SKRIPSI - Repo.pelitabangsa.ac.id
SKRIPSIPENGAMBILAN KEPUTUSAN SELEKSI PENERIMA BANTUANRUMAH TIDAK LAYAK HUNI (RTLH) PENDUDUK DESAKALIANYAR DENGAN MENGGUNAKAN ALGORITMA NAIVEBAYESDiajukan untuk memenuhi salah satu syaratmemperoleh gelar Sarjana Teknik InformatikaDisusun oleh:Nama: Nur AzizahNIM: 311510497PROGRAM STUDI TEKNIK INFORMATIKAFAKULTAS TEKNIKUNIVERSITAS PELITA BANGSAKABUPATEN BEKASI2019
SKRIPSIPENGAMBILAN KEPUTUSAN SELEKSI PENERIMA BANTUANRUMAH TIDAK LAYAK HUNI (RTLH) PENDUDUK DESAKALIANYAR DENGAN MENGGUNAKAN ALGORITMA NAIVEBAYESDiajukan untuk memenuhi salah satu syaratmemperoleh gelar Sarjana Teknik InformatikaDisusun oleh:Nama: Nur AzizahNIM: 311510497PROGRAM STUDI TEKNIK INFORMATIKAFAKULTAS TEKNIKUNIVERSITAS PELITA BANGSAKABUPATEN BEKASI2019i
PERSETUJUAN SKRIPSIii
PENGESAHAN DEWAN PENGUJIiii
PERNYATAAN KEASLIAN SKRIPSIiv
PERNYATAAN PERSETUJUAN PUBLIKASIv
UCAPAN TERIMAKASIHSegala puji dan syukur penulis panjatkan kepada Allah SWT yang telahmemberikan rahmat dan anugrahkan-Nya kepada penulis, sehingga penulis dapatmenyelesaikan Laporan Tugas Akhir ini. Penulisan Laporan Tugas Akhir denganjudul “Pengambilan Keputusan Seleksi Penerima Bantuan Rumah Tidak Layak Huni(RTLH) Penduduk Desa Kalianyar Dengan Menggunakan Algoritma Naive Bayes”dimaksudkan untuk mencapai gelar Sarjana Komputer Strata Satu pada ProgramStudi Teknik Informatika, Universitas Pelita Bangsa.Penulis menyadari bahwa dalam penyusunan Laporan Tugas Akhir inibukanlah dari jerih payah sendiri, melainkan dari bimbingan berbagai pihak. Olehsebab itu penulis mengucapkan banyak terima kasih kepada semua pihak yang turutmembantu dalam proses penulisan Laporan Tugas Akhir ini, yaitu kepada :1. Allah SWT yang telah memberikan penulis rahmat dan kesehatan.2. Putri Anggun Sari, S.Pt., M.Si, selaku Dekan Fakultas Teknik UniversitasPelita Bangsa.3. Aswan S. Sunge, SE., M.Kom, selaku ketua Program Studi TeknikInformatika.4. Karsito, S.Kom, M.Kom, sebagai Dosen Pembimbing I dan Edri Fauzan,S.Si., MM sebagai Dosen Pembimbing II yang telah memberikan idepenelitian, memberikan bimbingan dan masukan kepada penulis.5. Seluruh Dosen pengajar Strata satu (S1) Teknik Informatika Universitas PelitaBangsa, yang telah mendidik dan memberikan pengetahuan yang tak ternilaikepada penulis selama mengikuti perkuliahan.6. Orang tua dan keluarga tercinta yang telah memberikan dukungan moril, doadan kasih sayang.7. Teman-teman mahasiswa Strata satu (S1) Teknik Informatika UniversitasPelita Bangsa yang selalu membantu dalam setiap kesempatan.vi
8. Karno Juni Prayoga, S.Kom, sebagai sahabat yang selalu ada.Penulis menyadari bahwa mungkin masih terdapat kekurangan dalam Laporan TugasAkhir ini. Oleh karena itu, kritik dan saran dari pembaca sangat bermanfaat bagipenulis. Semoga laporan ini dapat bermanfaat bagi semua pihak yang membacanya.Bekasi, 29 September 2019Penulisvii
ABSTRAKProgram bantuan Rumah Tidak Layak Huni (RTLH) merupakan programdari Pemerintah dalam rangka menanggulangi kemiskinan dan upaya isameningkatkankesejahteraan. Pengambilan data yang digunakan pada penelitian ini dengan metodeobservasi, wawancara, dan penyebaran angket (kuisioner). Program bantuan RTLH diDesa Kalianyar masih terdapat kesulitan dalam menentukan kelayakan penerimabantuan dan masih belum tepat sasaran, namun untuk meningkatkan kualitas hidupmasyarakat miskin sudah tercapai dengan adanya program bantuan RTLH. Penelitianbertujuan untuk mengetahui tingkat akurasi dan pengaruh algoritma Naive Bayesterhadap data yang digunakan dalam penelitian ini. Dalam implementasinya di DesaKalianyar belum ada teknik penilaian yang tepat sasaran dalam menentukan seleksipenerima bantuan RTLH. Algoritma Naive Bayes dapat memprediksi peluang di masadepan berdasarkan pengalaman di masa sebelumnya. Pengujian Data Mining denganmenggunakan algoritma Naive Bayes menghasilkan accuracy sebesar 98.67%,precision 100.00%, recall 97.83% dan nilai AUC sebesar 0.998. Dapat disimpulkanbahwa, algoritma Naive Bayes memiliki akurasi yang sangat baik pada penelitian ini.Kata kunci: RTLH, Data Mining, Klasifikasi, Algoritma Naive Bayes.viii
ABSTRACTInappropriate Home Improvement Program (RTLH) is a program from theGovernment in order to reduce poverty and efforts to provide protection to poorfamilies in order to improve welfare. Retrieval of data used in this study with themethod of observation, interviews, and questionnaire distribution (questionnaire).The unfit housing program (RTLH) in the village Kalianyar there are still difficultiesin determining the eligibility of beneficiaries and are still not well targeted, but toimprove the quality of life of the poor has been achieved with the uninhabitablehousing programs (RTLH). The research aims to determine the level of accuracy andthe effect of the Naive Bayes algorithm on the data used in this study. In itsimplementation in the village Kalianyar there is no appraisal technique that is righton target in determining the selection of beneficiaries for uninhabitable housing(RTLH). The Naive Bayes algorithm can predict future opportunities based onprevious experience. Testing Data Mining using the Naive Bayes algorithm producesan accuracy of 98.67%, precision 100.00%, recall 97.83% and AUC value of 0.998.Can be concluded that, Naive Bayes algorithm has very good accuracy in this study.Keywords : RTLH, Data Mining, Classification, Naive Bayes algorithm.ix
DAFTAR ISIPERSETUJUAN SKRIPSI . iiPENGESAHAN DEWAN PENGUJI . iiiPERNYATAAN KEASLIAN SKRIPSI . ivPERNYATAAN PERSETUJUAN PUBLIKASI . vUCAPAN TERIMAKASIH . viABSTRAK . viiiABSTRACT . ixDAFTAR ISI . xDAFTAR TABEL . xiiiDAFTAR GAMBAR . xivBAB I PENDAHULUAN . 11.1Latar Belakang . 11.2Identifikasi Masalah . 31.3Rumusan Masalah . 31.4Batasan Masalah . 31.5Tujuan Penelitian . 31.6Manfaat Penelitian . 4BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI . 52.1TINJAUAN PUSTAKA . 52.1.1Kajian Jurnal Pertama . 52.1.2Kajian Jurnal Kedua . 52.1.3Kajian Jurnal Ketiga. 52.2LANDASAN TEORI . 72.2.1Data Warehouse . 72.2.2Data Mining . 82.2.3Proses Tahapan Data Mining . 92.2.4Teknik Klasifikasi . 11x
2.2.5Prediksi. 122.2.6Algoritma Naive Bayes . 122.2.7Cross Validation . 162.2.8Confusion Matrix . 162.2.9Akurasi . 172.2.10Aplikasi Rapid Miner . 182.2.11Pengertian Desa. 182.2.12Program Bantuan RTLH . 192.2.12Pengertian Rumah Layak Huni dan Tidak Layak Huni . 202.2.13Kerangka Pemikiran . 21BAB III METODE PENELITIAN. 223.1Objek Penelitian . 223.2Metode Pengumpulan Data . 223.2.1Jenis Data . 223.2.2Sumber Data . 223.3Data yang digunakan . 243.3.1Pengolahan Data Awal . 243.3Metode yang digunakan . 263.5Pengujian Metode . 263.6Evaluasi dan Validasi Hasil . 273.7Instrument Penelitian . 273.7.1Bahan. 273.7.2Kebutuhan Perangkat Lunak (Software) . 273.7.3Perangkat Keras (Hardware) . 28BAB IV HASIL PENGUJIAN DAN PEMBAHASAN . 294.1Dataset. 294.2Proses Pengujian . 294.3Perhitungan Naive Bayes . 304.3.1Perhitungan Probabilitas Prior (P(Ci)) . 304.3.2Perhitungan Probabilitas Posterior X bersyarat C (P(X Ci)) . 30xi
4.4Perhitungan Manual . 344.4.1Pendevinisian Variabel. 354.4.2Pendefinisian Probabilitas Prior P(Ci) . 364.4.3Perhitungan Probabilitas Data Testing . 364.4.4Pemaksimalan P(X Ci) . 364.5Implementasi Klasifikasi Naive Bayes pada Rapid Miner . 374.5.1Proses Select Attributes . 374.5.2Proses Pengujian . 384.5.3Proses Cross Validation 10 Fold . 384.5.4Akurasi dan Prediksi 10 Fold Cross Validation . 394.5.5Kurva ROC/AUC (Area Under Curve). 424.5.6Analisa Akurasi (Accuracy) . 43BAB V PENUTUP . 465.1Kesimpulan . 465.2Saran . 46DAFTAR PUSTAKA . 47LAMPIRAN . 49xii
DAFTAR TABELTabel 2. 1 Ringkasan Penelitian . 6Tabel 2. 2 Confusion Matrix . 17Tabel 3. 1 Pemilihan Variabel . 25Tabel 3. 2 Perangkat Lunak (Software) . 28Tabel 3. 3 Perangkat Keras (Hardware) . 28Tabel 4. 1 Dataset yang digunakan . 29Tabel 4. 2 Probabilitas Prior. 30Tabel 4. 3 Probabilitas Status Rumah . 30Tabel 4. 4 Probabilitas Kondisi Bangunan . 31Tabel 4. 5 Probabilitas Jenis Atap . 31Tabel 4. 6 Probabilitas Kondisi Atap . 31Tabel 4. 7 Probabilitas Jenis Dinding . 32Tabel 4. 8 Probabilitas Kondisi Dinding . 32Tabel 4. 9 Probabilitas Jenis Lantai . 32Tabel 4. 10 Probabilitas Sumber Air Minum . 32Tabel 4. 11 Probabilitas Daya Terpasang . 33Tabel 4. 12 Probabilitas Bahan Bakar Memasak . 33Tabel 4. 13 Probabilitas Fasilitas BAB . 33Tabel 4. 14 Probabilitas Jumlah Tanggungan . 34Tabel 4. 15 Probabilitas Pekerjaan . 34Tabel 4. 16 Probabilitas Menanggung/Menjamin . 34Tabel 4. 17 Data Testing . 35Tabel 4. 18 Hasil Accuracy (Evaluasi Cross Validation) . 39Tabel 4. 19 Hasil Precision (Evaluasi Cross Validation) . 40Tabel 4. 20 Hasil Recall (Evaluasi Cross Validation) . 41Tabel 4. 21 Analisa Kesalahan Prediksi . 43xiii
DAFTAR GAMBARGambar 2. 1 Tahapan Knowledge Discovery Database (KDD)[9]. 11Gambar 2. 2 Alur Naive Bayes[1] . 14Gambar 2. 3 Kerangka Pikir. 21Gambar 4. 1 Proses Pengujian awal . 38Gambar 4. 2 Desain Pengujian Metode Naive Bayes . 39Gambar 4. 3 Diagram Kurva ROC/AUC . 43Gambar 4. 4 Hasil Evaluasi Data Terklasifikasi 10 Fold . 44xiv
BAB IPENDAHULUAN1.1Latar BelakangTingkat taraf hidup di Indonesia dinilai masih sangat jauh dari kata sejahterawalaupun berdasarkan informasi dari Badan Pusat Statistik (BPS) presentasependuduk miskin dibanding September 2018, jumlah penduduk miskin pada Maret2019 di daerah perkotaan turun sebanyak 136,5 ribu orang (dari 10,13 juta orang padaSeptember 2018 menjadi 9,99 juta orang pada Maret 2019). Sementara itu, untukdaerah pedesaan turun sebanyak 393,4 ribu orang (dari 15,54 juta orang padaSeptember 2018 menjadi 15,15 juta orang pada Maret 2019). Sebagai negaraberkembang Indonesia masih harus dihadapkan pada permasalahan kemiskinan.Dimana masalah kemiskinan hingga saat ini masih menjadi hambatan dalammewujudkan kehidupan yang sejahtera. Dengan melihat penduduk miskin diIndonesia yang cukup besar, maka diperlukan adanya penanganan yang serius baikdari Pemerintah Pusat maupun Pemerintah Daerah.Sebagaimana kita ketahui bahwa kemiskinan akan berdampak pada tidakterpenuhinya kebutuhan dasar manusia yang mencakup kebutuhan fisik, psikis, sosialdan spiritual. Salah satunya adalah tidak terpenuhinya kebutuhan tempat tinggal yanglayak huni karena bagi masyarakat miskin, rumah hanya digunakan sebagai tempatsinggah tanpa tahu bagaimana kelayakan yang dilihat dari segi fisik, mental dansosial. Hal ini terjadi karena kondisi ekonomi yang kurang baik, untuk memenuhikebutuhan rumah layak huni berbanding lurus dengan pendapatan dan pengetahuantentang fungsi rumah itu sendiri. Memiliki rumah layak huni adalah hak pemenuhandasar bagi rakyat Indonesia. Sebagaimana yang tertera dalam Undang-Undang Dasar1945 Pasal 28 H hasil amandemen ke IV, dijelaskan bahwa “ Rumah adalah salahsatu hak dasar setiap rakyat Indonesia, maka setiap warga negara berhak untukmendapatkan tempat tinggal dan lingkungan hidup yang baik dan sehat. Oleh karena1
2itu, setiap rakyat Indonesia berhak untuk memiliki rumah. Karena rumah merupakankebutuhan dasar manusia dalam meningkatkan harkat, martabat, mutu kehidupanserta berupaya dalam meningkatkan tarap hidup, pembentukan watak, karakter dankepribadian bangsa.Beberapa program terkait peningkatan kualitas rumah tidak layak huni darikementrian atau lembaga sudah banyak dilaksanakan dengan berbagai sumberpendanaan. Sedangkan upaya Pemerintah Jawa Barat dalam mensukseskan programterkait perumahan antara lain, Program Bantuan Rumah Tidak Layak Huni (RTLH)yang dicanangkan oleh Kementrian Pekerjaan Umum dan Perumahan Rakyat (PUPR)yang bertujuan untuk meningkatkan derajat rakyat miskin. Penerima program bantuanRTLH adalah masyarakat miskin yang memiliki rumah tidak layak huni dengankriteria yang perlu dipertimbangkan diantaranya, status kesejahteraan, statuspenguasaan bangunan milik sendiri, kondisi dinding atau atap rusak, dinding atauatap terbuat dari bahan semi permanen dan mudah rusak atau lapuk, lantai dari tanahdan lain-lain. Program bantuan RTLH yang sudah berjalan di Desa Kalianyar,Kecamatan Krangkeng, Kabupaten Indramayu dari tahun 2014 sampai saat ini masihkurang merata, disebabkan karena kurangnya pengetahuan dari masyarakat mengenaiRTLH. Selain itu, dalam proses penentuannya masih banyak kekurangan dalammenentukan keluarga yang berhak menerima program bantuan RTLH. Para pihakyang terkait dalam pelaksanaan kegiatan RTLH perlu melakukan koordinasi agarmendapatkan hasil yang maksimal, sehingga pelaksanaan program bantuan RTLHdapat berjalan lancar dan tepat sasaran. Namun dalam pelaksanaannya, masih seringkali mengalami kesulitan dalam menentukan penerima program bantuan RTLH yangtepat sasaran dan menghabiskan waktu yang relatif lama.Berdasarkan latar belakang diatas, penulis akan melakukan sebuah penelitianyang berjudul “PENGAMBILAN KEPUTUSAN SELEKSI PENERIMA BANTUANRUMAH TIDAK LAYAK HUNI (RTLH) PENDUDUK DESA KALIANYARDENGAN MENGGUNAKAN ALGORITMA NAIVE BAYES”.
31.2Identifikasi MasalahBerdasarkan latar belakang diatas, maka didapatkan suatu identifikasimasalah yaitu :1. Masih terdapat kesulitan untuk menentukan kelayakan program bantuanRTLH di Desa Kalianyar.2. Pemberian program bantuan RTLH masih belum tepat sasaran.1.3Rumusan MasalahDari uraian identifikasi masalah diatas, penulis merangkum rumusan sebagaiberikut, bagaimana cara menerapkan data mining untuk menentukan kelayakanpenerima program bantuan RTLH di Desa Kalianyar?1.4Batasan MasalahBatasan Masalah ini berfungsi untuk membatasi persoalan yang dihadapiagar tidak menyimpang dari yang diinginkan. Adapun batasan masalahnya, yaitu :1. Untuk menentukan kelayakan RTLH menggunakan metode naive bayes.2. Pelaksanaan program RTLH hanya berfokus di Desa Kalianyar.3. Data yang digunakan adalah data calon penerima bantuan RTLH daritahun 2014-2019.1.5Tujuan PenelitianTujuan yang ingin dicapai dalam penelitian ini adalah :1. Untuk mempermudah dalam menentukan kelayakan program bantuanRTLH di Desa Kalianyar.2. Untuk mempercepat proses target program bantuan RTLH.3. Untuk mengetahui pengaruh metode naive bayes terhadap penentuankelayakan program bantuan RTLH di Desa Kalianyar.4. Untuk mengetahui faktor yang paling signifikan dalam menentukankelayakan program bantuan RTLH.
41.6Manfaat PenelitianHasil dari penelitian ini diharapkan dapat memberikan manfaat dari berbagaipihak diantaranya :1. Bagi PenulisDiharapkan penelitian ini dapat mengembangkan wawasan gikutipendidikan di Program Studi Teknik Informatika hingga daat ini.2. Bagi STT Pelita BangsaDapat dijadikan bahan informasi dan referensi bagi pembaca dan rujukanbagi peneliti yang akan melaksanakan penelitian sejenis.3. Bagi MasyarakatSebagai bahan masukan dalam membantu menentukan kelayakan wargayang berhak menerima program bantuan RTLH.4. Bagi Pemerintah DesaPenelitian ini diharapkan dapat memberikan masukan dalam mengatasipermasalahan sosial di masyarakat agar dapat dijadikan sebagai salahsatu alternatif pemecahan dari berbagai masalah untuk tercapainyasebuah keberhasilan program bantuan RTLH pada masa mendatang.
BAB IITINJAUAN PUSTAKA DAN LANDASAN TEORI2.1TINJAUAN PUSTAKA2.1.1Kajian Jurnal Pertama“Klasifikasi Metode Naive Bayes Dalam Data Mining Untuk MenentukanKonsentrasi Siswa (Studi Kasus di MAS PAB 2 MEDAN)” dalam penelitian iniberisi tentang memanfaatkan data training untuk menghasilkan probabilitas setiapkriteria untuk class yang berbeda, sehingga nilai-nilai probabilitas dari kriteriatersebut dapat dioptimalkan untuk memprediksi konsentrasi siswa berdasarkan prosesklasifikasi yang dilakukan dan berdasarkan data akademik siswa yang dijadikan datatraining, metode naive bayes berhasil mengklasifikasikan 109 data siswa dari 120data yang diuji. Sehingga dengan demikian metode naive bayes ini berhasilmemprediksi konsentrasi siswa dengan presentase keakuratan sebesar 90,8333% [1].2.1.2Kajian Jurnal Kedua“Aplikasi Klasifikasi Penerima Kartu Indonesia Sehat MenggunakanAlgoritma Naive Bayes Classifier” dalam penelitian ini berisi tentang perlunyamembangun sistem aplikasi klasifikasi penentuan penerima Kartu Indonesia Sehatpada Dinas Sosial Kabupaten Sukoharjo. Dan data yang digunakan sebagai bahanpertimbangan untuk penentuan penerima Kartu Indonesia Sehat adalah usia,pendidikan terakhir, pekerjaan, pendapatan perbulan dan tanggungan anak.Berdasarkan pengujian data testing sebanyak 13 kali percobaan dengan menghasilkanrata-rata nilai accuracy sebesar 94,78% precision 98,86% dan recall 90,98%[2].2.1.3Kajian Jurnal Ketiga“Penentuan Kelayakan Penerima Bantuan Renovasi Rumah Warga MiskinMenggunakan Naive Bayes” membahas tentang tingkat akurasi perhitungan algoritma5
6naive bayes menggunakan tools WEKA dengan jumlah data yang digunakan adalah50 data dengan 7 kriteria didapatkan hasil bahwa 90% algoritma naive bayes tepatdigunakan untuk membantu dalam pengambilan keputusan seleksi penerima bantuanrenovasi rumah, sedangkan 10% tidak dapat membantu dalam pengambilankeputusan[3].Tabel 2. 1 Ringkasan PenelitianNo.JudulPenulisKesimpulan1.Klasifikasi Metode Alfa SalehMenggunakan metode naive bayesNaiveBayesdalam memanfaatkan data trainingDalamDatauntuk menghasilkan probabilitas setiapMiningUntukkriteria untuk class yang berbeda,Menentukansehingga nilai-nilai probabilitas dariKonsentrasi Siswakriteria tersebut dapat dioptimalkan(Studiuntuk memprediksi konsentrasi siswaKasusMASdiPBAberdasarkan proses klasifikasiMEDAN. (2014)2.AplikasiAzizAbdul menggunakan metode naive tu Yogiek Indra IndonesiaIndonesiaSehat sarkanconfidenceMenggunakantertinggi pada setiap variabel label atauAlgoritmaNaivesetiap variabel independent. AplikasiClassifier.Klasifikasi ini dapat membantu lasifikasiataupenerima Kartu Indonesia Sehat.bukan
7No.JudulPenulisKesimpulan3.PenentuanBety Wulan Tingkat akurasi perhitungan algoritmaKelayakanSari,Donni naivebayesmenggunakantoolsPenerima Bantuan PrabowoWEKA menunjukan bahwa 90% tepatRenovasiRumahdigunakan untuk membantu mabantuanrenovasi rumah.Bayes.(2017)2.2LANDASAN TEORI2.2.1Data WarehouseData Warehouse adalah sebuah tempat penyimpanan data yang lengkap dankonsisten dimana data yang tersimpan saling berelasi dan dirancang a.Datatersebutkemudianditransformasikan menjadi sebuah informasi yang dapat diakses kapan saja dan selaluup-to-date. Informasi ini kemudian akan digunakan untuk dianalisis agarmenghasilkan keputusan yang tepat.Data Warehouse juga dikatakan sebagai kumpulan data yang berorientasisubjek, terintegrasi, tidak dapat diupdate, memiliki dimensi waktu yang digunakanuntuk mendukung proses manajemen pengambilan keputusan dan kecerdasanbisnis[4].Data Warehouse merupakan database relational yang didesain dandianalisis dari pada proses transaksinya, yang memiliki history data dari prosestransaksi dan bisa juga data dari sumber lain. Data warehouse memisahkan bebankerja analisis dari beban kerja transaksi dan memungkinkan sebuah organisasi untukmenggabungkan data dari berbagai macam sumber sehingga dapat digunakan untukmembantu dalam pengambilan keputusan manajemen[5].
8Dari beberapa definisi diatas, maka dapat disimpulkan bahwa data warehouseadalah kumpulan informasi yang didapat dari berbagai sistem operasi perusahaankemudian dikumpulkan dalam sebuah database terpisah untuk diekstraksi agar dataterintegrasi dan dapat digunakan untuk analisis dalam pengambilan keputusan.2.2.2Data MiningData Mining adalah kegiatan menemukan pola yang menarik dari data yangjumlahnya besar, data dapat disimpan dalam database, data warehouse, ataupenyimpanan informasi lain[6].Data Mining adalah serangkaian proses untuk menggali nilai tambah berupainformasi yang selama ini tidak diketahui secara manual dari suatu basis data.Informasi yang dihasilkan dan diperoleh dengan cara mengekstraksi dan mengenalipola yang penting dan menarik dari data yang terdapat pada basis data. Data miningdigunakan untuk mencari pengetahuan yang terdapat dalam basis data yang besarsehingga sering disebut Knowledge Discovery Database (KDD)[7].Data Mining adalah langkah analisis terhadap proses penemuan pengetahuandi dalam basis data atau Knowledge Discovery Database (KDD). Pengetahuan bisaberupa pola data atau relasi antar data yang valid yang artinya tidak diketahuisebelumnya. Data mining juga merupakan gabungan sejumlah disiplin ilmu komputeryang didefinisikan sebagai proses penemuan pada pola-pola baru dari kumpulan datayang sangat besar, meliputi metode yang merupakan irisan dari artifical intellegence,machine learning, statistics dan database system. Data mining ditunjukan untukmengekstrak (mengambil intisari) pengetahuan dari sekumpulan data sehinggadidapatkan struktur yang bisa dimengerti manusia serta meliputi basis data danmanagement data, sebelum pemprosesan data, pertimbangan model dan inferensi,ukuran ketertarikan, pertimbangan kompleksitas, setelah pemrosesan terhadapstruktur yang ditemukan, visualisasi, dan online updating[8].Jadi berdasarkan pengertian diatas dapat disimpulkan bahwa pengertian datamining merupakan suatu proses ekstraksi informasi atau pengetahuan dari suatu basis
9data yang belum diketahui sebelumnya. Sehingga, informasi yang diperoleh dapatmempercepat pengambilan suatu keputusan.2.2.3Proses Tahapan Data MiningData Mining merupakan inti dari proses Knowledge Discovery Database(KDD), yaitu proses untuk menggali dan menganalisis sejumlah data danmengekstrak informasi dan pengetahuan yang berguna. Hasil pengetahuan yangdiperoleh dalam proses tersebut dapat digunakan sebagai basis pengetahuan untukkeperluan pengambilan keputusan. Sebagai suatu rangkaian proses, data mining dapatdibagi menjadi beberapa tahapan proses yang bersifat interaktif, yaitu penggunaterlibat langsung dengan perantara Knowledge Discovery Database (KDD). Tahapantahapan data minin
penduduk miskin dibanding September 2018, jumlah penduduk miskin pada Maret 2019 di daerah perkotaan turun sebanyak 136,5 ribu orang (dari 10,13 juta orang pada September 2018 menjadi 9,99 juta orang pada Maret 2019). Sementara itu, untuk daerah pedesaan turun sebanyak 393,4 ribu orang (dari 15,54 juta orang pada
Finally, the article presents an analysis of a repo squeeze, in which a repo trader with market power chooses the optimal mix of funding via a triparty repo and funding directly in the repo market. Two appen-dixes provide additional analysis on the term struc-ture of repo spreads and on how repo rates affect the
ESP-IDF 4.3 PowerShell. Clone the repo for the tutorial . Clone the following repo to download all sample device code. If you previously cloned this repo in another tutorial, you don't need to do it again. Using the ESP-IDF Powershell: 1. Navigate to a directory where you wish to clone the repo. 2. Clone the repo with the following command:
Regulatory Arbitrage in Repo Markets . Benjamin Munyan . . contribute to an understanding of repo markets and their potential for systemic risk and to the literature on seasonality. Section 2 provides an overview of the repo markets and . liquidity risk in the quantity and type of collateral they pledge, increasing their exposure
Debt Instruments and Markets Professor Carpenter The Repo Market 6 Credit Risk in Repo For example, suppose a school district enters into a 10mm 30-day repo with a low capitalized dealer. The dealer delivers 10mm worth of a T-Note. If the dealer is forced into bankruptcy and ca
BAB III KERANGKA LAPORAN SKRIPSI-NONSKRIPSI 12 3.1 Bagian Awal Skripsi-Nonskripsi 12 3.2 Bagian Tengah Skripsi-Nonskripsi 14 3.3 Bagian Akhir Skripsi-Nonskripsi 21 BAB IV FORMAT DAN TATA CARA PENULISAN SKRIPSI-NONSKRIPSI 22 4.1 Kertas 22 4.2 Ketikan 22 4.3 Penomoran 23 .
skripsi, maksud skripsi, logo Universitas Muria Kudus, nama dan nomor mahasiswa, nama fakultas, nama universitas, nama kota, dan tahun penyusunan skripsi. 1. Judul skripsi merupakan ekspresi dari topik yang akan diteliti (Sarwidi, dkk. 2001). Judul skripsi dibuat singkat dan jelas seperti yang diuraikan pada usulan penelitian. 2.
skripsi ini memuat beberapa hal terkait dengan tujuan, sasaran, sistematika penyusunan skripsi, dan teknik penulisan skripsi. Sebagai pedoman bagi mahasiswa jurusan KPI dalam menyusun skripsi, buku ini juga dilengkapi dengan video penyusunan skripsi dan format penulisan skripsi yang dapat diakses melalui web jurusan dan channel YouTube KPI.
GRADE: K . Strand: READING STANDARDS FOR LITERATURE Cluster 1: Key Ideas and Details STANDARD CODE STANDARD LAFS.K.RL.1.1 With prompting and support, ask and answer questions about key details in a text. Cognitive Complexity: Level 2: Basic Application of Skills & Concepts LAFS.K.RL.1.2 With prompting and support, retell familiar stories, including key details. Cognitive Complexity: Level 2 .
