Implementasi Algoritma Clasification Andregression Trees (Cart) Dalam Klasifikasi Ekonomi Keluarga Pada Desadagang Kelambir Tg.

Implementasi Algoritma Clasification Andregression Trees (Cart) Dalam

Klasifikasi Ekonomi Keluarga Pada Desadagang Kelambir Tg.Morawa

Eti Yonika Sri Ritno

Program Studi Teknik Informatika, STMIK Budi Darma, Medan, Indonesia Jalan Sisingamangaraja No. 338 Medan, Indonesia

Abstrak

Jaringan syaraf tiruan cabang dari kecerdasan buatan yang meniru atau mencontoh cara kerja otak manusia. JST dapat diimplementasikan pada berbagai macam aplikasi untuk menyelesaikan banyak masalah khususnya dalam bidang peramalan.Salah satu algoritma yang sering digunakan adalah Bacpropagation. Backpropagation salah satu algoritma yang dapat digunakan untuk memprediksi Jumlah permintaan pemasangan Indihome. Ada dua tahapan yang digunakan pada metode backpropagation ini yaitu tahap pelatihan dan Ekonomi keluarga adalah suatu kajian tentang upaya manusia dalam memenuhi kebutuhan-kebutuhannya melalui aktivitas-aktivitas yang dilakukan oleh seseorang yang bertanggung jawab atas kebutuhan dan kebahagiaan bagi kehidupannya. Data mining adalah proses mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar.Datamining dapat meningkatkan nilai tambah suatu database. Salah satu algoritma dalam Data Mining adalah Algoritma Clasification And Regression Trees (CART) merupakan salah satu metode atau algoritma dari salah satu teknik eksplorasi data yaitu teknik pohon keputusan. CART terbilang sederhana namun merupakan metode yang kuat. CART bertujuan untuk mendapatkan suatu kelompok data yang akurat sebagai penciri dari suatu pengklasifikasian. selain itu CART digunakan untuk menggambarkan hubungan antara variabel respon (variabel dependen atau tak bebas) dengan satu atau lebih variabel prediktor (variabel independen atau bebas). Dengan penggunaan tools weka, hasil dari proses penerapanAlgoritma Clasification And Regression Trees (CART)adalah informasi atau knowledge dimana informasi tersebut dapat menjadi alternatif yang dapat digunakan oleh pegawai kantor kepala desa dalam mengklasifikasikan ekonomi keluarga.

Kata Kunci: Klasifikasi, Ekonomi Keluarga, Data Mining, CART, Weka. Abstract

Family economy is a study of human efforts in meeting their needs through activities carried out by someone who is responsible for the needs and happiness of his life. Data mining is the process of extracting and identifying useful information and related knowledge from various large databases. Daminamining can increase the added value of a database. One of the algorithms in Data Mining is the Clasification And Regression Trees (CART) Algorithm is one method or algorithm of one of the data exploration techniques, namely decision tree technique. CART is fairly simple but is a powerful method. CART aims to get an accurate group of data as a characteristic of a classification. besides that CART is used to describe the relationship between response variables (dependent or non-dependent variables) with one or more predictor variables (independent or independent variables). With the use of weka tools, the results of the implementation process of the Clasification And Regression Trees (CART) algorithm are information or knowledge where the information can be an alternative that can be used by village head office employees in classifying the family economy.

Keywords: Classification, Family Economy, Data Mining, CART, Weka.

1. PENDAHULUAN

Ekonomi keluarga adalah suatu kajian tentang upaya manusia dalam memenuhi kebutuhan-kebutuhannya melalui aktivitas-aktivitas yang dilakukan oleh seseorang yang bertanggung jawab atas kebutuhan dan kebahagiaan bagi kehidupannya. Keadaan ekonomi setiap orang berbeda-beda dan bertingkat, ada yang keadaan ekonominya tinggi, sedang, dan rendah. Sosial ekonomi juga menentukan kedudukan atau posisi seseorang dalam kelompok manusia yang ditentukan oleh jenis aktivitas ekonomi, pendapatan, tingkat pendidikan, jenis rumah tinggal, dan jabatan. Pendataan ekonomi keluarga dapat dilakukan dengan menggunakan data pengeluaran sebagai pendekatan pendapatan rumah tangga. Kemudian data pengeluaran ini diperbandingkan dengan suatu batas nilai tukar rupiah yang diperlukan untuk memenuhi kebutuhan hidup minimum. Contohnya dalam hal pengklasifikasian ekonomi keluarga berdasarkan pendapatan mereka, pekerjaannya, serta status rumah tinggal yang dimiliki warga setempat, pegawai kantor desa masih menggunakan sistem pencatatan didalam buku. Sehingga hal tersebut mempunyai banyak kelemahan antara lain banyaknya data atau laporan yang tidak terarsip dengan baik, sehingga pencarian data penduduk seperti data penduduk berdasarkan ekonomi keluarga sangat sulit dilakukan. Misalnya ketika penduduk akan mendapat program bantuan Raskin, dana BLT, dan lain sebagainya pegawai kantor desa akan sangat sulit mendapatkan data warga yang berhak menerima bantuan, pencarian data tersebut banyak memakan waktu karena harus mencari satu persatu data penduduk berdasarkan kriteria penerima bantuan. Untuk mengatasi permasalahan tersebut diperlukan suatu solusi pengklasifikasian data secara terkomputerisasi salah satunya dengan menggunakan metode data mining. Data mining adalah penyaringan data secara implisit dimana sebelumnya tidak diketahui terdapatnya informasi yang potensial, data mining menganalisis data menggunakan tools untuk menemukan pola dan aturan dalam himpunan data, banyak Algoritma kalsifikasi dalam metode data mining salah satunya adalah Algoritma CART (Classification and Regression Trees). Algoritma CART

(Classification and Regression Trees) merupakan salah satu metode atau algoritma dari teknik eksplorasi data yaitu teknik pohon keputusan, CART terbilang sederhana namun merupakan metode yang kuat. Berdasarkan penelitian sebelumnya yang dilakukan oleh Muhammad Faisal Amin menyimpulkan bahwa Algoritma CART (Classification and Regression Trees) algoritma cart terbukti cukup akurat dalam memprediksi kelulusan mahasiswa. Model pohon keputusan ini akan membantu Karyawan dalam mengambil keputusan yang lebih tepat dan cepat [1].

2. LANDASAN TEORI

2.1 Algoritma Clasification and Regression Tress (CART)

Pohon keputusan merupakan teknik yang paling efisien. Ibaratnya, kita menyaring sesuatu lewat pohon keputusan, apakah suatu data lolos atau tidak terhadap saringan kita dengan proses yang cukup cepat. Teknik regresi sangat banyak, tetapi yang paling terkenal adalah algoritma yang diperkenalkan oleh Prof. Briemann dengan istilah The Clasification and Regression Tree (CART) [2]. Ciri khas algoritma CART ini adalah noktah keputusan yang selalu bercabang biner [3].

Ada beberapa langkah-langkah yang terdapat pada algoritma CART [3] adalah sebagai berikut:

1. Susunlah calon cabang (candidate split), penyusunan ini dilakukan terhadap seluruh variabel prediktor secara lengkap (exhaustive). Daftar yang berisi calon cabang disebut daftar calon cabang mutakhir.

2. Menilai kinerja keseluruhan calon cabang yang ada pada daftar calon cabang mutakhir dengan jalan menghitung nilai besaran kesesuaian,



(

s

|

t

)

, yang akan diterangkan kemudian. Kesesuaian dari calon cabang s pada noktah keputusan t dilambagkan dengan



(

s

|

t

)

dan didefinisikan sebagai berikut.

a. Persamaan 1

)

|

(

s

t



=

2

P

_L

P

_R

|

(

|

_L

)

(

|

_R

)

|

kategori jumlah i j

t

j

P

t

j

P

−



= ₍₁₎ b. Persamaan 2

=

L

t

calon cabang kiri dari noktah keputusan t

c. Persamaan 3

=

L

t

calon cabang kanan dari noktah keputusan t

d. Persamaan 4

=

L

P

jumlah catatan pada calon cabang kiri

t

_L

Jumlah catatan pada data latihan (2) e. Persamaan 5

=

R

P

jumlah catatan pada calon cabang kiri

t

_R

Jumlah catatan pada data latihan (3)

f. Persamaan 6

=

)

|

(

j

t

_L

P

jumlah catatan pada berkategori j pada calon cabang kiri

t

_L

Jumlah catatan pada data latihan (4) g. Persamaan 7

=

)

|

(

j

t

_L

P

jumlah catatan pada berkategori j pada calon cabang kiri

t

_L

Jumlah catatan pada data latihan (5)

Bila didefinisikan besarannya: h. Persamaan 8

)

|

(

s

t



=

|

(

|

L

)

(

|

R

)

kategori jumlah i j

t

j

P

t

j

P

−



= (6)

Maka berdasarkan persamaan diatas didapatkan persamaan berikut: i. Persamaan 9

)

|

(

s

t

3. Menentukan calon cabang manakah yang akan benar-benar dijadikan cabang dengan memilih calon cabang yang memiliki nilai kesesuaian terbesar. Setelah itu gambarkanlah percabangan. Jika tidak ada lagi noktah keputusan, pelaksanaan Algoritma CART akan dihentikan. Namun, jika masih terdapat noktah keputusan, pelaksanaan Algoritma dilanjutkan dengan kembali kelangkah kedua, dengan terlebih dahulu membuang calon cabang yang telah berhasil menjadi cabang sehingga mendapatkan daftar calon cabang mutakhir yang baru.

3. ANALISA DAN PEMBAHASAN

Analisa ekonomi keluarga di dusun IV Dagang Kelambir, tahap pengklasifikasian ekonomi keluarga dengan mengumpulkan data yang dibutuhkan, kemudian menginputkan data ke dalam database, lalu diklasifikasikan menjadi golongan ekonomi yang sesuai dengan kriteria. Proses pengklasifikasian ekonomi keluarga, dalam penelitian ini mencoba memanfaatkan data warga dusun IV Dagang Kelambir terdahulu untuk membantu petugas. Proses pengklasifikasian ekonomi keluarga, penelitian ini mengambil data dari daftar data warga yang bertujuan untuk mengklasifikasikan ekonomi keluarga yang berhak mendapatkan program bantuan pemerintah, sehingga dapat membantu para pegawai kantor desa dalam penyeleksian data warga berdasarkan klasifikasi ekonomi keluarga.Data yang menjadi pokok pembahasan adalah data-data dari daftar data warga pada tahun 2012 yang diambil dari pegawai kantor desa yang akan diolah dengan menggunakan Algoritma CART,dengan tujuan agar dapat mengetahui klasifikasi ekonomi keluarga yang berhak menerima program bantuan. Dalam pembahasan ini adapun syarat untuk menentukan klasifikasi tinggi, dan sedang yaitu rendah dengan menentukan pendapatan/bulan kepala keluarga, pekerjaan kepala keluarga, dan status rumah tinggal. yang dikatakan klasifikasi tinggi adalah pendapatan yang > 4.500.000-, dengan status rumah tinggal adalah milik sendiri. Sedangkan klasifikasi sedang adalah pendapatan yang ≤ 4.500.000-, dengan status rumah tinggal milik sendiri dan sewa. Dan sedangkan klasifikasi ekonomi keluarga rendah adalah pendapatan ≤ 1.800.000-, dengan status rumah tinggal sewa. Pendapatan rata-rata kepala keluarga didapat dengan mengikuti upah minimum regional (UMR). Adapun tujuan klasifikasi ini dibuat agar mempermudah kita untuk menentukan data yang akan menjadi calon cabang dan tujuan prediktornya.

Tabel 1. Daftar Data Warga Tahun 2012 (sudah ditransformasi)

No Pekerjaan Jumlah Anggota Keluarga Pendapatan/bln Status Rumah Tinggal Klasifikasi 1 Karyawan 3 Orang ≤4.500.000 Milik Sendiri Tinggi 2 Wiraswasta 4 Orang ≤2.200.000 Sewa Rendah 3 Wiraswasta 6 Orang ≤3.300.000 Sewa Rendah 4 Wiraswasta 9 Orang ≤3.300.000 Milik Sendiri Sedang 5 Buruh 7 Orang ≤1.800.000 Sewa Rendah 6 Pedagang 3 Orang ≤3.500.000 Sewa Rendah 7 Karyawan 6 Orang ≤4.500.000 Milik Sendiri Tinggi 8 Wiraswasta 5 Orang ≤2.200.000 Milik Sendiri Sedang 9 Karyawan 5 Orang ≤4.500.000 Milik Sendiri Tinggi 10 Pedagang 5 Orang ≤2.500.000 Milik Sendiri Rendah 11 Buruh 7 Orang ≤1.800.000 Sewa Rendah 12 Karyawan 3 Orang ≤3.500.000 Sewa Rendah 13 Petani 3 Orang ≤2.200.000 Milik Sendiri Rendah 14 Pedagang 4 Orang ≤3.500.000 Milik Sendiri Tinggi 15 Buruh 6 Orang ≤1.800.000 Milik Sendiri Sedang 16 Buruh 3 Orang ≤1.800.000 Milik Sendiri Sedang 17 Wiraswasta 4 Orang ≤3.300.000 Milik Sendiri Tinggi 18 Wiraswasta 3 Orang ≤3.300.000 Sewa Sedang 19 Buruh 7 Orang ≤1.800.000 Sewa Rendah 20 Buruh 8 Orang ≤1.800.000 Sewa Rendah 21 Pedagang 5 Orang ≤3.500.000 Sewa Rendah 22 Buruh 4 Orang ≤1.800.000 Sewa Rendah 23 Wiraswasta 6 Orang ≤2.200.000 Sewa Rendah 24 Buruh 4 Orang ≤1.800.000 Sewa Rendah 25 Buruh 5 Orang ≤1.800.000 Sewa Rendah 26 Buruh 3 Orang ≤1.800.000 Milik Sendiri Sedang 27 Supir 3 Orang ≤20.00.000 Milik Sendiri Rendah 28 Petani 4 Orang ≤1.800.000 Sewa Rendah 29 Wiraswasta 5 Orang ≤2.200.000 Sewa Rendah

30 Petani 3 Orang ≤1.800.000 Milik Sendiri Rendah 31 Pedagang 6 Orang ≤3.500.000 Milik Sendiri Sedang 32 Pedagang 8 Orang ≤3.500.000 Sewa Rendah 33 Pedagang 5 Orang ≤2.500.000 Milik Sendiri Sedang 34 Supir 4 Orang ≤2.000.000 Sewa Rendah 35 Pedagang 8 Orang ≤2.500.000 Sewa Rendah 36 Petani 3 Orang ≤1.800.000 Sewa Rendah 37 Supir 6 Orang ≤2.000.000 Sewa Sedang 38 Wiraswasta 5 Orang ≤2.200.000 Sewa Rendah 39 Pedagang 3 Orang ≤2.500.000 Milik Sendiri Sedang 40 Buruh 6 Orang ≤1.800.000 Sewa Rendah 41 Pedagang 3 Orang ≤3.500.000 Milik Sendiri Sedang 42 Pedagang 4 Orang ≤2.500.000 Sewa Rendah 43 Pedagang 6 Orang ≤2.500.000 Milik Sendiri Sedang 44 Supir 5 Orang ≤2.000.000 Sewa Rendah 45 Buruh 5 Orang ≤1.800.000 Sewa Rendah Berdasarkan semua data diatas, maka dilakukan pengklasifikasian dengan Algoritma CART, berikut langkah-langkah penyelesaiannya:

1. Menyusun Calon Cabang (Candidate Splite)

penyusunan ini dilakukan terhadap seluruh variabel prediktor secara lengkap (exhaustive). Daftar yang berisi calon cabang disebut daftar calon cabang mutakhir.

Pembuatan calon cabang akan selalu patuh pada ciri khas Algoritma CART, yaitu adanya noktah keputusan yang selalu bercabang dua atau biner. Calon cabang untuk variabel prediktor pekerjaan adalah sebagai berikut: a. Pekerjaan = Karyawan, dan Pekerjaan = (Wiraswasta, Pedagang, Buruh, Petani, Supir)

b. Pekerjaan = Wiraswasta, dan Pekerjaan = (Karyawan, Pedagang, Buruh, petani, Supir) c. Pekerjaan = Pedagang, dan Pekerjaan = (Karyawan, Wiraswasta, Buruh, petani, Supir) d. Pekerjaan =Buruh, dan Pekerjaan = (Karyawan, Wiraswasta, Pedagang, Petani, Supir) e. Pekerjaan = Petani, dan Pekerjaan = (Karyawan, Wiraswasta, Pedagang, Buruh, Supir) f. Pekerjaan = Supir, dan Pekerjaan = (Karyawan, Wiraswasta, Pedagang, Buruh, Petani).

Pada variabel prediktor pendapatan yang sifatnya numerik, calon cabang yang dapat diusulkan adalah sebagai berikut:

a. Pendapatan ≤ 1.800.000-, dan Pendapatan > 1.800.000-, b. Pendapatan ≤ 2.500.000-, dan Pendapatan > 2.500.000-, c. Pendapatan ≤ 4.500.000-, dan Pendapatan > 4.500.000-,

Calon cabang untuk variabel prediktor status rumah tinggal adalah sebagai berikut: a. Status rumah tinggal = Milik Sendiri, dan Status rumah tinggal = Sewa b. Status rumah tinggal = Sewa, dan Status rumah tinggal = Milik sendiri

Mengingat ciri khas AlgoritmaCART yang setiap noktah keputusannya adalah bercabang biner, maka calon cabang akan diberi nama calon cabang kiri dan calon cabang kanan. Selengkapnya, keseluruhan calon cabang pada Tabel 2. berikut ini.

Tabel 2Daftar calon cabang mutakhir

Nomor Calon cabang kiri Calon cabang kanan

1 Pekerjaan = Karyawan Pekerjaan = (Wiraswasta, Pedagang, Buruh, Petani, Supir) 2 Pekerjaan = Wiraswasta Pekerjaan = (Karyawan, Pedagang, Buruh, Supir),

3 Pekerjaan = Pedagang Pekerjaan = (Karyawan, Wiraswasta, Buruh, Petani, Supir) 4 Pekerjaan = Buruh Pekerjaan = (Karyawan, Wiraswasta, Pedagang, Petani

Supir)

5 Pekerjaan = Petani Pekerjaan = (Karyawan, Wiraswasta, Pedagang, Buruh, Supir)

6 Pekerjaan = Supir Pekerjaan = (Karyawan, Wiraswasta, Pedagang, Buruh, Petani)

7 Pendapatan ≤ 1.800.000 Pendapatan > 1.800.000-, 8 Pendapatan ≤ 2.500.000-, Pendapatan > 2.500.000-, 9 Pendapatan ≤ 4.500.000-, Pendapatan > 4.500.000-,

10 Jenis Rumah tinggal = Milik sendiri Jenis Rumah tinggal = sewa, Milik Sendiri 11 Jenis Rumah tinggal = Sewa Jenis Rumah tinggal = Milik sendiri, Sewa

2. Menilai kinerja keseluruhan calon cabang yang ada pada daftar calon cabang mutakhir dengan jalan menghitung nilai besaran kesesuaian



(

s

|

t

)

, yang terdapat pada rumus 3.1. Hasil perhitungan nilai kesesuaian bagi tiap calon cabang yang masih terdapat dalam daftar calon cabang mutakhir dihitung kembali menggunakan rumus 3.9, seperti pada tabel 3. berikut.

Tabel 3. Perhitungan nilai kesesuaian untuk calon cabang 1-11 iterasi-1

No

P

_L

P

_R Status Rumah Tinggal

(

j tL

)

P | P

(

j|t_R

)

2.P_L.P_R Q

( )

s|t 

( )

s|t 1 4/45= 0.088 41/45= 0.911 Tinggi 3/4 = 0.75 2/41 = 0.048 0.160 1.402 0.2243 Sedang 0 12/41 = 0.292 Rendah 1/4 = 0.25 27/41 = 0.658 2 9/45= 0.2 36/45= 0.8 Tinggi 1/9 = 0.111 4/36 = 0.111 0.32 0.195 0.0624 Sedang 2/9 = 0.222 9/36 = 0.25 Rendah 6/9 = 0.666 23/36 = 0.638 3 12/45 = 0.266 33/45= 0.733 Tinggi 1/12 = 0.083 4/33 = 0.121 0.389 0.189 0.0735 Sedang 4/12 = 0.333 7/33 = 0.212 Rendah 8/12 = 0.666 21/33 = 0.636 4 12/45 = 0.266 33/45= 0.733 Tinggi 0 5/33 = 0.151 0.389 0.309 0.1202 Sedang 3/12 = 0.25 8/33 = 0.242 Rendah 9/12 = 0.75 20/33 = 0.606 5 4/45= 0.088 41/45= 0.911 Tinggi 0 5/41 = 0.121 0.160 0.78 0.1248 Sedang 0 11/41 = 0.268 Rendah 4/4 = 1 25/41 = 0.609 6 4/45= 0.088 41/45= 0.911 Tinggi 0 5/41 = 0.151 0.160 0.244 0.0390 Sedang 1/4 = 0.25 7/41 = 0.170 Rendah 3/4 = 0.75 27/41 = 0.707 7 10/45 = 0.222 35/45= 0.777 Tinggi 0 5/35 = 0.142 0.344 0.914 0.3144 Sedang 0 11/35 = 0.342 Rendah 10/10 = 1 19/35 = 0.514 8 25/45 = 0.555 20/45= 0.444 Tinggi 0 5/20= 0.25 0.492 0.5 0.246 Sedang 8/25 = 0.32 3/20 = 0.15 Rendah 17/25 = 0.68 12/20 = 0.6 9 45/45 = 1 0/45 = 0 Tinggi 5/45 = 0.111 0 0 0.999 0 Sedang 12/45 = 0.266 0 Rendah 28/45 = 0.622 0 10 23/45= 0.511 22/45= 0.226 Tinggi 5/23 = 0.217 0 0.230 1.213 0.2789 Sedang 10/23 = 0.434 1/22 = 0.045 Rendah 8/23 = 0.347 21/22 = 0.954 11 22/45= 0.226 23/45= 0.511 Tinggi 0 5/22 = 0.192 0.230 1.188 0.2732 Sedang 1/22 = 0.045 10/23 = 0.434 Rendah 21/22 = 0.954 8/23 = 0.347

Untuk mendapatkan gambaran mengenai cara mendapatkan Tabel 4.4 berikut adalah penjelasan mengenai perhitungan nilai kesesuaian, misalnya bagi calon cabang 7, yaitu calon cabang yang terdiri atas calon cabang kiri yaitu pendapatan ≤ 1.800.000-, dan calon cabang kanannya yaitu > 1.800.000-.

)

|

(

s

t



=



|

(

|

)

−

(

|

)

=

|

0

−

0

.

142

|

+

|

0

−

0

.

344

|

+

|

1

−

0

.

514

=

0

.

914

= L R kategori jumlah i j

t

j

P

t

j

P

Dan didapatkan pula hasil dari perhitungan kesesuaian adalah

)

|

(

s

t



=

2

P

_L

P

_R



P

(

s

|

t

)

=

2

(

0

.

222

)(

0

.

777

)(

0

.

194

)

=

0

.

3144

3. Langkah ketiga algoritma CART iterasi-1

Langkah ketiga algoritma ini adalah menentukan calon cabang manakah yang akan benar-benar dijadikan cabang. Hal ini dilakukan dengan memilih calon cabang yang memiliki nilai kesesuaian terbesar. Berdasarkan tabel 4.4 diatas tampak bahwa calon cabang nomor 7 adalah calon cabang dengan nilai besaran kesesuaian terbesar dari pada calon cabang yang lain, maka calon cabang inilah yang akan kita pilih sebagai cabang pada tahap ini sehingga kita memperoleh pohon keputusan seperti pada gambar 1 dari iterasi 1.

Gambar 1. Pohon keputusan bagi masalah klasifikasi ekonomi keluarga (iterasi 1)

Pendapatan ≤ 1.8 Pendapatan > 1.8

Gambar 1. Pohon keputusan bagi masalah klasifikasi ekonomi keluarga (iterasi 1) Dari Gambar 1. tampak jelas bahwa:

1. pada noktah dasar kita masih berhadapan dengan seluruh catatan, yaitu catatan 1, 2, 3, 4, 5, 6, 7, 9, 10, 11, 12, 13, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45.

2. Calon cabang nomor 7 kini telah benar-benar menjadi cabang. Adapun cabang kirinya yaitu 6, 10, 13, 18, 21, 29, 33, 36, 39, 44, karena nilai variabel prediktor bagi kedua catatan ini seluruhnya adalah Pendapatan ≤ 1.800.000 = Rendah, maka noktah terminasi akan dihasilkan.

3. Cabang kanannya, yaitu cabang yang memenuhi syarat Pendapatan > 1.800.000-, dan karena nilai variabel prediktor bagi catatan-catatan ini ada yang mamiliki status ekonomi keluarga = tinggi, rendah sedang, maka dihasilkan noktah keputusan, karena merupakan noktah keputusan pertama kita dapat menyebutnya noktah keputusan A. Noktah ini akan bercabang lebih lanjut karena bukan termasuk noktah terminasi.

Untuk saat ini, daftar calon cabang mutakhir berasal dari daftar sejenis sebelumnya yaitu pada Tabel 4.3, dengan membuang calon cabang yang telah berhasil menjadi cabang pada langkah-langkah sebelumnya, seperti yang terlihat pada tabel 3.berikut.

Tabel 3. Daftar calon cabang mutakhir

Nomor

Calon Calon cabang kiri Calon cabang kanan

1 Pekerjaan = Karyawan Pekerjaan = (Wiraswasta, Pedagang, Buruh, Petani, Supir)

2 Pekerjaan = Wiraswasta Pekerjaan = (Karyawan, Pedagang, Buruh, Supir), 3 Pekerjaan = Pedagang Pekerjaan = (Karyawan, Wiraswasta, Buruh, Petani,

Supir)

4 Pekerjaan = Buruh Pekerjaan = (Karyawan, Wiraswasta, Pedagang, Petani Supir)

5 Pekerjaan = Petani Pekerjaan = (Karyawan, Wiraswasta, Pedagang, Buruh, Supir)

6 Pekerjaan = Supir Pekerjaan = (Karyawan, Wiraswasta, Pedagang, Buruh, Petani)

7

8 Pendapatan ≤ 2.500.000-, Pendapatan > 2.500.000-, 9 Pendapatan ≤ 4.500.000-, Pendapatan > 4.500.000-, 10 Jenis Rumah tinggal = Milik sendiri Jenis Rumah tinggal = sewa, Milik Sendiri 11 Jenis Rumah tinggal = Sewa Jenis Rumah tinggal = Milik sendiri, Sewa

Noktah dasar Pendapatan ≤ 1.8

Vs Pendapatan > 1.8

Noktah terminasi Status ekonomi keluarga {catatan 6, 10, 13, 18, 21, 29, 33, 36, 39, 44}

Noktah Keputusan A

Tampak bahwa Tabel 3 sebenarnya berasal dari tabel 2 dengan membuang calon cabang 7 yang ada pada langkah ketiga iterasi-1 telah berhasil menjadi cabang. Hasil perhitungan kesesuaian bagi tiap calon cabang yang masih terdapat dalam daftar calon cabang mutakhir adalah pada tabel 3.

4. IMLEMENTASI

Hasil klasifikasi dapat dilihat pada Gambar 2 dengan hasil klasifikasi 5,1,5 diatas. Sedangkan pada confusion matrix terdapat klasifikasi yang digunakan pada perhitungan data yaitu classified as A = Tinggi, dimana dengan jumlah sampel 45 berarti terdapat 5 data yang memiliki klasifikasi tinggi. Sedangkan classified as B = Rendah, dimana terdapat 29 sampel data yang memiliki klasifikasi rendah. Kemudian classified as C = Sedang, dimana ada 11 sampel data yang memiliki klasifikasi rendah

Gambar 2. LanjutanTampilan Clasification Cart.

5. KESIMPULAN

Berdasarkan uraian yang telah dibuat mengenai implementasi Algortima Clasification And Regression Tress (Cart), maka penulis dapat menarik beberapa kesimpulan yang diperoleh dari pembahasan tersebut, antara lain: 1. Algoritma Clasification and Regression tress (Cart) dapat digunakan dalam pengklasifikaian ekonomi

keluarga pada Kantor Kepala Desa Tanjung Morawa.

2. Data warga dapat diklasifikasi dengan menggunakan Algoritma Clasification and Regression (Cart) dengan melihat data yang memenuhi nilai kesesuaian terbesar berdasarkan data warga sebelumnya. Namun dalam penyusunan candidate split dan perhitungan keseluruhan calon cabangnya sangat sulit jika data yang diolah dalam jumlah yang besar.

3. Tehnik data mining dengan algoritma Cart dapat diimplementasikan pada sistem klasifikasi ekonomi keluraga dengan data yang digunakan adalah data warga pada tahun 2012 dan pengujian sampel menggunakan tools Weka 3.8.1.

REFERENCES

[1] Amin Faisal Muhammad, "Penerapan Algoritma Untuk Memprediksi Status Kelulusan Mahasiswa," Jutisi, vol. 5, p. 1222, Desember 2016.

[2] Kusrini and Emha Taufiq Luthfi, Algoritma Data Mining, I ed, Theresia Ari Prabawati, Ed. Yogyakarta, Indonesia: Andi, 2009. [3] Eko Prasetyo, DATA MINING Konsep dab Aplikasi Menggunakan Matlab. Yogyakarta, Indonesia: Andi, 2012.

[4] Nofriyandyah Dicky, Algoritma Data Mining Dan Pengujian. Yogyakarta, Indonesia: Deepublish, 2015. [5] Astuti Hermawati Fajar, Data Mining. Yogyakarta, Indonesia: Andi, 2009.

[6] Pudjo Prabowo Widodo, Trias Handayanto, and Herlawati , Penerapan Data Mining Dengan Matlab. Bandung, Indonesia: Rekayasa Sains, 2013.

[7] Susanto Sani and Dedi Suryadi, Pengantar Data Mining Menggali Penetahuan Dan Bongkahan Data. Yogyakarta, Indonesia: Andi, 2010.

[8] Paul Anthony Samuelson. (2010, januari) www.ekonomi.com. [Online]. www.ekonomi.com/2010/10-pengertian-keluarga-ekonomi.html

[9] Jogohera. (2015, mei) www.Gurupendidikan.com. [Online]. http://jogohera /2015/05/daftar-pengertian-ilmu-ekonomi-menurut.html [10] Jogiyanto, Analisis dan Desain, III ed. Yogyakarta, Indonesia: Andi, 2010.

[11] Abidin Taufik Fuadi. (2016) www.informatika.unsyiah.ac.id/tfa. [Online]. http://www.cs.waikato.ac.nz/ml/weka/

[12] Elfaki F Elawad and Akram Ali, "Application of Data Mining Techniques for Establishing Sizing System for Army Officers in Sudan," IJREAS, vol. 6, no. 1, p. 103, January 2016.

[13] David Kumar Satish, Amr T.M Saeb, and Khalid Al Rubeaan, "Comparative Analysis of Data Mining Tools and Classification," IISTE, vol. 4, pp. 31-32, 2013.