IMPLEMENTASI METODE NA�VE BAYES UNTUK PERANCANGAN SISTEM KLASIFIKASI REKOMENDASI CALON PENERIMA BANTUAN SOSIAL

 

Wahyu lazzuardy1, Umi chotijah2, Henny dwi bakti3

Program Studi Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Gresik

Email: [email protected], [email protected], [email protected]

 

 

Abstract

Received:

02-09-2022

The Doudo Village Government in determining prospective recipients of social assistance to be recommended to the central government is still not computerized so that the work takes a long time. The use of a computerized system in an agency is a very important tool to support smoothness and accuracy in achieving goals. In this research, the writer uses the Na�ve Bayes Classifier method to solve the existing problems. The Na�ve Bayes method has the advantage that it is easy to understand and faster in calculations. The criteria used to support this decision are the type of work, the amount of income, the number of family members, the amount of expenditure per day and the status of residence. The training data used in the testing process greatly influences the classification results. If the training data used is more and more varied, the accuracy results obtained will be better.

Accepted:

09-09-2022

Published:

22-09-2022

Keywords:

 
Social Assistance, Classification, Na�ve Bayes Classifier

�

 

Abstrak

Kata kunci:

Bantuan Sosial, Klasifikasi, Na�ve Bayes Classifier

 

 

Pemerintahan Desa Doudo dalam menentukan calon penerima bantuan sosial untuk direkomendasikan ke pemerintahan pusat masih belum terkomputerisasi sehingga pekerjaan terbilang memakan waktu yang lama. Penggunaan sistem yang terkomputerisasi disuatu instansi merupakan alat yang sangat penting untuk pendukung kelancaran dan keakuratan dalam pencapaian tujuan. Penelitan ini penulis menggunakan metode Na�ve Bayes Classifier untuk menyelesaikan permasalahan yang ada. Metode Na�ve Bayes memiliki keunggulan yaitu mudah dipahami dan lebih cepat dalam perhitungan. Kriteria yang digunakan untuk mendukung pengambilan keputusan ini adalah jenis pekerjaan, jumlah penghasilan, jumlah anggota keluarga, jumlah pengeluaran perhari dan status tempat tinggal. Data training yang dipakai pada proses pengujian sangat mempengarui hasil klasifikasi. Jika data training yang digunakan semakin banyak dan bervariasi, hasil akurasi yang didapat akan lebih baik.

Corresponding Author: Wahyu lazzuardy

E-mail: [email protected]

https://jurnal.syntax-idea.co.id/public/site/images/idea/88x31.png

 

 

PENDAHULUAN

Kemiskinan dianggap sebagai suatu kondisi seseorang atau sekelompok orang, laki-laki atau perempuan yang hak-hak dasarnya tidak terpenuhi secara layak untuk hidup dan mengembangkan kehidupan yang bermartabat (Pulungan, Harahap, & Manurung, 2017). Pada saat ini masyarakat Indonesia masih banyak yang tergolong masyarakat miskin atau kurang mampu (Angga & Arifin, 2019). Tidak meratanya pendapatan menimbulkan terjadinya ketidakseimbangan pendapatan yang merupakan awal dari terjadinya masalah kemiskinan (Indra Suhendra, Ginanjar, & Navik Istikomah, 2021).

Dalam mengatasi permasalahan kemiskinan di masyarakat Indonesia, pemerintahan pusat mengadakan berbagai program seperti yang terdapat di Desa Doudo, salah satunya dengan membagikan bantuan sosial untuk masyarakat kurang mampu (Nawastuti, 2018). Sebelum melakukan pembagian bantuan, seksi kesejahteraan melakukan proses penyeleksian untuk merekomendasikan masyarakat yang layak mendapatkan bantuan sosial tersebut (Wahidah, Widayani, Wardani, Rachmawati, & Latifah, 2022). Selama ini yang dilakukan seksi kesejahteraan pemerintahan Desa Doudo dalam menentukan calon penerima bantuan sosial untuk direkomendasikan ke pemerintahan pusat masih belum terkomputerisasi sehingga pekerjaan terbilang memakan waktu yang lama (Chalik, 2015).

Metode na�ve bayes classifier merupakan metode klasifikasi yang beraka pada teorema bayes. Metode pengklafikasian dengan menggunakan pobabilitas dan statistik yang dikemukakan oleh Thomas Bayes, yaitu memprediksi peluang dimasa depan bedasarkan pengalaman dimasa sebelumnya (Misdram, Syarifuddin, & Widodo, 2020). Dalam penelitan ini penulis menggunakan metode na�ve bayes classifier untuk menyelesaikan permasalahan yang ada, dikarenakan metode tersebut menurut penulis sesuai dengan data yang akan digunakan untuk penelitian, juga memiliki keunggulan yaitu mudah dipahami, lebih cepat dalam perhitungan dan dalam lima tahun terakhir metode tersebut masih diterapkan dalam penelitian yang serupa. Seperti penelitian dengan judul klasifikasi masyarakat miskin dengan metode Na�ve Bayes oleh Haditsah Annur pada tahun 2018 (Annur, 2018). Pada penelitian ini menjelaskan beberapa acuan yang bisa digunakan untuk mengkategorikan masyarakat miskin atau tidak miskin yaitu Pekerjaan, Penghasilan, Tanggungan. Hasil pengujian confussion matrix dengan teknik split validasi, penggunaan metode klasifikasi na�ve bayes diperoleh tingkat akurasi sebesar 73% (Annur, 2018). Kedua, penelitian dengan judul Implementasi Klasifikasi Naive Bayes Untuk Prediksi Kelayakan Pemberian Pinjaman Pada Koperasi Anugerah Bintang Cemerlang oleh Siti Lestari, Akmaludin dan Mohammad Badrul pada tahun 2020. Dalam penelitia ini diperoleh tingkat akurasi sebesar 78,08 % (Lestari, Akmaludin, & Badrul, 2020).

 

METODE PENELITIAN

Deskripsi Sitem

Sistem yang akan dibangun adalah sitem klasifikasi rekomendasi calon penerima bantuan sosial menggunakan metode Na�ve Bayes. Berikut adalah rancangan flowcart sistem klasifikasi rekomendasi calon penerima bantuan sosial, seperti pada gambar 1.

Gambar 1.� Flowcart sitem klasifikasi rekomendasi calon penerima bantuan sosial.

Berdasarkan gambar 1 tahapan sistem klasifikasi rekomendasi calon penerima bantuan dimulai dengan memasukkan data training. Kemudian memasukkan data testing. Setelah itu sistem melakukan perhitungan pobabilitas tiap kelas pada data training menggunakan Na�ve Bayes Classifer. Setelah itu menghitung probabilitas data uji / testing. Setelah menghitug probabilitas data uji / testing selesai, maka sistem akan melakukan output, apakah warga itu masuk kategori layak atau tidak layak untuk menerima bantuan sosial.

 

Algoritma Na�ve Bayes

Na�ve bayes merupakan salah satu algortitma data mining klasifikasi yang dikembangkan oleh ilmuan inggris Thomas Bayes. Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistic, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya (Syarli & Muin, 2016).

Persamaan Teorema Beyes sebagai berikut :

�(1)

Keterangan :

X ������������� : Data dengan class yang belum diketahui

H ������������ : Hipotesis data X merupakan suatu class spesifik

P(H|X) ��� : Probabilitas hipotesis H berdasar kondisi X (posteriori

���������������� �� probability)

P(H) ������� : Probabilitas hipotesis H (prior probability)

P(X|H)���� : Probabilitas X berdasarkan kondisi pada hipotesis H

P(X)�������� : Probabilitas X

Adapun proses klasifikasi dengan menggunakan data numeric menggunakan rumus Densitas Gauss, seperti persamaan dibawah :

�(2)

Keterangan :

P � : Peluang

Xi : Atribut ke-i

C�� : Kelas yang dicari

�� : Mean, yaitu rata-rata dari seluruh atribut

�� : Standar Deviasi, yaitu akar kuadrat dari varian

�� : 3,14

Alur metode Na�ve Bayes sebagai berikut :

1.       Baca data training.

2.      Menghitung jumlah dan probabilitas, tapi jika data numeric maka :

a.       Mencari nilai mean dan standar deviasi dari masing �masing parameter yang merupakan data numerik. Persamaan untuk mencari nilai mean sebagai berikut :

(3)

Penjelasan :

�� = Nilia rata-rata (mean)

� = Nilai x ke-i

� = Jumlah Sampel

Persamaan unutuk menghitung standar deviasi sebagai berikut :

(4)

Penjelasan :

�� = Standar Deviasi

� = Nilai x ke-i

� = Nilia rata-rata (mean)

� = Jumlah Sampel

 

b.      Mencari nilai probabilistik dengan cara menghitung jumlah data yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut.

3.      Mendapatkan nilai dalam tabel mean, standar deviasi dan probabilitas

4.      Solusi yang dihasilkan.

 

Kebutuhan Data

Kriteria yang digunakan untuk mendukung pengambilan keputusan ini adalah jenis pekerjaan, jumlah penghasilan, jumlah anggota keluarga, jumlah pengeluaan perhari, status tempat tinggal. Data yang sudah didapat kemudian dibagi menjadi 5 atribut, seperti yang ada dalam tabel 1.

Tabel 1. Tabel Atribut

Atribut

Keterangan

Nilai

Jenis pekejaan

Jenis pekejaan warga

Petani

Pedagang

Wiraswasta

PNS

Jumlah penghasilan

Jumlah penghasilan warga perbulan

Jumlah penghasilan warga

Jumlah Anggota keluarga

Jumlah keseluruhan keluarga

Jumlah keseluruhan keluarga

Jumlah penggeluaran perhari

Pengeluaran warga perhari

< 50.000

50.000 � 100.000

> 100.000

Status tempat tinggal

Status tempat tinggal

Numpang

Sewa

Milik Sendiri

 

HASIL DAN PEMBAHASAN

Deskripsi Sitem

Sistem yang akan dibangun adalah sitem klasifikasi rekomendasi calon penerima bantuan sosial menggunakan metode Na�ve Bayes. Berikut adalah rancangan flowcart sistem klasifikasi rekomendasi calon penerima bantuan sosial, seperti pada gambar 1.

Gambar 1.� Flowcart sitem klasifikasi rekomendasi calon penerima bantuan sosial.

Berdasarkan gambar 1 tahapan sistem klasifikasi rekomendasi calon penerima bantuan dimulai dengan memasukkan data training. Kemudian memasukkan data testing. Setelah itu sistem melakukan perhitungan pobabilitas tiap kelas pada data training menggunakan Na�ve Bayes Classifer. Setelah itu menghitung probabilitas data uji / testing. Setelah menghitug probabilitas data uji / testing selesai, maka sistem akan melakukan output, apakah warga itu masuk kategori layak atau tidak layak untuk menerima bantuan sosial.

Algoritma Na�ve Bayes

Na�ve bayes merupakan salah satu algortitma data mining klasifikasi yang dikembangkan oleh ilmuan inggris Thomas Bayes. Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistic, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya (Syarli & Muin, 2016).

Persamaan Teorema Beyes sebagai berikut :

�(1)

Keterangan :

X ������������� : Data dengan class yang belum diketahui

H ������������ : Hipotesis data X merupakan suatu class spesifik

P(H|X) ��� : Probabilitas hipotesis H berdasar kondisi X (posteriori

���������������� �� probability)

P(H) ������� : Probabilitas hipotesis H (prior probability)

P(X|H)���� : Probabilitas X berdasarkan kondisi pada hipotesis H

P(X)�������� : Probabilitas X

Adapun proses klasifikasi dengan menggunakan data numeric menggunakan rumus Densitas Gauss, seperti persamaan dibawah :

�(2)

Keterangan :

P � : Peluang

Xi : Atribut ke-i

C�� : Kelas yang dicari

�� : Mean, yaitu rata-rata dari seluruh atribut

�� : Standar Deviasi, yaitu akar kuadrat dari varian

�� : 3,14

Alur metode Na�ve Bayes sebagai berikut :

5.      Baca data training.

6.      Menghitung jumlah dan probabilitas, tapi jika data numeric maka :

c.       Mencari nilai mean dan standar deviasi dari masing �masing parameter yang merupakan data numerik. Persamaan untuk mencari nilai mean sebagai berikut :

(3)

Penjelasan :

�� = Nilia rata-rata (mean)

� = Nilai x ke-i

� = Jumlah Sampel

Persamaan unutuk menghitung standar deviasi sebagai berikut :

(4)

Penjelasan :

�� = Standar Deviasi

� = Nilai x ke-i

� = Nilia rata-rata (mean)

� = Jumlah Sampel

 

d.      Mencari nilai probabilistik dengan cara menghitung jumlah data yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut.

7.      Mendapatkan nilai dalam tabel mean, standar deviasi dan probabilitas

8.     Solusi yang dihasilkan.

 

Kebutuhan Data

Kriteria yang digunakan untuk mendukung pengambilan keputusan ini adalah jenis pekerjaan, jumlah penghasilan, jumlah anggota keluarga, jumlah pengeluaan perhari, status tempat tinggal. Data yang sudah didapat kemudian dibagi menjadi 5 atribut, seperti yang ada dalam tabel 1.

Tabel 1. Tabel Atribut

Atribut

Keterangan

Nilai

Jenis pekejaan

Jenis pekejaan warga

Petani

Pedagang

Wiraswasta

PNS

Jumlah penghasilan

Jumlah penghasilan warga perbulan

Jumlah penghasilan warga

Jumlah Anggota keluarga

Jumlah keseluruhan keluarga

Jumlah keseluruhan keluarga

Jumlah penggeluaran perhari

Pengeluaran warga perhari

< 50.000

50.000 � 100.000

> 100.000

Status tempat tinggal

Status tempat tinggal

Numpang

Sewa

Milik Sendiri

 

 

KESIMPULAN

Setelah melakukan implementasi dan pengujian sistem, maka menghasilkan kesimpulan, diantaranya:

1.       Proses klasifikasi pada sistem yang telah berhasil dibangun terdiri dari dua kelas yaitu layak dan tidak layak. Akurasi terbaik yang didapatkan dari tiga kali percobaan pengujian adalah 83,3% dengan menggunakan data training sebanyak 90 data dan data uji sebanyak 30 data.

2.      Data training yang dipakai pada proses pengujian sangat mempengarui hasil klasifikasi. Jika data training yang digunakan semakin banyak dan bervariasi, hasil akurasi yang didapat akan lebih baik.

 

BIBLIOGRAFI

 

Angga, Angga, & Arifin, Ridwan. (2019). Penerapan Bantuan Hukum Bagi Masyarakat Kurang Mampu di Indonesia. DIVERSI: Jurnal Hukum, 4(2), 218�236.

Annur, Haditsah. (2018). Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes. ILKOM Jurnal Ilmiah, 10(2), 160�165.

Chalik, Abdul. (2015). Pelayanan publik tingkat desa. Interpena.

Indra Suhendra, S. E., Ginanjar, Rah Adi Fahmi, & Navik Istikomah, S. E. (2021). Distribusi Pendapatan: Konteks Provinsi di Indonesia. Media Sains Indonesia.

Lestari, Siti, Akmaludin, Akmaludin, & Badrul, Mohammad. (2020). Implementasi Klasifikasi Naive Bayes Untuk Prediksi Kelayakan Pemberian Pinjaman Pada Koperasi Anugerah Bintang Cemerlang. PROSISKO: Jurnal Pengembangan Riset Dan Observasi Sistem Komputer, 7(1).

Misdram, Muhammad, Syarifuddin, Fahmi, & Widodo, Anang Aris. (2020). Klasifikasi Data Set Virus Corona Menggunakan Metode Na�ve Bayes Classifier. SPIRIT, 12(2).

Nawastuti, Dati. (2018). Kearifan Lokal Masyarakat Pesisir dalam Memahami Teknologi Hasil Perikanan. Jurnal Maksipreneur: Manajemen, Koperasi, Dan Entrepreneurship, 8(1), 32�44.

Pulungan, Khairul Anwar, Harahap, Riva Ubar, & Manurung, Saprinal. (2017). Analisis Kebijakan Program Penanggulangan Kemiskinan: Implementasi Manajemen Pemerintahan Kota Tanjung Balai. Jurnal Riset Sains Manajemen Jurnal Riset Sains Manajemen Jurnal Riset Sains Manajemen, 1(12), 115�128. https://doi.org/10.5281/zenodo.1069779

Syarli, S., & Muin, A. (2016). Metode Naive Bayes Untuk Prediksi Kelulusan (Studi Kasus: Data Mahasiswa Baru Perguruan Tinggi). Jurnal Ilmiah Ilmu Komputer, 2(1), 22�26.

Wahidah, Anna Zahrotul, Widayani, Anna, Wardani, Shanti Ike, Rachmawati, Ika, & Latifah, Nunuk. (2022). PROSEDUR PENYALURAN BANTUAN SOSIAL DI ERA PANDEMI COVID-19 PADA DINAS SOSIAL KABUPATEN BLITAR. Competence: Journal of Management Studies, 16(1), 51�63.