Page 1
1
Perbandingan Peraturan Menteri PUPR 14 – 2018 Dengan Metode Naïve
Bayes Dalam Penentuan Kawasan Kumuh (Studi Kasus : Kelurahan Rintis
Kecamatan Limapuluh Kota Pekanbaru)
Ilham Ramadani1, Tekad Matulatan2, Nola Ritha3
[email protected]
Jurusan Teknik Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji
ABSTRAK
Perumahan dan Pemukiman kumuh merupaan kondisi dimana rumah beserta
lingkungannya tidak memenuhi persyaratan yang layak untuk tempat tinggal.
Kota Pekanbaru adalah salah satu kota di Provinsi Riau yang memiliki lokasi
kawasan pemukiman kumuh dengan delinasi 113,56 Ha. Jadi karena permasalahan
tersebut dapat digunakan sebuah upaya untuk mengurangi pemukiman kumuh
dengan skala prioritas pembangunan. Penentuan prioritas pembangunan yang
dilakukan pada penelitian ini menggunakan Peraturan Menteri PUPR 14 – 2018
dan kemudian dibandingan dengan Metode Naïve Bayes. Data yang digunakan
berupa data kawasan kumuh yaitu : Kondisi Bangunan Gedung, Kondisi Jalan
Lingkungan, Kondisi Penyediaan Air Minum, Kondisi Pengolahan Air Limbah,
Kondisi Pengolahan Sampah dan Kondisi Proteksi Kebakaran pada tahun 2017.
Pada peneltian ini menggunakan peraturan Menteri PUPR menghasilkan Tidak
Kumuh 8 RT/RW, Kumuh Ringan 20 RT/RW, Kumuh Sedang 0 RT/RW dan
Kumuh Berat 0 RT/RW dan dengan menggunakan metode Naïve Bayes
menghasilkan Tidak Kumuh 11 RT/RW, Kumuh Ringan 11 RT/RW, Kumuh
Sedang 0 RT/RW dan Kumuh Berat 0 RT/RW. Jadi dapat disimpulkan bahwa nilai
akurasi dari metode Naïve Bayes sangat baik yaitu sebesar 0.8929 atau 89%.
Kata kunci: Perumahan dan Pemukiman, Pemukiman Kumuh, Naïve Bayes
PENDAHULUAN
Perumahan adalah kumpulan rumah sebagai bagian dari Pemukiman, baik
perkotaan maupun perdesaan, yang dilengkapi dengan Prasarana, Sarana, dan
Utilitas Umum sebagai hasil upaya pemenuhan rumah layak huni dan Pemukiman
adalah bagian dari lingkungan hinian yang terdiri atas lebih dari satu satuan
Perumahaan yang mempunyai Prasarana, Sarana, Utilitas Umum, serta
mempunyai penunjang kegiatan fungsi lain di kawasan perkotaan atau kawasan
perdesaan. Kawasan kumuh adalah kawasan rumah atau hunian tidak sesuai dengan
standart yang berlaku baik standar kebutuhan, kepadatan bangunan, persyaratan
Page 2
2
rumah sehat, kebutuhan sarana air bersih, dan beberapa faktor lainya. Kota
Pekanbaru adalah salah satu kota di Provinsi Riau yang memiliki lokasi kawasan
pemukiman kumuh melalui penetapan Surat Keputusan Walikota Nomor : 151
Tahun 2016 dengan luas delinasi 113,56 Ha. Oleh karena itu, Menteri PUPR
membuat sebuah aturan untuk mengurangi kawasan kumuh tersebut. Akan tetapi
dalam penerapanya masih terdapat kekurangan untuk atribut yang kosong dan
hasilnya pun kosong, maka dari itu akan dibandingkan dengan sebuah metode
klasifikasi untuk menentukan kawasan kumuh.
Dalam hal tersebut, dilakukan penelitian dengan judul “Perbandingan
Peraturan Menteri PUPR 14 – 2018 Dengan Metode Naïve Bayes Dalam Penentuan
Kawasan Kumuh”. Pada penelitian ini dikembangkan sebuah aplikasi untuk
menentukan kawasan kumuh dengan menerapkan algoritma Naïve Bayes, yang
dapat membantu menentukan kawasan kumuh dan kemudian menjadikan skala
prioritas untuk melakukan pembangunan oleh pemerintah.
BAHAN DAN METODE
Dalam penunjang penelitian, jenis data yang digunakan dalam penelitian
ini merupakan data berupa data kawasan kumuh Kelurahan Rintis Kecamatan
Limapuluh Kota Pekanbaru pada tahun 2017.
Peraturan Menteri Pekerjaan Umum dan Perumahan Rakyat Nomor 14
Tahun 2018 mengatur tentang pencegahan dan peningkatan kualitas terhadap
perumahan kumuh dan permukiman kumuh, dalam Peraturan Menteri PUPR 14 –
2018 memiliki cara untuk mentukan daerah dan kawasan kumuh dengan format
isian identifikasi lokasi dan format numerik lokasi, formulasi penilaian lokasi,
format penetapan lokasi perumahan kumuh dan permukiman kumuh. Kemudian
dilakukan formulasi penilaian pada setiap parameter sebaga berikut :
a. Jika persentase 25% - 50% maka nilai 5
b. Jika persentase 51% - 75% maka nilai 3
c. Dan Jika persentase 76% - 100% maka nilai 1
Berdasarkan penilaian yang telah dilakukan berdasarkan formula di atas,
selanjutnya lokasi perumahan kumuh dan pemukiman kumuh dapat dikelompokan
dalam berbagai klasifikasi sebagaimana ditujukan pada Tabel 2.1 berikut.
Tabel 2. 1 Klasifikasi kondisi kawasan kumuh.
No Jumlah Nilai Tingkat Kekumuhan
1 < 9 Tidak Kumuh
2 9 - 19 Kumuh Ringan
3 19 - 29 Kumuh Sedang
4 29 - 39 Kumuh Berat
Page 3
3
Naïve Bayes adalah algoritma klasifikasi probabilitas sederhana yang
berdasarkan pada teorema Bayes, asumsi bebas yang kuat (naïve) dan model fitur
independen (Farid & Rahman, 2011). Algoritma Naïve Bayes memiliki beberapa
keunggulan seperti mudah digunakan, hanya membutuhkan satu kali scan data
training, penanganan nilai atribut yang hilang dan data kontinu. Banyak dataset
berukuran besar dan memiliki banyak kelas atau multi kelas yang memiliki noise
atau mengandung error, dengan demikian algoritma Naïve Bayes dapat digunakan
untuk menemukan instance yang bermasalah pada dataset (Han et al.,2012).
Langkah dari Naïve Bayes adalah sebagai berikut :
1. Masukan data (T) menjadi satu set contoh data pelatihan, dengan masing
masing kelas dari data tersebut. Setiap kelas (k) dibuat inisilaisasi
C1,C2…,Ck dan setiap contoh di-wakili oleh vektor n-dimensi X =
{x1,x2,…,xn}, menggambarkan n sebagai nilai terukur dari n atribut,
A1,A2,…,An masing-masing.
2. Dengan menggunakan sample X, pengelompokan akan memprediksi bahwa
X memiliki kelas yang memiliki probabilitas posteriori tertinggi, yang
dikondisikan pada X. Selanjutnya nilai X akan menjadi milik kelas C
dengan persamaan P(c |x) > P(c|x) for 1 ≤ j ≤ m, j ≠ 1. Menemukan kelas
yang memaksimalkan P(c|x) yang disebut hipotesis postioriori maksimum.
Dengan persamaan teorema Bayes berikut :
𝑃(𝐶|𝑋) = 𝑃(𝑥|𝑐) 𝑃(𝐶)
𝑃(𝑋)
(2.1)
Keterangan:
x = Data dengan kelas yang belum diketahui
c = Hipotesis data merupakan suatu class spesifik
P(C|X) = Probabilitas hipotesis berdasarkan kondisi
P(c) = Probabilitas hipotesis (prior probability)
P(x | c) = Probabilitas berdasarkan kondisi pada hipotesis
P( x ) = Probabilitas c
3. Karena P(X) selalu digunakan untuk semua kelas, jadi hanya P(x | c) P(c)
yang perlu dimaksimalkan. Jika kelas probabilitas a priori P(c) tidak
diketahui, maka diasumsikan bahwa kelas yang kemungkinan sama, yaitu
P(C1) = P(C2) = …= P(Ck), dan karna itu harus memaksimalkan P(x | c).
Selain dari langkah-langkah Naïve Bayes diatas, dalam penelitian ini juga
terdapat langkah-langkah lainnnya. Berikut ini adalah flowchart proses Naïve
Bayes.
Page 4
4
HASIL
Dengan menggunakan metode Naïve Bayes dan dibandingkan dengan
peraturan Menteri PUPR untuk menentukan kawasan kumuh di setiap RT/RW di
kecamatan Limapuluh. Berikut merupakan hasil penentuan kawasan kumuh dengan
Page 5
5
kedua metode dan kemudian dibandingkan untuk menetukan tingkat akurasi dari
metode Naïve Bayes.
1. Hasil Menteri PUPR
Untuk menetukan hasil dari Menteri PUPR dilakukan perhitungan dari beberapa
atribut dan kemudian melakukan penilaian persentase pada setiap atribut sesuai
aturan yang berlaku. Berikut merupakan hasl persentase setiap atribut peraturan
Mentri PUPR di tampilkan pada Tabel 1 berikut:
Tabel 1 Hasil Peraturan Menteri PUPR Setiap Parameter
No RT Keteratu
ran
Kelaya
kan
Air
Minum
Limba
h
Samp
ah
Kebak
aran
1 RT01 – RW01 0.1538 0.9423 1 0 1 0
2 RT02 – RW01 0.6441 0.7797 1 0.6949 0.6780 0
3 RT03 – RW01 0.8133 0.6800 0.6133 0.3200 1 0
4 RT04 – RW01 0.5000 1 1 0.3214 1 0
5 RT05 – RW01 1 0.9167 1 0.5833 1 0
6 RT06 – RW01 0.2353 0.6863 1 1 1 1
7 RT01 – RW02 1 0.9383 1 1 1 1
8 RT02 – RW02 0.5893 0.9643 0.4643 0.8571 0.2321 1
9 RT03 – RW02 0.5714 0.6548 0.3690 1 1 0
10 RT04 – RW02 0.9767 0.6047 0.4419 1 1 1
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
28 RT03 – RW07 0.6635 0.9808 0.9808 1 1 0
Pada Tabel 4.1 diatas seluruh hasil dari data kawasan kumuh setiap kepala
keluarga dilakuakan persentase dan kemudian hasil tersebut akan dikelompokan
berdasakan persentase masing masing dengan ketentuan jika persentase < 0.25
maka skor 5, > 0.25 dan < 0.50 maka skor 3 dan > 0.50 maka skor 1, dan
kemudian setiap parameter di jumlahkan. Maka hasil dijutukan pada Tabel 2
berikut :
Tabel 2 Hasil Penilaian Peraturan Menteri PUPR
No RT Keterat
uran
Kelay
akan
Air
Minum
Lim
bah
Sam
pah
Kebak
aran
Hasil
1 RT01 – RW01 5 1 1 5 1 5 18
2 RT02 – RW01 1 1 1 1 1 5 10
3 RT03 – RW01 1 1 1 3 1 5 12
Page 6
6
4 RT04 – RW01 3 1 1 3 1 5 14
5 RT05 – RW01 1 1 1 1 1 5 10
6 RT06 – RW01 5 1 1 1 1 1 10
7 RT01 – RW02 1 1 1 1 1 1 6
8 RT02 – RW02 1 1 3 1 5 1 12
9 RT03 – RW02 1 1 3 1 1 5 12
10 RT04 – RW02 1 1 3 1 1 1 8
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
28 RT03 – RW07 1 1 1 1 1 5 10
Pada hasil perhitungan peraturan Menteri PUPR semua atribut di jumlahkan dan
kemudian dikelompokan dengan ketentuan jika hasil <= 9 hasil nya tidak kumuh,
> 9 dan <= 19 hasilnya kumuh ringan, > 19 dan <= 29 hasilnya kumuh sedang,
> 30 dan < 39 hasilnya kumuh berat. Selanjutnya nilai akhir yang telah didapat
akan di klasifikasikan, akan ditujukan pada Tabel 3 berkut:
Tabel 3 Hasil Klasifikasi
No RT Total Hasil
1 RT01 – RW01 18 Kumuh Ringan
2 RT02 – RW01 10 Kumuh Ringan
3 RT03 – RW01 12 Kumuh Ringan
4 RT04 – RW01 14 Kumuh Ringan
5 RT05 – RW01 10 Kumuh Ringan
6 RT06 – RW01 10 Kumuh Ringan
7 RT01 – RW02 6 Tidak Kumuh
8 RT02 – RW02 12 Kumuh Ringan
9 RT03 – RW02 12 Kumuh Ringan
10 RT04 – RW02 8 Tidak Kumuh
⋮ ⋮ ⋮ ⋮
28 RT03 – RW07 10 Kumuh Ringan
Pada Tabel 4.3 diatas didapat klasifikasi Tidak Kumuh sebesar 8 RT/RW,
Kumuh Ringan sebesar 20 RT/RW, Kumuh Sedang sebesar 0 RT/RW dan
Kumuh Berat sebesar 0 RT/RW.
Page 7
7
2. Hasil Naïve Bayes
Untuk menentukan hasil metode Naïve Bayes dilakukan perhitungan
probabilitas setiap kepala keluarga untuk setiap indikator, berikut merupakan hasil
perhitungan untuk setiap atribut pada masing- masing RT/RW ditujukan pada Tabel
3 berikut:
Tabel 4 Hasil Perhitungan Naïve Bayes Keteraturan Bangunan
No HLKJ PBHK
J
ALKJ
1,5
⋮ DDBLP Teratur Tidak
Teratur
1 Ya Ya Ya ⋮ Tidak 0.16 0.00
2 Ya Ya Ya ⋮ Tidak 0.16 0.00
3 Ya Ya Ya ⋮ Tidak 0.16 0.00
4 Ya Ya Ya ⋮ Tidak 0.16 0.00
5 Ya Ya Ya ⋮ Tidak 0.16 0.00
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ 28 Ya Ya Tidak ⋮ Tidak 0.00 0.00
Berdasarkan Tabel 2 perhitungan dilakukan pada parameter keteraturan bangunan
dan didapat hasil 0.1538 tingkat keteraturan di RT004-RW001. Selanjutnya
menghitung keseluruhan parameter pada masing masing RT/RW, ditujukan pada
Tabel 4.4 berikut:
Tabel 5 Hasil Perhitungan Naïve Bayes Setiap Parameter
No RT Keterat
uran
Kelaya
kan
Air
Minum
Limbah Samp
ah
Kebaka
ran
1 RT01 - RW01 0.1538 0.9434 1 0 1 0
2 RT02 - RW01 0.7627 0.7797 1 0.7000 1 0
3 RT03 - RW01 0.8133 0.6800 0.6133 0.3200 1 0
4 RT04 - RW01 0.5000 1 1 0.3214 1 0
5 RT05 - RW01 1 0.9167 1 0.5833 1 0
6 RT06 - RW01 0.2353 0.6863 1 1 1 1
7 RT01 - RW02 1 0.9390 1 1 1 1
8 RT02 - RW02 0.5965 0.9643 0.4643 0.8571 1 1
9 RT03 - RW02 0.5714 0.6548 0.3690 1 1 0
10 RT04 - RW02 0.9767 0.6047 0.6133 0.3200 1 0
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
28 RT03 - RW07 0.6698 0.9810 0.9808 1 1 0
Pada Tabel 1 diatas dilakukan perhitungan yang sama dengan peraturan Menteri
PUPR yaitu seluruh hasil dari data kawasan kumuh setiap kepala keluarga
Page 8
8
dilakuakan persentase dan kemudian hasil tersebut akan dikelompokan berdasakan
persentase masing masing dengan ketentuan Menteri PUPR, dan kemudian setiap
parameter di jumlahkan. Maka hasil perhitungan akan dijutukan pada Tabel 6
berikut :
Tabel 6 Hasil Penilaian Metode Naïve Bayes
No RT Keterat
uran
Kelay
akan
Air
Minum
Lim
bah
Sam
pah
Kebak
aran
Hasil
1 RT01 – RW01 5 1 1 5 1 5 18
2 RT02 – RW01 1 1 1 1 1 5 10
3 RT03 – RW01 1 1 1 3 1 5 12
4 RT04 – RW01 3 1 1 3 1 5 14
5 RT05 – RW01 1 1 1 1 1 5 10
6 RT06 – RW01 1 1 1 1 1 5 10
7 RT01 – RW02 1 1 1 1 1 1 6
8 RT02 – RW02 1 1 3 1 1 1 8
9 RT03 – RW02 1 1 3 1 1 5 12
10 RT04 – RW02 1 1 3 1 1 1 8
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
28 RT03 – RW07 1 1 1 1 1 5 10
Setelah didapat hasil pada Tabel 6 selanjutnya mengklasifikasikan seperti
perhitngan Menteri PUPR, ditujukan pada Tabel 7 berikut:
Tabel 7 Hasil Klasifikasi Naïve Bayes
No RT Total Hasil
1 RT01 – RW01 18 Kumuh Ringan
2 RT02 – RW01 10 Kumuh Ringan
3 RT03 – RW01 12 Kumuh Ringan
4 RT04 – RW01 14 Kumuh Ringan
5 RT05 – RW01 10 Kumuh Ringan
6 RT06 – RW01 10 Kumuh Ringan
7 RT01 – RW02 6 Tidak Kumuh
8 RT02 – RW02 8 Tidak Kumuh
9 RT03 – RW02 12 Kumuh Ringan
10 RT04 – RW02 8 Tidak Kumuh
⋮ ⋮ ⋮ ⋮
28 RT03 – RW07 10 Kumuh Ringan
Page 9
9
Pada Tabel 4.7 diatas didapat klasifikasi Tidak Kumuh sebesar 11 RT/RW, Kumuh
Ringan sebesar 17 RT/RW, Kumuh Sedang sebesar 0 RT/RW dan Kumuh Berat
sebesar 0 RT/RW.
Perhitungan Nilai Akurasi
Muktamar, dkk (2015) menyebutkan bahwa salah satu aspek yang menjadi
parameter kehandalan dari suatu algoritma klasifikasi adalah tingkat akurasi.
Sebuah sistem dalam melakukan klasifikasi diharapkan dapat mengklasifikasi
semua set data dengan benar, tetapi tidak dipungkiri bahwa kinerja suatu
sistem tidak bisa 100% akurat. Berdasarkan perbedaan teknik antara algoritma
Naïve Bayes Classifier. Formula yang digunakan untuk menghitung akurasi
sebagai berikut .
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑠𝑒𝑐𝑎𝑟𝑎 𝑏𝑒𝑛𝑎𝑟
𝐽𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑑𝑖𝑙𝑎𝑘𝑢𝑘𝑎𝑛 × 100 %
Hasil dari peraturan Menteri PUPR akan dibandingkan dan kemudian di
klasifikasikan beradasarkan kelas yang sama, seperti ditujukan pada Tabel 4.8
berikut:
Tabel 8 Akurasi Naïve Bayes
Kelas Akurasi Tidak
Kumuh
Kumuh
Ringan
Kumuh
Sedang
Kumuh Berat
Tidak Kumuh 8 0 0 0
Kumuh Ringan 3 17 0 0
Kumuh
Sedang
0 0 0 0
Kumuh Berat 0 0 0 0
Dari Tabel 8 didapat jumlah klasifkasi yang sesuai dengan hasil dari perhitungan
Menteri PUPR sebagai berikut:
Tidak Kumuh dengan jumlah 8 RT/RW.
Kumuh Ringan dengan jumlah 17 RT/RW.
Kumuh Sedang dengan jumlah 0 RT/RW dan
Kumuh Berat dengan jumlah 0 RT/RW.
Selanjutnya dari hasil tersebut dilakukan perhitungan jumlah data yang di prediksi
secara benar dibagi dengan jumlah keseluruhan data sepert berikut:
Page 10
10
8 + 17 + 0 + 0
28= 0.8929
0.8929 × 100 %
Dari perhitungan di atas di dapat hasil akurasi seberas 0.8929 atau 89%.
KESIMPULAN
Kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut:
a. Penelitian ini menunjukan bahwa metode Naïve Bayes dapat dilakukan untuk
proses klasifikasi dalam menentukan kawasan kumuh.
b. Pada perhitungan mengunakan peraturan menteri PUPR 14 – 2018 di dapat
hasil kawasan Tidak Kumuh 8 RT/RW, Kumuh Ringan 20 RT/RW, Kumuh
Sedang 0 RT/RW dan Kumuh Berat 0 RT/RW. Sedangkan perhitungan
menggunakan Naïve Bayes di dapat hasil Tidak Kumuh 11 RT/RW, Kumuh
Ringan 11 RT/RW, Kumuh Sedang 0 RT/RW dan Kumuh Berat 0 RT/RW.
c. Pada penelitian ini perhitungan menggunak Naïve Bayes di dapat akurasi
sebesar 0.8920 atau 89%.
DAFTAR PUSTAKA
Annur, H., 2018, "Klasifikasi Masyarakat Miskin Menggunakan Metode Naïve
Bayes", ILKOM Jurnal Ilmiah., 10(2),160-165.
Aminudin, N., Hasanah, K., Maseleno, A., & Satria, F., 2017, "Fuzzy Multiple
Attribute Decision Making Sebagai Metode Penentuan Pemukiman Kumuh
Di Wilayah Pringsewu", Jurnal TAM (Technology Acceptance Model)., 8(2),
136–145.
Bainamus, M. D., Purwandari, E. P., 2017, "Identifikasi Kualitas Permukiman
Kumuh Menggunakan Metode Case Base Reasoning dan Fuzzy K-Nearest
Neighbor", Jurnal Pseudocode., 61–71.
Chipeta, W. C., Holm, R. H., Kamanula, J. F., Mtonga, W. E., de los Reyes, F. L.,
Saraswati, N., 2016, "Pemerataan Sebagai Pemacu Pertumbuhan", Procedia -
Social and Behavioral Sciences., 5(1), 1–16.
Fadli, A., 2011, "Konsep Data Mining", Portal Garuda., 1(1), 1–9.
Farid, D. M., Rahman, M. Z., & Rahman, C. M. 2011, "Adaptive Intrusion
Page 11
11
Detection based on Boosting and Naive Bayesian Classifier",
International Journal of Computer Applications., 24(3), 12–19.
Handryant, A. N., 2012, "Permukiman Kumuh, Sebuah Kegagalan Pemenuhan
Aspek Permukiman Islami", Journal of Islamic Architecture., 1(3).
Han, J., Kamber, M., & Pei, J, 2012, "Data Mining: Concepts and Techniques".,
edisi ke-3, Morgan Kaufmann, United States of America.
Hariyanto.A, 1992," Strategi Penanganan Kawasan Kumuh Sebagai Upaya
Menciptakan Lingkungan Perumahan dan Permukiman Yang Sehat"., Jurnal
PWK Unisba .
Kementrian PUPR, 2006, "Identifikasi Kawasan Kumuh Penyangga Kota
Metropolitan",Direktorat Pengembangan Permukiman Direktorat Jenderal
Cipta Karya - Departemen Pekerjaan Umum.
Kamagi, D. H., & Hansun, S., 2014, "Implementasi Data Mining dengan
Algoritma C4 . 5 untuk Memprediksi Tingkat Kelulusan
Mahasiswa",ULTIMATICS ,6(1), 15–20.
Kementrian PUPR , 2016,"Pedoman Umum Program Tanpa Kumuh", Kementrian
Pekerjaan Umum dan Perumahan Rakyat Program Tanpa Kumuh.
Leung,K Ming, 2007,"Naïve Bayes Classifier", POLYTECHNIC UNIVERSITY.
Megawati, N., Mukid, M. A., & Rahmawati, R., 2013, "Segmentasi Pasar Pada
Pusat Perbelanjaan Menggunakan Fuzzy C-Means (Studi Kasus: Rita
Pasaraya Cilacap)", Jurnal Gaussian., 2(4), 343–350.
Muktamar, B. A., Setiawan, N. A., & Adji, T. B., 2015, "Analisis Perbandigan
Tingkat Akurasi Algoritma Naïve Bayes Classifier Dengan Correlated -
Naïve Bayes Classifier",Seminar Nasional Teknologi Infrmasi dan
Multimedia 2015., 2(1), 49-54.
Putri, L., 2018, "Potensi Pengembangan Utilitas Wilayah Kumuh Di Kelurahan
Muara Fajar Kota Pekanbaru",Jurnal Teknik Sipil Unaya., 4(1), 11–20.
Shugara, R., & Andreswari, D., 2016, "Means Clustering dan Simple Addtive
Weighting Dalam Pemberian Bantuan Program Peningkatan Kualitas
Kawasan Permukaan ( Studi Kasus : Kelurahan / RT se-Kota Bengkulu )",
Jurnal Pseudocode.,3(2) 91–97.
Suganya, R., & Shanthi, R., 2012. "Fuzzy C-Means Algorithm-A Review",
International Journal of Scientific and Research Publications., 2(11), 2250–
3153.
Wijaya, W. D., 2016, "Pemerataan Sebagai Pemacu Pertumbuhan", Procedia -
Social and Behavioral Sciences., 5(1), 1–16.
Page 12
12
Zaki, M., & Meira, W., 2014, "Data Mining and Analysis: fundamental concepts
and algorithms. Data Mining and Analysis". Cambridge University Press.