KLASIFIKASI TINGKAT KEMISKINAN MENGGUNAKAN ALGORITMA NEURAL NETWORK, C4.5 DAN K-NN : STUDI KASUS KOTA MALANG

KLASIFIKASI TINGKAT KEMISKINAN MENGGUNAKAN ALGORITMA NEURAL NETWORK, C4.5 DAN K-NN : STUDI KASUS KOTA MALANG

• By Yosep Nuryaman;
• 45

Berdasarkan amanat UUD 1945 Pasal 34 ayat 1 maka pemerintah Indonesia
berusaha untuk menjaga fakir miskin dan anak-anak terlantar. Agar setiap program
yang dibuat untuk golongan tersebut tepat sasaran maka dibuatlah Basis Data Terpadu
(BDT) yang berisikan data 40 % rumah tangga termiskin di Indonesia yang telah
diurutkan menggunakan Proxy-Means Testing (PMT). Namun pada prosesnya, saat ini
metode pengurutan tersebut merupakah hal yang tidak dipublikasikan sehingga perlu
teknik klasifikasi lainnya yang bersifat terbuka agar dalam penentuan tingkat
kemiskinan dapat dilakukan secara transparan. Namun penelitian tentang kemiskinan
seperti yang dilakukan selama ini belum ada yang sepenuhnya menggunakan atribut
PMT. Sehingga penulis mengusulkan pengklasifikasian tingkat kemiskinan
menggunakan atribut PMT dengan menggunakan algoritma Neural Network, C4.5 dan
K-NN. Dan dari hasil penelitian tersebut didapat hasil terbaik menggunakan algoritma
K-NN pada K-3 dengan akurasi 94,59%, presisi 90,07,% dan recall 76.40% serta nilai grafik
AUC 0,941.
Kata kunci: Kemiskinan, BDT, Neural Network, C4.5, K-NN

• Katakunci Kemiskinan, BDT, Neural Network, C4.5, K-NN
• URL http://
• Penerbit STMIK Nusa Mandiri,

REFERENSI

Badan Pusat Statistik. Kemiskinan Di Indonesia September 2017.
https://www.bps.go.id/website/images/BRS-KEMISKINAN-JAN-2018-
ind.jpg diakses tanggal 20 Juli 2018
Badan Pusat Statistik. Pendataan Program Perlindungan Sosial.
https://www.bps.go.id/news/2011/07/11/4/pendataan-program-perlindungansosial--ppls--2011--indonesian-version-.html diakses tanggal 20 Juli 2018
Denis, A. C., Donny, A. B., Ambarwati, L. & Wicaksana, I.W.S. 2013. Belajar Data
Mining dengan Rapid Miner. Jakarta : Gramedia Pustaka Utama.
Ghoali, Imam. 2009. Applikasi Analisis Multivariate Dengan Program SPSS.
Semarang : UNDIP.
Gorunescu, F. 2010. Data Mining Concept Model And Techniques. Berlin : Springer
Han. J, & Kamber, M. 2012. Data Mining : Concepts And Techniques. San Frasisco.
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 Engineering. Vol : 11 Nomor 1.
Karyadiputra. E. 2016. Analisis Algoritma Naïve Bayes Untuk Klasifikasi Status
Kesejahteraan Rumah Tangga Keluarga Binaan Sosial. Technologia. Vol : 7
Nomor 4. Oktober 2016.
Kusrini & Emha Taufiq Luthfi . 2009. Algoritma Data Mining. Yogyakarta: Andi
Offset.
Nidyashofa. N, & Istiawan. D. 2017. Penerapan Algoritma Fuzzy C-Means Untuk
Pengelompokan Kabupaten/Kota Di Jawa Tengah Berdasarkan Status
Kesejahteraan Tahun 2015. ISSN : 2407-9189. The 6 th University Research
Colloquium 2017 Universitas Muhammadiyah Magelang,
Peraturan Presiden No 13 Tahun 2009. Kordinasi Penanggulangan Kemiskinan.
Pemerintah Republik Indonesia.
Prasetyo, Bambang & Jannah, L. M. 2011. Metode Penelitian Kuantitatif: Teori dan
Aplikasi. Jakarta: PT Raja Grafindo Persada, 2012.
Pusdatin Kemensos. 2018. Data Basis Terpadu Kota Malang. Koordinasi
Penanggulangan Kemiskinan.
44
Thoplan. R. 2014. Random Forests For Poverty Classification. ISSN 2307-4531.
IJSBAR. Vol : 2 Nomor 2.
Undang-Undang Dasar 1945 Pasal 34 Ayat 1. Pemerintah Republik Indonesia.
Undang-Undang Nomor 13 Tahun 2011. Penanganan Fakir Miskin. Pemerintah
Republik Indonesia.
Wati. M, & Hadi. A. 2016. Implementasi Algoritma Naïve Bayesian Dalam
Penentuan Penerimaan Program Bantuan Pemerintah. ISSN : 2355-3677.
JTRISTE. Vol : 3 Nomor 1, Maret 2016.
Witten. I,H, & Frank. E. 2011. Data Mining : Practival Machine Learning Tools And
Techniques. MA : Morgan Kaufman