PREDIKSI KOTA PERAIH ANUGERAH ADIPURA MENGGUNAKAN ALGORITME KLASIFIKASI VFI5 MUHAMAD HAIKAL

Transkripsi

1 PREDIKSI KOTA PERAIH ANUGERAH ADIPURA MENGGUNAKAN ALGORITME KLASIFIKASI VFI5 MUHAMAD HAIKAL DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2009

2 PREDIKSI KOTA PERAIH ANUGERAH ADIPURA MENGGUNAKAN ALGORITME KLASIFIKASI VFI5 Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor MUHAMAD HAIKAL G DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2009

3 ABSTRAK MUHAMAD HAIKAL. Prediksi Kota Peraih Anugerah Adipura Menggunakan Algoritme Klasifikasi VFI5. Dibimbing oleh Aziz Kustiyo, S.Si., M.Kom. Program Adipura merupakan program kerja berlingkup nasional yang dikelola oleh Kementerian Lingkungan Hidup (KLH). Program ini bertujuan untuk mewujudkan kota yang bersih dan teduh (KLH 2007). Penilaian Program Adipura terdiri atas penilaian Fisik dan penilaian Non Fisik. Penilaian Fisik terdiri atas Pemantauan I, Pemantauan II, dan Pemantauan Verifikasi. Penilaian Non Fisik berupa penilaian terhadap kuesioner yang diisi oleh kabupaten/kota. Mekanisme kota pantau pada Pemantauan I dan Pemantauan II telah diatur dalam Peraturan Menteri nomor 14 tahun 2006 yaitu seluruh kota peserta Program Adipura, sedangkan mekanisme kota pantau pada Pemantauan Verifikasi tidak diatur dalam peraturan tersebut. Periode pelaksanaan Program Adipura adalah satu tahun. Pemeringkatan kota, penentuan kota peraih anugerah Adipura, dan persiapan lainnya dilaksanakan setelah seluruh data hasil penilaian Fisik dan penilaian Non Fisik tersedia. Waktu yang tersedia untuk menyelesaikan seluruh kegiatan tersebut sebelum pengumuman peraih anugerah Adipura sangat sempit. Karena keterbatasan waktu dalam proses persiapan dan penentuan kota peraih anugerah Adipura, sehingga memerlukan penelitian untuk memprediksi kota peraih anugerah Adipura lebih awal. Penelitian ini bertujuan untuk memprediksi kota peraih anugerah Adipura menggunakan algoritme klasifikasi VFI5. Data yang digunakan merupakan data Fisik hasil Pemantauan I dan Pemantauan II kategori kota Sedang dan kota Kecil regional Jawa periode Metode klasifikasi yang digunakan adalah klasifikasi VFI5 biasa dan klasifikasi VFI5 modifikasi. Bobot yang digunakan adalah bobot masing-masing feature satu dan bobot yang telah ditentukan KLH. Klasifikasi VFI5 modifikasi merupakan klasifikasi VFI5 biasa dengan penambahan batas bawah dan batas atas interval dengan nilai minimum dan nilai maksimum skala nilai Program Adipura, vote pada nilai minimum dan nilai maksimum tersebut sama dengan vote batas bawah dan batas atas skala nilai Program Adipura. Hasil penelitian ini menunjukan tingkat akurasi tertinggi diperoleh menggunakan data Pemantauan II dan data rata-rata Pemantauan I dan II dengan metode klasifikasi VFI5 modifikasi dan bobot masing-masing feature satu. Tingkat akurasi yang dihasilkan adalah sebesar %. Kata kunci : Klasifikasi, Program Adipura, algoritme VFI5.

4 Judul Nama NIM : Prediksi Kota Peraih Anugerah Adipura Menggunakan Algoritme Klasifikasi VFI5 : Muhamad Haikal : G Menyetujui: Pembimbing Aziz Kustiyo, S.Si., M.Kom. NIP Mengetahui: Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Dr. drh. Hasim, DEA. NIP Tanggal Lulus :

5 RIWAYAT HIDUP Penulis dilahirkan di Bogor pada tanggal 12 Januari Anak pertama dari lima bersaudara, dari pasangan Bapak H. Taufik Muhammad Sungkar dan Ibu Hj. Syakirah Askar. Tahun 2003, penulis lulus dari SMU Insan Kamil Bogor, kemudian melanjutkan pendidikan Diploma III Program Studi Informatika Sub Program Teknik Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor. Pada tahun 2006, Penulis pernah menjadi asisten dosen beberapa mata kuliah dan melanjutkan pendidikan Sarjana Ilmu Komputer Institut Pertanian Bogor. Saat ini penulis bekerja pada salah satu instansi pemerintah di Jakarta.

6 PRAKATA Bismillahirrahmanirrahim Puji dan syukur penulis panjatkan kepada Allah SWT atas rahmat dan karunianya. Shalawat dan salam penulis curahkan kepada nabi Muhammad SAW sehingga penulis dapat menyelesaikan skripsi tugas akhir dengan judul Prediksi Kota Peraih Anugerah Adipura Menggunakan Algoritme Klasifikasi VFI5. Penulis mengucapkan terimakasih kepada seluruh pihak sehingga penelitian ini dapat diselesaikan, diantaranya : Kedua orangtua tercinta yang selalu memberikan doa dan motivasi kepada penulis. Bapak Aziz Kustiyo, S.Si., M.Kom. selaku dosen pembimbing yang telah memberikan arahan, masukan, dan semangat kepada penulis sehingga penelitian ini dapat diselesaikan. Ibu Dra. Melda Mardalina, M.Sc. dan Bapak Dr. Ir. Agus Buono, M.Si., M.Kom. selaku dosen penguji yang telah memberikan masukan kepada penulis dalam menyelesaikan penelitian ini. Adik-adikku tercinta, Haiva, Sumaya, Rania, dan Nadia yang selalu memberikan motivasi dan dukungan. Seluruh dosen pengajar dan staf Departemen Ilmu Komputer, FMIPA, IPB. Ibu Ir. Ratna Kartikasari, M.Sc. dan Bapak Drs. Tri Bangun L. Sony selaku pimpinan yang telah mendukung dalam proses pendidikan penulis. Octo Mulyanto, Rion Evrian Adwanosa, Sandi Wasmana, Vanny Zaenudin, Dhilla Hapsari, Sekar Tangi, Anggita Dhiny dan seluruh teman kerja yang telah memberikan motivasi dan dukungan. Bapak Trias Hermanu dan keluarga yang telah memberikan motivasi dan dukungan. Seta Baehera, Abdul Rosyid, Tuti dan teman-teman angkatan I, II, dan III ILKOM Ekstensi IPB yang tidak dapat disebutkan satu per satu. Seluruh pihak lain yang membantu penelitian ini yang tidak dapat disebutkan satu per satu. Akhirnya penulis berharap semoga penelitian ini dapat bermanfaat bagi semua pihak yang membutuhkan. Amin. Bogor, Juli 2009 Muhamad Haikal

7 iv DAFTAR ISI Halaman DAFTAR ISI... iv DAFTAR TABEL... v DAFTAR GAMBAR... v DAFTAR LAMPIRAN... vi PENDAHULUAN... 1 Latar Belakang... 1 Tujuan... 1 Ruang Lingkup... 1 Manfaat... 1 TINJAUAN PUSTAKA... 1 Program Adipura Penilaian Fisik Penilaian Non Fisik... 2 Klasifikasi... 2 VFI5 (Voting Feature Intervals 5) Pelatihan Klasifikasi... 3 METODE PENELITIAN... 4 Data... 4 Data latih dan data uji... 4 Pelatihan... 5 Klasifikasi... 5 Akurasi... 6 Lingkup Pengembangan... 6 HASIL DAN PEMBAHASAN... 6 Data Pemantauan I... 6 Data Pemantauan II... 7 Data rata-rata Pemantauan I dan Pemantauan II... 8 KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA... 10

8 v DAFTAR TABEL Halaman 1 Kategori kota Program Adipura Kriteria Penilaian Fisik Program Adipura Skala nilai Program Adipura Confusion matrix Fold Cross Validation data Program Adipura Jumlah data latih dan data uji Pemantauan I Confusion matrix pada iterasi pertama data Pemantauan I Hasil tahap klasifikasi pada iterasi pertama data Pemantauan I Hasil tahap klasifikasi pada iterasi kedua data Pemantauan I Hasil tahap klasifikasi pada iterasi ketiga data Pemantauan I Tingkat akurasi rata-rata tahap klasifikasi data Pemantauan I Hasil tahap klasifikasi pada iterasi pertama data Pemantauan II Hasil tahap klasifikasi pada iterasi kedua data Pemantauan II Hasil tahap klasifikasi pada iterasi ketiga data Pemantauan II Tingkat akurasi rata-rata tahap klasifikasi data Pemantauan II Hasil tahap klasifikasi pada iterasi pertama data rata-rata Pemantauan I dan Pemantauan II Hasil tahap klasifikasi pada iterasi kedua data rata-rata Pemantauan I dan Pemantauan II Hasil tahap klasifikasi pada iterasi ketiga data rata-rata Pemantauan I dan Pemantauan II Tingkat akurasi rata-rata tahap klasifikasi data rata-rata Pemantauan I dan Pemantauan II... 9 DAFTAR GAMBAR Halaman 1 Pseudocode tahap pelatihan algoritme VFI Pseudocode tahap klasifikasi algoritme VFI Metode penelitian Perbandingan interval VFI5 dengan VFI5 modifikasi Grafik tingkat akurasi prediksi Grafik tingkat akurasi metode.... 9

9 vi DAFTAR LAMPIRAN 1 Jadwal Pelaksanaan Program Adipura Data kabupaten/kota kategori kota Sedang dan kota Kecil regional Jawa Ilustrasi tahap pelatihan Ilustrasi tahap klasifikasi Kota salah prediksi pada data Pemantauan I iterasi pertama Kota salah prediksi pada data Pemantauan I iterasi kedua Kota salah prediksi pada data Pemantauan I iterasi ketiga Vote masing-masing instance kota Pasuruan Akurasi prediksi pada data Pemantauan I Kota salah prediksi pada data Pemantauan II iterasi pertama Kota salah prediksi pada data Pemantauan II iterasi kedua Detail vote kota Pasuruan pada iterasi pertama data Pemantauan II Detail vote kabupaten Temanggung pada iterasi pertama data Pemantauan II Detail vote kabupaten Wonogiri pada iterasi pertama data Pemantauan II Kota salah prediksi pada data Pemantauan II iterasi ketiga Akurasi prediksi pada data Pemantauan II Kota salah prediksi pada data rata-rata Pemantauan I dan Pemantauan II iterasi pertama Kota salah prediksi pada data rata-rata Pemantauan I dan Pemantauan II iterasi ketiga Akurasi prediksi pada data rata-rata Pemantauan I dan Pemantauan II Daftar tingkat akurasi seluruh data, iterasi dan metode klasifikasi... 21

10 1 PENDAHULUAN Latar Belakang Upaya pengendalian pencemaran lingkungan dilakukan dengan berbagai kegiatan, salah satunya melalui Program Adipura oleh Kementerian Lingkungan Hidup (KLH). Program Adipura merupakan salah satu program prioritas dalam pengendalian pencemaran dari kegiatan domestik (KLH 2008). Periode pemantauan Program Adipura adalah satu tahun dimulai dari bulan Juni tahun berjalan sampai dengan bulan Juni tahun berikutnya. Pemantauan Program Adipura dilaksanakan setidaknya dua kali dalam satu periode, yaitu : 1 Pemantauan I pada bulan Agustus sampai dengan bulan September. 2 Pemantauan II pada bulan Januari sampai dengan bulan Februari. Pemantauan Verifikasi dilaksanakan jika diperlukan (KLH 2006). Mekanisme penentuan kota pantau pada Pemantauan I dan Pemantauan II telah diatur dalam Peraturan Menteri Negara Lingkungan Hidup nomor 14 tahun 2006 yaitu seluruh kota peserta Program Adipura, sedangkan penentuan kota pantau pada Pemantauan Verifikasi tidak diatur dalam peraturan tersebut. Pengumuman kota peraih anugerah Adipura dilaksanakan pada tanggal 5 juni, bertepatan dengan hari lingkungan nasional maupun internasional. Penentuan kota peraih anugerah Adipura dapat dilaksanakan setelah seluruh data hasil pemantauan didapatkan, yaitu setelah data hasil Penilaian Fisik dan Penilaian Non Fisik dihasilkan antara bulan Maret sampai dengan bulan Mei. Jadwal pelaksanaan Program Adipura dapat dilihat pada Lampiran 1. Setelah seluruh data hasil penilaian Fisik dan Non Fisik Program Adipura tersedia, selanjutnya yang dilakukan adalah pemeringkatan kota, penentuan kota peraih anugerah Adipura, dan persiapan lainnya. Waktu yang tersedia untuk menyelesaikan seluruh kegiatan tersebut sebelum pengumuman peraih anugerah Adipura sangat sempit (dua minggu). Karena keterbatasan waktu dalam proses persiapan dan penentuan kota peraih anugerah Adipura, sehingga memerlukan penelitian untuk memprediksi kota peraih anugerah Adipura lebih awal. Penerapan algoritme VFI5 sebagai algorime klasifikasi untuk memprediksi kota peraih anugerah Adipura diharapkan dapat membantu permasalahan tersebut. Tujuan Penelitian ini bertujuan untuk memprediksi kota peraih anugerah Adipura pada Program Adipura berdasarkan data fisik. Ruang Lingkup Ruang lingkup penelitian ini dibatasi pada: 1 Data periode yang digunakan adalah data kategori kota Sedang dan kota Kecil regional Jawa Program Adipura periode Data yang digunakan merupakan data hasil pemantauan Fisik Program Adipura, yaitu Pemantauan I dan Pemantauan II. Manfaat Penelitian ini diharapkan dapat memberikan prediksi dengan tingkat akurasi tinggi terhadap kota peraih anugerah Adipura. Hasil penelitian ini juga dapat dijadikan alat perhitungan cepat (quick count) bagi pihak KLH untuk memprediksi kota peraih anugerah Adipura menggunakan data Pemantauan I dan Pemantauan II saja. Hasil prediksi pada penelitian ini dapat digunakan pihak KLH untuk membantu menetapkan mekanisme kota pantau pada Pemantauan Verifikasi, sehingga mekanisme penentuan kota pada Pemantauan Verifikasi dapat dibuat suatu ketetapan. TINJAUAN PUSTAKA Program Adipura Program Adipura adalah program kerja berlingkup nasional yang dikelola oleh Kementerian Lingkungan Hidup. Program Adipura bertujuan untuk mendorong pemerintah kabupaten/kota dan masyarakat dalam mewujudkan kota yang bersih dan teduh melalui penerapan prinsip-prinsip tata kepemerintahan yang baik dibidang pengelolaan lingkungan hidup (KLH 2007). Pelaksanaan Program Adipura saat ini merupakan pengembangan dari Program Adipura pada kurun waktu Program ini dilanjutkan kembali pada tahun 2002 sampai dengan saat ini. Evaluasi Program Adipura dilakukan berdasarkan kategori kota. Kategorisasi kota didasarkan pada jumlah penduduk wilayah perkotaan. Kategori kota Program Adipura disajikan pada Tabel 1.

11 2 Tabel 1 Kategori kota Program Adipura Kategori Jumlah Penduduk Metropolitan Lebih dari Besar Sedang Kecil Penghargaan anugerah Adipura diberikan kepada walikota/bupati yang telah berhasil mengelola lingkungannya dengan baik. Kriteria penilaian Program Adipura terdiri atas dua penilaian, yaitu Penilaian Fisik dan Penilaian Non Fisik. 1 Penilaian Fisik Penilaian Fisik merupakan pemantauan terhadap kondisi fisik kawasan perkotaan suatu kabupaten/kota. Pemantauan dilaksanakan paling sedikit dua kali dalam satu periode penilaian. Pemantauan verifikasi dilaksanakan jika diperlukan (KLH 2006). Jumlah kriteria Penilaian Fisik Program Adipura adalah 16 kriteria. Masing-masing kriteria memiliki bobot yang telah ditentukan oleh KLH. Kriteria Penilaian Fisik Program Adipura disajikan pada Tabel 2. Tabel 2 Kriteria Penilaian Fisik Program Adipura No Kriteria Penilaian Bobot 1 Perumahan 7 2 Jalan 8 3 Pasar 9 4 Pertokoan 6 5 Perkantoran 3 6 Sekolah 8 7 Rumah Sakit/Puskesmas 6 8 Hutan kota 3 9 Taman kota 7 10 Terminal bus/angkot 8 11 Stasiun kereta 5 12 Pelabuhan penumpang 5 13 Perairan terbuka 8 14 Tempat pembuangan akhir Pemanfaatan sampah 3 16 Pantai wisata 4 Penilaian Program Adipura menggunakan skala nilai yang telah ditentukan. Skala nilai yang digunakan pada Program Adipura disajikan pada Tabel 3. 2 Penilaian Non Fisik Penilaian Non Fisik merupakan penilaian terhadap dokumen berupa kuisioner yang telah diisi oleh kota peserta Program Adipura. Penilaian Non Fisik dilaksanakan satu kali dalam satu periode penilaian. Tabel 3 Skala nilai Program Adipura Skala Nilai Sangat Baik Baik Sedang Jelek Sangat Jelek Klasifikasi Klasifikasi merupakan proses menemukan sekumpulan model atau fungsi yang menggambarkan dan membedakan konsep atau kelas-kelas data, dengan tujuan agar model tersebut dapat digunakan untuk memprediksi kelas dari suatu objek atau data yang label kelasnya tidak diketahui (Han & Kamber 2001). Klasifikasi terdiri atas dua tahap, yaitu pelatihan dan prediksi (klasifikasi). Pada tahap pelatihan, dibentuk sebuah model domain permasalahan dari setiap instance yang ada. Penentuan model tersebut berdasarkan analisis pada sekumpulan data pelatihan, yaitu data yang label kelasnya sudah diketahui. Pada tahap klasifikasi, dilakukan prediksi kelas dari instance baru dengan menggunakan model yang telah dibuat pada tahap pelatihan (Guvenir et al. 1998). K-Fold Cross Validation Sebelum digunakan sebuah sistem berbasis komputer harus dievaluasi dalam berbagai aspek. Di antara aspek-aspek tersebut, validasi kinerja bisa menjadi yang paling penting. Cross validation dan bootstrapping merupakan metode untuk memperkirakan error generalisasi berdasarkan resampling (Weiss and Kulikowski, 1991; Efron and Tibshirani, 1993; Hjorth, 1994; Plutowski, Sakata and White, 1994; Shao and Tu, 1995 diacu dalam Sarle 2004) K-Fold Cross Validation membagi himpunan contoh ke dalam k himpunan bagian secara acak. Pengulangan dilakukan sebanyak k kali dan pada setiap ulangan, satu subset untuk pengujian dan subset lainnya untuk pelatihan. Pada metode tersebut, data awal dibagi menjadi k subset atau fold yang saling bebas secara acak, yaitu S 1,S 2,,S k, dengan ukuran setiap subset kira-kira sama. Pelatihan dan pengujian dilakukan sebanyak k kali. Pada

12 3 iterasi ke-i, subset S i diperlakukan sebagai data pengujian dan subset lainnya diperlakukan sebagai data pelatihan. Pada iterasi pertama S 2,,S k menjadi data pelatihan dan S 1 menjadi data pengujian, pada iterasi kedua S 1,S 3,,S k menjadi data pelatihan dan S 2 menjadi data pengujian dan seterusnya. VFI5 (Voting Feature Intervals 5) Voting Feature Intervals 5 (VFI5) adalah salah satu algoritme yang digunakan dalam pengklasifikasian data. Algoritme tersebut dikembangkan oleh Demiröz dan Gűvenir (Gűvenir dan Demiröz 1997). Algoritme VFI5 merepresentasikan deskripsi sebuah konsep oleh sekumpulan interval nilai-nilai feature atau atribut. Semua instance pelatihan diproses bersamaan. Algoritme VFI5 terdiri atas dua tahap, yaitu tahap pelatihan dan klasifikasi. 1 Pelatihan Pada tahap Pelatihan dilakukan pencarian nilai end point suatu feature f pada kelas data c. End point yaitu nilai minimum dan nilai maksimum setiap kelas c pada feature f. Kemudian setiap nilai end point tersebut diurutkan menjadi interval untuk feature f. Terdapat dua jenis interval, yaitu point interval yang terdiri atas semua nilai end point yang diperoleh dan range interval yang terdiri atas nilai-nilai antara dua end point yang berdekatan tidak termasuk end point tersebut. Tahap selanjutnya adalah menghitung jumlah instance pelatihan setiap kelas c dengan feature f yang nilainya jatuh pada interval i yang direpsentasikan sebagai interval_class_count[f,i,c]. untuk setiap instance pelatihan, dicari interval i dimana nilai feature f dari instance pelatihan e (e f ) tersebut jatuh. Jika interval i merupakan point interval dan nilai e f sama dengan nilai pada batas bawah atau batas atas maka jumlah kelas instance tersebut (e f ) pada interval i ditambah 1. Jika interval i merupakan range interval dan nilai e f jatuh pada interval tersebut, maka jumlah kelas instance e f pada interval i ditambah 1. Hasil dari proses tersebut merupakan jumlah vote kelas c pada interval i. Jumlah vote kelas c untuk feature f pada interval i dibagi dengan jumlah instance pada kelas c (class_count[c]) untuk menghilangkan perbedaan distribusi antar kelas. Hasil normalisasi direpresentasikan dalam interval_class_vote[f,i,c]. Nilai-nilai pada interval_class_vote[f,i,c] dinormalisasi sehingga jumlah vote dari beberapa kelas pada setiap feature sama dengan 1. Pseudocode tahap pelatihan dari algoritme VFI5 disajikan pada Gambar 1. 2 Klasifikasi Tahap klasifikasi algoritme VFI5 dilakukan proses inisialisasi awal nilai vote masing-masing kelas dengan nilai 0. Untuk setiap feature f, dicari nilai interval i dimana e f jatuh, dimana e f adalah nilai feature f dari instance tes e. jika e f tidak diketahui (hilang), maka feature tersebut tidak disertakan dalam voting (member nilai vote 0 untuk masingmasing kelas) sehingga feature yang nilainya tidak diketahui diabaikan. Jika e f diketahui maka interval tersebut dapat ditemukan. Feature tersebut akan memberikan nilai vote untuk masing-masing kelas dengan prosedur (Guvenir 1998): feature_vote[f,c] = interval_class_vote[f,i,c]. Setiap feature f mengumpulkan nilai vote kemudian dijumlahkan untuk memperoleh total vote. Kelas c yang memiliki nilai vote tertinggi diprediksi sebagai kelas dari instance tes c. Pseudocode tahap klasifikasi dari algoritme VFI5 disajikan pada Gambar 2. Confusion Matrix Confusion matrix mengandung informasi tentang kelas data yang aktual direpresentasikan pada baris matiks dan kelas data hasil prediksi suatu algoritme klasifikasi. Kemampuan dari algoritme klasifikasi biasanya dievaluasi dari data yang ada pada matriks. Confusion matrix untuk data dengan dua kelas disajikan pada Tabel 4 (Hamilton et al. 2002). Tabel 4 Confusion matrix Prediksi Data Kelas 1 Kelas 2 Kelas 1 a b Aktual Kelas 2 c d Keterangan : a adalah jumlah instance kelas 1 yang berhasil diprediksi dengan benar sebagai kelas 1. b adalah jumlah instance kelas 1 yang tidak berhasil diprediksi dengan benar karena diprediksi sebagai kelas 2. c adalah jumlah instance kelas 2 yang tidak berhasil diprediksi dengan benar karena diprediksi sebagai kelas 1.

13 4 d adalah jumlah instance kelas 2 yang berhasil diprediksi dengan benar sebagai kelas 2. METODE PENELITIAN Beberapa tahapan proses yang dilalui untuk mengetahui hasil yang diperoleh algoritme VFI5 dalam memprediksi kota peraih anugerah Adipura. Tahapan proses tersebut disajikan pada Gambar 3. Tahapan proses yang utama adalah tahap pelatihan dan klasifikasi, pada tahap tersebut data akan dilatih untuk menghasilkan vote masing-masing feature. Sedangkan pada tahap klasifikasi, dilakukan prediksi kota peraih anugerah Adipura. Data Data yang digunakan merupakan data Program Adipura. Data tersebut diperoleh dari Asisten Deputi Urusan Pengendalian Pencemaran Limbah Domestik dan Usaha Skala Kecil, Kementerian Lingkungan Hidup. Data yang digunakan merupakan data hasil pemantauan Program Adipura periode Data tersebut adalah data Pemantauan I, data Pemantauan II dan data rata-rata Pemantauan I dan Pemantauan II. Data Program Adipura terdiri atas dua kelas yaitu kelas kota peraih anugerah Adipura (Adipura) dan bukan kota peraih anugerah Adipura (Bukan Adipura). Jumlah instance pada data Pemantauan I dan Pemantauan II adalah 98, dan jumlah feature sebanyak 16. Data kabupaten/kota kategori kota Sedang dan kota Kecil regional Jawa dapat dilihat pada Lampiran 2. Feature yang digunakan merupakan kriteria Penilaian Fisik untuk seluruh kabupaten/kota peserta Program Adipura. Kategori kota yang digunakan pada Program Adipura yaitu kategori kota Sedang (36 kota) dan kota Kecil (62 kota). Data latih dan data uji Pada tahap ini dilakukan pembagian data antara data latih dan data uji dengan menggunakan 3-fold cross validation. Pembagian data tersebut disajikan pada Tabel 5. Jumlah data latih dan data uji untuk setiap iterasi disajikan pada Tabel 6. train (TrainingSet); begin for each feature f if f is linear for each class c EndPoints[f]= EndPoints[f] U find_end_points(trainingset,f,c); sort(endpoints[f]); for each end point p in EndPoints[f] from a point interval from end point p from a range interval between p and the next endpoint p else /* f is nominal */ from a point interval for each value of f for each interval i on feature f for each class c interval_class_count[f,i,c]=0; count_instances(f,trainingset); for each interval i on feature dimension f for each class c interval_class_vote[f,i,c]= interval_class_count[f,i,c]/class_count[c]; normalize interval_class_vote[f,i,c]; /* such that c interval_class_vote[f,i,c] = 1 */ end Gambar 1 Pseudocode tahap pelatihan algoritme VFI5.

14 5 classify(e) begin for each class c vote[c] = 0 for each feature f for each class c feature_vote[f,c] = 0; /* vote of feature f for class c */ if e f value is known i = find_interval(f,e f) feature_vote[f,c] = interval_class_vote[f,ic] for each class c vote[c] = vote[c] + feature_vote[f,c]*weight[f]; return class c with highes vote[c] end Gambar 2 Pseudocode tahap klasifikasi algoritme VFI5. Pelatihan Pelatihan VFI5 dilakukan pada tiga data, yaitu data Pemantauan I, data Pemantauan II dan data rata-rata Pemantauan I dan Pemantauan II. Data tersebut masing-masing dibagi menjadi 2/3 data training dan 1/3 data testing. Kriteria penilaian Program Adipura menjadi feature dalam VFI5. Hasil evaluasi di akhir periode pelaksanaan Program Adipura yang menunjukan suatu kota berhasil meraih penghargaan anugerah Adipura atau tidak menjadi kelas dalam VFI5. Ilustrasi pada tahap pelatihan dapat dilihat pada Lampiran 3. Tabel 5 3-Fold Cross Validation data Program Adipura Iterasi Data uji Data latih Pertama Subset 1 Subset 2, Subset 3 Kedua Subset 2 Subset 1, Subset 3 Ketiga Subset 3 Subset 1, Subset 2 Data Latih Pelatihan Mulai Data VFI5 Data Uji Klasifikasi Akurasi Selesai Tabel 6 Jumlah data latih dan data uji Pemantauan I Iterasi Data latih Data uji Jumlah data Pertama Kedua Ketiga Gambar 3 Metode penelitian. Klasifikasi Pada tahap ini dilakukan klasifikasi data testing berdasarkan pola yang telah diperoleh pada tahap pelatihan. ilustrasi pada tahap klasifikasi dapat dilihat pada Lampiran 4. Klasifikasi yang digunakan terdapat empat cara, yaitu :

15 6 1 Metode klasifikasi VFI5 dengan bobot masing-masing feature adalah satu (VFI5a). 2 Metode klasifikasi VFI5 yang telah dimodifikasi dengan bobot masing-masing feature adalah satu (VFI5b). 3 Metode klasifikasi VFI5 dengan bobot yang telah ditentukan oleh KLH untuk masing-masing feature (VFI5c). 4 Metode klasifikasi VFI5 yang telah dimodifikasi dengan bobot yang telah ditentukan oleh KLH untuk masingmasing feature (VFI5d). Metode VFI5 yang telah dimodifikasi (VFI5b dan VFI5d) merupakan algoritme VFI5 dengan batas interval bawah dan batas interval atas dalam bentuk point interval diubah menjadi range interval dengan batas nilai minimum dan nilai maksimum skala nilai Program Adipura. Perbandingan interval antara algoritme klasifikasi VFI5 dengan algoritme klasifikasi VFI5 modifikasi disajikan pada Gambar 4. Kelas yang digunakan untuk memprediksi kota peraih anugerah Adipura terdiri atas kelas Adipura dan kelas Bukan Adipura. Akurasi Pada tahap ini dilakukan pengukuran tingkat akurasi berdasarkan data hasil klasifikasi. Tingkat akurasi diperoleh dengan perhitungan : data uji benar klasifikasi tingkat akurasi = total data klasifikasi Lingkup Pengembangan Penelitian ini diimplementasikan dengan menggunakan Microsoft Access 2003 untuk komputasi algoritme VFI5. Perangkat keras yang digunakan adalah komputer notebook dengan spesifikasi: 1 Prosesor AMD Turion64 X2 2.2GHz, 2 RAM 4 GB, dan 3 Harddisk 250 GB. A : 0 A : 0 A : 0.4 A : 0.5 A : 0.6 A : 1 A : 0.7 A : 1 A : 0 B : 0 B : 1 B : 0.6 B : 0.5 B : 0.4 A : 0 B : 0.3 B : 0 B : VFI5 f i A : 0 A : 0 A : 0.4 A : 0.5 A : 0.6 A : 1 A : 0.7 A : 1 A : 1 B : 1 B : 1 B : 0.6 B : 0.5 B : 0.4 A : 0 B : 0.3 B : 0 B : 0 f i VFI5 modifikasi Gambar 4 Perbandingan interval VFI5 dengan VFI5 modifikasi. HASIL DAN PEMBAHASAN Penelitian ini menggunakan data hasil Pemantauan I dan Pemantauan II Program Adipura kategori kota Kecil dan kota Sedang regional Jawa periode Klasifikasi yang digunakan adalah algoritme klasifikasi VFI5 dan algoritme klasifikasi VFI5 modifikasi. Bobot yang digunakan adalah bobot masing-masing feature yang ditentukan KLH dan bobot masing-masing feature sama. Data Pemantauan I Data Pemantauan I Program Adipura berjumlah 98 instance. Data ini selanjutnya dibagi menjadi data latih dan data uji (klasifikasi) sesuai dengan 3-fold cross validation. Confusion matrix pada iterasi pertama data Pemantauan I disajikan pada Tabel 7. Seluruh metode klasifikasi digunakan pada tahap pengujian untuk mengetahui tingkat akurasi masing-masing metode. Hasil tahap klasifikasi pada iterasi pertama disajikan pada Tabel 8. Jumlah kota salah prediksi pada

16 7 iterasi ini berbeda untuk setiap metode klasifikasi. Daftar kota salah prediksi pada iterasi ini dapat dilihat pada Lampiran 5. Tabel 7 Confusion matrix pada iterasi pertama data Pemantauan I. Data Prediksi Kelas A Kelas BA Aktual Kelas A 12 0 Kelas BA 5 15 * Kelas A : Kelas Adipura; Kelas BA : Kelas Bukan Adipura. Tabel 8 Hasil tahap klasifikasi pada iterasi pertama data Pemantauan I Metode Prediksi Prediksi Akurasi benar salah VFI5a % VFI5b % VFI5c % VFI5d % Hasil tahap klasifikasi pada iterasi kedua disajikan pada Tabel 9. Seluruh kota salah prediksi pada iterasi kedua adalah sama untuk seluruh metode klasifikasi. Daftar kota salah prediksi seluruh metode pada iterasi kedua dapat dilihat pada Lampiran 6. Hasil tahap klasifikasi pada iterasi kedua data Pemantauan I ini tidak menunjukan perbedaan akurasi terhadap masing-masing metode (84.85%). Tingkat akurasi pada iterasi ini lebih tinggi dari iterasi sebelumnya. Tabel 9 Hasil tahap klasifikasi pada iterasi kedua data Pemantauan I Metode Prediksi Prediksi Akurasi benar salah VFI5a % VFI5b % VFI5c % VFI5d % Hasil tahap klasifikasi pada iterasi ketiga disajikan pada Tabel 10. Jumlah kota salah prediksi pada iterasi ketiga berbeda untuk setiap metode klasifikasi. Daftar kota salah prediksi pada iterasi ini dapat dilihat pada Lampiran 7. Hasil tahap klasifikasi pada iterasi pertama data Pemantauan I menunjukan beberapa kota salah diprediksi. Salah satu kota tersebut adalah kota Pasuruan dengan kategori kota Sedang. Vote untuk kelas Bukan Adipura 48.70, sedangkan vote untuk kelas Adipura Selisih vote dengan nilai yang kecil (selisih 2.60) menjadi salah satu penyebab kesalahan prediksi kota Pasuruan. Detail vote untuk masing-masing instance dapat dilihat pada Lampiran 8. Tabel 10 Hasil tahap klasifikasi pada iterasi ketiga data Pemantauan I Metode Prediksi Prediksi Akurasi benar salah VFI5a % VFI5b % VFI5c % VFI5d % Tahap klasifikasi data Pemantauan I menggunakan 3-fold cross validation menunjukan penggunaan bobot masingmasing feature adalah satu memiliki akurasi rata-rata yang lebih tinggi dibandingkan dengan bobot yang telah ditentukan KLH, sedangkan penggunaan metode klasifikasi VFI5 (VFI5a) dan VFI5 modifikasi (VFI5b) tidak menunjukan perbedaan tingkat akurasi. Tingkat akurasi rata-rata hasil tahap klasifikasi data Pemantauan I disajikan pada Tabel 11. Grafik akurasi prediksi pada data Pemantauan I dapat dilihat pada Lampiran 9. Hasil tahap klasifikasi data Pemantauan I menunjukan tingkat akurasi tertinggi pada metode VFI5a dan VFI5b sebesar %. Metode ini merupakan menggunakan algoritme klasifikasi VFI5 dan algoritme VFI5 modifikasi dengan bobot masingmasing feature sama. Pada tahap klasifikasi ini penggunaan bobot yang ditentukan KLH tidak memberikan hasil yang lebih baik daripada bobot masing-masing feature sama. Tabel 11 Tingkat akurasi rata-rata tahap klasifikasi data Pemantauan I Metode Akurasi rata-rata VFI5a % VFI5b % VFI5c % VFI5d % Data Pemantauan II Jumlah instance data Pemantauan II Program Adipura sama dengan jumlah instance pada data Pemantauan I. Data ini selanjutnya dibagi menjadi data latih dan data uji. Jumlah data latih dan data uji pada data Pemantauan II sama dengan pada data Pemantauan I. Metode yang digunakan pada tahap klasifikasi data Pemantauan II sama dengan pada data Pemantauan I. Hasil tahap klasifikasi pada iterasi pertama disajikan

17 8 pada Tabel 12. Seluruh kota salah prediksi pada iterasi ini adalah sama untuk setiap metode klasifikasi. Daftar kota salah prediksi pada iterasi pertama data Pemantauan II dapat dilihat pada Lampiran 10. Tabel 12 Hasil tahap klasifikasi pada iterasi pertama data Pemantauan II Metode Prediksi Prediksi Akurasi benar salah VFI5a % VFI5b % VFI5c % VFI5d % Hasil tahap klasifikasi pada iterasi kedua disajikan pada Tabel 13. Kota salah prediksi pada iterasi kedua dapat dilihat pada Lampiran 11. Detail vote kota Pasuruan pada kota salah prediksi iterasi pertama dapat dilihat pada Lampiran 12, detail vote kabupaten Temanggung pada Lampiran 13, dan detail vote kabupaten Wonogiri pada Lampiran 14. Tabel 13 Hasil tahap klasifikasi pada iterasi kedua data Pemantauan II Metode Prediksi Prediksi Akurasi benar salah VFI5a % VFI5b % VFI5c % VFI5d % Hasil tahap klasifikasi pada iterasi ketiga disajikan pada Tabel 14. Jumlah kota salah prediksi pada iterasi ini dapat dilihat pada Lampiran 15. Tabel 14 Hasil tahap klasifikasi pada iterasi ketiga data Pemantauan II Metode Prediksi Prediksi Akurasi benar salah VFI5a % VFI5b % VFI5c % VFI5d % Hasil tahap klasifikasi data Pemantauan II menunjukan tingkat akurasi yang lebih tinggi dibandingkan dengan setiap iterasi pada tahap klasifikasi data Pemantauan I. Akurasi tertinggi pada tahap ini adalah pada iterasi ketiga menggunakan metode klasifikasi VFI5 modifikasi dengan bobot yang ditentukan KLH. Tingkat akurasi yang diperoleh pada metode tersebut adalah %. Tingkat akurasi rata-rata tertinggi pada tahap klasifikasi data Pemantauan II sebesar % menggunakan metode klasifikasi VFI5 modifikasi dengan bobot yang ditentukan KLH. Secara umum, tingkat akurasi tahap klasifikasi data Pemantauan II lebih tinggi dari tahap klasifikasi data Pemantauan I. Tingkat akurasi rata-rata pada tahap klasifikasi data Pemantauan II disajikan pada Tabel 15. Grafik akurasi prediksi pada data Pemantauan II dapat dilihat pada Lampiran 16. Tabel 15 Tingkat akurasi rata-rata tahap klasifikasi data Pemantauan II Metode Akurasi rata-rata VFI5a % VFI5b % VFI5c % VFI5d % Data rata-rata Pemantauan I dan Pemantauan II Data yang digunakan merupakan rata-rata Pemantauan I dan Pemantauan II Program Adipura. Data tersebut dihitung nilai rata-rata Pemantauan I dan Pemantauan II untuk setiap kriteria penilaian seluruh kota peserta Program Adipura. Selanjutnya data ini dibagi menjadi data latih dan data uji. Jumlah data latih dan data uji sama dengan pada data sebelumnya. Metode yang digunakan pada tahap klasifikasi data rata-rata Pemantauan I dan Pemantauan II sama dengan tahap klasifikasi data sebelumnya. Hasil tahap klasifikasi pada iterasi pertama disajikan pada Tabel 16, sedangkan daftar kota salah prediksi pada iterasi pertama dapat dilihat pada Lampiran 17. Tabel 16 Hasil tahap klasifikasi pada iterasi pertama data rata-rata Pemantauan I dan Pemantauan II Metode Prediksi Prediksi Akurasi benar salah VFI5a % VFI5b % VFI5c % VFI5d % Hasil tahap klasifikasi iterasi kedua disajikan pada Tabel 17. Kota salah prediksi untuk setiap metode pada iterasi ini sama, yaitu kabupaten Nganjuk dan kabupaten Kulon Progo. Hasil tahap klasifikasi iterasi kedua memiliki tingkat akurasi paling tinggi

18 9 yaitu % untuk seluruh metode. Penggunaan masing-masing metode dan bobot pada tahap klasifikasi iterasi ini tidak mempengaruhi tingkat akurasi. Tabel 17 Hasil tahap klasifikasi pada iterasi kedua data rata-rata Pemantauan I dan Pemantauan II Metode Prediksi Prediksi Akurasi benar salah VFI5a % VFI5b % VFI5c % VFI5d % metode klasifikasi VFI5 modifikasi dengan bobot masing-masing feature sama (VFI5b). Tingkat akurasi rata-rata tertinggi diperoleh menggunakan data Pemantauan II dan data rata-rata Pemantauan I dan Pemantauan II yaitu %. Daftar tingkat akurasi untuk setiap data, iterasi dan metode klasifikasi dapat dilihat pada Lampiran 20. Grafik tingkat akurasi setiap metode dan data pemantauan disajikan pada Gambar 5. Hasil tahap klasifikasi iterasi ketiga disajikan pada Tabel 18. Kota salah prediksi pada iterasi ketiga dapat dilihat pada Lampiran 18. Tabel 18 Hasil tahap klasifikasi pada iterasi ketiga data rata-rata Pemantauan I dan Pemantauan II Metode Prediksi Prediksi Akurasi benar salah VFI5a % VFI5b % VFI5c % VFI5d % Hasil klasifikasi seluruh seluruh iterasi pada data rata-rata Pemantauan I dan Pemantauan II menunjukan tingkat akurasi rata-rata tertinggi sebesar %. Tingkat akurasi ini dicapai dengan menggunakan metode klasifikasi modifikasi dengan bobot masing-masing feature adalah satu. Tingkat akurasi rata-rata pada tahap klasifikasi data rata-rata Pemantauan I dan Pemantauan II disajikan pada Tabel 19. Grafik akurasi prediksi pada data rata-rata Pemantauan I dan Pemantauan II dapat dilihat pada Lampiran 19. Tabel 19 Tingkat akurasi rata-rata tahap klasifikasi data rata-rata Pemantauan I dan Pemantauan II Metode Akurasi rata-rata VFI5a % VFI5b % VFI5c % VFI5d % Hasil tahap klasifikasi menggunakan data Pemantauan I, data Pemantauan II dan data rata-rata Pemantauan I dan Pemantauan II menunjukan tingkat akurasi tertinggi pada Gambar 5 Grafik tingkat akurasi prediksi. Penggunaan kombinasi metode klasifikasi dan bobot bertujuan untuk mengetahui tingkat akurasi tertinggi prediksi kota peraih anugerah Adipura, sehingga dapat diketahui metode yang paling tepat. Tingkat akurasi rata-rata tertinggi untuk seluruh data pemantauan Program Adipura diperoleh menggunakan metode klasifikasi modifikasi dengan menggunakan bobot masing-masing feature sama (VFI5b) yaitu sebesar %. Grafik tingkat akurasi rata-rata setiap metode disajikan pada Gambar 6. Gambar 6 Grafik tingkat akurasi metode.

19 10 KESIMPULAN DAN SARAN Kesimpulan Prediksi anugerah Adipura dapat digunakan pihak KLH untuk membantu menetapkan mekanisme kota pantau pada Pemantauan Verifikasi, selain itu hasil prediksi tersebut dapat dijadikan alat perhitungan cepat (quick count) bagi pihak KLH untuk memprediksi kota peraih anugerah Adipura. Penelitian ini menunjukkan tingkat akurasi tertinggi dihasilkan pada data hasil Pemantauan II dengan menggunakan metode klasifikasi modifikasi dan bobot masingmasing feature sama dengan satu (VFI5b). Tingkat akurasi yang dihasilkan adalah sebesar %. Lingkungan Kementerian Lingkungan Hidup. Jakarta. Sarle W What are cross-validation and bootstrapping?. /faqs/ai-faq/neural-nets/part3/section- 12.html. [November 2008]. Saran Penelitian ini dapat dikembangkan lebih lanjut melalui peningkatan akurasi prediksi dengan melakukan eksplorasi terhadap bobot feature. DAFTAR PUSTAKA Demiröz G dan Gűvenir HA Classification by Voting Feature Intervals. papers/demiros97classification.pdf. [November 2008]. Gűvenir HA, Demiröz G, Ilter N Learning Differential Diagnosis of Erythemato-Squamous Diseases using Voting Feature Intervals. Artificial Intelligence in Medicine, 13(3), Hamilton H, Gurak E, Findlater L Confusion Matrix. uregina.ca/~dbd/cs831/notes/confusion_ matrix/confusion_matrix.html. [Februari 2009]. Han J, Kamber M Data Mining Concept & Technique. USA:Academic Press. [KLH] Kementerian Lingkungan Hidup Peraturan Menteri Negara Lingkungan Hidup nomor 14 tahun Jakarta. [KLH] Kementerian Lingkungan Hidup ADIPURA Menuju Kota Bersih dan Teduh. Jakarta. [KLH] Kementerian Lingkungan Hidup Laporan Tahun 2007 Deputi Bidang Pengendalian Pencemaran

20 LAMPIRAN

21 12 Lampiran 1 Jadwal Pelaksanaan Program Adipura Lampiran 2 Data kabupaten/kota kategori kota Sedang dan kota Kecil regional Jawa No Kota Kota/kab Provinsi Kategori 1 Banyuwangi Kabupaten banyuwangi Jawa timur Sedang 2 Batu Kotamadya kota batu Jawa timur Sedang 3 Blitar Kotamadya blitar Jawa timur Sedang 4 Cianjur Kabupaten cianjur Jawa barat Sedang 5 Cibinong Kabupaten bogor Jawa barat Sedang 6 Cilacap Kabupaten cilacap Jawa tengah Sedang 7 Cilegon Kotamadya cilegon Banten Sedang 8 Cimahi Kotamadya kota cimahi Jawa barat Sedang 9 Cirebon Kotamadya cirebon Jawa barat Sedang 10 Gresik Kabupaten gresik Jawa timur Sedang 11 Jember Kabupaten jember Jawa timur Sedang 12 Jepara Kabupaten jepara Jawa tengah Sedang 13 Jombang Kabupaten jombang Jawa timur Sedang 14 Tangerang Kabupaten tangerang Banten Sedang 15 Kebumen Kabupaten kebumen Jawa tengah Sedang 16 Kediri Kotamadya kediri Jawa timur Sedang 17 Kudus Kabupaten kudus Jawa tengah Sedang 18 Lumajang Kabupaten lumajang Jawa timur Sedang 19 Madiun Kotamadya madiun Jawa timur Sedang 20 Magelang Kotamadya magelang Jawa tengah Sedang 21 Mojokerto Kotamadya mojokerto Jawa timur Sedang 22 Muntilan Kabupaten magelang Jawa tengah Sedang 23 Pasuruan Kotamadya pasuruan Jawa timur Sedang 24 Pekalongan Kotamadya pekalongan Jawa tengah Sedang 25 Pemalang Kabupaten pemalang Jawa tengah Sedang

22 13 Lampiran 2 Lanjutan No Kota Kota/kab Provinsi Kategori 26 Probolinggo Kotamadya probolinggo Jawa timur Sedang 27 Purwokerto Kabupaten banyumas Jawa tengah Sedang 28 Salatiga Kotamadya salatiga Jawa tengah Sedang 29 Sidoarjo Kabupaten sidoarjo Jawa timur Sedang 30 Sleman Kabupaten sleman D.i. Yogyakarta Sedang 31 Soreang Kabupaten bandung Jawa barat Sedang 32 Sukabumi Kotamadya sukabumi Jawa barat Sedang 33 Tasikmalaya Kotamadya tasikmalaya Jawa barat Sedang 34 Tegal Kotamadya tegal Jawa tengah Sedang 35 Tulungagung Kabupaten tulungagung Jawa timur Sedang 36 Ungaran Kabupaten semarang Jawa tengah Sedang 37 Bangil Kabupaten pasuruan Jawa timur Kecil 38 Bangkalan Kabupaten bangkalan Jawa timur Kecil 39 Banjar Kotamadya banjar Jawa barat Kecil 40 Banjarnegara Kabupaten banjarnegara Jawa tengah Kecil 41 Bantul Kabupaten bantul D.i. Yogyakarta Kecil 42 Batang Kabupaten batang Jawa tengah Kecil 43 Blora Kabupaten blora Jawa tengah Kecil 44 Bojonegoro Kabupaten bojonegoro Jawa timur Kecil 45 Bondowoso Kabupaten bondowoso Jawa timur Kecil 46 Boyolali Kabupaten boyolali Jawa tengah Kecil 47 Brebes Kabupaten brebes Jawa tengah Kecil 48 Caruban Kabupaten madiun Jawa timur Kecil 49 Ciamis Kabupaten ciamis Jawa barat Kecil 50 Cikarang Kabupaten bekasi Jawa barat Kecil 51 Demak Kabupaten demak Jawa tengah Kecil 52 Garut Kabupaten garut Jawa barat Kecil 53 Indramayu Kabupaten indramayu Jawa barat Kecil 54 Kajen Kabupaten pekalongan Jawa tengah Kecil 55 Karanganyar Kabupaten karang anyar Jawa tengah Kecil 56 Karawang Kabupaten karawang Jawa barat Kecil 57 Kendal Kabupaten kendal Jawa tengah Kecil 58 Kepanjen Kabupaten malang Jawa timur Kecil 59 Klaten Kabupaten klaten Jawa tengah Kecil 60 Kraksaan Kabupaten probolinggo Jawa timur Kecil 61 Kuningan Kabupaten kuningan Jawa barat Kecil 62 Lamongan Kabupaten lamongan Jawa timur Kecil 63 Magetan Kabupaten magetan Jawa timur Kecil 64 Majalengka Kabupaten majalengka Jawa barat Kecil 65 Mojosari Kabupaten mojokerto Jawa timur Kecil 66 Nganjuk Kabupaten nganjuk Jawa timur Kecil 67 Ngawi Kabupaten ngawi Jawa timur Kecil 68 Pacitan Kabupaten pacitan Jawa timur Kecil 69 Pamekasan Kabupaten pamekasan Jawa timur Kecil 70 Pandeglang Kabupaten pandeglang Banten Kecil 71 Pare Kabupaten kediri Jawa timur Kecil 72 Pati Kabupaten pati Jawa tengah Kecil

23 14 Lampiran 2 Lanjutan No Kota Kota/kab Provinsi Kategori 73 Pelabuhan ratu Kabupaten sukabumi Jawa barat Kecil 74 Ponorogo Kabupaten ponorogo Jawa timur Kecil 75 Purbalingga Kabupaten purbalingga Jawa tengah Kecil 76 Purwakarta Kabupaten purwakarta Jawa barat Kecil 77 Purwodadi Kabupaten grobogan Jawa tengah Kecil 78 Purworejo Kabupaten purworejo Jawa tengah Kecil 79 Rangkas bitung Kabupaten lebak Banten Kecil 80 Rembang Kabupaten rembang Jawa tengah Kecil 81 Sampang Kabupaten sampang Jawa timur Kecil 82 Singaparna Kabupaten tasikmalaya Jawa barat Kecil 83 Situbondo Kabupaten situbondo Jawa timur Kecil 84 Slawi Kabupaten tegal Jawa tengah Kecil 85 Sragen Kabupaten sragen Jawa tengah Kecil 86 Subang Kabupaten subang Jawa barat Kecil 87 Sukoharjo Kabupaten sukoharjo Jawa tengah Kecil 88 Sumber Kabupaten cirebon Jawa barat Kecil 89 Sumedang Kabupaten sumedang Jawa barat Kecil 90 Sumenep Kabupaten sumenep Jawa timur Kecil 91 Temanggung Kabupaten temanggung Jawa tengah Kecil 92 Trenggalek Kabupaten trenggalek Jawa timur Kecil 93 Tuban Kabupaten tuban Jawa timur Kecil 94 Wates Kabupaten kulon progo D.i. Yogyakarta Kecil 95 Wlingi Kabupaten blitar Jawa timur Kecil 96 Wonogiri Kabupaten wonogiri Jawa tengah Kecil 97 Wonosari Kabupaten gunung kidul D.i. Yogyakarta Kecil 98 Wonosobo Kabupaten wonosobo Jawa tengah Kecil

24 15 Lampiran 3 Ilustrasi tahap pelatihan Kota Nilai Perumahan Kelas Kota A Adipura Kota B Adipura Kota C Bukan Adipura Kota D Adipura Kota E Bukan Adipura Kota F Bukan Adipura (data training hasil pemantauan kota Program Adipura) Kelas Maksimum Minimum Adipura?? Bukan Adipura?? Tahap 1 (dicari nilai maksimum dan minimum untuk setiap kelas, untuk setiap komponen, misal Perumahan) Kelas Maksimum Minimum Adipura Bukan Adipura (nilai maksimum dan minimum untuk setiap kelas, untuk setiap komponen, misal Perumahan) Adipura Bukan Adipura Tahap 2 (Nilai pada Tahap 1 diurutkan seperti interval, kemudian data training dihitung nilai yang jatuh pada interval berdasarkan kelas-nya) Jumlah Adipura Bukan Adipura Tahap 3 (seluruh nilai yang jatuh pada interval dijumlah berdasarkan kelas-nya) Adipura Bukan Adipura Tahap 4 Normalisasi horizontal (setiap nilai pada interval dibagi jumlah nilai horizontal seluruh interval kelas-nya) Adipura Bukan Adipura Tahap 5 Normalisasi vertikal (setiap nilai/count pada interval dibagi dengan jumlah vertikal nilai interval) Adipura Bukan Adipura Vote Interval (model interval untuk komponen Perumahan)

25 16 Lampiran 4 Ilustrasi tahap klasifikasi Misal, hasil pemantauan Program Adipura untuk Kota Y dengan 16 komponen penilaian Tahap 1, Untuk setiap komponen dicari vote terhadap kelas Adipura dan kelas Bukan Adipura vote? Interval untuk komponen Perumahan Tahap 2, Nilai komponen Perumahan jatuh pada range interval sampai Tahap 3, Vote komponen Perumahan untuk kelas Adipura 0.81 dan kelas Bukan Adipura seluruh tahap ini diulang untuk setiap komponen

26 17 Lampiran 5 Kota salah prediksi pada data Pemantauan I iterasi pertama No VFI5a dan VFI5b VFI5c dan VFI5d 1 kota Pasuruan kota Pasuruan 2 Kab. Sukabumi Kab. Sukabumi 3 Kota Sukabumi Kota Sukabumi 4 Kab. Temanggung Kab. Temanggung 5 Kab. Wonogiri Kab. Wonogiri 6 Kota Kediri Lampiran 6 Kota salah prediksi pada data Pemantauan I iterasi kedua No VFI5a, VFI5b, VFI5c, dan VFI5d 1 Kab. Probolinggo 2 Kab. Mojokerto 3 Kab. Nganjuk 4 Kab. Purwakarta 5 Kab. Sleman Lampiran 7 Kota salah prediksi pada data Pemantauan I iterasi ketiga No VFI5a dan VFI5b VFI5c VFI5d 1 Kab. Bangkalan Kab. Bangkalan Kab. Bangkalan 2 Kab. Jepara Kab. Jepara Kab. Grobogan 3 Kab. Grobogan Kab. Grobogan Kab. Banyumas 4 Kab. Banyumas Kab. Banyumas 5 Kab. Banyuwangi 6 Kab. Batang Lampiran 8 Vote masing-masing instance kota Pasuruan VFI5a dan VFI5b VFI5c dan VFI5d No Komponen Nilai Kelas BA Kelas A Kelas BA Kelas A 1 Perumahan Jalan Pasar Pertokoan Perkantoran Sekolah Rumah Sakit/Puskesmas Hutan Kota Taman Kota Terminal Bus/Angkot Stasiun KA Pelabuhan Penumpang 13 Perairan Terbuka TPA Pemanfaatan Sampah Pantai Wisata Vote * Kelas A : Kelas Adipura; Kelas BA : Kelas Bukan Adipura.

27 18 Lampiran 9 Akurasi prediksi pada data Pemantauan I Lampiran 10 Kota salah prediksi pada data Pemantauan II iterasi pertama No VFI5a, VFI5b, VFI5c, dan VFI5d 1 Kota Pasuruan 2 Kab. Temanggung 3 Kab. Wonogiri Lampiran 11 Kota salah prediksi pada data Pemantauan II iterasi kedua No VFI5a dan VFI5b VFI5c dan VFI5d 1 Kab. Mojokerto Kab. Mojokerto 2 Kab. Nganjuk Kab. Nganjuk 3 Kab. Purbalingga Kab. Purbalingga 4 Kab. Kulon Progo Kab. Kulon Progo 5 Kab. Purwakarta Lampiran 12 Detail vote kota Pasuruan pada iterasi pertama data Pemantauan II No Komponen Nilai VFI5a dan VFI5b VFI5c dan VFI5d Kelas BA Kelas A Kelas BA Kelas A 1 Perumahan Jalan Pasar Pertokoan Perkantoran Sekolah Rumah Sakit/Puskesmas Hutan Kota Taman Kota Terminal Bus/Angkot Stasiun KA Pelabuhan Penumpang 13 Perairan Terbuka TPA Pemanfaatan Sampah Pantai Wisata Vote * Kelas A : Kelas Adipura; Kelas BA : Kelas Bukan Adipura.

28 19 Lampiran 13 Detail vote kabupaten Temanggung pada iterasi pertama data Pemantauan II No Komponen Nilai VFI5a dan VFI5b VFI5c dan VFI5d Kelas BA Kelas A Kelas BA Kelas A 1 Perumahan Jalan Pasar Pertokoan Perkantoran Sekolah Rumah Sakit/Puskesmas Hutan Kota Taman Kota Terminal Bus/Angkot Stasiun KA 12 Pelabuhan Penumpang 13 Perairan Terbuka TPA Pemanfaatan Sampah Pantai Wisata Vote * Kelas A : Kelas Adipura; Kelas BA : Kelas Bukan Adipura. Lampiran 14 Detail vote kabupaten Wonogiri pada iterasi pertama data Pemantauan II No Komponen Nilai VFI5a dan VFI5b VFI5c dan VFI5d Kelas BA Kelas A Kelas BA Kelas A 1 Perumahan Jalan Pasar Pertokoan Perkantoran Sekolah Rumah Sakit/Puskesmas Hutan Kota Taman Kota Terminal Bus/Angkot Stasiun KA Pelabuhan Penumpang 13 Perairan Terbuka TPA Pemanfaatan Sampah Pantai Wisata Vote * Kelas A : Kelas Adipura; Kelas BA : Kelas Bukan Adipura.