Algoritma Naïve Bayes Untuk Klasifikasi Penerima Bantuan Pangan Non Tunai ( Studi Kasus Kelurahan Utama )

Authors

  • Castaka Agus Sugianto Politeknik TEDC Bandung
  • Firdi Rizky Maulana Politeknik TEDC Bandung

DOI:

https://doi.org/10.33633/tc.v18i4.2587

Keywords:

Kelayakan, Data Mining, Klasifikasi, T-Test, Naïve Bayes, Decision tree

Abstract

Kelurahan Utama merupakan instansi pemerintahan di cimahi selatan. Kelurahan utama menjalankan program pemerintah yaitu program Bantuan Pangan Non Tunai, dalam menjalankan program Bantuan Pangan Non Tunai sebagian warga banyak yang mengeluh karena tidak mendapat bantuan, sedangkan ada beberapa warga yang dianggap mampu justru mendapatkan bantuan. Berdasarkan latar belakang tersebut maka penulis melakukan proses pengolahan data menggunakan data mining untuk mengklasifikasi penerima dan bukan penerima bantuan pangan non tunai dengan metode klasifikasi menggunakan Algoritma Naïve Bayes dan Algoritma Decision Tree sebagai pembanding. Diharapkan data yang dihasilkan dari proses data mining bisa menjadi bahan evaluasi untuk pemerintah. Dalam penelitian ini penulis mengklasifikasi data penerima dan bukan penerima bantuan pangan non tunai menggunakan teknik klasifikasi pada data mining menggunakan Algoritma Naïve Bayes dan Algoritma Decision Tree sebagai pembanding. Model data mining di buat menggunakan RapidMiner, dengan hasil nilai Probabilitas untuk class ‘’PENERIMA’’ yaitu 0,481 dengan pembulatan nilai menjadi 0,48 dan nilai Probabilitas untuk class ‘’Bukan Penerima’’ yaitu 0,519 dengan pembulatan nilai menjadi 0,52. Algoritma Naïve Bayes mempunyai tingkat Accuracy sebesar 58,29%, Precision 92,90%, Recall 21,84%, AUC 0,765, F-Measure 34.42%. Sedangkan algoritma Decision Tree mempunyai tingkat Accuracy sebesar 73,97%, Precision 85,04%, Recall 61,92%, AUC 0,746, F-Measure 71,17%. Dalam hasil pengujian T-Test antara Algoritma Naive Bayes dan Algoritma Decision Tree didapat alpha ≤ 0.000, maka dapat disimpulkan pengujian T-Test antara Algoritma Naïve Bayes dan Algoritma Decision Tree hasilnya signifikan.

Author Biographies

Castaka Agus Sugianto, Politeknik TEDC Bandung

teknik informatika

Firdi Rizky Maulana, Politeknik TEDC Bandung

Teknik Informatika

References

S. Nazara and S. K. Rahayu, “Program Keluarga Harapan (PKH): Program Bantuan Dana Tunai Bersyarat di Indonesia,†Int. Policy Cent. Incl. Growth, vol. 30318, no. 404, pp. 1–20, 2013.

Kementrian Sosial, “Pedoman Umum Bantuan Pangan Non Tunai,†2017.

I. H. Witten, E. Frank, and M. A. Hall, Data mining. 2011.

C. Orsenigo and C. Vercellis, “Multicategory classification via discrete support vector machines,†Comput. Manag. Sci., vol. 6, no. 1, pp. 101–114, 2009.

S. S. Nikam, “A Comparative Study of Classification Techniques in Data Mining Algorithms,†Orient. J. Comput. Sci. Technol., vol. 8, no. 1, pp. 13–19, 2015.

Larose, “An Introduction to Data Mining,†Trad. Adapt. Thierry Vallaud, vol. 28, p. 9–35, v, 2005.

D. Xhemali, C. J. Hinde, and R. G. Stone, “Naive Bayes vs. Decision Trees vs. Neural Networks in the Classification of Training Web Pages,†Int. J. Comput. Sci., vol. 4, no. 1, pp. 16–23, 2009.

J. Han and M. Kamber, Data Mining: Concepts and Techniques 2nd Edition, Second Edi. San Francisco: Elsevier, 2006.

F. Rofiah, “Metode Penelitian Eksperimen,†Eureka Pendidikan, 2015.

Downloads

Published

2019-11-26