Articles
<![CDATA[KLASTERISASI DATA JUMLAH KASUS KEKERASAN TERHADAP PEREMPUAN DI PROVINSI JAWA BARAT MEGGUNAKAN ALGORITMA FUZZY C-MEANS ]]>
<![CDATA[Hidayat, Taufik]]>;
<![CDATA[Astuti, Rini]]>;
<![CDATA[Arie Wijaya, Yudhistira]]>
<![CDATA[ JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1 ]]>
Publisher : <![CDATA[Institut Teknologi Nasional Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36040/jati.v8i1.8438
<![CDATA[Perempuan di Indonesia saat ini masih menghadapi risiko menjadi korban kekerasan, dan kesulitan dalam mengatasi masalah kekerasan terhadap perempuan terus menjadi tantangan yang kompleks. Penelitian ini bertujuan untuk untuk melakukan pengelompokan data jumlah kekerasan terhadap perempuan di Jawa Barat dengan maksud ingin mengetahui informasi karakteristik yang ada dalam dataset jumlah kasus kekerasan terhadap perempuan di Jawa Barat dengan mendapatkan nilai k optimal, serta nilai iterasi dan parameter numerical measure yang mempengaruhi nilai k. Penelitian ini menggunakan metode Fuzzy C-Means Clustering untuk mengelompokkan data jumlah kasus kekerasan terhadap perempuan di Jawa Barat dengan lebih baik. Metode ini memungkinkan pengelompokan data berdasarkan derajat keanggotaan yang tidak hanya bersifat biner, melainkan juga memperhitungkan dengan keanggotaan yang lebih fleksibel. Data yang digunakan dalam penelitian ini adalah data sosial ekonomi terkait kekerasan terhadap perempuan. Hasil dan diskusi penelitian menunjukkan bahwa metode Fuzzy C-Means Clustering dapat memberikan pengelompokan data jumlah kasus kekerasan terhadap perempuan di Jawa Barat. Davies Bouldin Index mencapai nilai 0,158, dan nilai k optimal yang ditemukan adalah 3. Nilai iterasi yang ditemukan berdasarkan nilai k optimal adalah 10, dan parameter yang mempengaruhi nilai k optimal melibatkan penggunaan parameter numerical measure adalah Manhattan Distance. Penelitian ini memiliki potensi untuk memberikan wawasan yang lebih mendalam mengenai beragam hambatan yang dihadapi oleh individu yang mengalami masalah kesejahteraan sosial. Dengan demikian, penelitian ini dapat membantu pihak berwenang dan lembaga pemerintah mengidentifikasi kelompok yang paling rentan dan mengalokasikan sumber daya secara lebih efisien.]]>
<![CDATA[PENERAPAN ALGORITMA K-NEAREST NEIGHBOR DALAM KLASIFIKASI STATUS STUNTING BALITA DI DESA BOJONGEMAS ]]>
<![CDATA[Widia Pebrianti, Sri]]>;
<![CDATA[Astuti, Rini]]>;
<![CDATA[M Basysyar, Fadhil]]>
<![CDATA[ JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2 ]]>
Publisher : <![CDATA[Institut Teknologi Nasional Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36040/jati.v8i2.8448
<![CDATA[Stunting pada balita menjadi salah satu permasalahan yang dialami dunia kesehatan. Stunting adalah suatu kondisi masalah kesehatan dengan dampak jangka panjang terhadap pertumbuhan dan perkembangan anak yang biasa terjadi pada periode 0-5 tahun. Kondisi ini dipengaruhi oleh pola makan dan nutrisi yang tidak sesuai dengan kebutuhan, serta berat dan tinggi badan yang tidak sesuai dengan umur. Kegiatan posyandu yang dilakukan setiap bulannya dapat membantu dalam mencegah terjadinya stunting. Kegiatan yang rutin dilakukan dengan cara memantau perkembangan status gizi, status pertumbuhan dan perkembangan anak. KNN adalah salah satu algoritma dalam machine learning yang digunakan untuk klasifikasi. KNN bekerja dengan cara mengukur jarak antara data yang akan diklasifikasi/diprediksi dengan data pelatihan yang sudah ada. Penelitian ini menerapkan teknik data mining dengan menggunakan algoritma K-Nearest Neighbor (KNN). Mengelompokan atau mengklasifikasikan sebuah data. Dalam penelitian ini, data yang diambil adalah usia, berat badan, tinggi badan dan status gizi balita. Pengujian dilakukan dengan aplikasi RapidMiner. Hasil penelitian mendapatkan nilai akurasi sebesar 92% dengan jumlah data sebanyak 503 data. Penelitian ini diharapkan dapat memberikan kontribusi dalam upaya pemantauan kesehatan di Desa Bojongemas. Hasil dapat digunakan sebagai dasar untuk mengidentifikasi balita yang memerlukan perawatan khusus untuk mengatasi masalah stunting. Selain itu, penerapan algoritma K-Nearest Neighbor dalam klasifikasi status stunting balita diharapkan dapat meningkatkan ketepatan identifikasi status stunting sejak dini dan mengoptimalkan upaya pencegahan stunting. Dengan menggunakan K-Nearest Neighbor, deteksi stunting dapat dilakukan lebih efisien dan sangat memungkinkan dalam pemberian perawatan yang tepat pada tahap awal pertumbuhan dan perkembangan anak. Penerapan algoritma k-Nearest Neighbor bukan hanya menghadirkan solusi teknologi informasi yang inovatif, tetapi juga berpotensi memberikan dampak positif bagi kesehatan anak-anak.]]>
<![CDATA[IMPLEMENTASI TEKNIK DATA MINING PADA DATA KUNJUNGAN WISATAWAN MENGGUNAKAN K-MEANS CLUSTERING DI HOTEL BINTANG KOTA CIREBON ]]>
<![CDATA[Wulandari, Sepia]]>;
<![CDATA[Astuti, Rini]]>;
<![CDATA[M. Basysyar, Fadhil]]>
<![CDATA[ JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1 ]]>
Publisher : <![CDATA[Institut Teknologi Nasional Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36040/jati.v8i1.8470
<![CDATA[Kota Cirebon kini juga disebut sebagai “kota wisata” dan memiliki berbagai tempat wisata yang menarik. Hotel merupakan jenis fasilitas akomodasi yang menyediakan berbagai layanan seperti tempat menginap, makanan, dan layanan lainnya untuk sementara kepada masyarakat umum dan dijalankan secara komersial. Dinas Kebudayaan dan Pariwisata seringkali mengalami permasalahan karena belum melakukan pemetaan kunjungan tamu hotel sehingga berdampak pada pengelolaan hotel bintang di kota cirebon. Untuk mengatasi masalah ini maka digunakan data kunjungan wisatawan dari januari hingga desember tahun 2021 bersumber dari Dinas Kebudayaan dan Pariwisata Kota Cirebon menggunakan teknik penerapan data mining untuk mengelola informasi data kunjungan wisatawan di hotel bintang di Kota Cirebon menggunakan K-Means Clustering. Kemudian, Validasi hasil klasterisasi dapat dilakukan menggunakan Davies Bouldin Index (DBI). Berdasarkan hasil pengelompokan pada RapidMiner menggunakan algoritma k-means, data dikelompokan menjadi 7 kelompok. Kelompok 3 merupakan tingkat dengan kunjungan wisatawan paling rendah, kelompok 1 merupakan tingkat dengan kunjungan wisatawan rendah 1, kelompok 6 tingkat dengan kunjungan wisatawan rendah 2, kelompok 0 merupakan tingkat dengan kunjungan wisatawan sedang, kelompok 4 merupakan tingkat dengan kunjungan wisatawan tinggi 1, kelompok 2 merupakan tingkat dengan kunjungan wisatawan tinggi 2 dan kelompok 5 merupakan tingkat dengan kunjungan wisatawan sangat tinggi. Oleh karena itu, dilakukannya penelitian mengenai penerapan data mining dengan jumlah wisatawan terbanyak yang ramai berkunjung dapat memberikan manfaat yang besar bagi manajemen hotel dan Dinas Kebudayaan dan Pariwisata Kota Cirebon dalam meningkatkan fasilitas pelayanan yang lebih baik]]>
<![CDATA[ANALISIS SENTIMEN ULASAN APLIKASI LITA DI PLAY STORE MENGGUNAKAN ALGORITMA NAIVE BAYES ]]>
<![CDATA[Septiani Gumilar, Tia]]>;
<![CDATA[Astuti, Rini]]>;
<![CDATA[Arie Wijaya, Yudhistira]]>
<![CDATA[ JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1 ]]>
Publisher : <![CDATA[Institut Teknologi Nasional Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36040/jati.v8i1.8778
<![CDATA[Aplikasi media sosial yang memberikan Jasa Teman Mabar yang dapat menemani bermain beragam jenis game online, seperti Mobile Legends, PUBG Mobile, Free Fire, dan lainnya. Lita merupakan platform dengan konsep baru dalam dunia game. Kamu dapat bertemu dengan Pro Player ataupun gamer perempuan yang cantik. Ulasan pengguna pada aplikasi mobile merupakan sumber data penting bagi pengembang aplikasi untuk mengetahui respon dari pengguna dan meningkatkan kualitas aplikasi. Ulasan pengguna biasanya mengandung ungkapan subjektif yang mencerminkan sentimen positif atau negatif. Klasifikasi sentimen pada ulasan mobile diperlukan untuk secara otomatis menganalisis sentimen positif dan negatif dari sejumlah besar data ulasan. Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan aplikasi Lita di Play Store ke dalam dua kelas yaitu positif dan negatif, dengan menggunakan metode algoritma Naive Bayes. Data yang digunakan dalam penelitian ini adalah 1000 ulasan aplikasi Lita di Play Store dalam bahasa Indonesia, diambil secara acak. Data ulasan mengandung kata tidak penting yang dihapus melalui text preprocessing. Kemudian, pembobotan dilakukan dengan metode TF-IDF untuk mengetahui pentingnya sebuah istilah untuk suatu dokumen. Hasil dari penelitian ini mengenai Klasifikasi Data Sentimen Ulasan Pengguna Lita Google Play Store berjumlah 1000 data, dapat disimpulkan bahwa ulasan pengguna Lita tergolong positif dengan hasil presentase 95% nilai accuracy, 95% nilai precision, dan 95% nilai recall nya.]]>
<![CDATA[PENERAPAN DATA MINING CLUSTERING MENGGUNAKAN METODE K-MEANS PADA DATA TINDAK KRIMINALITAS DI POLRES KABUPATEN KUNINGAN ]]>
<![CDATA[Stedila, Stedila]]>;
<![CDATA[Astuti, Rini]]>;
<![CDATA[M Basysyar, Fadhil]]>
<![CDATA[ JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2 ]]>
Publisher : <![CDATA[Institut Teknologi Nasional Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36040/jati.v8i2.8790
<![CDATA[Dengan meningkatnya tingkat tindak kriminalitas di Kabupaten Kuningan tentunya data yang akan disimpan akan terus bertambah. Menurut Polres Kabupaten Kuningan jumlah kasus tindak kejahatan yang terjadi di Kabupaten Kuningan pada 3 Tahun terakhir mencapai 800 kasus. Salah satu upaya untuk menanggulangi kejahatan dengan mengetahui pola dan karakteristik dari tindak kejahatan yang terjadi, dengan mengetahui pola dan karakteristik dari tindak kejahatan maka dapat diidentifikasi fakto-faktor yang menyebabkan terjadinya tindak kejahatan. Oleh karena itu, untuk mengelompokan data tindak kejahatan yang terjadi di masyarakat akan memanfaatkan Dara Mining menggunakan metode K-Means Clustering dengan Tools RapidMiner versi 10.3. Nilai Davies Bouldin Index yang dihasilkan dari algoritma k-means ini sebesar 3.323. Pengelompokan data tindak kejahatan ini dapat digunakan oleh Polres Kabupaten Kuningan untuk menentukan pola dan karakteristik dari tindakan kejahatan yang terjadi.]]>
<![CDATA[IMPLEMENTASI DATA MINING PADA PENJUALAN MAKANAN DAN MINUMAN MENGGUNAKAN ALGORITMA APRIORI PADA TOKO ONLINE AYAM GEPREK X ]]>
<![CDATA[Salsabila, Salsabila]]>;
<![CDATA[Astuti, Rini]]>;
<![CDATA[Muhamad Basysyar, Fadhil]]>
<![CDATA[ JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2 ]]>
Publisher : <![CDATA[Institut Teknologi Nasional Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36040/jati.v8i2.9251
<![CDATA[Ayam geprek x adalah toko online yang menjual produk makanan dan minuman lewat aplikasi shope lebih tepatnya dishopefood. Toko online tersebut berlokasi di Kecamatan Lemah Abang lebih tepatnya di Desa Tuk Karangsuwung. Dengan sistem penjualan tersebut tentu meningkatkan tingkat penjualan makanan dan minuman yang kadang tinggi dan kadang juga rendah, sehingga membutuhkan sebuah sistem yang mampu memudahkan dalam merekapitulasi pembelian dari konsumen. Untuk itu dilakukan penelitian ini guna menganalisa data transaksi penjualan makanan dan minuman tersebut menggunakan teknik data mining. Data Mining ialah teknik analisa pada data untuk mencari informasi yang tersembunyi pada beberapa data besar yang dicatat pada saat bisnis yang dijalankan. Algoritma yang dipakai algoritma apriori yaitu mendapatkan accosiation rule dari setiap kombinasi item. Berdasarkan pengujian yang telah dilakukan dishoftware rapidminer dengan menggunakan minimum support 50% dan minimum confidence 70% dapat diketahui hasil min support dan confidence yang paling terbesar dari data yang ada yaitu menu makanan ayam geprek dengan nilai min support 47% dan nasi min support 42%, Dan jika membeli tempe.t.g maka akan membeli nasi dengan nilai confidence 70% dan jika membeli milk.p.o maka akan membeli nasi dengan nilai confedence 72%. Setelah sudah mengetahui hasil min support dan confidence yang paling terbesar maka dapat diketahui stok yang tadinya sering tidak mampu memenuhi permintaan pelanggan, dengan menggunakan sistem tersebut dapat mengalami pengoptimalan dalam memperkirakan persediaan stoknya dilihat makanan apa saja yang sering terjual. Peningkatan terjadi karena perhitungan dan kondisi penentuan produk jauh lebih akurat dari pada ketika diputuskan oleh manusia.]]>
<![CDATA[PENERAPAN ALGORITMA K-MEANS PADA DATASET PENGANGGURAN TERBUKA BERDASARKAN PENDIDIKAN DI PROVINSI JAWA BARAT ]]>
<![CDATA[Kusuma Arum, Sintia]]>;
<![CDATA[Astuti, Rini]]>;
<![CDATA[Muhammad Basysyar, Fadhil]]>
<![CDATA[ JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2 ]]>
Publisher : <![CDATA[Institut Teknologi Nasional Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36040/jati.v8i2.9440
<![CDATA[Pengangguran merupakan istilah untuk orang yang tidak bekerja sama sekali,bekerja kurang dari dua hari selama satu minggu, atau seseorang yang berusaha mencari pekerjaan. Jumlah kasus Pengangguran Terbuka berdasarkan Tingkat Pendidikan Akhir adalah salah satu indikator penting dalam mengukur tingkat pengangguran di suatu Daerah. Dataset yang digunakan dalam penelitian ini merupakan dataset yang bersumber dari website resmi pemerintahan Open Data Jabar periode tahun 2019-2022. Algoritma K-Means Clustering telah diterapkan pada dataset pengangguran terbuka berdasarkan Pendidikan untuk mengelompokan data berdasarkan tingkat Pendidikan akhir serta jumlah pengangguran provinsi yang terletak di Kota maupun dan di Kabupaten.Penelitian ini dilakukan bertujuan untuk mendapatkan beberapa hasil pengelompokan data Pengangguran di Provinsi Jawa Barat berdasarkan Tingkat Pendidikan Akhir. Pengelompokan tersebut, dibagi menjadi 3 Bagian yaitu tingkat pengangguran tinggi, tingkat pengangguran menengah dan tingkat pengangguran rendah, Tingkat Pengangguran tinggi diperoleh sebanyak 389 cluster, Tingkat Pengangguran Menengah dengan 162 cluster, dan Tingkat Pengangguran rendah dengan hasil 29 Cluster. Hasil dari penelitian ini diharapkan dapat memberikan wawasan penting untuk kebijakan pemerintah terkait masalah peningkatan angka pengangguran di berbagai daerah, serta menunjukan bahwa kemampuan Algoritma K-Means dalam mengelompokan data pengangguran terbuka berdasarkan tingkat Pendidikan telah mendapatkan hasil K terbaik]]>
<![CDATA[PENGELOMPOKAN KATALOG PADA TOKO MAHABBATAIN STORE MENGGUNAKAN ALGORITMA K-MEANS ]]>
<![CDATA[Farikah, Siti]]>;
<![CDATA[Astuti, Rini]]>;
<![CDATA[M. Basysyar, Fadhil]]>
<![CDATA[ JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 3 (2024): JATI Vol. 8 No. 3 ]]>
Publisher : <![CDATA[Institut Teknologi Nasional Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36040/jati.v8i3.9584
<![CDATA[Di Indonesia perubahan sosial yang disertai kemajuan ini salah satunya adalah sandang. Pakaian menjadi salah satu fungsi dari diferensiasi sosial dalam kehidupan sosial di masyarakat modern Banyak toko menjual berbagai Katalog mulai dari fashion,sepatu, krudung produk lainnya yang dijual belikan. Permasalahannya adalah belum adanya klasifikasi terhadap menetukan jumlah produk terhadap pengelompokan katalog pada Toko Mahabbatain store dan bagaimanan algoritma k-means dapat melakukan pengelompokan katalog pada Toko Mahabbtain Store. Oleh karena itu, dengan pengaruh tersebut maka penulis ingin mengetahui tentang bagaimana algoritma k-means dalam pengelompokan katalog. Tujuan penelitian ini untuk mengetahui hasil klasifikasi terhadap jumlah produk terhadap pengelompokan katalog pada Toko Mahabbatain store dan untuk menarapkan algoritma k-means sebagai pengelompokan katalog pada Toko Mahabbatain Store. Metode yang digunakan dalam penelitian ini adalah algoritma k-means dan metode Knowledge Discovery in Database (KDD) karena metode ini dapat mengolah data tanpa diketahui labelnya. Dari penelitian yang sudah dilakukan secara observasi dan dokumentasi menunjukan bahwa dataset dari pembukuan Toko Mahabbatain Store yang dengan jumlah 500 data penjualan pada tahun 2023. Tujuan penulisan akhir ini untuk mengetahui penerapan algoritma K-means dan mengetahui hasil k optinum dalam penerapan menggunakan RapidMiner. Hasil uji coba cluster distane performance bahwa nilai k optimum adalah k=2 dengan nilai DBi=0,047]]>
<![CDATA[IMPLEMENTASI ALGORITMA LONG SHORT TERM MEMORY (LSTM) UNTUK MEMPEREDIKSI VOLUME SAMPAH ]]>
<![CDATA[Loni Manikari, Salsa]]>;
<![CDATA[Astuti, Rini]]>;
<![CDATA[Muhammad Basysyar, Fadhil]]>;
<![CDATA[Agusbaciar, Agusbaciar]]>
<![CDATA[ JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 3 (2024): JATI Vol. 8 No. 3 ]]>
Publisher : <![CDATA[Institut Teknologi Nasional Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36040/jati.v8i3.9598
<![CDATA[Permasalahan sampah telah menjadi isu penting di berbagai kota dan kabupaten di Indonesia, termasuk di kabupaten Cirebon. Pertumbuhan penduduk dan gaya hidup masyarakat menjadi faktor utama dalam meningkatkan volume sampah. Pada tahun 2022, volume sampah di Provinsi Jawa Barat meningkat 5,4%, menyebabkan masalah ketersediaan Tempat Pembuangan Akhir (TPA) yang hampir overload. Hal Ini dapat mengakibatkan berkurangnya lahan tempat pembuangan sampah akhir Oleh karena itu dibutuhkanya prediksi volume sampah adalah cara untuk mengantisipasi lonjakan volume sampah yang berlebihan di lokasi pembuangan sampah akhir. Data yang digunakan dalam penelitian ini meliputi data time series yang terdiri dari tanggal dan jumlah volume sampah dari tahun 2021-2023 dengan metode Long Short Term Memory (LSTM). Penelitian ini menggunakan algoritma LSTM dengan jumlah neuron sebanyak 128, input layer sebanyak 30, dan pelatihan model sebanyak 500 epoch berhasil memberikan tingkat akurasi yang cukup baik dengan nilai MSE 0.02207 dalam memprediksi volume sampah]]>
<![CDATA[PENGELOMPOKKAN JUMLAH PENDUDUK MISKIN DI JAWA BARAT MENGGUNAKAN ALGORITMA K-MEANS ]]>
<![CDATA[Sapitri, Sapitri]]>;
<![CDATA[Astuti, Rini]]>;
<![CDATA[M Basysyar, Fadhil]]>
<![CDATA[ JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 3 (2024): JATI Vol. 8 No. 3 ]]>
Publisher : <![CDATA[Institut Teknologi Nasional Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36040/jati.v8i3.9600
<![CDATA[Kemiskinan adalah kondisi ketidakmampuan pendapatan seseorang dalam pemenuhan kebutuhan pokok untuk bertahan hidup sehingga tidak menjamin kelangsungan hidupnya. Kebutuhan hidup meliputi kebutuhan dasar seperti sandang, pangan, tempat tinggal dan pendidikan. Menurut Badan Pusat Statiska penduduk miskin adalah penduduk yang memiliki rata-rata pengeluaran perkapita perbulan dibawah garis kemiskinan. Di daerah Jawa Barat mengalami kenaikan dan penurunan secara tidak stabil. Pengelompokan jumlah kabupaten/kota yang memiliki angka kemiskinan perlu dilakukan setiap tahun nya agar pemerintah dapat mengetahui langkah pencegahan. Pengelompokan jumlah kabupaten/kota yang mengalami kemiskinan dapat dilakukan dengan menggunakan berbagai metode salah satunya dengan menggunakan metode K-Means. K-Means adalah metode pembelajaran tanpa adanya pengawasan yang digunakan untuk mengelompokan jumlah data yang belum dilabel ke dalam cluster-cluster yang berbeda. Penggunaan metode K-Means ini bertujuan mengelompokan jumlah data berdasarkan kabupaten/kota yang tergolong miskin. Tujuan dilakukannya penelitian ini yaitu untuk melakukan pengelompokan pada jumlah data kemiskinan di Jawa Barat sehingga dapat digunakan sebagai informasi untuk menentukan kebijakan yang tepat untuk menyalurkan bantuan kepada masyarakat, proses untuk mendapatkan data yang akurat menggunakan Knowledge Discovery in Databases (KDD). Tujuan dari KDD yaitu proses menemukan dan mengidentifikasi pola-pola dalam data yang valid. Untuk pengolahan data dalam penelitian ini menggunakan RapidMiner.]]>
