Penerapan Algoritma Naive Bayes untuk Klasifikasi Penerima Bantuan Program Keluarga Harapan (PKH)

Nunung Marlika; Aswi; Suwardi Annas

doi:10.35580/variansiunm418

Nunung Marlika Universitas Negeri Makassar
Aswi Universitas Negeri Makassar
Suwardi Annas Universitas Negeri Makassar

DOI: https://doi.org/10.35580/variansiunm418

Keywords: Naïve Bayes, Program Keluarga Harapan, Klaisifkasi dan Akurasi.

Abstract

Salah satu metode klasifikasi yang umum digunakan untuk menentukan kelayakan penerima bantuan Program Keluarga Harapan (PKH) adalah Algoritma Naive Bayes yang sering disebut juga Naive Bayes Classifier. Metode ini adalah probabilitas untuk mengklasifikasikan data secara cepat dan efisien untuk analisis kelayakan dalam program bantuan sosial. Naive Bayes adalah klasifikasi yang menggunakan pendekatan probabilitas dan statistik untuk mengelompokkan data. Pada penelitian ini, dilakukan penerapan algoritma Naive Bayes dalam mengklasifikasikan penerima bantuan Program Keluarga Harapan serta mengetahui tingkat akurasi, recall dan presisi dari metode Naive Bayes. Hasil dari penelitian ini adalah nilai akurasi yang dihasilkan dari metode Naive Bayes sebesar 90% pada pembagian data training dan testing 60%:40%, akurasi nilai 93% pada pembagian data training dan testing 70%:30%, serta nilai akurasi 90% pada pembagian data training dan testing 80%:20%.

References

Darwis, D., Siskawati, N., & Abidin, Z. (n.d.). Penerapan Algoritma Naive Bayes untuk Analisis Sentimen Review Data Twitter BMKG Nasional. 15(1).
Entini, A., Raja, L., & Handoko, K. (2023). Implementasi Data Mining Dengan Algoritma Naive Bayes Untuk Klasifikasi Kelayakan Penerima Bantuan Sembako. In Jurnal Comasie.
Luque, A., Carrasco, A., Martín, A., & de las Heras, A. (2019). The impact of class imbalance in classification performance metrics based on the binary confusion matrix. Pattern Recognition, 91, 216–231. https://doi.org/10.1016/j.patcog.2019.02.023
Mai, P., Tarigan, S., Tata Hardinata, J., Qurniawan, H., Safii, M., Winanjaya, R., Studi, P., Informasi, S., Tunas, S., & Pematangsiantar, B. (2022). Implementasi Data Mining Menggunakan Algoritma Apriori Dalam Menentukan Persediaan Barang (Studi Kasus : Toko Sinar Harahap) (Vol. 12, Issue 2). https://jurnal.umj.ac.id/index.php/just-it/index
Markoulidakis, I., Rallis, I., Georgoulas, I., Kopsiaftis, G., Doulamis, A., & Doulamis, N. (2021). Multiclass Confusion Matrix Reduction Method and Its Application on Net Promoter Score Classification Problem. Technologies, 9(4). https://doi.org/10.3390/technologies9040081
Nurchaidir, T., & Prasetya Adhi, B. (n.d.). Klasifikasi Genre Musik Menggunakan Algoritma Naïve Bayes Classifier Untuk Layanan Streaming Youtube.
Pratiwi, I. M., Fauzi, A., Lestari, S. A. P., & Cahyana, Y. (2024). Penerapan Algoritma Naïve Bayes Untuk Prediksi Penerimaan Karyawan. Jurnal Teknik Informasi Dan Komputer (Tekinkom), 7(1), 236. https://doi.org/10.37600/tekinkom.v7i1.1282
Rahmadani, N., Dwi Sena, M., Informatika, M., Tinggi Manajemen Informatika dan Komputer Royal, S., & Komputer, S. (n.d.-a). Penerapan Algoritma Naïve Bayes Dalam Penentuan Kelayakan Penerima Bantuan Program Keluarga Harapan. Jurnal Teknologi Komputer Dan Sistem Informasi) Agustus, 2023(2), 40–48. http://jurnal.goretanpena.com/index.php/teknisi
Rahmadani, N., Dwi Sena, M., Informatika, M., Tinggi Manajemen Informatika dan Komputer Royal, S., & Komputer, S. (n.d.-b). Penerapan Algoritma Naïve Bayes Dalam Penentuan Kelayakan Penerima Bantuan Program Keluarga Harapan. Jurnal Teknologi Komputer Dan Sistem Informasi) Agustus, 2023(2), 40–48. http://jurnal.goretanpena.com/index.php/teknisi
Rennie, J. D. M., Shih, L., Teevan, J., & Karger, D. R. (n.d.). Tackling the Poor Assumptions of Naive Bayes Text Classifiers.
Winarti, D., Kom, M., Revita, E., Yandani, E., Lintas Sumatera, J., 18 Koto, K. M., Dharmasraya, B., & Barat, S. (2021). Penerapan Data Mining untuk Analisa Tingkat Kriminalitas Dengan Algoritma Association Rule Metode FP-Growth. Jurnal SIMTIKA, 4(3).