, kemudian dilakukan pembenahan. Tahap ini merupakan tahap yang

penting dalam pengembangan sistem, karena dalam tahap ini merupakan

33

tahapan untuk memastikan bahwa suatu sistem terbebas dari kesalahan

(Mulyanto, 2009).

1. Pengujian Black-Box

Pengujian kotak hitam yaitu menguji perangkat lunak dari segi

spesifikasi fungsional tanpa menguji desain dan kode program.

Pengujian dimaksudkan untuk mengetahui apakah fungsi-fungsi,

masukan dan keluaran dari perangkat lunak sesuai dengan spesifikasi

yang dibutuhkan. Pengujian kotak hitam dilakukan dengan membuat

kasus uji yang bersifat mencoba semua fungsi dengan memakai

perangkat lunak apakah sesuai dengan spesifikasi yang dibutuhkan

(Rosa & Shalahuddin, 2013). Kasus uji yang dibuat untuk melakukan

pengujian kotak hitam harus dibuat dengan kasus benar dan kasus salah,

misalkan untuk kasus proses login maka kasus uji yang dibuat adalah:

1. Jika user memasukkan nama pemakai (username) dan kata sandi

(password) yang benar.

2. Jika user memasukkan nama pemakai (username) dan kata sandi

(password) yang salah, misalnya nama pemakai benar tapi kata

sandi salah, atau sebaliknya, atu keduanya salah.

2. Pengujian White-Box

Pengujian kotak putih yaitu, menguji perangkat lunak dari segi

desain dan kode program apakah mampu menghasilkan fungsi-fungsi,

masukan dan keluaran yang sesuai dengan spesifikasi kebutuhan.

Pengujian kotak putih dilakukan dengan memeriksa lojik dari kode

program. Pembuatan kasus uji bisa mengikuti standar pengujian dari

standar pemrograman yang seharusnya (Rosa & Shalahuddin, 2013).

Contoh dari pengujian kotak putih misalkan menguji alur (dengan

menelusuri) pengulangan (looping) pada logika pemrograman seperti

ilustrasi berikut:

34

Gambar 3.1 Pengujian Kotak Putih (Rosa & Shalahuddin, 2013)

Penghitungan CC (Cyclomatic Complexity).

CC dilambangkan dengan V(G).

Rumus penghitungan CC adalah :

V(G) = E – N + 2 atau

V(G) = P + 1

Dimana V(G) = Cyclomatic Complexity

Keterangan :

E = jumlah edge pada flowgraph

N = jumlah node pada flowgraph

P = jumlah predicate node pada flowgraph

35

BAB IVPERENCANAAN DAN ANALISA PERANCANGAN SISTEM

4.1 Perencanaan Sistem

Perencanaan sistem merupakan langkah pertama dalam proses

membangun sebuah sistem, karena dalam tahap perencanaan ini akan

ditentukan bentuk sistem yang akan dibangun sehingga dapat berfungsi

secara maksimal dan tidak melenceng dari tujuan awal dibuatnya sebuah

sistem. Oleh sebab itu perencanaan harus dilakukan secara matang, agar

sistem yang dihasilkan benar benar optimal.

Di dalam proses perencanaan ini, penulis menganalisis kebutuhan

hardware, software dan user untuk membangun sebuah sistem untuk

menentukan bantuan bedah rumah (RTLH) di kelurahan Krapyak dengan

menggunakan algoritma naïve bayes klasifikasi. Sistem ini nantinya akan

terkonsep secara sederhana sehingga memudahkan user dalam

menggunakannya.

4.2 Analisa Perancangan Sistem

Sistem untuk menentukan bantuan bedah rumah (RTLH ) di kelurahan

Krapyak dibuat menggunakan bahasa pemrograman PHP yang menggunakan

Framework Codeigniter 3.1.6 dan MySQL dan menggunakan algoritma naïve

bayes klasifikasi . Terdapat beberapa hardware dan software yang digunakan

untuk mendukung proses pembuatan sistem ini

4.2.1 Analisa Kebutuhan Hardware

Berikut adalah hardware dengan sepesifikasi minimum yang

dapat digunakan penulis untuk pembuatan sistem adalah sebagai

berikut :

36

a. Processor intel core i3 atau lebih tinggi.

b. Monitor 14” resolusi layar 1024x768 pixels.

c. Hardisk 500 GB atau lebih tinggi

d. RAM 4GB atau lebih tinggi

e. Keyboard

f. Mouse

g. Printer

h. Modem untuk koneksi internet.

4.2.2 Analisa Kebutuhan Software

Perangkat lunak yang dibutuhkan dalan membangun sistem

klasifikasi menggunakan algoritma naïve bayes sebagai berikut:

a. Sistem operasi windows 7 atau versi yang lebih tinggi (

windows 10 pro lebih direkomendasikan ).

b. Xampp V3.2.1.

c. Web browser (Mozila firefox, Crome, Internet Exproler,

dll).

d. Sublime text 3.

e. Framework CodeIgniter 3.1.6.

4.2.3 Analisis Kebutuhan UserUser merupakan sumber daya manusia yang mengendalikan

atau menggunakan aplikasi ini. User sebagai pengguna aplikasi

adalah para pengambil keputusan yang memiliki kemampuan untuk

dapat mengoperasikan aplikasi pada komputer. Dalam kasus ini

aplikasi dapat digunakan oleh bagian Kelurahan untuk nenentukan

siapa yang mendapatkan bantuan, Dinsos untuk persetujuan dana

yang akan dibuat untuk renovasi dan warga untuk mengecek status

pengajuan bantuan.

37

4.3 Identifikasi DataSebelum data diolah menggunakan sistem yang dirancang, dilakukan

metode pemrosesan data awal terlebih dahulu yaitu persiapan data seperti

pembersihan data, integrasi data, seleksi data, dan sebagainya. Setelah data

siap maka dapat dilakukan perhitungan klasifikasi menggunakan Algoritma

Naïve Bayes.

4.3.1 Persiapan Data

Adapun tahapan-tahapan yang harus dilalui dalam proses

data mining antara lain.

Untuk penelitian ini Cuma menggunakan 5 tahapan di data

mining sebagai berikut:

1. Seleksi Data (Data Selection)

Data yang ada pada database seringkali tidak semuanya dipakai.

Oleh karena itu, hanya data yang sesuai untuk dianalisis yang

akan diambil dari database. Data yang digunakan pada penelitian

ini yaitu Status bangunan, Jenis lantai, Jenis dinding, Kualitas

bangunan, Jenis atap, Kualitas atap, Sumber air dan Daya listrik.

2. Transformasi Data (Data Transformation)

Data diubah atau digabung ke dalam format yang sesuai untuk

diproses dalam data mining.

3. Proses Mining

Merupakan proses utama saat metode diterapkan untuk

menemukan pengetahuan berharga dan tersembunyi dari data.

Metode yang digunakan pada penelitian ini adalah klasifikasi

dengan algoritma Naïve Bayes yang berguna untuk

mengklasifikasi kelas-kelas atau kelompok nilai tertentu.

4. Evaluasi Pola (Pattern Evaluation)

Untuk mengidentifikasi pola-pola menarik ke dalam knowledge

base yang ditemukan, dilakukan evaluasi dari hasil perhitungan

yang telah dilakukan.

38

5. Presentasi Pengetahuan (Knowledge Presentation)

Merupakan visualisasi dan penyajian pengetahuan mengenai

metode yang digunakan untuk memperoleh pengetahuan yang

diperoleh pengguna.

4.3.2 Perhitungan Klasifikasi Menggunakan Algoritma Naïve Bayes

Tahap awal cara kerja proses perhitungan Naïve Bayes

adalah dengan melakukan pengambilan data latih (training) dari data

warga miskin di Kelurahan Krapyak. Adapun variabel penentu yang

digunakan dalam mengklasifikasikan data Penduduk yaitu:

1. Status Penguasaan Bangunan

Merupakan variable status bangunan yang di kelompokan dalam

dua kategori yaitu bebas sewa dan milik sendiri.

2. Jenis Lantai Terluas

Merupakan variabel jenis lantai yang di kelompokan menjadi

empat yaitu kramik, tanah, sementara/bata merah dan ubin.

3. Jenis Dinding Terluas

Merupakan variabel jenis dinding rumah yang di kelompokan

menjadi dua yaitu bambu dan tembok.

4. Kualitas bangunan

Merupakan variabel kualitas suatu bangunan apakah mudah

roboh atau kuat yang di kelompokan menjadi dua yaitu bagus

dan kualitas rendah.

5. Jenis Atap terluas

Merupakan variabel jenis atap suatu bangunan yang di

kelompokan menjadi tiga yaitu asbes, seng dan genteng.

6. Kualitas Atap

Merupakan variabel kualitas suatu atap apakah mudah roboh

atau kuat yang di kelompokan menjadi dua yaitu bagus dan

kualitas rendah.

39

7. Sumber air

Merupakan variabel sumber air yang di gunakan warga sehari-

hari dikelompokan menjadi tiga yaitu air isi ulang, ledeng

meteran dan sumur.

8. Daya Listrik

Merupakan variabel daya listrik yang di gunakan oleh warga

dalam kebutuhan listrik dan kelompokan menjadi tiga yaitu

450W, 900W dan 1300W.

Tabel 4.1 merupakan data latih yang siap digunakan untuk proses mining yaitu

sebanyak 70 record.No Nama Alamat Status

BangunanJenisLantai

JenisDinding

KualitasBangunan

JenisAtap

KualitasAtap

SumberAir

DayaListri

Status

1 Anisah BTRasnyad

Jl. HanomanVII RT 03RW 09

MilikSendiri

Tanah Bambu KualitasRendah

Seng KualitasRendah

Air IsiUlang

450W

Dapat

2 AriSupriastono

Jl. JulungWangi RT01 RW 05

BebasSewa

Ubin Tembok Bagus Asbes KualitasRendah

LedengMeteran

900W

TidakDapat

3 AriSupriyono


BebasSewa

Ubin Tembok Bagus Asbes KualitasRendah

Ledengmeteran

900W

TidakDapat

4 HeruWidiyanto


BebasSewa

Kramik Tembok Bagus Asbes KualitasRendah

Ledengmeteran

900W

TidakDapat

5 EdyDarmadi

Jl. Galangan48 RT 02RW 07

MilikSendiri

Kramik Tembok Bagus Genteng Bagus Ledengmeteran

900W

TidakDapat

6 Loso BinKaryodwoyo

Jl. HanomanVII RT 01RW 09

MilikSendiri

Sementara/batamerah

Bambu KualitasRendah

Seng KualitasRendah

Air Isiulang

450W

Dapat

7 HaryTriyanto

Jl. HanomanIX RT 02RW 09

MilikSendiri

Kramik Tembok Bagus Genteng Bagus Ledengmeteran

900W

TidakDapat

8 KresnaDewanta

Jl. SugriwoRT 05 RW03

MilikSendiri

Ubin Tembok KualitasRendah

Asbes KualitasRendah

Air Isiulang

450W

Dapat

9 NursanIskandar

Jl. JulungWangi No.247 RT 05RW 02

MilikSendiri

Sementara/batamerah

Tembok KualitasRendah

Asbes KualitasRendah

Ledengmeteran

900W

Dapat

--- --- --- --- --- --- --- --- --- --- --- ---70 Yanto Subali

Masjid RT02 RW 02

MilikSendiri

Ubin Tembok Bagus Genteng Bagus Air Isiulang

450W

TidakDapat

40

Berdasarkan tabel 4.1 dapat dihitung klasifikasi penentuan bantuan

apabila diberikan input berupa status penguasaan bangunan, jenis lantai

terluas, jenis dinding terluas, kualitas bangunan, jenis atap terluas, kualitas

atap, sumber air, daya listrik menggunakan algoritma Naïve Bayes. Tabel 4.2

merupakan contoh data uji (testing) yang akan dilakukan perhitungan.

Tabel 4.2 Contoh Data Uji

No.KK : 3374131412052493

1 Bambang

Prayitno

Jl.Subali

Masjid RT 2

RW 2

Milik

Sendiri

Ubin Tembok Kualitas

Rendah

Genteng Kualitas

Rendah

Air Isi

ulang

450 W ???

Apabila diberikan input baru, maka klasifikasi penentuan bantuan

RTLH dapat ditentukan melalui langkah berikut:

1. Menghitung jumlah class/label

P(Y = DAPAT) = 16/70 = 0.2286

(Jumlah “Dapat” pada data training di bagi dengan jumlah keseluruhan

data training).

P(Y = TIDAK DAPAT) = 54/70 = 0.7714

(Jumlah “Tidak Dapat” pada data training di bagi dengan jumlah

keseluruhan data training).

2. Menghitung jumlah kasus yang sama dengan class yang sama

P(Status Bangunan T. = Milik Sendiri | Y = DAPAT) = 16/16 = 1

P(Status Bangunan T. = Milik Sendiri | Y = TIDAK DAPAT) = 22/54 =

0.4074

P(Jenis Lantai T. = Ubin | Y = DAPAT) = 4/16 = 0.25

P(Jenis Lantai T. = Ubin | Y = TIDAK DAPAT) = 21/54 = 0.3889

P(Jenis Dinding T. = Tembok | Y = DAPAT) = 10/16 = 0.625

P(Jenis Dinding T. = Tembok | Y = TIDAK DAPAT) = 53/54 =0.9815

P(Kualitas Bangunan = Kualitas Rendah | Y = DAPAT) = 15/16 =

0.9375

41

P(Kualitas Bangunan = Kualitas Rendah | Y = TIDAK DAPAT) = 28/54

=0.5185

P(Jenis Atap T. = Genteng | Y = DAPAT) = 6/16 = 0.3750

P(Jenis Atap T. = Genteng | Y = TIDAK DAPAT) = 23/54 =0.4259

P(Kualitas Atap = Kualitas Rendah | Y = DAPAT) = 15/16 = 0.9375

P(Kualitas Atap = Kualitas Rendah | Y = TIDAK DAPAT) = 32/54

=0.5926

P(Sumber Air = Air Isi Ulang | Y = DAPAT) = 8/16 = 0.5

P(Sumber Air = Air Isi Ulang | Y = TIDAK DAPAT) = 18/54 =0.3333

P(Daya Listrik = 450 W | Y DAPAT) = 10/16 = 0.6250

P(Daya Listrik = 450 W | Y TIDAK DAPAT) = 16/54 = 0.2963

3. Menghitung semua hasil variabel Dapat dan Tidak Dapat

P(DAPAT) = P (Status Bangunan T. = Milik Sendiri | Y = DAPAT) x

P(Jenis Lantai T. = Ubin | Y = DAPAT) x P(Jenis Dinding

T. = Tembok | Y = DAPAT) x P(Kualitas Bangunan =

Kualitas Rendah | Y = DAPAT) x P(Jenis Atap T. =

Genteng | Y = DAPAT) x P(Kualitas Atap = Kualitas

Rendah | Y = DAPAT) x P(Sumber Air = Air Isi Ulang |

Y = DAPAT) x P(Daya Listrik = 450 W | Y DAPAT) x

P(Y = DAPAT)

= 1 x 0.25 x 0.6250 x 0.9375 x 0.3750 x 0.9375 x 0.5 x

0.6250 x 0.2286

= 0.00368

P(TIDAK DAPAT) = P(Status Bangunan T. = Milik Sendiri | Y =TIDAK DAPAT) x P(Jenis Lantai T. = Ubin | Y= TIDAK DAPAT) x P(Jenis Dinding T. =Tembok | Y = TIDAK DAPAT) x P(KualitasBangunan = Kualitas Rendah | Y = TIDAKDAPAT) x P(Jenis Atap T. = Genteng | Y =TIDAK DAPAT) x P(Kualitas Atap = KualitasRendah | Y = TIDAK DAPAT) x P(Sumber Air

42

= Air Isi Ulang | Y = TIDAK DAPAT) x P(Daya

Listrik = 450 W | Y TIDAK DAPAT) x P(Y =

TIDAK DAPAT)

= 0.4074 x 0.3889 x 0.9815 x 0.5185 x 0.4259 x

0.5926 x 0.3333 x 0.2963 x 0.7714

= 0.00155

Table 4.3 Hasil Perhitungan Semua Variabel untuk 1 Data Uji

No Variabel Hasil DAPAT Hasil TIDAK DAPAT

1 Status Bangunan T 1 0.4074

2 Jenis Lantai T 0.25 0.3889

3 Jenis Dinding T 0.6250 0.9815

4 Kualitas Bangunan 0.9375 0.5185

5 Jenis Atap T 0.3750 0.4259

6 Kualitas Atap 0.9375 0.5926

7 Sumber Air 0.5 0.3333

8 Daya Listrik 0.6250 0.2963

9 Jumlah Class / Label 0.2286 0.7714

Hasil Penghitungan (P) 0.00368 0.00155

1. Membandingkan hasil variabel “DAPAT dan TIDAK DAPAT”

dari penghitungan yang telah dilakukan, didapatkan hasil

P(DAPAT) = 0.00368 lebih besar dari P(TIDAK DAPAT) =

0.00155, maka label untuk data testing (data uji) tersebut adalah

“Dapat”.

Tabel 4.4 Hasil Perhitungan Contoh Data Uji

No.KK : 3374131412052493

1 BambangPrayitno

Jl.SubaliMasjid RT 2RW 2

Milik

Sendiri

Ubin Tembok Kualitas

Rendah

Genteng Kualitas

Rendah

Air Isi

ulang

450 W Dapat

43

4.4 Perancangan SistemPada bagian ini akan dijelaskan tentang gambaran sistem yang akan

dibangun, yaitu berupa Use Case Diagram, Activity Diagram, Class Diagram

dan Sequence Diagram.

4.4.1 Use Case Diagram

Use case diagram menampilkan actor, use case dan relasi

dalam sebuah sistem. Sebuah use case diagram akan

mempresentasikan interaksi antara pelaku dengan sistem.

Gambar 4.1 Use Case Diagram sistem penentuan bantuan bedah rumah di

Kelurahan Krapyak.

Penjelasan skenario Use Case :

1. Skenario Use Case Melakukan Login

Nama Use Case : Kelurahan / DINSOS

Deskripsi : Proses login admin merupakan proses

Masuk agar diizinkan mengakses dengan

memasukkan username dan password

yang telah divalidasi.

Pre - condition : Admin belum login ke dalam sistem

Post - condition : Admin dapat masuk ke sistem dan dapat mengakses

44

Tabel 4.5 Skenario Melakukan Login

Aksi aktor Reaksi Sistem

Alur untuk melakukan login

1. Admin masuk sistem dan

memilih menu login

2. Sistem menampilkan halaman

login

3. Admin mengisi username dan

password

4. Sistem akan melakukan validasi

data username dan password

2. Skenario Use Case Kelola data training

Nama Use Case : Kelola Data Training

Aktor : Admin (Kelurahan)

Deskripsi : Mengelola data training

Pre – condition : Admin harus sudah login ke sistem

Post – condition : Data training berhasil di kelola

Tabel 4.6 Skenario Use Case Kelola data Training

Aktor Sistem

1. Admin memilih menu data

training

2. Menampilkan halaman data

training

3. Admin memilih menu tambah

data

4. Admin menginput data dan

memililih simpan

45

Tabel 4.6 Skenario Use Case Kelola data Training(Lanjutan)

Aktor Sistem

5. Menyimpan dan menampilkan

data latih

Alternatif 1

1. Admin memilih menu edit

2. Admin mengupdate data dan

menyimpan

3. Menyimpan data training

Alternatif 2

1. Admin memilih menu hapus

2. Menghapus data training

3. Skenario Use Case Kelola Penentuan Bantuan (banyak data)

Nama Use Case : Kelola penentuan bantuan

Aktor : Admin (kelurahan)

Deskripsi : Mengelola data yang akan di klasifikasi


Post – condition : data berhasil di klasifikasi

Tabel 4.7 Skenario Use Case Kelola Penentuan Bantuan (Banyak data)

Actor Sistem

1. Admin memilih menu tentukan

bantuan

2. Admin memilih file excel

3. Mengimport file excel (.xlsx)

4. Admin menekan tombol prediksi

5. Memproses dan menampilkan

hasil prediksi

46

Tabel 4.7 Skenario Use Case Kelola Penentuan Bantuan (Lanjutan)

Actor Sistem

Alternatif 1

1. Admin menekan tombol simpan

2. Menyimpan data prediksi

Alternatif 2

1. Admin menekan tombol cancel

2. Data prediksi tidak tersimpan

dan kembali ke menu penentuan

bantuan

4. Skenario Use Case kelola penentuan bantuan (Individu)

Nama Use Case : Kelola penentuan bantuan


Deskripsi : Mengelola data yang akan di klasifikasi


Post – condition : data berhasil di klasifikasi

Tabel 4.8 Skenario Use Case Kelola Penentuan Bantuan (Individu)

Actor Sistem

1. Admin memilih menu hiung

idividu

2. Admin memasukan data yang

akan di prediksi ke form

3. Admin menekan tombol prediksi

4. Memproses dan menampilkan

hasil prediksi

Alternatif 1

1. Admin menekan tombol simpan

2. Menyimpan hasil prediksi

47

Tabel 4.8 Skenario Use Case Kelola Penentuan Bantuan (Lanjutan)

Actor Sistem

Alternatif 2

1. Admin menekan tombol reset

2. System mengosongkan form

yang sudah terisi data warga

5. Skenario Use Case Kelola Bantuan Sudah Proses

Nama Use Case : Kelola bantuan sudah proses


Deskripsi : Mengelola data yang sudah di klasifikasi


Post – condition : Data hasil klasifikasi berhasil di kelola

Tabel 4.9 Skenario Use Case Kelola Bantuan Sudah Proses

Actor Sistem

1. Admin memilih menu bantuan

sudah di proses

2. Menampilkan data pengajuan

yang sudah di klasifikasi

Alternatif 1

1. Admin menekan tombol cetak

yang berada di paling bawah

halaman

2. Mencetak semua data yang

sudah di proses

Alternatif 2


yang kolom action

48

Tabel 4.9 Skenario Use Case Kelola Bantuan Sudah Proses(Lanjutan)

Actor Sistem

Alternatif 2

2. Mencetak data sesuai data yang

di pilih

Alternatif 3

1. Admin menekan tombol edit

2. Admin mengedit dan memilih

tombol edit

3. Mengedit data warga yang

sudah di klasifikasi

Alternatif 3

1. Admin menekan menu hapus

2. Menghapus data klasifikasi

6. Skenario Use Case Kelola Data Admin

Nama Use Case : Kelola data admin

Aktor : Kelurahan / DINSOS

Deskripsi : Mengelola sumua data admin


Post – condition : Data admin berhasil di kelola

Tabel 4.10 Skenario Use Case Kelola Data Admin

Actor Sistem

1. Admin memilih menu admin

2. Admin memilih menu tambah

admin

3. Menampilkan Form admin baru

4. Admin menginput data dan pilih

simpan

49

Tabel 4.10 Skenario Use Case Kelola Data Admin (Lanjutan)

Actor Sistem

5. Menyimpan dan menampilkan

data admin

Alternatif 1

1. Admin memilih menu list data

admini

2. Menampilkan list admin

3. Admin menekan tombol hapus

4. Menampilkan notifikasi data

hapus

5. Data berhasil di dapus

Alternatif 2

1. Admin menekan nama admin

yang terdapat pada kanan atas

2. Menampilkan halaman profil

3. Isi form sesuai data yang ingin

di ubah

4. Data admin berhasil di ubah

7. Skenario Use Case Approve Bantuan

Nama Use Case : Approve Bantuan

Aktor : DINSOS

Deskripsi : Approve bantuan yang sudah di prediksi Kelurahan


Post – condition : Data bantuan berhasil di approve

50

Tabel 4.11 Skenario Use Case Approve Bantuan

Actor Sistem

1. Admin memilih menu Approve

Bantuan

2. Tampil data pengajuan yang

belum di approve

3. Admin menekan tombol approve

4. Tampil popup modal approve

5. Input form approve kemudian

nemekan tombol approve

6. Bantuan berhasil di approve

7. Data bantuan di pindahkan ke

menu sudah approve

8. Skenario Use Case Kelola Warga Dapat Bantuan

Nama Use Case : Kelola Warga Dapat Bantuan

Aktor : DINSOS

Deskripsi : Mengelola data warga dapat bantuan


Post – condition : Data warga dapat bantuan berhasil di kelola

Tabel 4.12 Skenario Use Case Kelola Warga Dapat Bantuan

Actor Sistem

1. Admin memilih menu list warga

dapat bantuan

2. Tampil data warga yang

mendapat bantuan

Alternatif 1


51

Tabel 4.12 Skenario Use Case Kelola Warga Dapat Bantuan (Lanjutan)

Aktor Sistem

2. Menampilkan Data warga dapat

bantuan yang akan di cetak

Alternativ 2


sesuai data warga yang akan di

cetak

2. Menampilkan data yang akan di

cetak

Alternatif 3

1. Admin menekan tombol hapus

2. Nenampilkan pesan apakah

yakin data akan di hapus

3. Admin menekan tombol ok

4. Data berhasil di hapus

9. Skenario Use Case Cek Pengajuan Bantuan

Nama use case : Cek Pengajuan Bantuan

Aktor : Warga

Deskripsi : Proses ini adalah kegiatan untuk mengecek

ststus data warga yang mengajukan bantuan

Pre – condition : warga masuk ke halaman web pengecekan

status

Post – condition : Tampil status pengajuan bantuan

Tabel 4.13 Skenario Use Case Cek Pengajuan Bantuan

Actor Sistem

1. Warga menekan tombol cek

status bantuan

52

Tabel 4.13 Skenario Use Case Cek Pengajuan Bantuan (Lanjutan)

Aktor Sistem

2. Menampilkan form pencarian

3. Memasukan No. KK

4. Menampilkan hasil pencarian

10. Skenario Use Case Cetak Detail Pengajuan Bantuan

Nama use case : Cetak Detail Pengajuan Bantuan

Aktor : Warga

Deskripsi : Proses ini adalah kegiatan untuk mencetak

detail penilaian bantuan

Pre – condition : Warga masuk ke halaman web detail penilaian

Post – condition : Tampil data yang akan di cetak

Tabel 4.14 Skenario Use Case Cetak Detail Pengajuan Bantuan

Aktor Sistem

1. Warga masuk ke halaman cek

status

2. Warga menekan cetak

3. Menampilkan data yang akan di

cetak

11. Skenario Use Case Melakukan Logout

Nama Use Case : Melakukan Logout

Aktor : Admin Kelurahan / DINSOS

Deskripsi : Proses logout merupakan proses untuk

keluar dari aplikasi

Pre – Condition : Admin sudah login ke dalam aplikasi

Post – Condition : Admin berhasil keluar dari aplikasi

53

Tabel 4.15 Skenario Melakukan Logout

Aksi Aktor Reaksi Sistem

Alur untuk keluar dari system

1. Admin memilih menu logout

2. Sistem merespon dan

memverifikasi

3. Sistem melakukan logout

4.4.2 Activity Diagram

Activity diagram menggambarkan rangkaian aliran dari

aktivitas yang dapat digunakan untuk mendeskripsikan aktivitas yang

dibentuk dalam suatu operasi sehingga dapat juga digunakan untuk

aktivitas yang lain seperti use case atau interaksi. Aktivitas

merupakan bentuk khusus dari keadaan dimana aktivitas

menggambarkan kegiatan yang dilakukan. Berikut ini adalah activity

diagram yang berjalan pada Sistem Penentuan Bantuan Bedah Rumah

(RTLH) di Kelurahan Krapyak.

1. Activity Diagram Melakukan Login

Berikut adalah gambar Activity Diagram Melakukan Login ditunjukkan

pada Gambar 4.2

Gambar 4.2 Activity Diagram melakukan Login

54

2. Activity Diagram Mengelola Data Training

Berikut adalah gambar Activity Diagram Mengelola Data Training

ditunjukkan pada Gambar 4.3

Gambar 4.3 Activity Diagram Mengelola Data Training

3. Activity Diagram Melakukan Logout

Berikut adalah gambar Activity Diagram Melakukan Logout ditunjukkan

pada Gambar 4.4

Gambar 4.4 Activity Diagram Melakukan Logout

55

4. Activity Diagram Mengelola Penentuan Bantuan Banyak data dan

Individu. Berikut adalah gambar Activity Diagram Mengelola penentuan

bantuan pada Gambar 4.5

Gambar 4.5 Activity Diagram Mengelola Penentuan Bantuan Banyak data

dan Individu

56

5. Activity Diagram Mengelola Bantuan Sudah Proses

Berikut adalah gambar Activity Diagram Mengelola bantuan sudah

proses ditunjukkan pada Gambar 4.6

Gambar 4.6 Activity Diagram Mengelola Bantuan Sudah Proses

6. Activity Diagram Mengelola Approve Bantuan

Berikut adalah gambar Activity Diagram Mengelola approve bantuan


Gambar 4.7 Activity Diagram Approve Bantuan

57

7. Activity Diagram Mengelola Data Warga Dapat Bantuan

Berikut adalah gambar Activity Diagram Mengelola data dapat bantuan


Gambar 4.8 Activity Diagram Mengelola Data Warga Dapat Bantuan

58

8. Activity Diagram Cek Status Bantuan dan Cetak Detail pengajuan

Berikut adalah gambar Activity Diagram cek status bantuan ditunjukkan

pada Gambar 4.9

Gambar 4.9 Activity Diagram Cek Status Bantuan dan Cetak Detail pengajuan

4.4.3 Sequence Diagram

Sequence diagram berisi gambaran dari urutan kejadian

suatu kegiatan. Menggambarkan kelakuan objek pada use case dengan

mendeskripsikan waktu hidup objek dan pesan yang dikirimkan dan

diterima antar objek.

59

1. Sequence Diagram Login

Berikut adalah gambar Sequence Diagram Login ditunjukkan pada

Gambar 4.10

Gambar 4.10 Sequence Diagram Login

2. Sequence Diagram Mengelola Logout

Berikut adalah gambar Sequence Diagram Logout ditunjukkan pada

Gambar 4.11

Gambar 4.11 Sequence Diagram Logout

60

3. Sequence Diagram Kelola Data Training

Berikut adalah gambar Sequence Diagram kelola data training


Gambar 4.12 Sequence Diagram Kelola Data Training

61

4. Sequence Diagram Mengelola Penentuan Bantuan Banyak data dan

Individu

Berikut adalah gambar Sequence Diagram mengelola bantuan banyak

data dan individu ditunjukkan pada Gambar 4.13

Gambar 4.13 Sequence Diagram Mengelola Penentuan Bantuan Banyak data dan

Individu

62

5. Sequence Diagram Mengelola Bantuan Sudah Proses

Berikut adalah gambar Sequence Diagram mengelola bantuan sudah

proses ditunjukkan pada Gambar 4.14

Gambar 4.14 Sequence Diagram Mengelola Bantuan Sudah Proses

63

6. Sequence Diagram Mengelola Approve Bantuan

Berikut adalah gambar Sequence Diagram approve bantuan ditunjukkan

pada Gambar 4.15

Gambar 4.15 Sequence Diagram Mengelola Approve Bantuan

7. Sequence Diagram Mengelola Data Warga Dapat Bantuan

Berikut adalah gambar Sequence Diagram mengelola warga dapat

bantuan ditunjukkan pada Gambar 4.16

Gambar 4.16 Sequence Diagram Mengelola Data Warga Dapat Bantuan

64

8. Sequence Diagram Cek Status Bantuan dan Cetak Detail pengajuan

Berikut adalah gambar Sequence Diagram cek status bantuan detail

pengajuan ditunjukkan pada Gambar 4.17

Gambar 4.17 Sequence Diagram Cek Status Bantuan dan Cetak Detail pengajuan

65

4.4.4 Class Diagram

Berikut adalah gambar Class Diagram ditunjukkan pada Gambar 4.18

Gambar 4.18 Class Diagram

4.5 Perancangan DatabaseFungsi dari suatu perancangan database adalah untuk menampung

beberapa tabel yang digunakan sebagai sumber pengolahan data.

Perancangan database akan memberikan gambaran mengenai pembuatan

tabel didalam database beserta atribut – atributnya. Berikut adalah nama –

nama tabel yang digunakan beserta field – field yang terdapat pada masing –

masing tabel.

4.5.1 Perancangan Tabel AdminTabel ini berfungsi untuk menyimpan username dan password

admin yang digunakan saat login admin. Berikut adalah perancangan

tabel admin:

66

Tabel 4.16 Perancangan Tabel Admin

Field Tipe Data Keterangan

id Int (11) Primary Key (Auto increment)

username Varchar (15) Nama admin untuk login

password Varchar (256) Sandi intuk login

nama Varchar (50) Nama lengkap admin

email Varchar (25) Email admin

foto Varchar (255) Foto admin

role Varchar (20) Jabatan admin

level Int (1) Hak akses admin

4.5.2 Perancangan Tabel Data TrainingTabel data_training digunakan untuk menyimpan data latih

(training) yang akan dijadikan acuan dalam perhitungan klasifikasi

dengan field id sebagai primary key. Berikut rancangan perancangan

tabel data_training.

Tabel 4.17 Perancangan Tabel Data Training


id Int (11) Primary key (auto increment)

nama Varchar (35)

alamat Varchar (20)

status_penguasaan_b Varchar (25)

jenis_dinding_terluas Varchar (10)

kualitas_bangunan Varchar (20)

jenis_atap_terluas Varchar (15)

kualitas_atap Varchar (20)

sumber_air Varchar (20)

daya_listrik Varchar (10)

status Varchar (15)

67

4.5.3 Perancangan Tabel Hasil TestingTabel hasil_testing digunakan untuk menyimpan data bantuan

yang sudah di klasifikasi sehingga warga bisa mengecek status

bantuan.

Tabel 4.18 Perancangan Tabel Hasil Testing


no_kk Bigint (18) Primary key

nama Varchar (50)

alamat Varchar (80)

status_bangunan Varchar (15)

jenis_lantai Varchar (20)

jenis_dinding Varchar (10)

kualitas_bang Varchar (20)

jenis_atap Varchar (15)

kualitas_atap Varchar (20)

sumber_air Varchar (20)

daya_listrik Varchar (10)

hasil_dapat Double

hasil_tdapat Double

hasil_prediksi Varchar (20)

tahun YEAR(4)

4.5.4 Perancangan Tabel ApproveTabel approve digunakan untuk menyimpan data bantuan yang

sudah di approve sehingga warga bisa mengecek status bantuan.

Tabel 4.19 Perancangan Tabel Approve


id_approve Int(11) Primary key (auto increment)

no_kk Bigint(18) Foreign key

Status_approved Int(1)

68

Tabel 4.19 Perancangan Tabel Approve (Lanjutan)


Tgl_renovasi Varchar(10)

keterangan Varchar(200)

4.6 Perancangan Antarmuka (User Interface)

Perancangan antarmuka merupakan gambaran dari tampilan masing -

masing menu atau alur sistem yang akan digunakan pada sistem penentuan

bantuan bedah rumah (RLTH) di Kelurahan Krapyak. Berikut ini merupakan

rancangan antarmuka.

1. Rancangan Halaman Utama Cek Status

Merupakan halaman yang di pakai client / warga untuk mengetahui status

bantuan yang di ajukan. Gambar 4.19 merupakan tampilan rancangan cek

status pengajuan bantuan.

Gambar 4.19 Cek Status Bantuan

69

2. Rancangan Halaman Form Cek Status Bantuan

Gambar 4.20 Form Cek status bantuan

3. Rancangan Hasil Cek Status Bantuan

Halaman ini di gunakan unruk menampilkan hasil pencarian bantuan yang

sedang di cek warga. Gambar 4.21 merupakan tampilan rancangan hasil

cek status pengajuan bantuan.

Gambar 4.21 Rancangan Hasil Cek Status Bantuan

70

4. Perancangan Hasil Cetak Status Bantuan Untuk Warga

Hasil cetak ini di gunakan untuk bukti jika dibutuhkan. Gambar 4.22

merupakan tampilan rancangan hasil cek status pengajuan bantuan.

Gambar 4.22 Rancangan Hasil Cetak Datail Pengajuan Bantuan

5. Rancangan Halaman Login

Merupakan halaman yang digunakan admin untuk melakukan login ataumasuk ke menu sistem. Gambar 4.23 merupakan tampilan rancanganhalaman Login.

71

Gambar 4.23 Rancangan Login

6. Rancangan Halaman Data Training

Gambar 4.24 merupakan tampilan rancangan halaman Data Training.

Gambar 4.24 Rancangan halaman Data Training.

72

7. Rancangan Halaman Import Data

Merupakan halaman untuk melakukan penambahan data uji (testing)

dengan mengimport data dengan format file .xlsx seperti ditunjukkan

Gambar 4.25

Gambar 4.25 Rancangan halaman untung klasifikasi banyak data.

8. Rancangan Halaman Hitung

Merupakan halaman untuk melakukan perhitungan klasifikasi data

tunggal seperti ditunjukkan Gambar 4.26

Gambar 4.26 Perhitungan atau penentuan dengan data tunggal

73

9. Rancangan Halaman Data Sudah Selesai Klasifikasi

Data warga yang sudah di klasifikasi kemudian tersimpan akan tampil di

halaman ini. Merupakan halaman untuk data sudah di proses Gambar 4.27

Gambar 4.27 Peancangan halaman data sudah diproses

10. Perancangan Halaman Cetak Laporan Di Kelurahan

Gambar 4.28 merupakan perancangan cetak laporan untuk arsip data

kelurahan.

Gambar 4.28 Perancangan cetak laporan untuk arsip data kelurahan

74

11. Perancangan Approve DINSOS

Halaman ini digunakan untuk proses persetujuan dana bantuan dan untuk

menentukan tanggal sosialisasi dan tanggal dimulainya renovasi. Gambar

4.29 merupakan perancangan approve bantuan.

Gambar 4.29 Perancangan halaman approve bantuan

12. Perancangan Halaman Daftar Warga Sudah Approve

Gambar 4.30 merupakan perancangan list bantuan sudah approve .

Gambar 4.30 Perancangan halaman data bantuan sudah diapprove

75

13. Perancangan Cetak laporan DINSOS

Gambar 4.31 merupakan perancangan cetak laporan untuk arsip data

DINSO.

Gambar 4.31 Perancangan halaman cetak laporan DINSOS

14. Rancangan Halaman Tambah Admin

Merupakan halaman untuk menambah data admin dengan menginputkanbeberapa data seperti ditunjukkan Gambar 4.32

76

Gambar 4.32 Perancangan halaman tambah admin

15. Rancangan Halaman Admin List

Halaman admin list berisi daftar admin yang dapat melakukan login pada

sistem penentuan bantuan seperti ditunjukkan pada Gambar 4.33

Gambar 4.33 Perancangan halaman list data amin

77

BAB VIMPLEMENTASI SISTEM

Implementasi sistem bertujuan untuk menerapkan modul-modul yang telah

dibuat pada tahap perancangan sistem ke dalam kondisi nyata yaitu sistem

penentuan bantuan bedah rumah (RTLH) di Kelurahan Krapyak.

5.1 Implementasi User Interface

Pada bagian ini akan dibahas mengenai implementasi user interface

yang telah dirancang pada bab sebelumnya. Sistem ini terdiri dari 3 aktor

yaitu warga, admin kelurahan, admin DINSOS. Pada halaman untuk publik

atau warga, warga bisa mengecek status bantuan dan informasi-informasi

tentang sistem, pada halaman admin kelurahan digunakan untuk menentukan

dan mengklasifikasi data warga yang akan mendapatkan bantuan, pada

halaman admin DINSOS digunakan untuk approve bantuan, menentukan

tanggal sosialisasi dan menentukan tanggal mulai di renovasi.

5.1.1 Halaman Utama Cek StatusMerupakan halaman yang di pakai client / warga untuk

mengetahui status bantuan yang di ajukan oleh warga. Gambar 5.1

merupakan tampilan cek status pengajuan bantuan.

78

Gambar 5.1 Halaman Utama Cek Status

5.1.2 Halaman Form Cek Staus Bantuan

Halaman ini menampilkan form modal yang berisi textbok

untuk memasukan nomer KK untuk mengecek status berdasarkan

nomer KK. Gambar 5.2 merupakan tampilan form modal cek status

pengajuan bantuan.

Gambar 5.2 Halaman Form Modal Cek Status

79

5.1.3 Halaman Hasil Pengecekan Status BantuanHalaman ini berisi tentang informasi status warga yang telah

mengajukan bantuan. Gambar 5.3 merupakan tampilan tabel detail

status pengajuan bantuan.

Gambar 5.3 Halaman Detail Pegecekan Status Bantuan

5.1.4 Halaman Cetak Detail Penentuan BantuanHasil cetak ini di gunakan untuk bukti jika dibutuhkan.

Gambar 5.4 merupakan tampilan hasil cek status pengajuan bantuan.

Gambar 5.4 Hasil Cetak Laporan Untuk Warga

80

5.1.5 Halaman Dashboard Admin KelurahanHalaman ini Admin bisa mengetahui data yang sudah di

klasifikasi, jumlah hasil dapat dan hasil tidak dapat. Gambar 5.5

merupakan tampilan halaman dashboard.

Gambar 5.5 Halaman Daashboard Admin Kelurahan

5.1.6 Halaman Data Training

Halaman Data Training yang menampilkan data Training dalam

bentuk tabel. Pada halaman ini terdapat menu untuk menambah,

mengedit, dan menghapus data training atau data latih. Gambar 5.6

merupakan tampilan data training.

Gambar 5.6 Halaman Data Training

81

5.1.7 Halaman Penentuan Bantuan (Import)Halaman ini digunakan untuk mengklasifikasi dengan data

banyak sesuai data yang berada di file excel. Gambar 5.7 merupakan

tampilan untuk menentukan bantuan atau klasifikasi dengan data

berupa file .xlsx.

Gambar 5.7 Halaman Penentuan Dengan Menggunakan File .xlsx

5.1.8 Halaman Penentuan Bantuan Data TunggalMenu Hitung Individu berfungsi untuk melakukan perhitungan

klasifikasi data tunggal. Penggunannya dengan mengisikan data ke

form, kemudian memilih tombol prediksi. Gambar 5.8 merupakan

tampilan untuk menentukan bantuan dengan data tunggal.

Gambar 5.8 Halaman Penentuan Data Tunggal Individu

82

5.1.9 Halaman Data Warga Sudah Selesai KlasifikasiHalaman ini berfungsi sebagai tempat menampilkan semua data

pengajuan yang sudah di klasifikasi dengan data tunggal maupun yang

melalui import excel. Gambar 5.9 merupakan halaman data sudah di

proses klasifikasi.

Gambar 5.9 Halaman Data Sudah Proses Klasifikasi

5.1.10 Hasil Cetak Laporan Kelurahan

Tampilan hasil cetak laporan semua data yang sudah di

klasifikasi untuk arsip Kelurahan. Gambar 5.10 merupakan hasil cetak

laporan data yang sudah diklasifikasi.

Gambar 5.10 Tampilan Hasil Cetak Laporan Bantuan Di Kelurahan

5.1.11 Hasil Cetak Laporan Kelurahan Data Tunggal Atau IndividuTampilan hasil cetak laporan perindividu yang sudah di

klasifikasi untuk arsip Kelurahan. Gambar 5.11 merupakan hasil cetak

laporan data per individu.

83

Gambar 5.11 Tampilan Hasil Cetak Laporan Bantuan Di Kelurahan

Perorangan

5.1.12 Tampilan Dashboard Admin DINSOSHalaman ini Admin bisa mengetahui data yang sudah masuk ke

sistem DINSOS , mengetahui jumlah data bantuan yang belum

diapprove dan sudah. Gambar 5.12 merupakan tampilan halaman

dashboard DINSOS.

84

Gambar 5.12 Halaman Daashboard Admin DINSOS

5.1.13 Tampilan Halaman Approve

Halaman ini digunakan untuk approve bantuan yang sudah

masuk. Menentukan kapan tanggal sosialisasi dan tanggal renovasi

rumah yang mendapatkan bantuan. Gambar 5.13 merupakan tampilan

halaman approve bantuan.

Gambar 5.13 Tampilan Halaman Approve Bantuan

Gambar 5.14 Tampilan Form Approve Bantuan

85

5.1.14 Tampilan List Warga Dapat BantuanHalaman ini menampilkan data yang sudah di approve

dihalaman ini juga terdapat menu cetak laporan dan hapus data.

Gambar 5.15 merupakan tampilan halaman data bantuan sudah

approved.

Gambar 5.15 Tampilan Halaman Data Bantuan approved.

5.1.15 Hasil Cetak Laporan DINSOS

Tampilan hasil cetak laporan semua data yang sudah di approve.

Gambar 5.16 merupakan hasil cetak laporan data yang sudah di

approve.

Gambar 5.16 Cetak Laporan Data Sudah Di Approve

86

5.1.16 Hasil Cetak Laporan DINSOS Per IndividuTampilan hasil cetak laporan per individu yang sudah di

approve untuk arsip Dinsos. Gambar 5.17 merupakan hasil cetak

laporan data per individu.

Gambar 5.17 Hasil Cetak Laporan DINSOS Data Per Individu

5.2 Implementasi Database

Implementasi database dalam system penentuan bantuan bedah rumah

(RTLH) di Kelurahan Krapyak terdiri dari 4 tabel, yaitu tabel admin, tabel

data_training, tabel hasil_testing dan table approve.

87

5.2.1 Tabel adminTabel admin berisi data-data admin yang digunakan untuk

masuk ke sistem.

Gambar 5.18 Tabel admin

5.2.2 Tabel data_training

Tabel data_training berisi data dataset (training) yang

digunakan sebagai acuan perhitungan klasifikasi sistem penentuan

bantuan bedah rumah (RTLH).

Gambar 5.19 Tabel data_training

5.2.3 Tabel hasil_testing

Tabel ini digunakan untuk tempat menyimpan data yang sudah

diklasifikasi.

88

Gambar 5.20 Tabel hasil_testing

5.2.4 Tabel ApproveTabel ini digunakan untuk tempat menyimpan data yang sudah

di Approve.

Gambar 5.21 Tabel Approve

5.3 Implementasi Perhitungan Klasifikasi

Pada bab sebelumnya telah dilakukan perhitungan klasifikasi

menggunakan 70 record data training dan 10 record data uji. Perhitungan

tersebut digunakan sebagai acuan untuk perhitungan data uji lainnya. Pada

bagian ini akan dibahas mengenai implementasi perhitungan klasifikasi

penentuan bantuan bedah rumah (RTLH) di Kelurahan Krapyak dengan

algoritma Naïve Bayes pada perhitungan manual data uji dan perhitungan

pada sistem.

5.3.1 Penghitungan Manual Untuk Menguji Hasil Dengan sistemUntuk menguji hasil data testing dengan hasil dari sistem

menggunakan 10 record yang kemudian dihitung manual dan

89

dibandingkan dengan hasil yang di peroleh dari sistem. Berikut adalah

gambar 5.22 merupakan tabel data testing.

Gambar 5.22 Data Testing

Table 5.1 merupakan table hasil perhitungan manual menggunakan

algoritma naïve bayes klasifikasi.

Hasil perhitungan klasifikasi data uji menggunakan excel atau manual

yang akan dicocokan nilai probabilitasnya dengan penghitungan

dengan sistem.

Tabel 5.1 Hasil Perhitungan Klasifikasi Data Uji

No No. KK Nama Nilai Probabilitas KesimpulanDapat Tidak Dapat1 3374131412052490 BAMBANG PRAYITNO 0,00368 0,00155 Dapat2 3374131312053980 ZAINAL ABIDIN 0,00000 0,00130 Tidak Dapat3 3374131212057300 REKNO 0,00034 0,00278 Tidak Dapat4 3374131412057300 BASIR 0,00000 0,00065 Tidak Dapat5 3374131512057890 RASMIDJAN 0,00000 0,00246 Tidak Dapat6 3374131412050750 SOEDADI 0,00000 0,00142 Tidak Dapat7 3374131612055320 AKHMAD USMAN 0,00843 0,00129 Dapat8 3374022109645360 ACHMAD BARATA 0,00000 0,00028 Tidak Dapat9 3374131412052490 DELTA VIRGONITA 0,00000 0.00317 Tidak Dapat10 3374131512050550 WASTODI 0,00607 0,00002 Dapat

5.3.2 Pengujian Data Testing Menggunakan SistemGambar 5.23 memperlihatkan hasil yang di klasifikasi menggunakan

sistem yang mengambil dari data testing yang sudah disiapkan yaitu

“data latih untuk uji.xlsx” yang selanjutnya akan di tampilkan pada

halaman prediksi penerima bantuan. Berikut adalah hasil perediksi

nilai probabilitas dari sistem.

90

Gambar 5.23 Hasil Klasifikasi Dengan Sistem

Pada gambar 5.23 menunjukan penghitungan menggunakan sistem

kemudian dibandinggkan nilai probabilitasnya dengan penghitungan

manual, didapatkan hasil nilai probabilitasnya sama dengan hasil

probabilitas disistem dan mendapatkan label 7 record dengan hasil

tidak dapat dan 3 record dengan hasil dapat. Bisa disimpulkan bahwa

hasil perhitungan probabilitas manual dengan sistem hasilnya sama.

Berikut adalah Perhitungan akurasi membandingkan hasil sebenarnya

dengan hasil dari sistem.

HasilAktual

Hasil KlasifikasiDapat Tidak Dapat

Dapat 3 0

Tidak Dapat 0 7

TP

TNTP

FNTP

FPTP

91

Presisi = = = 1 x 100% = 100 %

Recall = = = 1 x 100% = 100 %

Akurasi = = = =1 x 100% = 100 %

Jadi akurasi yang di dapat adalah 100%

Kemudian di uji dengan menggunakan Rapidminer diperoleh hasil seperti di

tunjukan pada gambar 5.24

Gambar 5.24 Hasil Perhitungan akurasi menggunakan Rapidminer

Pada gambar 5.24 diperoleh hasil:

Presisi: 100%

Recall: 100%

Akurasi: 100%

5.4 Pengujian SistemPengujian sistem merupakan proses pengujian sistem perangkat keras

dan lunak untuk menentukan apakah sistem tersebut cocok dan sesuai dengan

yang diinginkan penguji. Pengujian dilakukan dengan melakukan percobaan

untuk melihat kemungkinan kesalahan yang terjadi dari setiap proses.

Adapun pengujian yang digunakan adalah Black Box. Pengujian Black

Box yaitu menguji perangkat dari segi sepesifikasi fungsional tanpa menguji

design dan code program. Pengujian dimaksudkan untuk mengetahui apakah

fungsi-fungsi sudah berjalan sesuai dengan keinginan. Dalam melakukan

92

pengujian, tahapan yang dilakukan adalah melakukan pengujian di fungsi

penentuan bantuan dengan banyak data.

5.4.1 Pengujian Black Box

Pengujian black box dilakukan untuk memastikan masukan

(input) akan menjalankan proses yang tepat dan menghasilkan

keluaran (output) yang sesuai dengan rancangan.

1. Pengujian Halaman Tentukan Bantuan

Berikut adalah tabel pengujian menu tentukan bantuan dengan

banyak data.

Tabel 5.2 Pengujian menu tentukan bantuan

Skenario Uji Hasil Yang Diharapkan HasilAktual

Kesimpulan

Pilih menu

tentukan bantuan

Sistem akan menampilkan

halaman untuk menentukan

bantuan yang memiliki

tombol download format,

pilih file excel dan prediksi

Sesuai Valid

Menekan tombol

download format

Sistem akan mendownload

file excel yang isinya format

tabel untuk menentukan

bantuan

Sesuai Valid

Tidak memilih

file excel

kemudian

menekan tombol

prediksi


pesan “You did not select a

file to upload”

Sesuai Valid

93

Tabel 5.2 Pengujian menu tentukan bantuan (Lanjutan)

Skenario Uji Hasil Yang Diharapkan HasilAktual

Kesimpulan

Memilih tombol

prediksi


tabel hasil prediksi sesuai

data yang ada di file excel

Sesuai Valid

Memilih tombol

cencel

Sistem akan mereset

tampilan sesuai tampilan

awal halaman tentukan

bantuan

Sesuai Valid

Memilih tombol

simpan


pesan / alert data prediksi

berhasil disimpan

Sesuai Valid

2. Pengujian Halaman Login

Tabel 5.3 Pengujian Halaman Login

Skenario Uji Hasil Yang

Diharapkan

Hasil

Aktual

Kesimpulan

Mengosongkan textfield

Username dan Password,

lalu memilih tombol Login

Sistem akan menolak

akses login Sesuai

Sesuai Valid

Hanya mengisi textfield

Username, lalu memilih

tombol Login

Sistem akan menolak

akses login

Sesuai Valid

Hanya mengisi textfield

Password, lalu memilih

tombol Login

Sistem akan menolak

akses login

Sesuai Valid

94

Tabel 5.3 Pengujian Halaman Login (Lanjutan)

Skenario Uji Hasil YangDiharapkan

HasilAktual

Kesimpulan

Mengisi textfield

Username dan Password

tidak sesuai dengan

database, lalu memilih

tombol Login

Sistem akan menolak

akses login dan

menampilkan pesan

“Username atau

password salah”

Sesuai Valid

Mengisi textfield

Username dan Password

sesuai dengan database,

lalu memilih tombol

Login

Sistem akan

menerima akses login

dan menampilkan

halaman dashboard

seseai admin yang

login

Sesuai Valid

3. Pengujian Menu Data Training

Tabel 5.4 Pengujian Menu Data Training


Diharapkan

Hasil

Aktual

Kesimpulan

Pilih tombol Tambah

Data

Sistem akan

menampilkan form

modal tambah data

Sesuai Valid

Pilih icon Edit Sistem akan

menampilkan form

modal edit

Sesuai Valid

Pilih icon Delete Sistem akan

menampilkan alert

hapus data dan

kemudian data

terhapus

Sesuai Valid

95

4. Pengujian Halaman Hitung Individu

Tabel 5.5 Pengujian Halaman Hitung Individu


Diharapkan

Hasil

Aktual

Kesimpulan

Pilih Menu Hitung Sistem akan

menampilkan form

perhitungan individu

Sesuai Valid

Isikan form sesuai

kriteria kemudian pilih

prediksi

Sistem akan

menampilkan hasil

prediksi

Sesuai Valid

Pilih tombol simpan Sistem akan

menyimpan data dan

menampilkan alert

data tersimpan

Sesuai Valid

Pilih tombol reset Sistem akan

mengosongkan form

Sesuai Valid

5. Pengujian Halaman Data Sudah diklasifikasi

Tabel 5.6 Pengujian Halaman Data Sudah diklasifikasi


HasilAktual

Kesimpulan

Pilih tombol cetak Sistem akan

menampilkan priview

hasil cetak semua data

Sesuai Valid


menampilkan alert

hapus data dan

kemudian data

terhapus

Sesuai Valid

96

Tabel 5.6 Pengujian Halaman Data Sudah diklasifikasi (Lanjutan)


HasilAktual

Kesimpulan

Pilih icon edit Sistem akan modal

form edit

Sesuai Valid

Pilih icon cetak Sistem akan

menampilkan priview

hasil cetak

berdasarkan record

Sesuai Valid

6. Pengujian Halaman Tambah Admin

Tabel 5.7 Pengujian Halaman Tambah Admin


HasilAktual

Kesimpulan

Mengisikan username yang

sudah ada

Sistem akan

menapilkan pesan

username sudah

dipakai

Sesuai Valid

Mengisikan email yang

sudah ada

Sistem akan

menapilkan pesan

email sudah dipakai

Sesuai Valid

Mengisikan password yang

tidak sama dengan

password awal

Sistem akan

menapilkan pesan

password harus sama

Sesuai Valid

Semua form terisi dengan

benar

Sistem menyimpan

data admin baru

Sesuai Valid

97

7. Pengujian List Data Admin

Tabel 5.8 Pengujian List Data Admin


Diharapkan

Hasil

Aktual

Kesimpulan

Pilih tombol list data

admin

Sistem akan

menampilkan data

admin sesuai data yang

login

Sesuai Valid


menampilkan alert

hapus data dan

kemudian data

terhapus

Sesuai Valid

8. Pengujian Halaman Utama Untuk Warga

Tabel 5.9 Pengujian Halaman Utama Untuk Warga


Diharapkan

Hasil

Aktual

Kesimpulan

Pilih tombol cek status

bantuan

Sistem akan

menampilkan form

modal pencarian

Sesuai Valid

Memasukan nomer KK

kemudian menekan

tombol cari

Sistem akan

menampilkan daftar

nama yang di cari

Sesuai Valid

Menekan icon detail

pemohon

Sistem akan

menampilkan detail

penerima bantuan

Sesuai Valid

Menekan icon cetak Sistem akan

menampilkan privew

hasil cetak pdf

Sesuai Valid

98

5.4.2 Pengujian White BoxPengujian White Box merupakan pengujian yang dilakukan

terhadap kode program untuk melihat ada atau tidaknya kesalahan

pada modul program. Pengujian White Box pada sistem penentuan

bantuan bedah rumah (RLTH) di Kelurahan Krapyak adalah sebagai

berikut:

a. Diagram Alir (Flowchart)

Gambar 5.25 Diagram (Flowchart) Pengujian White Box

Mulai

Pilih Prediksi

Hasil Prediksi

Selesai

Halaman Tentukan Bantuan,pilih file excel yang ingin diklasifikasi

Simpan

Ya

Cancel

99

b. Listing Program Halaman Tentukan Bantuan.php

<?phpdefined('BASEPATH') OR exit('No direct script access allowed');

class tentukan_bantuan extends AUTH_Controller {private $filename = "import_data";var $template='template/index';

public function __construct(){parent::__construct();$this->load->model('M_bantuan');

$this->load->helper('url');}

function index()

{

$data['content'] = 'admin/bantuan';

$data['userdata'] = $this->userdata;

$this->load->view($this->template, $data);

}

public function form(){

$data = array();

if(isset($_POST['preview'])){

$upload = $this->M_bantuan->upload_file($this->filename);

if($upload['result'] == "success"){

APPPATH.'third_party/PHPExcel/PHPExcel.php';

$excelreader = new PHPExcel_Reader_Excel2007();

$loadexcel = $excelreader->load('excel/'.$this->filename.'.xlsx');

$sheet = $loadexcel->getActiveSheet()->toArray(null, true, true,true);

$data['sheet'] = $sheet;

}else{ // Jika proses upload gagal

1

2

3

100

$data['upload_error'] = $upload['error'];

}

}

$this->load->model('m_array');

$training = $this->m_array;

$training->parameter('status_penguasaan_B',

'jenis_lantai_terluas',

'jenis_dinding_terluas',

'kualitas_bangunan',

'jenis_atap_terluas',

'kualitas_atap',

'sumber_air',

'daya_listrik',

'setatus');

$training->Get();

$this->load->library('naive_bayes');

$bayes = $this->naive_bayes;

$bayes->data = $training->tampil_data();

$bayes->data_kategori = $training->tampil_data_kategori();

$bayes->set_class('setatus');

$data['userdata'] = $this->userdata;

$data['content'] = 'admin/bantuan';

$data['naive'] = $bayes;

$this->load->view($this->template, $data);

}

4

3

101

function simpan(){

$no_kk = $_POST['no_kk'];

$nama = $_POST['nama'];

$alamat = $_POST['alamat'];

$status_bangunan = $_POST['status_bangunan'];

$jenis_lantai = $_POST['jenis_lantai'];

$jenis_dinding = $_POST['jenis_dinding'];

$kualitas_bang = $_POST['kualitas_bang'];

$kualitas_atap = $_POST['kualitas_atap'];

$jenis_atap = $_POST['jenis_atap'];

$sumber_air = $_POST['sumber_air'];

$daya_listrik = $_POST['daya_listrik'];

$dapat = $_POST['dapat'];

$tidak_dapat = $_POST['Tidak_Dapat'];

$status = $_POST['Status'];

$data = array();

for($i = 0; $i<count($no_kk); $i++){

array_push($data, array(

'no_kk'=>$no_kk[$i],

'nama'=>$nama[$i],

'alamat'=>$alamat[$i],

'status_bangunan'=>$status_bangunan[$i],

'jenis_lantai'=>$jenis_lantai[$i],

'jenis_dinding'=>$jenis_dinding[$i],

'kualitas_bang'=>$kualitas_bang[$i],

'kualitas_atap'=>$kualitas_atap[$i],

5

102

'jenis_atap'=>$jenis_atap[$i],

'sumber_air'=>$sumber_air[$i],

'daya_listrik'=>$daya_listrik[$i],

'hasil_dapat'=>$dapat[$i],

'hasil_tdapat'=>$tidak_dapat[$i],

'hasil_prediksi'=>$status[$i]

));

}

$this->M_bantuan->insert_multiple($data);

redirect('tampil_terproses');

}

}

c. Flow Graph Halaman Tentukan Bantuan.php

Alur pada flowgraph form login ditunjukkan pada gambar

5.26 berikut ini:

Gambar 5.26 Flow Graph

6

5

103

d. Cyclomatic Complexity

Kompleksitas siklomatik atau Cyclomatic Complexity merupakan

pengukuran terhadap kompleksitas logis suatu program yang

dilakukan secara kuantitatif. Berikut ini perhitungan

kompleksitas siklomatik pada system penentuan bantuan bedah

rumah (RLTH) di Kelurahan Krapyak.

Diketahui:

Region (R) = 2

Node (N) = 6

Edge (E) = 6

Perhitungan :

V(G) = (E – N) + 2

= (6 – 6) + 2

= 2

Keterangan :

V(G) : Kompleksitas siklomatik

E : Jumlah edge flowgraph

N : Jumlah node flowgraph

Jadi, kompleksitas siklomatik pada flowgraph sistem

penentuan bantuan bedah rumah (RLTH) di Kelurahan Krapyak

adalah 2

e. Pengujian Basis Path

Jalur 1 : 1-2-3-4-5-6

Jalur 2 : 1-2-3-4-5-2

Hasil pengujian basis path dapat dilihat pada tabel 5.2

berikut ini:

104

Tabel 5.10 Pengujian Basis Path

No Jalur Kasus Uji Hasil

diharapkan

Hasil Aktual Keterangan

1 1-2-3-4-5-6 Menentukan

bantuan dan

hasil prediksi

di simpan

Data berhasil

di perediksi

dan disimpan

Data berhasil

di perediksi

dan disimpan

Berhasil

2 1-2-3-4-5-2 Menentukan

bantuan tanpa

menyimpan

hasil prediksi

Data berhasil

diprediksi

dan tidak

disimpan

Data berhasil

diprediksi dan

tidak

disimpan

Berhasil

5.5 Pemeliharaan Sistem

Pemeliharaan merupakan tahap pengoperasian program dengan kasus

yang sebenarnya dan dapat berupa penyesuaian atau perubahan karena

diadaptasi dengan situasi yang sebenarnya. Pemeliharaan terhadap sistem

yang dimaksud adalah:

1. Apabila terjadi error ketika menjalankan sistem, maka pemeliharaan

yang dilakukan adalah dengan mengulangi menjalankan sistem dan

menggunakan perangkat keras (hardware) sesuai spesifikasi yang

direkomendasikan.

2. Melakukan perbaikan jika sistem mengalami kesalahan dalam program

atau kelemahan yang tidak terdeteksi pada tahap pengujian sistem.

3. Melakukan scan virus dan malware pada komputer yang digunakan, serta

melakukan backup data.

4. Menyediakan paket instalasi untuk proses implementasi sistem sehingga

apabila terjadi kesalahan atau kegagalan sistem, pengguna dapat

menghapus instalasi yang rusak dan menginstal ulang sistem.

5. Melakukan modifikasi sistem apabila terjadi peningkatan sistem setelah

berjalannya waktu

105

BAB VIPENUTUP

6.1 KesimpulanBerdasarkan hasil penelitian yang telah dilakukan, dapat disimpulkan

bahwa sistem penentuan bantuan bedah rumah (RTLH) di Kelurahan

Krapyak:

1. Mampu mengklasifikasikan data warga ke dalam kategori dapat dan tidak

dapat menggunakan algoritma Naïve Bayes berdasarkan data warga yang

sudah ada dan di uji menggunakan Rapidminer diperoleh presisi 100%,

recall 100%, akurasi 100%

2. Pembuatan sistem penentuan bantuan bedah rumah (RTLH) ini dibuat

karena didasari pada latar belakang tempat yang belum memiliki sistem

di penentuan bantuan, keluh kesah masyarakat tentang lamanya waktu

approve dan masyarakat tidak mengetahui perkembangan permohonan

bantuan yang di ajukan.

3. Dengan adanya sistem ini warga yang sudah di pastikan mendapat

bantuan bisa secara langsung memantau perkembangan lewat system

yang di sediakan untuk warga.

6.2 Saran

Adapun saran-saran yang ingin disampaikan penulis dibagian akhir

laporan ini, sebagai berikut:

1. Pembuatan sistem penentuan bantuan bedah rumah (RTLH) diharapkan

dapat digunakan di Kelurahan Krapyak bisa digunakan di seluruh

Indonesia.

2. Pengembangan sistem dapat dilakukan dengan menerapkan algoritma

lain dalam data mining.

3. Pada halaman client/warga di tambahi halaman pengaduan layanan dan

detail anggaran yang di belanjakan untuk renovasi rumah.

106

DAFTAR PUSTAKA

Annur, H. (2018). Klasifikasi Masyarakat Miskin Menggunakan Metode Naive

Bayes. ILKOM Jurnal Ilmiah, 10(2), 160.

https://doi.org/10.33096/ilkom.v10i2.303.160-165

Arum, I. N. (2018). Penerapan Data Mining Menggunakan Algoritma Naive

Bayes Untuk Mengukur Tingkat Ketepatan Kelulusan Taruna STIMART

AMNI Semerang. UNIVERSITAS SEMARANG.

Connolly, T., & Begg, C. (2010). Database Systems: a practical approach to

design, implementation, and management (5th Edition). America: Pearson

Education.

Gorunescu, F. (2010). Data Mining Concept Model Technique. Romania:

Springer.

Hernawan, A. K., & Lorena, S. (2014). Aplikasi Data Mining Menggunakan

Naive Bayes Classifier Untuk Persetujuan Pengajuan Kredit. Bandung.

Huda, N. M. (2010). Aplikasi Data Mining untuk Menampilkan Informasi Tingkat

Kelulusan Mahasiswa. Universitas Diponegoro, Semarang.

Indriani, A. (2014). Klasifikasi Data Forum dengan menggunakan Metode Naive

Bayes Classifier. Seminar Nasional Aplikasi Teknologi Informasi, 20(ISSN:

1907-5022), 5–10. https://doi.org/10.1155/2011/172853

Kadir, A. (2013). Pemrograman Database MySQL Untuk Pemula. Yogyakarta:

MediaKom.

Kursini, & Emha, L. T. (2009). Algoritma Data Mining. Yogyakarta: Andi.

Kustiyahningsih, Y., & Rosa, A. (2011). Pemrograman Basis Data Berbasis Web

Menggunakan PHP & MySQL. Yogyakarta: Graha Ilmu.

Laroussi, H. M. M. AL. (2015). Implementasi Algoritma Naive Bayes Sebagai

107

Proses Seleksi Penerima Beasiswa Libyan Embassy Berbasis Web.

Nasiruddin, H. (2016). Penerapan Metode Naive Bayes Terhadap Bantuan

Langsung Tunai Di Desa Baleturi kecamatan Prambon. Universitas

Nusantara PGRI.

Prasetyo, E. (2012). Data Mining Konsep dan Aplikasi Menggunakan MATLAB.

Yogyakarta: Andi.

Pressman, R. S. (2012). Rekayasa Perangkat Lunak Pendekatan Praktisi (Edisi

7). Yogyakarta: Andi.

Raharjo, B. (2012). Belajar Otodidak Framework Codeigniter. Bandung:

Informatika.

Rahman, A. A., & Kurniawan, Y. I. (2018). Aplikasi Klasifikasi Penerima Kartu

Indonesia Sehat Menggunakan Algoritma Naïve Bayes Classifier. Jurnal

Teknologi Dan Manajemen Informatika, 4(1).

Rosa, A. S., & Shalahuddin, M. (2013). Rekayasa Perangkat lunak Terstruktur

dan berorientasi Objek. Bandung: Informatika.

Sari, B. W., & Prabowo, D. (2017). Penentuan kelayakan Penerima Bantuan

Renovasi Rumah Warga Miskin Menggunakan Naive Bayes. Jurnal Ilmiah

DASI, 18(ISSN : 1411-3201), 34–38.

Septiari, D. (2016). Implementasi Metode Naive Bayes Classification Dalam

Klasifikasi Kelayakan Calon Pendonor Darah (Studi Kasus Pmi Kab.

Demak). Skripsi, 5. Retrieved from [email protected]

Sugiarti, Y. (2013). Analisi dan Perancangan UML (Unified Modeling

Language). Yogyakarta: Graha Ilmu.

Uriawan, W., & Yusfira, G. Z. (2018). Prediksi Penerima Beasiswa Pegawai

Menggunakan Metode Naive Bayes Classifier. 1–6.

-lYAYASAN ALUMNI UNIVERSITAS DIPONEGORO

UNIVERSITAS SEMARANGSekretariat : Jl. Soekerno lletta Tlogosari Semarang 50196 Tetp.{024)670215? Ftx.(024)6702272

- E :fy /..fuw:.{tskih, ......{-. ..

,.,.....Wy.*......*,...'..,,.9Y:.?.Y..il.**..:.....ff})I}.TrTelah direvisi oleh Mahasiswa yang bersangktan dan telah disetujui oleh Tim Penguji :

NamaMahasiswaNIMJudul Skripsi

Tanggal Ujian

Materi Yang Direvisi

KETUA TIM PITNGUJI

Nama ITandaTanggan :

PENGUJI PENDAMPI.NG T

Nama : Agusta Praba Ristadi Pinem, S.Kom., M.Kom.

Tanda Tanggan

PENGUJI PENDAMPING 2

Narna : Rastri Prathivi, M.Kom

Tanda Tanggan

LEMBAR PERSETUJUAN REVISI

AGUS SUPRIYANTOG.231.15.006sPenerapan Algoritrna Naive Bayes Untuk Penenfiran Bantuan Bedah Rumah (RTLH)di Keluratran KrapyakRabu,15 Janpari2020- Per(zak laPoar ..,......,!.......,...,...,..........\.

akhidah, S.Kom, M.Cs

YAYASAN ALUMNI UNIVERSITAS DIPONE GOROUNIVERSITAS SEMARANG

Sekrctariet : JL Soekarno Ilatta Tlogoseri Semarang 50196 Tolp,(A24)ffiA2757 Ftx.(02416702272

Nama Mahasiswa

NIMJudul Skripsi

Tanggal Ujian


LEMBAR PERSETUJUAI\ REVISI

AGUS SUPRIYANTOG.231.15.0065

Penerapan Algoriuna Naive Bayes Untuk Penentuan Bantuan Bedah Rumatr (RTLH)di Kelurahan KrapyakRabu, 15 Januari 2020

.:..:,rI 1?. . h?rr?rr..49$1,m.. ..Y..1 L.. *..s.t:l):.L *. f:...........'..........u.

: Hr5iq:. {:skh &tnr$n ltr. :1!:.f. !::n:rn

Telah direvisi oleh Mahasiswa yang bersangktan dan telah disetujui oleh Tim Penguji :

I(ETUA TIM PENGUJI

Nama :

Tandafanggan l

Nur Wakhidah, S.Kom, M.Cs

Tanda Tanggan


Nama :

TandaTanggan :

Rastri Praflrivi, M.Kom

'1,

_._

YAYASAN ALUMNT UNTVERSITAS DIPONEGOSSUNIVERSITAS SEMARANG

Sekretariet : Jl. Soekarno llatta Tlogoseri Semareng 50196 Telp.{A24)6102757 Ftx.(024)6702272

NamaMahasiswaNIMJudul Skripsi

Tanggal Ujian


KETUA TIM PENGUJI

Nama

Tanda Tanggan


Nama :

TandaTanggan :

: NurWakhi.lah, S.Kom, M.Cs

Agusta Praba Ristadi Pinem, S.Kom., M.Kom.

LEMBAR PERSETUJUAI\ REVISI

AGUS SUPRryANTOG.231.15.0065

Penerapan Algoritma Naive Bayes Untuk Penentuan Bantuan Bedah Rumah ETLH)di Keluratran KrapyakRabu, 15 Januari 2020


Nama

Tanda Tanggan

penerapan algoritma naÏve bayes classifier di …

Documents