PENERAPAN ALGORITMA NAÏVE BAYES PADA BANTUAN NON TUNAI DI DESA CIBODAS

research
  • 29 Apr
  • 2021

PENERAPAN ALGORITMA NAÏVE BAYES PADA BANTUAN NON TUNAI DI DESA CIBODAS

ABSTRAK

 

Rikawati (1919019), Penerapan Algoritma NaïveBayes Pada bantuan Non Tunai (BPNT) Di Desa Cibodas

 

Bantuan Pangan Non Tunai (BPNT) diartikan sebagai bantuan dalam bentuk pangan yang di peruntukan bagi masyarakat berpenghasilan rendah, upaya bantuan ini berasal dari pemerintah bertujuan untuk membantu dalam meningkatkan ketahanan pangan dan memberikan perlindungan sosial bagi masyarakat kurang mampu. Aktivitas pembagian kelayakan bantuan pangan non tunai yang dikhususkan bagi keluarga yang tidak mampu atau belum berkecukupan tentunya sangat jauh dari apa yang telah diharapkan, karena bantuan pangan non tunai yang semula dikhususkan untuk keluarga yang tidak mampu, kini bagi keluarga yang sudah cukup atau mampu bisa menerimanya.hal ini tentu sangat perlu adanya sebuah metode algoritma guna bisa mencegah kesalahan dalam memberikan kelayakan untuk menerimanya Penelitian ini bertujuan untuk melakukan prediksi kelayakan penerimaan bantuan pangan non tunai dengan data yang digunakan adalah data sekunder yang diperoleh dari Desa Cibodas, data ini berisi tentang data masyarakat yang menerima bantuan pangan non tunai, sedangkan metodenya menggunakan algoritma Naïve Bayes karena dalam beberapa penelitian, algoritma Naïve Bayes terbukti memiliki performa yang baik dalam suatu prediksi, serta menghasilkan nilai accuasy dan AUC yang tinggi. Tahapan analisa data dilakukan berdasarkan metode CRISP-DM sedangkan pengujian algoritma dilakukan pada perangkat lunak RapidMiner 5 sebagai perbanding antara hitungan manual dan hitungan perangkat lunak. Hasil dari pengujian tersebut diperoleh nilai akurasi sebesar 96,59%, dan nilai AUC sebesar 0,960 yang didapat dari data berjumlah 106,serta alur algoritma yang dapat diimplementasikan kedalam sebuah aplikasi berbasis website agar dapat membantu pegawai Desa Cibodas dalam memudahkan penentuan kelayakan penerimaan bantuan pangan non tunai (bpnt).


ABSTRACT

 

Rikawati (1919019), Application of the NaïveBayes Algorithm to Non-Cash Assistance (BPNT) in Cibodas Village.

 

Non-Cash Food Assistance (BPNT) is defined as assistance in the form of food intended for low-income communities, this assistance effort comes from the government aimed at helping to improve food security and providing social protection for underprivileged people. The activity of distributing the feasibility of non-cash food assistance specifically for families who cannot afford or are not well off is of course very far from what was expected, because non-cash food assistance which was originally devoted to families who cannot afford, now for families who are sufficient or able to receive it This is of course very necessary for an algorithmic method to prevent errors in providing eligibility to receive it. This research aims to predict the feasibility of receiving non-cash food aid with the data used are secondary data obtained from Cibodas Village, this data contains community data. who receive non-cash food aid, while the method uses the Naïve Bayes algorithm because in several studies, the Naïve Bayes algorithm has been shown to have good performance in a prediction, as well as produce high accuasy and AUC values. The data analysis stage was carried out based on the CRISP-DM method while algorithm testing was carried out on the RapidMiner 5 software as a comparison between manual calculation and software calculation. The results of these tests obtained an accuracy value of 96.59%, and an AUC value of 0.960 which was obtained from 106 data, as well as an algorithm flow that could be implemented into a website-based application in order to help Cibodas Village employees in making it easier to determine the eligibility of receiving non-food aid cash (bpnt).

 

Unduhan

 

REFERENSI

DAFTAR PUSTAKA

 

Abdillah, Gunawan, Firman Ananda Putra, dan Faiza Renaldi. (2016). Penerapan Data Mining Pemakaian Air Pelanggan Untuk Menentukan Klasifikasi Potensi Pemakaian Air Pelanggan Baru Di Pdam Tirta Raharja Menggunakan Algoritma K-Means. Sentika 2016, 2016(Sentika), 18–19.

Dewi, Sari. (2016). Komparasi 5 Metode Algoritma Klasifikasi Data Mining Pada Prediksi Keberhasilan Pemasaran Produk Layanan Perbankan. None, 13(1), 60–66.

Dhika, Harry. (2015). Kajian Perancangan Rule Kenaikan Jabatan Pada Pt. Abc. Simetris : Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 6(2), 217. https://doi.org/10.24176/simet.v6i2.455.

Fadlan, Chairul, Selfia Ningsih, dan Agus Perdana Windarto. (2018). Penerapan Metode Naïve Bayes Dalam Klasifikasi Kelayakan Keluarga Penerima Beras Rastra. Jurnal Teknik Informatika Musirawas (JUTIM), 3(1), 1. https://doi.org/10.32767/jutim.v3i1.286

Gunawan, Andre, Henry Novianus Palit, dan Andreas Handojo. (2017). Aplikasi Rekomendasi Metode Analisis Sesuai dengan Karakter Data. Jurnal Infra Petra.

Harianja, Juliana. (2018). JOM FISIP Vol. 5 No. 1- April 2018 Page 1. 5(1), 1–15.

Hasibuan, Nelly Astuti, Natalia Silalahi, Surya Darma Nasution,Dian Utami Sutiksno, Heri Nurdiyanto, Efori Buulolo,Maharani,Mesran,Suginam, dan Yuhandari. (2017). Implementasi Data Mining Untuk Pengaturan Layout. 4(4), 6–11.

Hermawan, Asep dan Husna Leila Yusran. 2017. Penelitian Bisnis Pendekatan Kuantitatif. Depok: Kencana.

Hidayat, Rahmat, Siti Marlina, dan Lila Dini Utami. (2017). Perancangan Sistem Informasi Penjualan Barang Handmade Berbasis Website Dengan Metode Waterfall. Simnasiptek 2017, 1(1), 175–183. Retrieved from http://seminar.bsi.ac.id/simnasiptek/index.php/simnasiptek-2017/article/view/138

Haryati, Siska, Aji Sudarsono, & Eko Suryo. (2015). Implementasi Data Mining Untuk Memprediksi Masa Studi Mahasiswa Menggunakan Algoritma C4.5 (Studi Kasus: Universitas Dehasen Bengkulu). Jurnal Media Infotama, 11(2), 130–138.

Kamaruddin,Tone. (2016). Untuk perancangan proses digambarkan menggunakan DFD (. 1. Retrieved from journal.uin-alauddin.ac.id › index.php › instek › article

Kurniawan, Ilham, Mustofa, Rachmawati Dharma Astuti, dan Windu Gata. (2018). Implementasi Algoritma Cuntuk Analisis Penerimaan Bantuan Beras Untuk Masyarakat Miskin (Studi Kasus: Kelurahan Gunung Parang). Seminar Nasional Teknologi Informasi Universitas Ibn Khaldun Bogor, 18, 31908575.

Muslikh, Ahmad Roqipul, Heru Agus Santoso, dan Aris Marjuni. (2018). Klasifikasi Data Time Series Arus Lalu Lintas Jangka Pendek Menggunakan Algoritma Adaboost Dengan Random Forest. Jurnal Teknologi Informasi, 14(1), 24–38.

Mustafa, M. Syukri, Muh Rizky Ramadhan, & Angelina P Thenata,. (2018). Implementasi Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Creative Information Technology Journal, 4(2), 151. https://doi.org/10.24076/citec.2017v4i2.106

Oktasari, Lutfhia, Yulison Herry Chrisnanto, & Rezki Yuniarti. (2016). Text Mining Dalam Analisis Sentimen Asuransi Menggunakan Metode Niave Bayes Classifier. Prosiding SNST, 7, 37–42.

Ginanjar, H. (2020, October 16). Bantuan Pangan Non Tunai (BPNT) Desa Cibodas. (Rikawati, Interviewer)

Ginanjar, H. (2020, October 16). PROFILE DESA CIBODAS . (Rikawati,         Interviewer)

Rosaliana, A. & Hardjati, S. (2019). (2019). Efektivitas Pelaksanaan Program Bantuan Pangan Non Tunai (Bpnt) Di Kecamatan Wonocolo, Kota Surabaya.

Said, Badar,dan Yuliana Melita Pranoto S. (2016). Klasifikasi Dan Analisis Sentimen Data Sms Center Bupati Pamekasan Menggunakan Naïve Bayes. 25(2), 1–5.

Saleh, Alfa. (2015). Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Creative Information Technology Journal, 2(3), 207–217.

Santoso, Heroe, I Putu Hariyadi, & Prayitno. (2016). Data Mining Analisa Pola Pembelian Produk. Teknik Informatika, (1), 19–24. Retrieved from http://ojs.amikom.ac.id/index.php/semnasteknomedia/article/download/1267/1200.

Santoso, Priasnyomo Prima,Elkin Rilvani, dan Ahmad Budi Trisnawan. (2019). Pelita Teknologi : Jurnal Ilmiah Informatika , Arsitektur dan Lingkungan VALIDATION. 14(September), 145–153.

Setiawan, Rony. (2016). Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Promosi Mahasiswa Baru ( Studi Kasus : Politeknik Lp3i Jakarta ). J. Lentera Ict, 3(1), 76–92.

Sugianto, Castaka Agus, dan Firdi Rizki Maulana. (2019). Algoritma Naïve Bayes Untuk Klasifikasi Penerima Bantuan Pangan Non Tunai ( Studi Kasus Kelurahan Utama ). 18(4), 321–331.

Sofiah, Efi, & Yosef  Septiana. (2017). Sistem Pendukung Keputusan Feasibility Study untuk Menilai Kelayakan Sebuah Bisnis. Jurnal Wawasan Ilmiah, 8(1), 1–7.

Vulandari,Retno Tri.(2017).Data Mining Teori dan Aplikasi Rapidminer. Yogyakarta :Gava Media.

Waluyo, Sigit Hadi, dan Prihandoko P. (2017). Klasifikasi Pemanfaat Program Beras Sejahtera ( RASTRA ) Berdasarkan Tingkat Kemiskinan Dengan Menggunakan Algoritma Decision Tree C4 . 5 Berbasis Particle Swarm Optimization. 7(2), 19–24.

Yunita, Devi. (2017). Perbandingan Algoritma K-Nearest Neighbor dan Decision Tree untuk Penentuan Risiko Kredit Kepemilikan Mobil. Jurnal Informatika Universitas Pamulang, 2(2), 103. https://doi.org/10.32493/informatika.v2i2.1512

Cari

Bidang Ilmu

Kategori

Kiriman Terbaru