Implementasi Data Mining dengan Algoritma Naive Bayes untuk Klasifikasi Kelayakan Penerima Bantuan Sembako
Total View This Week0
Total View This Week0
Institusion
Universitas Putera Batam
Author
Lumban Raja, Ayu Entini
Subject
004 Pemrosesan Data, Ilmu Komputer, Teknik Informatika
Datestamp
2023-11-01 09:31:34
Abstract :
Batam memiliki jumlah penduduk sebanyak 1.196.396 jiwa perseptember 2020, namun terdapat penurunan laju pertumbuhan penduduk dalam kurun waktu 2010 hingga 2020 sebesar 2,32%. Dari jumlah keseluruhan penduduk Batam presentase jumlah penduduk penerima bantuan sebanyak 5,19 % angka ini meningkat dibandingkan maret 2022 sementara itu garis penerima bantuan tercatat tahun 2022 sebesar 783.730 jiwa perkapita perbulan. Jumlah rumah tangga miskin di Kecamatan Batu Aji dengan kelurahan Bukit Tempayang penduduk 15.857 jiwa, ruta miskin 300 jiwa, Kelurahan Buliang penduduk 37.531 jiwa, ruta miskin 289 jiwa, Kelurahan Kibling penduduk 28.693 jiwa, ruta miskin 1.057 jiwa, Kelurahan Tanjung Uncang penduduk 28.037 jiwa, ruta miskin 1.039 jiwa. Penerima bantuan merupakan suatu ketidakmampuan dalam memenuhi kebutuhan dasar termasuk makanan, pakaian, pendidikan dan perumahan. Dengan demikian di perlukan dilakukan sebuah strategi dalam penanggulangan tingkat penerima bantuan yaitu dengan meyediakan data penerima bantuan yang akurat dan tepat sasaran. Data mining dapat diartikan sebagai sekumpulan proses yang digunakan untuk mengesplorasi dan mencari nilai berupa informasi terhadap relasi-relasi kompleks yang selama ini sudah tersimpan dalam basis data. Naive Bayes adalah algoritma yang ada pada data mining dan bagian dari teknnik klasifikasi data mining dengan menggunkan teknik probabilitas dan statistik untuk memperkirakan ataupun memprediksi peluang-peluang yang akan terjadi berdasarkan peluang sebelumnya yaitu terdapat dua kelas layak dan tidak layak. Hasil dari klasifikasi yang akan dilakukan nantinya akan membatu dalam pengolahan bantuan untuk membantu mengambil keputusan terkait klasifikasi penentuan penerima sembako. Berdasarkan data item set diatas dengan 25 data record maka di dapat diketahui bahwa terdapat 71 % dengan klasifikasi bantuan layak dan 100 % tidak layak dengan kepala keluarga laki-laki. Terdapat 29 % dengan klasifikasi bantuan sembako layak dan 0 % tidak layak dengan kepala keluarga perempuan. Berikut dibawahn ini probabilitas kriteria Kepala Keluarga. Dan dengan melakukan pengujian perhitungan secara manual dan menggunakan software rapid minner mengdapatkan nilai acuracy 100%
Batam memiliki jumlah penduduk sebanyak 1.196.396 jiwa perseptember 2020, namun terdapat penurunan laju pertumbuhan penduduk dalam kurun waktu 2010 hingga 2020 sebesar 2,32%. Dari jumlah keseluruhan penduduk Batam presentase jumlah penduduk penerima bantuan sebanyak 5,19 % angka ini meningkat dibandingkan maret 2022 sementara itu garis penerima bantuan tercatat tahun 2022 sebesar 783.730 jiwa perkapita perbulan. Jumlah rumah tangga miskin di Kecamatan Batu Aji dengan kelurahan Bukit Tempayang penduduk 15.857 jiwa, ruta miskin 300 jiwa, Kelurahan Buliang penduduk 37.531 jiwa, ruta miskin 289 jiwa, Kelurahan Kibling penduduk 28.693 jiwa, ruta miskin 1.057 jiwa, Kelurahan Tanjung Uncang penduduk 28.037 jiwa, ruta miskin 1.039 jiwa. Penerima bantuan merupakan suatu ketidakmampuan dalam memenuhi kebutuhan dasar termasuk makanan, pakaian, pendidikan dan perumahan. Dengan demikian di perlukan dilakukan sebuah strategi dalam penanggulangan tingkat penerima bantuan yaitu dengan meyediakan data penerima bantuan yang akurat dan tepat sasaran. Data mining dapat diartikan sebagai sekumpulan proses yang digunakan untuk mengesplorasi dan mencari nilai berupa informasi terhadap relasi-relasi kompleks yang selama ini sudah tersimpan dalam basis data. Naive Bayes adalah algoritma yang ada pada data mining dan bagian dari teknnik klasifikasi data mining dengan menggunkan teknik probabilitas dan statistik untuk memperkirakan ataupun memprediksi peluang-peluang yang akan terjadi berdasarkan peluang sebelumnya yaitu terdapat dua kelas layak dan tidak layak. Hasil dari klasifikasi yang akan dilakukan nantinya akan membatu dalam pengolahan bantuan untuk membantu mengambil keputusan terkait klasifikasi penentuan penerima sembako. Berdasarkan data item set diatas dengan 25 data record maka di dapat diketahui bahwa terdapat 71 % dengan klasifikasi bantuan layak dan 100 % tidak layak dengan kepala keluarga laki-laki. Terdapat 29 % dengan klasifikasi bantuan sembako layak dan 0 % tidak layak dengan kepala keluarga perempuan. Berikut dibawahn ini probabilitas kriteria Kepala Keluarga. Dan dengan melakukan pengujian perhitungan secara manual dan menggunakan software rapid minner mengdapatkan nilai acuracy 100%
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
