Klasifikasi Kelayakan Keluarga Penerima Bantuan Langsung Tunai Menggunakan Gain Ratio Dan Naïve Bayes
DOI:
https://doi.org/10.33998/jakakom.2023.3.1.794Abstract
Indonesia termasuk salah satu negara berkembang yang menghadapi kemiskinan khususnya didaerah kecil seperti Kelurahan Talang Babat yang terletak di Kabupaten Tanjung Jabung Timur Provinsi Jambi, penyebab terjadinya kemiskinan yaitu data warga penerima Bantuan Langsung Tunai tidak akurat dan tidak tepat sasaran.Hal ini dapat menimbulkan keluhan masyarakat, dan ketidakpuasan terhadap petugas kelurahan. Salah satu aspek penting yang mendukung strategi penanggulangan kemiskinan adalah dengan tersedianya data warga penerima Bantuan Langsung Tunai (BLT) yang akurat dan tepat sasaran. Oleh karena itu dibutuhkan metode untuk megelompokkan data penerima BLT, agar pemberian BLT tepat sasaran. Pada penelitian ini algoritma Naïve Bayes diimplementasikan dan dianalisis menggunakan evaluasi 3 options dengan Rapid miner sebagai alat bantu penelitian. Dari hasil evaluasi menggunakan 3 options test yaitu Use training set, 5 Fold Cross-Validation dan 10 Fold Cross-Validation, didapatkan persentase nilai tertinggi pada pengujian Use training set yang akurasinya sebesar 90,60%, presisi 96,67%, dan recall 92,06%.
Downloads
References
L. Priseptian, W. Priana Primandhana, and F. Ekonomi dan Bisnis Universitas Pembangunan Nasional Veteran Jawa Timur, “Analisis faktor-faktor yang mempengaruhi kemiskinan,” FORUM EKONOMI, vol. 24, no. 1, pp. 45–53, 2022, [Online]. Available: http://journal.feb.unmul.ac.id/index.php/FORUMEKONOMI
F. Ekonomi and B. Islam, “FAKTOR FAKTOR PENYEBAB KEMISKINAN,” Jurnal Keislaman, Kemasyarakaan dan Kebudayaan, 2015.
N. Huda, M. Hasbi, and T. Susyanto, “Seleksi Penerima Bantuan Pangan Non Tunai di Desa Menggunakan Metode Naïve Bayes dan Simple Additive Weighting,” Jurnal Ilmiah SINUS, vol. 19, no. 1, p. 39, Jan. 2021, doi: 10.30646/sinus.v19i1.525.
C. Agus Sugianto and F. Rizky Maulana, “Algoritma Naïve Bayes Untuk Klasifikasi Penerima Bantuan Pangan Non Tunai ( Studi Kasus Kelurahan Utama ) Naive Bayes Algorithm For Classification of Non-Cash Food Aid Recipients (Case Study of Utama Village),” 2019.
A. Ifon Purnama, A. Aziz, A. Sartika Wiguna, and K. Kunci, “PENERAPAN DATA MINING UNTUK MENGKLASIFIKASI PENERIMA BANTUAN PKH DESA WAE JARE MENGGUNAKAN METODE NAÏVE BAYES,” KURAWAL Jurnal Teknologi, Informasi dan Industri, 2020, [Online]. Available: https://jurnal.machung.ac.id/index.php/kurawal
A. Damuri, U. Riyanto, H. Rusdianto, and M. Aminudin, “Implementasi Data Mining dengan Algoritma Naïve Bayes Untuk Klasifikasi Kelayakan Penerima Bantuan Sembako,” JURIKOM (Jurnal Riset Komputer), vol. 8, no. 6, p. 219, Dec. 2021, doi: 10.30865/jurikom.v8i6.3655.
Warisa and Nurahman, “Penerapan Metode Naive Bayes Dalam Mengklasifikasi Penerima BLT Pada Desa Pelangsian,” Bulan Oktober, 2022.
Anwar Pauji, S. Aisyah, A. Surip, R. Saputra, and I. Ali, “Implementasi Algoritma K-Nearest Neighbor Dalam Menentukan Penerima Bantuan Langsung Tunai,” KOPERTIP : Jurnal Ilmiah Manajemen Informatika dan Komputer, vol. 4, no. 1, pp. 21–27, Jun. 2022, doi: 10.32485/kopertip.v4i1.114.
L. Qadrini, A. Seppewali, and A. Aina, “DECISION TREEDAN ADABOOSTPADA KLASIFIKASI PENERIMA PROGRAM BANTUAN SOSIAL,” Jurnal Inovasi Penelitian, vol. 2, no. 7, 2021.
W. Supriyadi, Kusrini, and A. Amborowati, “Perbandingan Kinerja Algoritma C4.5 Dan Naive Bayes Untuk Ketepatan Pemilihan Konsentrasi Mahasiswa,” Jurnal INFORMA Politeknik Indonusa Surakarta, pp. 2442–7942, 2016.
D. Darwis, N. Siskawati, and Z. Abidin, “Penerapan Algoritma Naive Bayes untuk Analisis Sentimen Review Data Twitter BMKG Nasional,” Jurnal Tekno Kompak, vol. 15, no. 1, pp. 131–145, 2021.
Wahono and Fitriyani, “Integrasi Bagging dan Greedy Forward Selection pada Prediksi Cacat Software dengan Menggunakan Naïve Bayes,” Jurnal Informatika, vol. 1, no. 2, pp. 101–108, 2015.
S. A. Pattekari dan P. A, “Prediction System for Heart Disease Using Naive Bayes,” International Journal of Advanced Computer and Mathematical Sciences, vol. 3, no. 3, pp. 2230–9624, 2012.
I. H. Witten, E. Frank, and M. A. Hall, “Data Mining Practical Machine Learning Tools and Techniques Elsevier,” 2012.
Sugianto and T. H. Apandi, “Analisis Komparasi Machine Learning Pada Data Spam Sms,” J.TEDC, vol. 12, no. 1, pp. 58–62, 2018.
I. Maulida, “Seleksi Fitur Dokumen Abstrak Menggunakan Metode Information Gain,” Jurnal Sifo Mikroskill, vol. 7, no. 2, pp. 15–20, 2016.
A. Sharma and Dey, “Performance Investigation of Feature Selection Methods and Sentiment Lexicons for Sentiment Analysis,” pp. 15–20, 2012.
R. H. Sukarna and Y. Ansori, “Implementasi Data Mining Menggunakan Metode Naive Bayes Dengan Feature Selection Untuk Prediksi Kelulusan Mahasiswa Tepat Waktu,” Jurnal Ilmiah Sains dan Teknologi, vol. 6, no. 1, 2022.
D. Sartika and D. I. Sensuse, “Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian,” vol. 1, no. 2, 2017.
