Algoritma Support Vector Machine (SVM) untuk Klasifikasi Ekonomi Penduduk Penerima Bantuan Pemerintah di Kecamatan Simpang Raya Sulawesi Tengah
Abstract
Klasifikasi ekonomi penduduk diperlukan dalam menentukan penerima bantuan pemerintah. Pemberian bantuan terkadang tidak sesuai sasaran. Hal ini disebabkan oleh proses penentuan penerima bantuan masih dilakukan secara manual sehingga terdapat penilaian subjektif dalam menentukan masyarakat yang berhak menerima atau tidak menerima bantuan pemerintah. Hal ini dianggap kurang baik sehingga mengakibatkan distribusi bantuan menjadi kurang merata dan mempengaruhi kesejahteraan masyarakat. Penelitian terkait klasifikasi ekonomi penduduk menggunakan parameter yang telah ditentukan oleh seperti pendidikan terakhir, dinding rumah, atap rumah, luas rumah dan sumber listrik. Parameter tersebut diolah menggunakan algoritma Support Vector Machine (SVM) dengan tujuan klasifikasi ekonomi penduduk bagi penerima bantuan dan bukan penerima bantuan pemerintah di Kecamatan Simpang Raya Kabupaten Banggai Provinsi Sulawesi Tengah. Penelitian ini menggunakan data yang terdiri dari data latih sebanyak 320 data dan data uji sebanyak 80 data. Berdasarkan hasil uji coba keakuratan algoritma SVM didapatkan hasil akurasi sebesar 98%.References
Sari M.S, Safitri Diah , Sugito. 2014. “Klasifikasi Wilayah Desa-Perdesaan Dan Desa-Perkotaan Wilayah Kabupaten Semarang Dengan Support Vector Machine (Svm).†A Jurusan Statistika FSM UNDIP, Semarang.
Karyadiputra Erfan. 2016. “Analisis Algoritma Naive Bayes Untuk Klasifikasi Status Kesejahteraan Rumah Tangga Keluarga Binaan Sosial.†7(4): 199–208.
Permatasari, D. A (2017). Klasifikasi Status Ekonomi Keluarga Dengan Menggunakan Algoritma K-Nearest Neighbor Di Desa Pacewetan Kecamatan Pace Kabupaten Nganjuk. Universitas Nusantara PGRI Kediri
Yogi Setiyo Pamuji, Diah Safitri, and Alan Prahutama. 2015. “Klasifikasi Penerima Program Beras Miskin (Raskin) Di Kabupaten Wonosobo Dengan Metode Support Vector Machine Menggunakan LibSVM.†Universitas Diponegoro, Semarang, Jurnal Gaussian 4: 1087–96.
Huang, Chia Hui, Keng Chieh Yang, and Han Ying Kao. 2014. “Analyzing Big Data with the Hybrid Interval Regression Methods.†Scientific World Journal 2014.
Fiska R.R. 2017. “Penerapan Teknik Data Mining Dengan Metode Support Vector Machine (SVM) Untuk Memprediksi Siswa Yang Berpeluang Drop Out (Studi Kasudi SMKN 1 Sutera).†Jaringan Sistem Informasi Robotik, AMIK Mitra Gama, Riau,1(01): 42–51.
Indrayanti, Sugianti Devi, Al Karomi M.A. 2017. “Peningkatan Akurasi Algoritma KNN Dengan Seleksi Fitur G Ain Ratio Untuk Klasifikasi Penyakit Diabetes Mellitus.†STMIK Widya Pratama, Pekalongan IC-Tech XII(2): 1–6.
Nuraedah, M. B. (2018). Quadratic Support Vector Machine For The Bomba Traditional Textile Motif Classification. Indonesian Journal of Electrical Engineering and Computer Science , 11 (3), 1004-1014.
Published
Issue
Section
License
Penulis yang mempublikasikan artikelnya dalam publikasi ini setuju dengan ketentuan berikut :
- Hak cipta tetap pada penulis dan memberikan hak kepada SEMNASTIK 2019 sebagai prioritas pertama untuk mempublikasikan artikelnya dengan lisensi Creative Commons Attribution License yang memperbolehkan artikel untuk dapat dibagikan dengan pengakuan terhadap penulis artikel dan SEMNASTIK 2019 sebagai tempat publikasinya.
- Penulis dapat mendistribusikan publikasi artikelnya secara non-eksklusif (contoh : pada repository universitas atau pada buku) dengan pemberitahuan atau pengakuan publikasi di SEMNASTIK 2019.
- Penulis diijinkan untuk mencantumkan karyanya secara online (misal : di website pribadi atau di repository universitas) sebelum dan sesudah proses pengiriman (lihat The Effect of Open Access).
