Volume 1, Nomor 5, Mei 2021

p-ISSN 2774-5147 ; e-ISSN 2774-5155

396

http://sostech.greenvest.co.id

PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA C4.5

DALAM MENENTUKAN KELAYAKAN PENERIMAAN BANTUAN

BEDAH RUMAH PADA DESA TIGA DOLOK

Paul V. M., Indra Gunawan, Bahrudi Efendi Damanik, Iin Parlina dan

Widodo Saputra

STIKOM Tunas Bangsa Pematangsiantar

E-mail: paulsitanggang653@gmail.com, _indra@amiktunasbangsa.ac.id,

_bahrudi@amiktunasbangsa.ac.id, _iin@amiktunasbangsa.ac.id dan

_widodo@amiktunasbangsa.ac.id

Diterima:

26 April 2021

Direvisi:

4 Mei 2021

Disetujui:

14 Mei 2021

Abstrak

Rumah yang layak huni merupakan kebutuhan dasar manusia,

rumah yang layak huni dikatakan jika pemilik rumah memiliki

rasa tentram dan nyaman tinggal di rumah tersebut. Rumah yang

layak huni dimaknai sebagai rumah yang memiliki fasilitas untuk

memenuhi kebutuhan manusia dalam melaksanakan aktivitas

sehari-hari. Belum tersalurkannya bantuan pemerintah secara

merata terhadap rumah penduduk Desa Tiga Dolok, disebabkan

oleh program yang telah berjalan selama ini sangat rumit, sistem

yang berjalan masih secara manual dalam pengolahan data

masyarakatnya. Oleh sebab itu penulis memberikan solusi untuk

mengklasifikasi tingkat kelayakan rumah dengan menggunakan

algoritma C4.5. Algoritma ini dipilih karena merupakan salah

satu metode pada Decision tree/Pohon Keputusan yang banyak

dimanfaatkan untuk melakukan prediksi terhadap suatu kasus.

Dengan demikian subsidi pemerintah untuk merenovasi rumah

yang tidak layak huni dapat disalurkan secara tepat sasaran.

Tujuan penelitian yaitu menggunakan pohon keputusan berbasis

algoritma C4.5 diharapkan dapat meningkatkan keakuratan

penerimaan bantuan renovasi kelayakan rumah. Metode

penelitian yang digunakan yaitu Data Mining. Analisa dan

perhitungan menggunakan algoritma ini sangat membantu proses

penentuan keputusan untuk menentukan masyarakat yang layak

menerima bantuan bedah rumah dan masyarakat yang tidak

layak menerima bantuan bedah rumah.

Kata kunci: Rumah Layak Huni; Algoritma C4.5; Decision tree

Abstract

A livable house is a basic human need, a livable house is said if

the homeowner has a sense of peace and comfort living in the

house. A livable house is defined as a house that has facilities to

meet human needs in carrying out daily activities. The

distribution of government assistance evenly to the homes of the

residents of Tiga Dolok Village, caused by the program that has

been running so far is very complicated, the system that runs is

still manually in the processing of community data. Therefore the

author provides a solution to classify the feasibility level of the

house using the C4.5 algorithm. This algorithm was chosen

because it is one of the methods in Decision tree that is widely

used to make predictions on a case. Thus government subsidies

Penerapan Data Mining Menggunakan Algoritma C4.5 SOSTECH, 2021

Dalam Menentukan Kelayakan Penerimaan Bantuan

Bedah Rumah pada Desa Tiga Dolok

Paul V. M., Indra Gunawan, Bahrudi Efendi Damanik, Iin Parlina dan

Widodo Saputra

397

to renovate uninhabitable homes can be channeled on target.

The purpose of the study is to use a decision tree based on the

C4.5 algorithm is expected to improve the accuracy of the

receipt of home feasibility renovation assistance. The research

method used is Data Mining. Analysis and calculation using this

algorithm greatly helps the decision-making process to

determine which communities are eligible for home surgical

assistance and people who do not deserve home surgical

assistance. Keywords: Livable House; C4.5 algorithm; Decision

tree

Keywords: Livable House; C4.5 algorithm; Decision tree

PENDAHULUAN

Kemiskinan merupakan salah satu masalah sosial dan ukuran terpenting untuk

mengatasi kemiskinan (Yacoub, 2013). Pahami tingkat kesejahteraan keluarga. Secara

keseluruhan kondisi kemiskinan di suatu daerah biasanya digunakan untuk mengukur

tingkat kesejahteraan suatu Negara (Purwanto & Taftazani, 2018). Permasalahan

kemiskinan yaitu memiliki rumah tidak layak huni dalam beberapa keluarga (Pramitha &

Warsono, 2016). Banyak dukungan dari pemerintah maupun masyarakat yang ingin

membantu, namun hal ini sering terjadi kesalahan maupun ketidak akuratan karena

kesalahan dalam pengolahan data calon penerima bantuan yang cukup besar secara

manual oleh panita pelaksana, sehingga terjadi kesalahan dalam pengambilan keputusan.

Informasi dapat digali dari beberapa data yang dikumpulkan yang berskala besar dapat

dilakukan dengan menggunakan teknologi data mining.

Daerah. rumah yang layak huni merupakan kebutuhan dasar manusia, rumah yang

layak huni harus dimaknai dari beberapa segi sosiologis, filosofis, kesehatan, legalitas,

fisik dan hemat energi. Secara teoritis sangat mudah dalam menemukan rumah yang

layak huni, secara sederhana rumah yang layak adalah tempat tinggal keluarga dan warga

dengan dukungan fasilitas lingkungan yang cukup untuk memenuhi kebutuhan dasar,

mulai dari air bersih, penerangan, sanitasi saluran pembuangan limbah, serta aman bagi

aktivitas penghuninya.

Desa atau Nagori Tiga Dolok masih banyak keluarga yang kurang mampu, salah

satunya rumah yang tidak layak huni, oleh karena itu untuk menanggulangi masalah ini

salah satunya program pemerintah adalah memberikan bantuan perbaikan rumah yang

tidak layak huni kepada masyarakat yang kurang mampu (Syaputra et al., 2021). Bantuan

bedah rumah adalah usaha untuk memberikan kesejahteraan masyarakat dan pemerataan

pembangunan.

Belum tersalurkannya bantuan pemerintah secara merata terhadap rumah penduduk

Desa Tiga Dolok, disebabkan oleh program yang telah berjalan selama ini sangat rumit,

sistem yang berjalan masih secara manual dalam pengolahan data masyarakatnya.

Oleh sebab itu, penulis memberikan solusi untuk mengklasifikasi tingkat kelayakan

rumah dengan menggunakan algoritma C4.5. Algoritma ini dipilih karena merupakan

salah satu metode pada Decision tree/Pohon Keputusan yang banyak dimanfaatkan untuk

melakukan prediksi terhadap suatu kasus (Elmande & Widodo, 2016). Dengan demikian

subsidi pemerintah dapat disalurkan secara tepat sasaran. Tujuan penelitian yaitu

menggunakan pohon keputusan berbasis algoritma C4.5 diharapkan dapat meningkatkan

keakuratan penerimaan bantuan renovasi kelayakan rumah.

Penelitian yang dilakukan oleh (Riadi & Rivai, 2020) mengatakan bedah rumah

merupakan salah satu program untuk warga miskin yang bertujuan tentunya untuk

Volume 1, Nomor 5, Mei 2021

p-ISSN 2774-5147 ; e-ISSN 2774-5155

398

http://sostech.greenvest.co.id

meringankan warga miskin agar memiliki rumah yang layak huni, selain itu diharapkan

kedepannya secara perlahan perekonomian yang dimiliki oleh warga tersebut dapat

berkembang serta meningkat lebih baik. Diperkuat oleh pendapat (Sidiq & Resnawaty,

2017) mengatakan partisipasi masyarakat merupakan prasyarat penting dalam

pelaksanaan pembangunan. Pembangunan yang tidak melibatkan masyarakat akan

cenderung memarginalkan masyarakat itu sendiri. Namun pada kenyataannya sering

terjadi pengabaian partisipasi masyarakat, sehingga masyarakat masih menjadi objek dari

pelaksanaan pembangunan

Penelitian terdahulu dilakukan oleh (Zaman, 2017) data mining dengan metode

klasifikasi menggunakan algoritma C4.5 sangat membantu dalam menentukan kelayakan

penerima bantuan RSRTLH, algoritma C4.5 dapat menemukan pola kelayakan penerima

bantuan rehabilitas sosial rumah tidak layak huni, pohon keputusan yang dihasilkan oleh

algoritma C4.5 mempercepat pengambilan keputusan oleh pihak yang berwenang.

Sehingga tingkat kesalahan dalam pengambilan keputusan bisa diperkecil,

pengimplementasian algoritma C4.5 dengan aplikasi WEKA dan RapidMiner

menghasilkan pohon keputusan yang sama dengan perhitungan manual, Pada riset

berikutnya mengembangkan algorima C4.5 untuk menentukan kelayakan penerima

bantuan rehabilatas sosial rumah tidak layak huni pada penelitian ini dalam bentuk

aplikasi data mining berbasiskan web.

METODE PENELITIAN

Data mining adalah proses yang menggunakan teknik statistic, matematika,

kecerdasan buatan dan machine learning untuk mengekstraksi dan mengidentifikasi

informasi yang bermanfaat (Handoko & Lesmana, 2018) dan pengetahuan yang terkait

dari berbagai database yang besar (Maulida, 2018). Hal penting yang terkait dengan data

mining adalah data mining merupakan suatu proses otomatis terhadap data yang sudah

ada (Nofriansyah et al., 2015), data yang akan diproses berupa data yang sangat besar dan

tujuan data mining adalah mendapatkan hubungan atau pola yang mungkin memberikan

indikasi yang bermanfaat (Nofriansyah et al., 2015).

Gambar 1. Proses-Proses Tahapan Data Mining

Algoritma C4.5 adalah salah satu metode klasifikasi dari data mining yang

digunakan untuk mengkonstruksikan pohon keputusan (decision tree)(Achmad, Slamat,

& ITATS, 2012). Menurut (Ratniasih, 2015) menjelaskan bahwa Decision tree atau

Penerapan Data Mining Menggunakan Algoritma C4.5 SOSTECH, 2021

Dalam Menentukan Kelayakan Penerimaan Bantuan

Bedah Rumah pada Desa Tiga Dolok

Paul V. M., Indra Gunawan, Bahrudi Efendi Damanik, Iin Parlina dan

Widodo Saputra

399

Pohon Keputusan adalah suatu metode klasifikasi yang paling popular karena mudah

untuk diinterpretasi oleh manusia.

Gambar 2. Decision tree

RapidMiner merupakan platform perangkat lunak ilmu data yang dikembangkan oleh

perusahaan yang bernama sama dengan pihak yang menyediakan lingkungan terintegrasi

untuk persiapan data (Elfaladonna & Rahmadani, 2019), penambangan teks dan analisis

prediktif (Pranoto & Harianto, 2020). RapidMiner dilengkapi dengan satu prosesor logika

dan 10.000 baris data (Aris & Benyamin, 2019). Berikut adalah gambar 3 tampilan

RapidMiner Studio Versi 9.3 yang akan digunakan peneliti seperti dibawah ini:

Gambar 3. Tampilan RapidMiner Studio versi 9.3

Volume 1, Nomor 5, Mei 2021

p-ISSN 2774-5147 ; e-ISSN 2774-5155

400

http://sostech.greenvest.co.id

Berikut merupakan penjelasan dari fitur-fitur yang terdapat dalam Rapid Miner:

a. View operators : Semua tahapan kerja ditampilkan secara berkelompok dan bisa

diikutsertakan di dalam proses analisa

b. View repository : Komponen pusat yang menyediakan service untuk manajemen dan

structural proses analisa baik data, data-data proses maupun hasil

c. View process : Menampilkan tahap-tahap individual operator di dalam proses analisa

dan juga interkoneksi

d. View parameter : Operator-operator yang mungkin memerlukan untuk bisa

berfungsi. Setelah sebuah operator dipilih di view process maka parameternya akan

ditampilkan

e. View help dan comment : Menampilkan deskripsi dari operator sedangkan view

comment menampilkan komentar yang dapat diedit terhadap operator.

HASIL DAN PEMBAHASAN

Menyiapkan Data

Tabel 1. Daftar Isian Data Dasar Keluarga

Nama

KK

Kondis

i Atap

Rumah

Kondis

i

Dindin

g

Rumah

Kondis

i

Lantai

Rumah

Pencahay

aan

Rumah

Sirkulasi

Udara

Sarana

MCK

TP

S

Status

Kepemilik

an Rumah

Penghasil

an

BENYA

MIN

SIRAIT

Bagus

Layak

Pakai

Semen

Terang

Sejuk

Ada

Milik

Sendiri

Rp.

20.000.000

.

RACHE

L PSB

Bagus

Layak

Pakai

Semen

Terang

Sejuk

Ada

Milik

Sendiri

Rp.

12.000.000

.

ROSLIN

A

GULTO

M

Bagus

Layak

Pakai

Semen

Terang

Sejuk

Ada

Milik

Sendiri

Rp.

7.000.000.

MARUA

HA

SINAGA

Bagus

Layak

Pakai

Semen

Terang

Tidak

Sejuk

Ada

Milik

Sendiri

Rp.

7.000.000.

JONRI

TINDAO

N

Bagus

Layak

Pakai

Semen

Terang

Sejuk

Ada

Milik

Sendiri

Rp.

7.000.000.

LENNE

Y

SINAGA

Bagus

Layak

Pakai

Semen

Terang

Sejuk

Ada

Milik

Sendiri

Rp.

5.000.000.

LIBERT

MNRG

Bagus

Layak

Pakai

Semen

Terang

Sejuk

Ada

Milik

Sendiri

Rp.

4.500.000.

MASRIA

STG

Rusak

Layak

Pakai

Tanah

Redup

Sejuk

Ada

Tdk

Ada

Milik

Sendiri

Rp.

2.000.000.

RANDA

MNRG

Bagus

Layak

Pakai

Semen

Redup

Sejuk

Ada

Milik

Sendiri

Rp.

6.350.000.

AGUNG

MNRG

Rusak

Tidak

Layak

Pakai

Tanah

Terang

Sejuk

Ada

Tdk

Ada

Sewa

Rp.

1.500.000.

Penerapan Data Mining Menggunakan Algoritma C4.5 SOSTECH, 2021

Dalam Menentukan Kelayakan Penerimaan Bantuan

Bedah Rumah pada Desa Tiga Dolok

Paul V. M., Indra Gunawan, Bahrudi Efendi Damanik, Iin Parlina dan

Widodo Saputra

401

i=1$

ARLINA

MNRG

Bagus

Tidak

Layak

Pakai

Semen

Redup

Sejuk

Tdk

Ada

Tdk

Ada

Sewa

Rp.

1.000.000.

RABEN

NA

MANIK

Bagus

Tidak

Layak

Pakai

Tanah

Redup

Sejuk

Tdk

Ada

Milik

Sendiri

Rp.

1.300.000.

ELPERI

DA

SINAGA

Rusak

Tidak

Layak

Pakai

Tanah

Terang

Sejuk

Tdk

Ada

Milik

Sendiri

Rp.

1.400.000.

DENNI

SINAGA

Bagus

Layak

Pakai

Tanah

Terang

Tidak

Sejuk

Tdk

Ada

Milik

Sendiri

Rp.

1.000.000.

RESTI

MANIK

Rusak

Tidak

Layak

Pakai

Tanah

Terang

Sejuk

Tdk

Ada

Milik

Sendiri

Rp.

1.500.000.

NAOMI

PPN

Rusak

Layak

Pakai

Semen

Terang

Tidak

Sejuk

Ada

Milik

Sendiri

Rp.

2.000.000.

HENDRI

K P

Bagus

Tidak

Layak

Pakai

Tanah

Terang

Sejuk

Tdk

Ada

Tdk

Ada

Sewa

Rp.

1.000.000.

MANAT

AR

Rusak

Tidak

Layak

Pakai

Semen

Terang

Sejuk

Ada

Tdk

Ada

Sewa

Rp.

1.000.000.

NURLI

OPS

Bagus

Tidak

Layak

Pakai

Tanah

Terang

Sejuk

Ada

Tdk

Ada

Sewa

Rp.

1.000.000.

HOBBI

OPS

Rusak

Tidak

Layak

Pakai

Tanah

Redup

Tidak

Sejuk

Tdk

Ada

Tdk

Ada

Sewa

Rp.

3.000.000.

Sumber data : Kantor Kepala Desa Tiga Dolok

Perhitungan Algoritma C4.5

Proses perhitungan menggunakan algoritma C4.5 untuk memperoleh hasil klasifikasi

pohon keputusan sebagai berikut :

Langkah 1 : Menentukan Nilai Entropy dan menghitung Entropy semua kasus yang

dibagi bedasarkan kelas atribut.

Rumus : Entropy(S) =

∑

𝑛

$

−$

𝑝

i$* $log2$pi$

$

Keterangan :

S = Himpunan Kasus

n = Jumlah Partisi S

pi = Proporsi Si terhadap S

Langkah 2 : Perhitungan Gain untuk untuk masing-masing atribut.

Rumus : Gain(S,A)Entropy(S)-

∑

𝑛

$

|

𝑆

i|

$*$

𝐸𝑛𝑡𝑟𝑜𝑝𝑦

$(

𝑆

i)

$

Keterangan :

S = Himpunan Kasus

A = Fitur

n = Jumlah Partisi Atribut A

|Si| = Proporsi Si terhadap S

|S| = Jumlah Kasus dalam S

i=1$

|

𝑆

|

$

Volume 1, Nomor 5, Mei 2021

p-ISSN 2774-5147 ; e-ISSN 2774-5155

402

http://sostech.greenvest.co.id

$

Entropy [Total] = (−$

12$

*$

𝑙𝑜𝑔

2$(

12$

)$+$(−$

8$

*$

𝑙𝑜𝑔

2$($

8$

))$

)$

20$ 20$ 20$ 20$

= 0,442179 + 0,528771

= 0,97095059. Untuk menghitung nilai entropy total, kita

menjumlahkan partisi layak dan partisi tidak layak.

Entropy [Kondisi Atap Rumah-Bagus]

= (−$

5$

*$

𝑙𝑜𝑔

2$($

5$

))$+$(−$

8$

*$

𝑙𝑜𝑔

2$($

8$

))$

13$ 13$ 13$ 13$

= 0,530197 + 0,43104

= 0,9612366. Untuk menghitung entropy tersebut, kita menjumlahkan partisi [Kondisi

Atap Rumah-Bagus yang layak] dengan [Kondisi Atap Rumah-Bagus yang tidak layak].

Entropy [Kondisi Atap Rumah-Rusak]

= (−$

7

$

7$

7$ 0$

*$

𝑙𝑜𝑔

2$($ ))$+$(−

$

7$ 7$

0$

*$

𝑙𝑜𝑔

2$($ ))

$

7$

= 0 + 0

= 0. Untuk menghitung entropy tersebut, kita menjumlahkan partisi [Kondisi Atap

Rumah-Rusak yang layak] dengan [Kondisi Atap Rumah-Rusak yang tidak layak].

Menghitung Gain untuk nilai Kondisi Atap Rumah

= 0,97095059 -

(

13

)*0,961236 +($

7

$

)

*0

20$ 20$

= 0,346146801. Nilai Gain merupakan hasil dari entropy total dikurang dengan setiap

partisi dibagi dengan jumlah total lalu dikali dengan jumlah entropy partisi.

Penerapan Data Mining Menggunakan Algoritma C4.5 SOSTECH, 2021

Dalam Menentukan Kelayakan Penerimaan Bantuan

Bedah Rumah pada Desa Tiga Dolok

Paul V. M., Indra Gunawan, Bahrudi Efendi Damanik, Iin Parlina dan

Widodo Saputra

403

Tabel 2. Pengolahan Data Menggunakan Microsoft Office Excel 2010

Jumlah

Layak

Tidak Layak

Entropy

Gain

Total

20

12

8

0,97095059

Kondisi Atap

Rumah

0,346146801

Bagus

13

5

8

0,9612366

Rusak

7

0

Kondisi

Dinding Rumah

0,506007579

Layak

Pakai

11

3

8

0,84535094

Tidak

Layak

Pakai

9

0

Kondisi Lantai

Rumah

0,506007579

Semen

11

3

8

0,84535094

Tanah

9

0

Pencahayaan

Rumah

0,403838894

Terang

15

8

7

0,99679163

Redup

5

4

1

0,72192809

Sirkulasi Udara

0,342246693

Sejuk

16

9

7

0,98869941

Tidak

Sejuk

4

3

1

0,81127812

Sarana MCK

0,346146801

Ada

13

5

8

0,9612366

Tidak Ada

7

0

Tempat

Pembuangan

Sampah

0,346146801

Ada

13

5

8

0,9612366

Tidak Ada

7

0

Penghasilan/

Bulan

0

>/= Rp.

5.000.000.

7

0

7

0

>/=

Rp.2.000.0

00. -

3.000.000.

3

0

</= Rp.

1.000.000.

-

1.500.000.

9

0

Volume 1, Nomor 5, Mei 2021

p-ISSN 2774-5147 ; e-ISSN 2774-5155

404

http://sostech.greenvest.co.id

1.

Kondisi

Dinding

Rumah

Layak Pakai

Tidak Layak Pakai

1.1

Kondisi

Lantai Rumah

Berhak

Menerima

Bantuan

Bedah Rumah

Tanah

1.1.2

?

Berhak

Menerima

Bantuan Bedah

Rumah

Semen

Sumber: Penulis dengan data penelitian

Perhitungan Pohon Keputusan

Setelah mendapatkan hasil pohon keputusan, maka akan didapatkan root node dan

dihubungkan oleh cabang, bergerak ke bawah dari root node sampai berakhir di leaf

node. Dapat kita lihat pada gambar 4 di bawah ini.

Gambar 4. Perhitungan Pohon Keputus an

Hasil Percobaan Menggunakan RapidMiner Studio

Proses Pengujian Dengan RapidMiner Studio

Proses pengujian dengan menggunakan metode decision tree C4.5 pada aplikasi

RapidMiner Studio dapat dilihat seperti tahapan dibawah ini :

Langkah 1 : Buka aplikasi RapidMiner Studio, berikut ini merupakan tampilan awal

aplikasi RapidMiner Studio Versi 9.7.