penerapan algoritma naÏve bayes classifier di …
TRANSCRIPT
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).
SIMBOL NAMA KETERANGAN
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).
SIMBOL NAMA KETERANGAN
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.
SIMBOL NAMA KETERANGAN
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.
SIMBOL NAMA KETERANGAN
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).
SIMBOL NAMA KETERANGAN
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
Jl. JulungWangi RT01 RW 05
BebasSewa
Ubin Tembok Bagus Asbes KualitasRendah
Ledengmeteran
900W
TidakDapat
4 HeruWidiyanto
Jl. JulungWangi RT01 RW 05
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
Pre – condition : Admin harus sudah login ke sistem
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
Aktor : Admin (kelurahan)
Deskripsi : Mengelola data yang akan di klasifikasi
Pre – condition : Admin harus sudah login ke sistem
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
Aktor : Admin (kelurahan)
Deskripsi : Mengelola data yang sudah di klasifikasi
Pre – condition : Admin harus sudah login ke sistem
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
1. Admin menekan tombol cetak
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
Pre – condition : Admin harus sudah login ke sistem
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
Pre – condition : Admin harus sudah login ke sistem
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
Pre – condition : Admin harus sudah login ke sistem
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
1. Admin menekan tombol cetak
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
1. Admin menekan tombol cetak
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
ditunjukkan pada Gambar 4.7
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
ditunjukkan pada Gambar 4.8
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
ditunjukkan pada Gambar 4.12
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
Field Tipe Data Keterangan
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
Field Tipe Data Keterangan
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
Field Tipe Data Keterangan
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)
Field Tipe Data Keterangan
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
Sistem akan menampilkan
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
Sistem akan menampilkan
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
Sistem akan menampilkan
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
Skenario Uji Hasil Yang
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
Skenario Uji Hasil Yang
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
Skenario Uji Hasil YangDiharapkan
HasilAktual
Kesimpulan
Pilih tombol cetak Sistem akan
menampilkan priview
hasil cetak semua data
Sesuai Valid
Pilih icon Delete Sistem akan
menampilkan alert
hapus data dan
kemudian data
terhapus
Sesuai Valid
96
Tabel 5.6 Pengujian Halaman Data Sudah diklasifikasi (Lanjutan)
Skenario Uji Hasil YangDiharapkan
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
Skenario Uji Hasil YangDiharapkan
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
Skenario Uji Hasil Yang
Diharapkan
Hasil
Aktual
Kesimpulan
Pilih tombol list data
admin
Sistem akan
menampilkan data
admin sesuai data yang
login
Sesuai Valid
Pilih icon Delete Sistem akan
menampilkan alert
hapus data dan
kemudian data
terhapus
Sesuai Valid
8. Pengujian Halaman Utama Untuk Warga
Tabel 5.9 Pengujian Halaman Utama Untuk Warga
Skenario Uji Hasil Yang
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.
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
Materi Yang Direvisi
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
PENGUJI PENDAMPING 2
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
Materi Yang Direvisi
KETUA TIM PENGUJI
Nama
Tanda Tanggan
PENGUJI PENDAMPING 1
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
PENGUJI PENDAMPING 2
Nama
Tanda Tanggan