KLASIFIKASI KELAYAKAN PENERIMA BANTUAN PROGRAM KELUARGA HARAPAN (PKH) MENGGUNAKAN METODE WEIGHTED NAE BAYES DENGAN LAPLACE SMOOTHING

Diyah Utami
Putri Aisyiyah Rakhma Devi


DOI: https://doi.org/10.29100/jipi.v7i4.3592

Abstract


Program Keluarga Harapan (PKH) yaitu yaitu keluarga yang telah ditetapkan menjadi penerima PKH dapat menerima bantuan sosial bersyarat dalam program PKH. Pemerintah Indonesia mencanangkan PKH sebagai inisiatif pemerintah pada tahun 2007. PKH berupaya untuk meningkatkan kualitas sumber daya manusia (SDM) di bidang kesehatan, pendidikan, dan kesejahteraan dengan meningkatkan kualitas hidup. Program tersebut juga dapat membantu keluarga miskin dalam mengurangi pengeluaran. Proses penerima bantuan PKH masih dilakukan secara manual dan penyebaran penerima bantuan PKH tidak sepat sasaran bagi warga yang menerima bantuan PKH.Oleh karena itu, dalam penelitian ini dapat memberikan prediksi klasifikasi kelayakan penerima bantuan PKH sehingga dapat membantu perangkat desa dalam menentukan warga desa yang layak menerima bantuan tersebut dan dapat mendapatkan hasil yang lebih cepat, akurat dan tepat sasaran bagi yang menerima.Dalam penelitian ini akan dilakukan klasifikasi kelayakan penerima bantuan PKH menggunakan metode Weighted Nae Bayes dengan Laplace Smoothing. Dengan melakukan penambahan bobot terhadap atribut kelas pada algoritma nae bayes, maka akurasi klasifikasi algoritma nave Bayes berbobot tidak hanya didasarkan pada probabilitas tetapi juga pada pembobotan fitur ke kelas, yang ditambahkan ke atribut kelas dalam algoritma naive bayes dan dengan menggunakan laplace smoothing dapat menghindari nilai probabilitas 0. Dari hasil perhitungan klasifikasi menggunakan metode nae bayes dengan laplace smoothing pada 56 data training dan 24 data uji didapatkan hasil pengujian evaluasi performa dengan menggunakan confusion matrix dengan nilai Accurasi 91,67%, error 8,33%, Sensitivitas 85,71%, dan Spensifitas 94,12%.

Keywords



Full Text:

PDF

Article Metrics :

References


I. P. Pertiwi, F. Fedinandus, dan A. D. Limantara, Sistem Pendukung Keputusan Penerima Program Keluarga Harapan (PKH) Menggunakan Metode Simple Additive Weighting, CAHAYAtech, 2019, doi: 10.47047/ct.v8i2.46.

M. S. Mustafa, M. R. Ramadhan, dan A. P. Thenata, Implementasi Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier, Creat. Inf. Technol. J., 2018, doi: 10.24076/citec.2017v4i2.106.

A. C. Fauzan dan K. Hikmah, IMPLEMENTASI ALGORITMA NAIVE BAYES DALAM ANALISIS POLARISASI OPINI MASYARAKAT TERKAIT VAKSIN COVID-19, Rabit J. Teknol. dan Sist. Inf. Univrab, vol. 7, no. 2, hal. 122128, 2022.

N. Ramadhani dan N. Fajarianto, Sistem Informasi Evaluasi Perkuliahan dengan Sentimen Analisis Menggunakan Nave Bayes dan Smoothing Laplace, JSINBIS (Jurnal Sist. Inf. Bisnis), vol. 10, no. 2, hal. 228234, 2020.

I. Listiowarni dan E. R. Setyaningsih, Analisis Kinerja Smoothing pada Naive Bayes untuk Pengkategorian Soal Ujian, J. Teknol. dan Manaj. Inform., vol. 4, no. 2, 2018.

M. R. Qisthiano, T. B. Kurniawan, E. S. Negara, dan M. Akbar, Pengembangan Model Untuk Prediksi Tingkat Kelulusan Mahasiswa Tepat Waktu dengan Metode Nave Bayes, J. MEDIA Inform. BUDIDARMA, 2021, doi: 10.30865/mib.v5i3.3030.

I. Listiowarni, Implementasi Nave Bayessian dengan Laplacian Smoothing untuk Peminatan dan Lintas Minat Siswa SMAN 5 Pamekasan, J. Sisfokom (Sistem Inf. dan Komputer), 2019, doi: 10.32736/sisfokom.v8i2.652.

A. I. S. Azis dan B. Santoso, LL-KNN ACW-NB: Local Learning K-Nearest Neighbor in Absolute Correlation Weighted Nave Bayes for Numerical Data Classification, J. RESTI (Rekayasa Sist. Dan Teknol. Informasi), vol. 4, no. 1, hal. 2836, 2020.

Ermanto dan E. Humaeroh, Penerapan Data Mining menggunakan Metode Algoritma Naive Bayes untuk Menentukan Kelayakan Kredit Rumah Bersubsidi, J. Teknol. Pelita Bangsa, 2020.

I. Mubarog, A. Setyanto, dan H. Sismoro, Sistem Klasifikasi Pada Penyakit Breast Cancer Dengan Menggunakan Metode Nave Bayes, Creat. Inf. Technol. J., 2021, doi: 10.24076/citec.2019v6i2.246.

C. P. Lubis, R. Rosnelly, R. Roslina, Z. Situmorang, dan W. Wanayumini, PENERAPAN METODE NAVE BAYES DAN C4.5 PADA PENERIMAAN PEGAWAI DI UNIVERSITAS POTENSI UTAMA, CSRID (Computer Sci. Res. Its Dev. Journal), 2021, doi: 10.22303/csrid.12.1.2020.51-62.

K. Umam, D. Arifianto, dan M. Kom, Metode Optimasi Pembobotan Gain Ratio Terhadap Metode Klasifikasi Weighted Naive Bayes Studi Kasus Ulasan Produk White Perfect Clinical Day Cream.

M. Al Farosa, P. Kasih, dan R. H. Irawan, Pemodelan Algoritma ROC Dalam Pembobotan Kriteria Seleksi Penerima Bantuan Sosial Pendidikan Menggunakan Algoritma CPI, in Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), 2022, vol. 6, no. 1, hal. 332337.

R. K. Ndruru, Penerapan Metode Additive Ratio Assessment (ARAS) dan Rank Order Centroid (ROC) Dalam Pemilihan Jaksa Terbaik Pada Kejaksaan Negeri Medan, Semin. Nas. Teknol. Komput. Sains, 2020.

D. Normawati dan S. A. Prayogi, Implementasi Nave Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter, J-SAKTI (Jurnal Sains Komput. dan Inform., vol. 5, no. 2, hal. 697711, 2021.

N. M. A. J. Astari, Dewa Gede Hendra Divayana, dan Gede Indrawan, Analisis Sentimen Dokumen Twitter Mengenai Dampak Virus Corona Menggunakan Metode Naive Bayes Classifier, J. Sist. dan Inform., 2020, doi: 10.30864/jsi.v15i1.332.