Perbandingan Peraturan Menteri PUPR 14 2018 Dengan Metode ...repository.umrah.ac.id/3209/1/ILHAM RAMADANI-140155201071-FT … · 1 Perbandingan Peraturan Menteri PUPR 14 – 2018

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

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

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.

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

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

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






7 RT01 – RW02 6 Tidak Kumuh




⋮ ⋮ ⋮ ⋮


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.

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

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











⋮ ⋮ ⋮ ⋮


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:

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

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.

12

Zaki, M., & Meira, W., 2014, "Data Mining and Analysis: fundamental concepts

and algorithms. Data Mining and Analysis". Cambridge University Press.

Perbandingan Peraturan Menteri PUPR 14 2018 Dengan Metode ...repository.umrah.ac.id/3209/1/ILHAM RAMADANI-140155201071-FT … · 1 Perbandingan Peraturan Menteri PUPR 14 – 2018

Documents