Post on 02-Nov-2021
Serambi Engineering, Volume VI, No. 1, Januari 2021 hal 1452 - 1464
1452
p-ISSN : 2528-3561
e-ISSN : 2541-1934
Sistem Pendukung Keputusan Pemberian Bantuan Ekonomi
Menggunakan Algoritma C4.5
Agustiena Merdekawati1, Luci Kanti Rahayu
2
1,2
Universitas Bina Sarana Informatika
Gedung Rektorat Jl. Kramat Raya No. 98, Senen. Jakarta Pusat 10450
*Koresponden email: agustiena.atd@bsi.ac.id
Diterima: 22 Oktober 2020 Disetujui: 16 November 2020
Abstract
The problem that often appears in the distribution of economic assistance is miss-targeting assistance.
This miss-targeted distribution is also faced by Baitul Maal Yayasan Al-Anshor Asmawiah, a foundation
that receives and distributes economic aid. This obstacle is faced due to the many criteria attributes of
potential recipients, confusing the foundation in selecting aid recipients and some parties are still
cheating. Information provided by potential beneficiaries is often incomplete so there is a lack of data on
the prospective beneficiary forms. The method for selecting economic aid is the C4.5 algorithm, which is
an algorithm that forms a decision tree as a reference for selecting economic assistance. After obtaining
the rules, the foundation implements the system in assisting. This system makes it easier for the public to
fill out economic assistance forms and it is easy to immediately find out information whether they reserve
the right to economic assistance or not and make it easier for administrators to get information divided to
whom reserve the right to attain assistance.
Keywords: C4.5 algorithm, decision support, decision tree, economic assistance, selection system
Abstrak
Permasalahan yang sering timbul dalam pemberian bantuan ekonomi adalah distribusi bantuan yang tidak
tepat sasaran. Problem tidak tepat sasaran ini dialami oleh Baitul Maal Yayasan Al-Anshor Asmawiah
sebuah yayasan yang menerima dan menyalurkan bantuan ekonomi. Kendala yang mereka hadapi
dikarenakan banyaknya atribut kriteria calon penerima sehingga membingungkan pihak yayasan dalam
melakukan seleksi bantuan dan beberapa pihak masih berbuat curang. Informasi yang diberikan calon
penerima bantuan sering tidak lengkap sehingga terjadi kekurangan data pada form bantuan ekonomi.
Metode untuk menyeleksi bantuan ekonomi ini yaitu Algoritma C4.5 dimana algoritma ini merupakan
algoritma yang dapat membentuk decision tree (pohon keputusan) yang digunakan sebagai acuan seleksi
bantuan ekonomi. Setelah mendapatkan rules, selanjutnya diimplementasikan dalam sebuah sistem agar
memudahkan pengguna memberikan bantuan. Sistem ini mempermudah masyarakat dalam mengisi form
bantuan ekonomi dan mudah langsung mengetahui informasi apakah berhak mendapatkan bantuan
ekonomi atau tidak serta memudahkan administrator mendapatkan informasi yang berhak menerima atau
tidak menerima bantuan. Kata Kunci: Algoritma C4.5, bantuan ekonomi, pohon keputusan, pendukung keputusan, sistem seleksi.
1. Pendahuluan
Permasalahan yang dihadapi oleh setiap negara berkembang yaitu kemiskinan. Di Indonesia,
masalah kemiskinan menjadi masalah yang terus berlanjut tiap tahunnya. Menurut hasil survei BPS
jumlah penududuk miskin di Indonesia masih sangat banyak, berikut data persentase:[1]
1. Jumlah penduduk miskin sebesar 25,95 juta orang (9,82%) pada bulan Maret 2018, jumlah tersebut
mengalami penurunan 633,2 ribu dari sebelumnya yaitu pada bulan September 2017 sebesar 26,58 juta
orang.
2. Persentase penduduk miskin di perkotaan pada September 2017 sebesar 7,26 persen, turun menjadi
7,02 persen pada Maret 2018. Sedangkan jumlah penduduk miskin di perdesaan pada September 2017
sebesar 13,47 persen, mengalami penurunan sebesar turun 13,20 persen pada Maret 2018.
3. Di daerah perkotaan jumlah penduduk miskin untuk periode September 2017โMaret 2018, mengalami
penurunan sebesar 128,2 ribu orang (dari 10,27 juta orang pada September 2017 menjadi 10,14 juta
orang pada Maret 2018), kemudian di daerah perdesaan mengalami penurunan sebanyak 505 ribu
orang (dari 16,31 juta orang pada September 2017 menjadi 15,81 juta orang pada Maret 2018
Serambi Engineering, Volume VI, No. 1, Januari 2021 hal 1452 - 1464
1453
p-ISSN : 2528-3561
e-ISSN : 2541-1934
Kemiskinan jika tidak diperhatikan oleh pemerintah, akan mendatangkan suatu risiko bagi bangsa
di masa akan datang. Tidak meratanya pendapatan keluarga akan mengakibatkan timbulnya
ketidakseimbangan pendapatan sehingga munculnya kemiskinan. Sebab itu diperlukan cara mengatasi
kemiskinan dengan menaikkan daya beli, guna pemerataan pendapatan. Cara pemerataan pendapatan
lainnya yaitu melakukan penyaluran pendapatandari masyarakat mampu kepada masyarakat miskin.
Langkah meningkatkan pendapatan salah satunya yaitu pemberian dana bantuan ekonomi seperti
yang dilakukan pemerintah ataupun lembaga penyalur. Permasalahan yang sering timbul dalam
pemberian bantuan ekonomi ini, pendistribusian yang tidak tepat sasaran. Itu dikarenakan sulitnya
menentukan kriteria utama dalam seleksi penerimaan dana bantuan ekonomi dan beberapa pihak yang
berbuat kecurangan.
Menurut [2], Dalam memenuhi kebutuhan yang semakin berat, seperti makanan, pakaian,
perumahan. Dampak dari kondisi seperti ini, yaitu menurunnya kesejahteraan disektor kehidupan
penduduk Indonesia. Dalam mengatasi kemiskinan, pemerintah memiliki program bantuan beras miskin
untuk keluarga yang tidak mampu. Proses seleksi pemberian beras miskin harus tepat sasaran dan sesuai
dengan penerima yang benar-benar membutuhkan. Kegiatan pemberian bantuan beras miskin ini, selalu
dilaksanakan setiap tahun dan setiap tahunnya selalu meningkat. Sehingga dilakukan penelitian agar
terhindari kekeliruan, ketidak konsistenan akurasi pemilihan, mengurangi tingkat kecurangan dan
mengurangi terjadinya penilaian yang subjektif. Decision Tree adalah suatu teknik yang populer
didalam data mining, metode ini sebelumnya tidak membutuhkan proses kelola pengetahuan dan
masalah dengan ukuran yang besar dapat diselesaikan dengan sederhana. Keakuratannya sangat optimal,
jika data yang menjadi ukuran adalah data yang sahih.
Menurut[3], Cara mengatasi kemiskinan yaitu perlunya dukungan masyarakat yang mampu ikut
mengeluarkan harta kekayaannya kepada masyarakat miskin, sehingga pendistribusian zakat cukup untuk
diluaskan agar menjadi solusi cara membangun ekonomi di Indonesia. Pemakaian algoritma C4.5 dalam
data mining, mengelompokkan data penyaluran dana pada BAZNAS Kabupaten Agam dalam bentuk
pemakaian (konsumtif) dan pemanfaatan (produktif). Penggunaan software rapid miner studio dihasil
pengelompokkan hasil yang akurat dengan memakai algoritma C4.5. Keakuratan hasil didasari oleh
kesesuaian dalam memilih atribut dan kesesuaian dalam mentransformasikan data kedalam atribut yang
dipilih. Jadi, rule yang dibentuk oleh algoritma C4.5 dapat membantu BAZNAS Kabupaten Agam
mengelompokkan jenis zakat yang akan didistribusikan dengan waktu relatif lebih singkat.
Menurut [4], di Batam sudah banyak kepala keluarga yang tidak bekerja, dikarenakan
pengurangan jumlah karyawan. Oleh karena itu, RT dan RW membuat kebijakan untuk membantu
finansial mereka, yaitu setiap bulannya memberikan beras dan uang. Namun pihak RT dan RW sulit
menetapkan keluarga yang benar-benar berhak menerima bantuan, untuk mengatasi hal seperti itu maka
dilakukanlah penelitian menggunakan algoritma C4.5. Calon penerima bantuan berdasarkan: status
perkawinan, pekerjaan, jumlah penghasilan, jumlah tanggungan, status kepemilikan rumah. Berdasarkan
perhitungan di dapatkan keputusan yang menerima bantuan uang dan beras 7 orang dan yang tidak
menerima bantuan uang dan besar 9 orang.
Menurut penelitian [5], pemberian bantuan sosial pada Kantor Kecamatan Siantar Selatan dengan
cara melakukan seleksi dengan mengamati berkas warga berdasarkan kriteria yang sudah ditentukan,
sehingga proses ini tidak sistematis dan terkadang tidak tepat sasaran. Oleh karena itu, digunakanlah
algoritma C4.5 untuk mengatasi masalah tersebut. Metode yang dipakai algoritma C4.5, dengan kriteria
pekerjaan, penghasilan, jumlah tanggungan, kondisi rumah. Hasil dari penelitian ini, atribut yang paling
berpengaruh adalah penghasilan, selanjutnya atribut kondisi rumah.
Baitul Maal Yayasan Al-Anshor Asmawiah merupakan yayasan yang menerima dan
menyalurkan bantuan ekonomi. Namun dalam menyalurkan bantuan ekonomi, masih terdapat beberapa
kendala, yaitu tidak tepat sasaran, dikarenakan banyaknya atribut kriteria yang dimiliki sehingga
membingungkan pihak seleksi bantuan ekonomi dan beberapa pihak masih ada yang berbuat curang,
kurangnya informasi data apa yang diberikan bagi pihak calon penerima bantuan, sehingga sering terjadi
kekurangan data pada pengisian form bantuan ekonomi. Tujuan penelitian ini memberikan pohon
keputusan (decision tree), sehingga dapat menentukan kriteria utama penentu penerimaan dana bantuan
ekonomi. Penelitian ini juga akan menghasilkan sistem yang mempermudah masyarakat dalam
melakukan pendaftaran bantuan ekonomi dan langsung memberikan informasi hasil diterima atau tidak
dan mempermudah administrator untuk menentukan penerima bantuan.
Serambi Engineering, Volume VI, No. 1, Januari 2021 hal 1452 - 1464
1454
p-ISSN : 2528-3561
e-ISSN : 2541-1934
2. Metode Penelitian
Berikut ini metode penelitian yang dilakukan oleh peneliti adalah:
Gambar 1. Tahapan penelitian
Uraian kerangka kerja penelitian :
1. Mendeskripsikan Masalah
Menggambarkan permasalahan yang terjadi, ruang lingkup masalah, merumuskan masalah sampai
batasan masalah. Permasalahan yang terjadi pada Yayasan Al-Anshor Asmawiah dalam menentukan
seleksi bantuan ekonomi ini adalah ketidak tepat sasaran, dikarenakan banyaknya atribut kriteria yang
dimiliki sehingga membingungkan pihak seleksi bantuan ekonomi dan beberapa pihak masih ada
yang berbuat curang, kurangnya informasi data apa yang diberikan bagi pihak calon penerima
bantuan, sehingga sering terjadi kekurangan data pada pengisian form bantuan ekonomi. Ruang
lingkup dalam penelitian ini hanya menentukan kriteria apa yang dijadikan penentuan bantuan
ekonomi, serta layak atau tidaknya mendapatkan bantuan.
2. Menganalisa Masalah
Memahami masalah yang sesuai dengan ruang lingkup atau batasan masalah. Metode yang digunakan
untuk menganalisis masalah sebagaiberikut :
a. Tahap identify: menelusuri dan menentukan masalahan yang pada Yayasan Al-Anshor Asmawiah,
b. Tahap understand: mencari lebih dalam masalah, dengan mengumpulkan data yang dibutuhkan
dalam menetukan pemberian dana bantuan ekonomi,
c. Tahap analyze yaitu : mencari kelemahan, kekurangan sistem dengan pengumpulan informasi apa
saya yang dibutuhkan sebagai harapan masyarakat dalam penentuan pemberian dana bantuan
ekonomi.
3. Mempelajari Literatur
Selanjutnya diperlukan mempelajari literatur yang berkaitan dengan permasalahan dalam penentuan
pemberian dana bantuan ekonomi dengan algoritma C4.5. Sumber literatur ini dapat diambil dari
buku, jurnal internasional, artikel, yang membahas mengenai metode algoritma C4.5, sistem
pemberian bantuan dana, serta bahan bacaan lain yang dapat mendukung penelitian.
4. Mengumpulkan Data
Pada penelitian ini, teknik pengumpulan yang digunakan, yaitu:
a. Observasi
Serambi Engineering, Volume VI, No. 1, Januari 2021 hal 1452 - 1464
1455
p-ISSN : 2528-3561
e-ISSN : 2541-1934
Mengumpulkan data dengan melakukan pengamatan langsung pada Baitul Maal Yayasan Al-
Anshor Asmawiah, dengan menganalisa masalah bantuan ekonomi.
b. Wawancara
Melakukan wawancara kepada ketua dan pembina Baitul Maal Yayasan Al-Anshor Asmawiah,
mengenai bagaimana cara mengumpulkan para calon penerima bantuan ekonomi sampai kepada
proses seleksi penentuan layak diterima atau tidak menerima bantuan ekonomi.
c. Kuesioner (angket)
Membuat pertanyaan-pertanyaan secara tertulis, setelah itu diberikan kepada respoden untuk
menjawab pertanyaan tersebut. Pemberian kuesioner ini sudah dilakukan sebelum penelitian,
karena merupakan cara untuk mendapatkan data calon penerima bantuan ekonomi.
d. Studi Pustaka
Studi pustaka yaitu pengumpulan data dengan cara membaca dan mencatat sumber referensi
seperti buku, jurnal, majalah, artikel, internet dan lainnya yang sesuai dengan penelitian.
5. Menganalisa Teknik Pengolah Data Menggunakan Algoritma C4.5
Melakukan proses pengolahan data mining dengan menggunakan metode KDD dan melakukan
penghitungan manual.
Menurut [6] Data Mining adalah teknik yang mendayagunakan satu atau lebih metode
pembelajaran komputer (Machine Learning) bagi meneliti dan mengekstraksi pengetahuan
(Knowledge) secara tepat. Pengertian lainnya yaitu penalaran berbasis induksi (Induction-based
Learning) merupakan proses menyusun konsep umum yang terdefinisikan, konsep umum itu
dilakukan dengan observasi contoh-contoh spesifik dari konsep-konsep yang akan dipelajari.
Data mining merupakan proses menganalisa informasi dan pola yang bermanfaat dari data yang
sangat besar. Data mining mencakup pengambilan data, mengekstraksikan data, mengamati data, dan
mengolah data. Data mining juga dikenal dengan Knowledge discovery, Knowledge extraction,
data/pattern analysis, information harvesting, dan lain-lain.[7]
Menurut [8], data mining adalah tahap dari analisis terhadap pengolahan penemuan pengetahuan
pada basis data atau Knowledge discovery in databases (KDD). Secara garis besar proses KDD
menurut [9], sebagai berikut :
a. Data understanding
Data yang didapatkan dari hasil observasi. Pada penelitian ini didapat data yang berjumlah 850.
Tabel 1 adalah data asli dari kuesioner.
Tabel 1. Data asli kuesioner
No Asnaf Nama KK/Umur Pekerjaan Kondisi Tempat
Tinggal Pendapatan Pengeluaran
Tanggungan
Keluarga
1 Miskin Jhony Sugiyono,
38 Th Pedagang
Rumah Sewa, kompor
gas, pompa air 1.400.000 1.995.000 2
2 Miskin Ester Tambunan,
36 Th Pedagang
Rumah Sewa, kompor
gas, pompa air 1.800.000 1.450.000 4
3 Miskin Ridwan Tanjung,
41 Th Pedagang
Rumah Sewa, kompor
gas, pompa air 1.900.000 1.650.000 3
4 Miskin Agus Efendi, 41
Th Pedagang
Rumah Sewa, kompor
gas, pompa air 2.500.000 2.340.000 2
5 Miskin Tuty Nasution, 38
Th Penjahit
Rumah Sendiri, kompor
gas, pompa air 3.000.000 2.450.000 4
6 Miskin Nur Asiah, 42 Th IRT Rumah Sewa, Sumur 1.000.000
3
7 Miskin Maryanto, 44 Th Petani
Rumah Sendiri, Kayu
Bakar, pompa air 1.650.000 1.400.000 1
8 Miskin Nayla Sari, 51 Th Buruh Cuci
Rumah Sendiri,
Kompor Gas, pompa air 1.500.000 1.750.000 3
9 Miskin Abdul Kadir
Zailani, 60 Th
Pedagang Empek-
empek
Menumpang, Kompor
Gas, pompa air 1.500.000 1.750.000 3
10 Miskin Sarli Eli Susanto,
49 Th
Tukang Becak Rumah Sendiri,
Kompor Gas, pompa air 1.850.000 1.830.000 4
11 Miskin Nurhelmi
Makruf, 47 Th
Buruh Serabutan Rumah Sendiri,
Kompor Minyak,
pompa air
2.226.000 2.476.000 4
12 Miskin Bambang
Dariyanto, 42 Th
Guru Honorer Rumah Sendiri, Tungku
Kayu 1.750.000 2
Serambi Engineering, Volume VI, No. 1, Januari 2021 hal 1452 - 1464
1456
p-ISSN : 2528-3561
e-ISSN : 2541-1934
13 Miskin Dadang Rosid ,55
Th
Buruh Rumah Sendiri,
Kompor Gas, pompa air 900.000 1.400.000 4
14 Miskin Dede
Durachman,46 Th
Buruh Menumpang, Kompor
Gas, pompa air 900.000 1.490.000 4
15 Miskin Odang Junaidi,
45 Th
Pedagang Rumah Sendiri, kompor
gas, pompa air 1.000.000 880.000 3
16 Miskin Imanudin, 45 Th Pedagang
Rumah Sewa, kompor
gas, pompa air 1.000.000 2.050.000 3
17 Miskin Dede Tarno, 41
Th Tukang
Rumah Sendiri, kompor
gas, Sumur 1.100.000 855.000 3
b. Pemilihan data (Data Selection)
Menurut Sembiring dan Sapta dalam [3], data selection dipakai pada saat memproses data
mining, penyimpanan basis data operasiona terpisah dengan penyimpanan data mining. Pada data
selection, mengambil data yang tidak memiliki hubungan dengan penelitian, dan atribut ini tidak
dipakai dalam penelitian. Contoh atribut nama dan umur tidak memiliki keterhubungan dengan
penelitian, sehingga tidak digunakan.
c. Pra-pemrosesan/Pembersihan (Pre-Processing/Cleaning)
Yaitu proses membersihkan data dengan menghapus data yang berganda, mengecek data yang
tidak konsisten, dan memperbaiki data yang salah. Pada tahap pre-processing ini, melakukan
pemilihan data yang tidak terisi lengkap, data yang digunakan hanya data yang terisi lengkap.
Contoh pada Tabel1, yang berwarna kuning merupakan proses cleaning, karena terdapat atribut
yang tidak mempunyai nilai data.
d. Transformasi (Transformation)
Pada tahap data transformation, merupakan tahap mengubah data menjadi beberapa atribut.
Berikut data bantuan ekonomi setelah dilakukan transformation:
Tabel 2. Data setelah transformasi
No Pekerjaan Kepemilikan
tempat tinggal
Pemakaian
bahan
bakar/energi
untuk memasak
Cara
memperoleh
air
Penghasilan Pengeluaran Jumlah
Tanggungan Label
1 Golongan 5 rumah sewa kompor gas pompa air 750000-1250000 1750001-2250000 2-3 y
2 Golongan 5 rumah sewa kompor gas pompa air 1250001-1750000 1250001-1750000 4-5 y
3 Golongan 5 rumah sewa kompor gas pompa air 1250001-1750000 1250001-1750000 2-3 y
4 Golongan 5 rumah sewa kompor gas pompa air 1750001-2250000 2250001-2750000 2-3 y
5 Golongan 7 rumah sendiri kompor gas pompa air 2250001-2750000 2250001-2750000 4-5 y
6 Golongan 6 rumah sendiri kayu bakar pompa air 1250001-1750000 1250001-1750000 1 n
7 Golongan 9 rumah sendiri kompor gas pompa air 1250001-1750000 1250001-1750000 2-3 y
8 Golongan 5 menumpang kompor gas pompa air 1250001-1750000 1250001-1750000 2-3 y
9 Golongan 9 rumah sendiri kompor gas pompa air 1750001-2250000 1750001-2250000 4-5 y
10 Golongan 9 rumah sendiri kompor minyak pompa air 2250001-2750000 2250001-2750000 4-5 y
11 Golongan 9 rumah sendiri kompor gas pompa air 750000-1250000 1250001-1750000 4-5 y
12 Golongan 9 menumpang kompor gas pompa air 750000-1250000 1250001-1750000 4-5 y
13 Golongan 5 rumah sendiri kompor gas pompa air 750000-1250000 kurang dari 750000 2-3 y
14 Golongan 5 rumah sewa kompor gas pompa air 750000-1250000 1750001-2250000 2-3 y
15 Golongan 7 rumah sendiri kompor gas sumur 1250001-1750000 kurang dari 750000 2-3 n
16 Golongan 7 rumah sendiri kompor gas pompa air 1250001-1750000 1250001-1750000 2-3 y
17 Golongan 7 rumah sewa kompor gas pompa air 1250001-1750000 2250001-2750000 2-3 y
Setelah itu melakukan perhitungan data mining dengan metode algoritma C4.5
Decision tree atau pohon keputusan merupakan salah satu model yang memetakan observasi-
observasi suatu item sehingga diperoleh suatu kesimpulan tentang nilai target dari suatu item yang
digambarkan dalam bentuk pohon model [7].
Serambi Engineering, Volume VI, No. 1, Januari 2021 hal 1452 - 1464
1457
p-ISSN : 2528-3561
e-ISSN : 2541-1934
Metode decision tree yang sangat populer adalah Iterative Dychotomizer Version 3 (ID3) [8].
Dua metode lainnya yang terkenal adalah algoritma C4.5 dimana algoritma C4.5 adalah peningkatan
ID3. Pengembangan dari C4.5 adalah bisa mengatasi missing value, menyelesaikan continue data, dan
pruning, menurut [10].
Menurut Agustina dan Wijanarko dalam [3], Algoritma C4.5 merupakan algoritma yang dapat
membentuk decision tree (pohon keputusan) yang umumnya digunakan untuk melakukan
pengelompokan. Menurut Kusrini dan luthfi dalam [11], berikut langkah dari pembuatan pohon
keputusan menggunakan algoritma C4.5:
1. Mempersiapkan data training,
Data training yaitu data yang diambil dari data histori yang terjadi sebelumnya dan telah
dikumpulkan kedalam beberapa kelas tertentu. Data training ini terjadi setelah proses transformasi.
2. Menentukan akar dari pohon
Akar akan didapat dengan cara masing-masing atribut dihitung nilai gainnya, selanjutnya
mengambil nilai gain yang paling tinggi untuk menjadi akar pertama. Perhitungan entropy diawali
dengan menghitung nilai gain terlebih dahulu. Entropy adalah mengukur nilai sebuah informasi
agar didapat karakteristik dari ketidakmurnian dan homogen dari sekelompok data [12].
Perhitungan nilai entropy seperti rumus (1).
๐ธ๐๐ก๐๐๐๐ฆ (๐) = โ โ๐๐ ๐๐๐2 ๐๐๐๐=1 (1)
Keterangan :
S = Himpunan Kasus
n = jumlah partisi S
Pi = Proporsi Si terhadap S
Contoh: entropy =(((-27/32)*LOG2(27/32))+((-5/32)*LOG2(5/32))) = 0,625
3. Kemudian hitung nilai gain. Gain [13], algoritma yang menyeleksi fitur yang banyak digunakan,
karena handal dan mampu menyelesaikan dimensi data yang besar. Untuk menghitung nilai gain
menggunakan rumus (2).
๐บ๐๐๐ (๐, ๐ด) = ๐๐๐ก๐๐๐๐ฆ (๐ ) โ โ|๐๐|
๐โ ๐๐๐ก๐๐๐๐ฆ (๐ ๐)๐
๐=1 (2)
Keterangan :
S = Himpunan Kasus
A = Fitur
n = Jumlah partisi atribut A
|Si| = Proporsi Si terhadap S
|S| = Jumlah kasus dalam S
Hitung nilai gain untuk setiap atribut, lalu pilih gain tertinggi. Nilai gain tertinggi akan jadi akar
dari pohon. Misalkan atribut kepemilikan tempat tinggal, maka gainnya:
=((0,729)-(((104/495)*0,744)+((356/495)*0,715)+((35/495)*0,822)))
Dari hasil perhitungan gain, terdapat gain tertinggi 0,098 pada atribut jumlah tanggungan. Berikut
hasil perhitungan entropy dan gain:
4. Ulangi langkah ke-2 hingga semua record sudah terpisah.
5. Proses pemisahan pohon keputusan akan berhenti saat :
a. Didalam simpul N, semua record mendapat kelas yang sama.
b. Tidak ada atribut di dalam record yang dipisahkan lagi.
c. Tidak terdapat record cabang yang kosong.
d. Data mining
Pencarian rule atau informasi dalam sekelompok data dengan menggunakan prosedur tertentu.
e. Interpretasi/Evaluasi (Interpretation/Evaluation)
Mengevaluasi pola atau informasi yang dibutuhkan yang sesuai dengan hipotesis yang ada
sehingga dihasilkan informasi yang dapat dimengerti dengan mudah.
Serambi Engineering, Volume VI, No. 1, Januari 2021 hal 1452 - 1464
1458
p-ISSN : 2528-3561
e-ISSN : 2541-1934
Tabel 3. Hasil Entropy dan Gain untuk menentukan akar
Atribut Nilai Jum.Kasus Y N Entropy Gain
Total 495 495 394 101 0,729935671
0,02882306 Pekerjaan
golongan 2 32 32 27 5 0,625262405
golongan 3 3 3 1 2 0,918295834
golongan 5 122 122 95 27 0,762554999
golongan 6 107 107 91 16 0,608669676
golongan 7 93 93 61 32 0,928675181
golongan 8 20 20 17 3 0,609840305
golongan 9 118 118 102 16 0,572580466
Kepemilikan
tempat tinggal
Menumpang 104 104 82 22 0,74441318 0,001064547
Rumah sendiri 356 356 286 70 0,715135078
Rumah sewa 35 35 26 9 0,822404226
pemakaian
bahan
bakar/energi
untuk memasak
kayu bakar 125 125 112 13 0,481548544 0,024596151
kompor gas 343 343 257 86 0,812431302
kompor minyak 27 27 25 2 0,380946586
0,010416934 Cara
memperoleh air
PDAM 6 6 2 4 0,918295834
pompa air 301 301 237 64 0,746469677
sumur 175 175 144 31 0,673786621
sungai 13 13 11 2 0,619382195
0,088498498 Penghasilan
kurang dari 750000 22 22 20 2 0,439496987
750000-1250000 165 165 138 27 0,64293835
1250001-1750000 226 226 195 31 0,576774109
1750001-2250000 54 54 28 26 0,999010271
2250001-2750000 14 14 11 3 0,749595257
2750001-3250000 2 2 1 1 1
tidak tentu 12 12 1 11 0,41381685
0,069180483 Pengeluaran
kurang dari 750000 14 14 7 7 1
750000-1250000 96 96 59 37 0,961777975
1250001-1750000 238 238 208 30 0,546506086
1750001-2250000 93 93 73 20 0,751032417
2250001-2750000 33 33 29 4 0,532835063
2750001-3225000 11 11 11 0 0
3225001-3750000 4 4 4 0 0
3750001-4225000 1 1 1 0 0
lebih dari 4750000 1 1 1 0 0
tidak tentu 4 4 1 3 0,811278124
0,098990033 Jumlah
tanggungan
0 1 1 0 1 0
1 50 50 21 29 0,981453895
Serambi Engineering, Volume VI, No. 1, Januari 2021 hal 1452 - 1464
1459
p-ISSN : 2528-3561
e-ISSN : 2541-1934
2-3 313 313 248 65 0,737000978
4-5 98 98 92 6 0,33228663
6-7 31 31 31 0 0
lebih dari 7 2 2 2 0 0
6. Melakukan Instalasi Software
Proses menginstal software Rapidminer untuk pengolahan data dengan menggunakan algoritma
C4.5 agar dapat dibentuk pola.
Rapidminer adalah [14] suatu aplikasi untuk mengolah data mining. Langkah awal proses
menggunakan Rapidminer yaitu membuat desainnya terlebih dahulu, seperti Gambar 2.
Gambar 2. Design Modelling pada Rapidminer
Setelah itu, import data excel ke Rapidminer, selanjutnya running-kan. Setelah itu muncul rule
atau pohon keputusannya
7. Mengimplementasikan Algoritma C4.5
Pembuatan aplikasi bantuan ekonomi dengan menggunakan rule atau pola yang sudah terbentuk
dalam Algoritma C4.5. Dalam pembuatan aplikasi bantuan ekonomi, peneliti menggunakan teknik
pengembangan sistem yaitu SDLC (Software Development Life Cycle). SDLC atau Software
Development Life Cycle atau System Development Life Cycle adalah prosedur pengembangan atau
mengubah suatu sistem software dengan menggunakan pola dan metodologi yang digunakan untuk
pengembangan sistem-sistem aplikasi sebelumnya [15].
3. Hasil dan Pembahasan
Setelah melakukan pengolahan entropy dan gain selanjutnya didapatkan pohon keputusan dengan
atribut yang paling tinggi adalah jumlah tanggungan, setelah itu atribut tertinggi kedua yaitu penghasilan.
hasil pohon keputusan node 1.1 seperti Gambar 3.
Serambi Engineering, Volume VI, No. 1, Januari 2021 hal 1452 - 1464
1460
p-ISSN : 2528-3561
e-ISSN : 2541-1934
Gambar 3. Hirarki dari hasil entropy dan gain Node 1.1
Hasil pohon keputusan node 1.2 seperti Gambar 4.
Gambar 4. Hirarki dari hasil entropy dan gain Node 1.2
Hasil pohon keputusan node 1.3 seperti Gambar 5.
Gambar 5. Hirarki dari hasil entropy dan gain Node 1.3
Hasil pohon keputusan node 1.4 seperti Gambar 6.
Serambi Engineering, Volume VI, No. 1, Januari 2021 hal 1452 - 1464
1461
p-ISSN : 2528-3561
e-ISSN : 2541-1934
Gambar 6. Hirarki dari hasil entropy dan gain Node 1.4, 1.5, 1.6
Berikut beberapa rule yang terbentuk pada node 1.1:
1. Jika Tanggungan=1 dan Penghasilan < 750.000 dan Pekerjaan=GOL-6 maka Dapat
2. Jika Tanggungan=1 dan Penghasilan < 750.000 dan Pekerjaan=GOL-9 maka Dapat
3. Jika Tanggungan=1 dan Penghasilan < 750.000 dan Pekerjaan=GOL-7 maka Tidak Dapat
4. Jika Tanggungan=1 dan Penghasilan < 750.000 dan Tempat Tinggal=Sendiri maka Dapat
5. Jika Tanggungan=1 dan Penghasilan < 750.000 dan Tempat Tinggal=Menumpang maka Tidak
Dapat 6. Jika Tanggungan=1 dan Penghasilan < 750.000 dan Pengeluaran =3 maka Dapat
7. Jika Tanggungan=1 dan Penghasilan < 750.000 dan Pengeluaran =1 maka Tidak Dapat
8. Jika Tanggungan=1 dan Penghasilan < 750.000 dan Pengeluaran =2 maka Dapat
9. Jika Tanggungan=1 dan Penghasilan=1.750.001 - 2.250.000 dan Pekerjaan=GOL-2 maka Dapat
10. Jika Tanggungan=1 dan Penghasilan=1.750.001 - 2.250.000 dan Pekerjaan=GOL-5 maka Tidak
Dapat Pada perhitungan olah data menggunakan Rapidminer, juga didapat atribut tertinggi yaitu jumlah
tanggungan dan atribut tertinggi kedua penghasilan. Berikut beberapa rule hasil perhitungan
menggunakan Rapidminer, yaitu:
1. Jika jumlah tanggungan=0 then tidak dapat
2. Jika jumlah tanggungan=1 dan penghasilan=1250001-1750000 dan pengeluaran=1250001-750000
maka tidak dapat
3. Jika jumlah tanggungan=1 dan penghasilan=1250001-1750000 dan pengeluaran=2250001-750000
maka dapat
4. Jika jumlah tanggungan=1 dan penghasilan=1250001-1750000 dan pengeluaran=750000โ250000
maka tidak dapat
5. Jika jumlah tanggungan=1 dan penghasilan=1250001-1750000 dan pengeluaran<750000 maka
tidak dapat
6. Jika jumlah tanggungan=1 dan penghasilan=1750001-2250000 dan pekerjaan=golongan 2 maka
dapat
7. Jika jumlah tanggungan=1 dan penghasilan=1750001-2250000 dan pekerjaan=golongan 5 maka
tidak dapat
8. Jika jumlah tanggungan=1 dan penghasilan=1750001-2250000 dan pekerjaan=golongan 7 maka
tidak dapat
9. Jika jumlah tanggungan=1 dan penghasilan=750000-1250000 dan kepemilikan tempat tinggal=
menumpang dan pekerjaan=golongan 7 maka tidak dapat
10. Jika jumlah tanggungan=1 dan penghasilan=750000-1250000 dan kepemilikan tempat tinggal=
menumpang dan pekerjaan= golongan 9 maka dapat
Dari rule yang sudah terbentuk diimplementasikan ke dalam website dimana website ini terdapat 2
pengguna yaitu administrator dan calon penerima bantuan ekonomi. Gambar 7 adalah tampilan form
bantuan ekonomi.
Serambi Engineering, Volume VI, No. 1, Januari 2021 hal 1452 - 1464
1462
p-ISSN : 2528-3561
e-ISSN : 2541-1934
Gambar 7. Form bantuan ekonomi
Calon penerima melakukan pengisian form bantuan ekonomi, dengan memberikan informasi yang
sesuai dengan keadaan yang sebenarnya. Setelah pengisian lengkap dan sesuai dengan keadaan, klik kirim
pengajuan. Selanjutnya akan tampil output yang memberikan hasil dapat bantuan atau tidak, hasil ini
didapat menggunakan rule yang sudah terbentuk dari pengolahan data menggunakan Rapidminer. Hasil
ini dapat bertujuan memberikan hasil informasi diterima atau tidak diterima mendapatkan bantuan
ekonomi dengan cepat. Hasil pengajuan bantuan ekonomi seperti Gambar 8.
Gambar 8. Output bantuan ekonomi halaman calon penerima
Pada halaman administrator, halaman form bantuan yang sudah dikirim oleh calon penerima akan
tersimpan didalam administrator. Pada halaman ini juga dapat membuat laporan berdasarkan tanggal dan
hasil. Serta menampilkan detail dari pendaftar seperti Gambar 9.
Serambi Engineering, Volume VI, No. 1, Januari 2021 hal 1452 - 1464
1463
p-ISSN : 2528-3561
e-ISSN : 2541-1934
Gambar 9. Halaman form pengajuan bantuan ekonomi bagian administrator
Pada halaman ini, administrator dapat mengetahui siapa saja yang sudah mendaftar, yang diterima
bantuan ekonomi dan yang tidak mendapatkan ekonomi. Sehingga dapat memudahkan administrator atau
pihak yayasan dalam menyeleksi penerima bantuan ekonomi seperti Gambar 10.
Gambar 10. Halaman detail form bantuan ekonomi bagian administrator
4. Kesimpulan dan Saran
Penelitian ini dibuat untuk menentukan seleksi penerimaan bantuan ekonomi, sehingga tepat
sasaran. Penelitian ini menghasilkan aplikasi website sehingga memudahkan masyarakat dalam
melakukan pendaftaran dan memudahkan pihak yayasan dalam menyeleksi dan membuat laporan.
Penelitian sudah diujicobakan ke 50 calon penerima dan mendapatkan respon yang baik. Untuk
pengembangan lebih lanjut agar mengembangkan atribut yang dipakai dalam penentuan bantuan
ekonomi, serta membandingkan atau menggunakan metode data mining lainnya.
6. Referensi
[1] BPS, โPersentase penduduk miskin Maret 2018 turun menjadi 9,82 persen,โ 2018. [Online].
Available: https://www.bps.go.id/pressrelease/2018/07/16/1483/persentase-penduduk-miskin-
maret-2018-turun-menjadi-9-82-persen.html.
[2] A. R. Susilo, S. Sudaryanto, J. T. Informatika, F. I. Komputer, and U. D. Nuswantoro, โKlasifikasi
penentuan penerimaan beras miskin menggunakan,โ no. 5, pp. 1โ6, 2013.
[3] R. S. Asa, S. Defit, and J. Naโam, โIdentifikasi Penyaluran Zakat Menggunakan Algoritma C4.5
(Studi Kasus Di Baznas Kabupaten Agam),โ J. Sains dan Inform., vol. 4, no. 1, pp. 44โ53, 2019.
[4] R. Harman, โPenerapan Algoritma C.45 Untuk Kelayakan Penerima Uang Dan Beras,โ Comput.
Based Inf. Syst. J., vol. 06 No. 01, 2018.
[5] R. E. Silalahi, H. S. Tambunan, and D. Suhendro, โPenerapan Data Mining Dalam Menentukan
Penerima Bantuan Sosial Dengan Algoritma C4.5 Pada Kantor Kecamatan Siantar Selatan,โ Semin.
Nas. Mat. dan Terap., vol. 1 ISSN: 27, 2019.
[6] F. A. Hermawati, Data Mining, I. Yogyakarta: CV Andi Offset, 2013.
[7] M. Arhami and M. Nasir, Data Mining-Algoritma dan Implementasi, I. Yogyakarta: Andi
Publishing, 2020.
Serambi Engineering, Volume VI, No. 1, Januari 2021 hal 1452 - 1464
1464
p-ISSN : 2528-3561
e-ISSN : 2541-1934
[8] Suyanto, Data Mining Untuk Klasifikasi Dan Klasterisasi Data, Edisi Revi. Bandung: Informatika
Bandung.
[9] Y. Mardi, โData Miningโฏ: Klasifikasi Menggunakan Algoritma C4.5,โ J. Edik Inform., vol. V2.i2
ISSN, pp. 213โ219, 2017.
[10] H. Widayu, S. D. Nasution, N. Silalahi, and Mesran, โData Mining Untuk Memprediksi Jenis
Transaksi Nasabah Pada Koperasi Simpan Pinjam Dengan Algoritma C4.5,โ MEDIA Inform.
BUDIDARMA, vol. 1 No.2 ISS, 2017.
[11] S. Haryati, A. Sudarsono, and E. Suryana, โImplementasi Data Mining Untuk Memprediksi Masa
Studi Mahasiswa Menggunakan Algoritma C4.5 (Studi Kasus: Universitas Dehasen Bengkulu),โ J.
Media Infotama, vol. 11, no. 2, pp. 130โ138, 2015.
[12] D. T. Bi, S. W. Sihwi, and AnggrainingsihRini, โImplementasi Iterative Dichotomiser 3 Pada Data
Kelulusan Mahasiswa S1 Di Universitas Sebelas Maret,โ J. ITSMART, vol. 4 No.2 ISS, pp. 84โ91,
2015.
[13] M. F. Kurniawan, J. N. Irawan, and Ivandri, โPeningkatan Performa Algoritma Naive Bayes
Dengan Gain Ratio Untuk Klasifikasi Kanker Payudara,โ Semin. Nas. Edusainstek, vol. ISBN: 978-
, 2018.
[14] Nendrabertus, โEksplorasi Data Mining Menggunakan RapidMiner,โ softovator.com, 2015.
[Online]. Available: https://www.softovator.com/eksplorasi-data-mining-menggunakan-
rapidminer/. [Accessed: 09-Oct-2010].
[15] R. A.S and M. Shalahuddin, Rekayasa Perangkat Lunak. Bandung: Informatika Bandung, 2016.