ANALISIS PERBANDINGAN ALGORITMA NAIVE BAYES, RANDOM FOREST DAN C.45 DALAM KLASIFIKASI KELAYAKAN MASYARAKAT UNTUK MENDAPATKAN BANTUAN DANA DESA

ANALISIS PERBANDINGAN ALGORITMA NAIVE BAYES, RANDOM FOREST DAN C.45 DALAM KLASIFIKASI KELAYAKAN MASYARAKAT UNTUK MENDAPATKAN BANTUAN DANA DESA

• By Walim,;
• Magister Manajemen
• 645

Desa adalah kesatuan masyarakat hukum yang memiliki batas-batas wilayah yang berwenang untuk mengatur dan mengurus kepentingan masyarakat setempat, berdasarkan asal usul dan adat istiadat setempat yang diakui dan dihormati dalam sistem Pemerintahan Negara Kesatuan Republik Indonesi. Kemiskinan bukan masalah baru, namun sudah ada sejak masa penjajahan dan sampai saat ini kemiskinan masih menjadi masalah yang belum teratasi. Sebagai upaya penanggulangan kemiskinan, pemerintah telah melakukan berbagai upaya dalam mensehjahterakan masyarakat salah satunya dengan memberikan bantuan-bantuan secara langsung. Adapun permasalahan yang harus di selesaikan adalah bagaimana caranya mengklasifikasikan kelayakan masyarakat kurang mampu untuk mendapatkan bantuan – bantuan dari dana Desa yang lebih akurat. Dalam penelitian ini menggunakan perbandingan antara tiga algoritma untuk menhguji kelayakan masyarakat kurang mampu yang akan mendapatkan bantuan dari dana Desa, dima ketiga algoritma yang digunakan yaitu naïve bayes , random forest dan decision tree(C.45). Sehingga Hasil analisis nilai akurasi yang didapat dari algoritma naïve bayes tingkat akurasi 98.57%, random forest, tingkat akurasi 98.82%, dan algoritma decision tree adalah 99.05%. Sedangkan untuk evaluasi menggunakan ROC curve memiliki selisih sebagai berikut algoritma naïve bayes menghasilkan nilai AUC sebesar 0,992 dan model algoritma random forest menghasilkan nilai AUC sebesar 0,997 begitu juga dengan algoritma decision tree menghasilkan niali AUC sebesar 0,948

• Katakunci Desa, Kelayakan masyarakat, algoritma Naïve Bayes, Random Forest, Decision Tree
• URL http://
• Penerbit ,

REFERENSI

Adnyana, I. M. B. (2015). PREDIKSI LAMA STUDI MAHASISWA DENGAN METODE RANDOM FOREST ( STUDI KASUS : STIKOM BALI ). CSRID Journal, 8, 201–208.

 

Aggarwal, C. C. (2015). Data Mining The Textbook. New York: IBM T.J. Watson Research Center.

 

Andriyani, I., Martono, E., & Muhamad. (2017). Pemberdayaan Masyarakat Melalui Pengembangan Desa Wisata Dan Implikasinya Terhadap Ketahanan Sosial Budaya Wilayah (Studi Di Desa Wisata Penglipuran Bali). JKN, 9340, 1–16.

 

Asikin, M. F., Ratnawati, D. E., & Fauzi, M. A. (2018). Penentuan Penerima Bantuan Ternak Menggunakan Algoritma K-Means & Naïve Bayes. J-Ptiik, 2(February), 641–649.

 

Atmojo, E. M., Fridayani, D. H., Kasiwi, N. A., & Pratama, A. M. (2017). Efektivitas dana desa untuk pengembangan potensi ekonomi berbasis partisipasi masyarakat di Desa Bangunjiwo. Jurnal Administrasi Publik, 5(1), 126–140.

 

Bisri, A., & Wahono, R. S. (2015). Penerapan Adaboost untuk Penyelesaian Ketidakseimbangan Kelas pada Penentuan Kelulusan Mahasiswa dengan Metode Decision Tree. Journal of Inteligent Systems, 1(1).

 

Brown, M. s. (2014). Data Mining for Dummies. Canada: John Wiley & Sons, Inc., Hoboken, New Jersey.

 

Daraba, H. D. (2017). Pengaruh Program Dana Desa Terhadap Tingkat Partisipasi Masyarakat Di Kecamatan Galesong Utara Kabupaten Takalar. Sosiohumaniora, 19(1), 52–58.

 

Darmawiguna, M. G., Wirawan, A. M., & Kusumayanti, D. M. L. (2016). Pengembangan Sistem Pendukung Keputusan Kredit Konsumtif Dengan Metode Naive Bayes. Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), 5, 108–114.

 

 

 

Dura, J. (2016). PENGARUH AKUNTABILITAS PENGELOLAAN KEUANGAN ALOKASI DANA DESA, KEBIJAKAN DESA, DAN KELEMBAGAAN DESA TERHADAP KESEJAHTERAAN MASYARAKAT (Studi Kasus Pada Desa Gubugklakah Kecamatan Poncokusumo Kabupaten Malang). Jurnal JIBEKA, 10, 26–32.

 

Effendy, V., Adiwijaya, & Baizal, Z. K. . (2014). Handling Imbalanced Data in Customer Churn Prediction Using Combined Sampling and Weighted Random Forest. ICoICT, 325–330.

 

Fatmawati, D., Sultoni, & Sadikin, &. (2016). SISTEM PENGAMBILAN KEPUTUSAN KELAYAKAN BAGI CALON PENERIMA DANA BANTUAN MASYARAKAT MISKIN MENGGUNAKAN METODE TOPSIS BERBASIS WEB. JIMP- Jurnal Informatika Merdeka Pasuruan, 1(1), 18–28.

 

Fadillah, A. P. (2015). Penerapan Metode CRISP-DM untuk Prediksi Kelulusan Studi Mahasiswa Menempuh Mata Kuliah ( Studi Kasus Universitas XYZ ). Jurnal Teknik Informatika Dan Sistem Informasi, 1, 260–270.

 

Han, J., Kamber, M., & Jian, P. (2012). Data Mining Concepts and techniques           (3rd ed.). Waltham: Imprint of Elsevier.

 

Imaduddin, A. (2014). PENGENALAN KARAKTER HURUF HANGUL KOREA MENGGUNAKAN RANDOM FOREST. E-Proceeding of Enginering, 1(1), 755–763.

 

Iskandar, D., & Suprapto, Y. K. (2013). Perbandingan akurasi klasifikasi tingkat kemiskinan antara algoritma C4 . 5 dan Naïve Bayes Clasifier. JAVA Journal of Electrical and Electronics Enginering, 11(1), 14–17.

 

Jiang, Y. (2009). Credit Scoring Model Based on the Decision Tree and the Simulated Annealing Algorithm. IEEE Computer Society, (2007), 18–22. https://doi.org/10.1109/CSIE.2009.481

 

Kacprzyk, J., & Jain, L. C. (2011). Data Mining Concepts, Models and Techniques. Berlin: Springer - Verlag Berlin Heidelberg.

 

Karyadiputra, E. (2016). ANALISIS ALGORITMA NAIVE BAYES UNTUK KLASIFIKASI STATUS KESEJAHTERAAN RUMAH TANGGA KELUARGA BINAAN SOSIAL. Technologia, 7(4), 199–208.

 

Khadafy, A. R., & Wahono, R. S. (2015). Penerapan Naive Bayes untuk Mengurangi Data Noise pada Klasifikasi Multi Kelas dengan Decision Tree. Journal of Inteligent Systems, 1(2), 136–142.

 

Lutfiyana, N. (2018). PENERAPAN ALGORITMA C4.5 BERBASIS PARTICLE SWARM OPTMIZATION UNTUK PREDIKSI HASIL LAYANAN KEMUDAHAN DONASI ZAKAT DAN PROGRAM. Jurnal Pilar Nusa Mandiriandiri, 14(1), 103–110.

 

Maimon, O., & Rokach, L. (2010). Data Mining And Knowledge Discovery Handbook (2nd ed.). New York: Springer Science+Business Media,LLC,233 Spring Street.

 

Mambangng, & Byna, A. (2017). ANALISIS PERBANDINGAN ALGORITMA C.45, RANDOM FOREST DENGAN CHAID DECISION TREE UNTUK KLASIFIKASI TINGKAT KECEMASAN IBU HAMIL. Seminar Nasional Teknologi Informasi Dan Multimedia, 103–108.

 

Primajaya, A., & Sari, B. N. (2018). Random Forest Algorithm for Prediction of Precipitation. Indonesian Journal of Artificial Intelligence and Data Mining(IJAIDM), 1(1), 27–31.

 

Putra,  kusuma C., Pratiwi, N. R., & Suwondo. (2012). PENGELOLAAN ALOKASI DANA DESA DALAM PEMBERDAYAAN MASYARAKAT DESA (Studi pada Desa Wonorejo Kecamatan Singosari Kabupaten Malang). JAP, 1(6), 1203–1212.

 

Putri Buani, D. C. (2016). Optimasi Algoritma Naïve Bayes dengan Menggunakan Algoritma Genetika untuk Prediksi Kesuburan (Fertility). Jurnal Evolusi, 4, 55–64.

 

Ridwan, M., Suyono, H., & Sarosa, M. (2013). Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Jurnal EECCIS, 7(1), 59–64.

 

Sari, W. S., & Prabowo, D. (2017). PENENTUAN KELAYAKAN PENERIMA BANTUAN RENOVASI RUMAH WARGA MISKIN MENGGUNAKAN NAÏVE BAYES. Jurnal Ilmiah DASI, 18, 34–38.

 

 

 

Soepomo, P. (2014). PENERAPAN DATA MINING UNTUK KLASIFIKASI PREDIKSI PENYAKIT ISPA ( Infeksi Saluran Pernapasan Akut ) DENGAN ALGORITMA DECISION TREE ( ID3 ), 2.

 

Syarli, & Muin, A. A. (2016). Metode Naive Bayes Untuk Prediksi Kelulusan ( Studi Kasus : Data Mahasiswa Baru Perguruan Tinggi ). Jurnal Ilmiah Ilmu Komputer, 2(1).

 

Wati, M., & Hadii, A. (2016). Implementasi Algoritma Naive Bayesian Dalam Penentuan Penerima Program Bantuan Pemerintah. JTRISTE, 3(1), 22–26.

 

Wittan, I. H., Frank, E., & Hall, M. A. (2011). Data Mining Practical Machine Learning Tools and Techniques (3rd ed.). New York: Elsevier.

 

Yurnas, D. O., Sarwinda, D., & Muttakin, F. (2015). Pengelompokanpenerima Bantuan Kesejahteraan Masyarakat Dengan Pendekatan Data Mining Terintegrasi Sistem Pendukung Keputusan. Studi Kasus: Desa Tarai Bangun, Kabupaten Kampar KAMPAR. SENATKOM, 1(Senatkom), 14–19.

 

Zurada, J. (2010). Could Decision Trees Improve the Classification Accuracy and Interpretability of Loan Granting Decisions ? IEEE Computer Society, 1–9.