JURNAL DATA SCIENCE & INFORMATIKA (JDSI)
Vol. 1 No. 2 (2021) 46-52 ISSN Media Elektronik: 2808-9987
Klasifikasi Penerima Bantuan Sosial Menggunakan Algoritma C.45 Kantor Kuwu Desa Bangodua
Fuji Astuti1, Nining R2, Ade Irma Purnamasari3, Irfan Ali4, Dian Ade Kurnia5
12Program Studi Komputerisai Akuntansi, STMIK IKMI CIREBON
3Program Studi Teknik Informatika, STMIK IKMI CIREBON
4Program Studi Rekayasa Perangkat Lunak, STMIK IKMI CIREBON
5Program Studi Manajemen Informatika, STMIK IKMI CIREBON
Abstract
Social assistance is a unified system in accounting. Social Assistance during the covid-19 pandemic is a program implemented by the Government of the Republic of Indonesia in order to help the Indonesian people's economy in dealing with the covid-19 pandemic situation. In practice, there are still obstacles in predicting the accuracy of such assistance. This happens because the utilization of computers for data processing has not been done optimally, resulting in difficulty making decisions or predicting the level of data accuracy. To overcome these obstacles, a metodi data processing with a data mining method with naive bayes algorithm. The test results successfully classified 311 data tested. So successfully predict social assistance recipients with an accuracy rate of 55.59%.
Keywords— Social Assistance, Data Mining, Naive Bayes.
Abstrak
Bantuan Sosial merupakan suatu kesatuan sistem dalam, akuntansi. Bantuan Sosial pada masa pandemi covid- 19 merupakan program yang diimplementasikan oleh pemerintah Republik Indonesia dalam rangka membantu perekonomian Rakyat Indonesia dalam menghadapi situasi pandemi covid-19. Dalam praktiknya, masih terdapat kendala dalam memprediksi ketepatan bantuan tersebut. Hal ini terjadi karena pemanfaatan komputer untuk pengolahan dibidang data belum dilakukan secara optimal, sehingga mengakibatkan sulitnya mengambil keputusan atau memprediksi tingkat akurasi data. Untuk mengatasi kendala tersebut, diusulan sebuah metodi pengolahan data dengan suatu metode data mining dengan algoritma Naive Bayes. Dari hasil pengujian berhasil mengklasifikasikan 311 data yang diuji. Sehingga berhasil memprediksi penerima bantuan sosial dengan tingkat akurasi sebesar 55.59%.
Kata Kunci— Bantuan Sosial, Data Mining, Naive Bayes.
1. Pendahuluan
Pasal 3 ayat (1) peraturan kementerian keuangan (PMK) nomor 254/PMK.05/2015 Bantuan Sosial Tunai (BST) adalah bantuan berupa uang yang diberikan kepada keluarga yang kurang mampu, rentan yang terkena dampak wabah Corona Virus Disease 2019 (COVID-19). Besaran Bantuan Sosial Tunai adalah senilai Rp.300.000,-/keluarga/bulan. Bantuan Sosial Tunai ini merupakan program jaringan pengaman sosial Kementerian Sosial yang diperuntukan bagi keluarga yang kurang mampu dan rentan miskin yang terdampak Covid-19. Program ini merupakan bantuan penugasan khusus Presiden. Bantuan sosial untuk wilayah di luar Jabodetabek diberikan dalam bentuk uang, sedangkan untuk wilayah Jabodetabek diberikan dalam bentuk sembako. Pemberian bantuan BST, tidak termasuk penerima bantuan Program Keluarga Harapan (PKH), Kartu Sembako, dan Kartu Pra Kerja.
Di Indonesia sendiri, kasus pertama COVID-19 ditemukan pada hari Senin, 2 Maret 2020 (Detik.com, 2020) dan semakin bertambah dari hari ke hari.
Bahkan, terjadi lonjakan yang sangat signifikan setelah lebaran Idul Fitri 1441 H, 24 Mei lalu. Melihat kasus tersebut, pemerintah Indonesia telah melakukan berbagai macam cara, mulai dari PSBB sampai larangan mudik untuk perayaan hari raya. Pemerintah juga tidak henti-hentinya untuk melakukan kampanye pencegahan penyebaran COVID-19 dengan cara jaga jarak, memakai masker jika keluar rumah, sering cuci tangan pakai sabun, dll. tidak hanya berhenti sampai disitu, pemerintah mulai menutup kantor-kantor nonvital, mall dan tempat hiburan, tempat pariwisata, dan sekolah. Dengan harapan, akan sedikit masyarakat yang berinteraksi yang ditakutkan akan menambah jumlah penyebaran COVID-19 [1]. Penelitian ini dilakukan oleh Agustiena Merdekawati, Luci Kanti Rahayu pada jurnalSerambi Engineering, Volume VI, No.1, Januari 2021 hal 1452–1464 dengan judul Sistem Pendukung Keputusan Pemberian Bantuan Ekonomi Menggunakan Algoritma C4.5. Permasalahan yang dihadapi oleh setiap negara berkembang yaitu kemiskinan. Kemiskinan jika tidak diperhatikan oleh pemerintah, akan mendatangkan suatu risiko bagi bangsa di masa akan datang. Tidak meratanya pendapatan keluarga akan mengakibatkan timbulnya ketidak seimbangan pendapatan sehingga munculnya kemiskinan. Metode ini menggunakan algoritma C4.5 dimana algoritma C4.5 adalah peningkatan ID3.
Pengembangan dari C4.5 adalah bisa mengatasi missing value, menyelesaikan continue data, dan pruning. Hasil dan kesimpulan dari penelitian ini adalah didapatkan suatu keputusan dengan atribut yang paling tinggi adalah jumlah tanggungan, setelah itu atribut tertinggi kedua yaitu penghasilan dari calon penerima. Saran ntuk pengembangan lebih lanjut agar mengembangkan atribut yang dipakai dalam penentuan bantuan ekonomi, serta membandingkan atau
menggunakan metode data mining lainnya[2].
Penelitian ini dilakukan oleh Nurul Alfiah pada junal Teknologi Informasi, Vol. XVI Nomor 1 Maret 2021 dengan judul Klasifikasi Penerima Bantuan Sosial Program Keluarga Harapan Menggunakan Metode Naive Bayes. Permasalahan yang dihadapi masih sama yaitu angka kemiskinan yang terus meningkat.
Kecamatan Cimanggu merupakan salah satu Kecamatan yang ada di Kabupaten Cilacap Jawa Tengah dengan memiliki 15 Desa/kelurahan. Dengan pembagian berdasarkan jenis kelamin laki- laki sebanyak 48.740 jiwa dan perempuan 48.383 jiwa.
Dengan jumlah Penduduk yang begitu banyak di Kecamatan Cimanggu, diperlukan analisis yang mendalam untuk menentukan warga tidak mampu yang berhak untuk mendapatkan bantuan sosial bersyarat dari pemerintah. Metode yang sering digunakan dalam melakukan klasifikasi adalah Metode Naive Bayes yang merupakan sebuah Metode pengelompokan statistic pada produk probabilistik sederhana yang digunakan untuk memprediksi peluang atau kemungkinan dengan menjumlahkan kombinasi dan frekuensi dari nilai dataset yang diberikan. Hasil dan kesimpulan dari penelitian ini adalah Strategi awal yang digunakan untuk mencapai tujuan adalah dengan melakukan permintaan data Warga Miskin yang ada di Kecamatan Cimanggu dari Dinas Sosial Kabupaten Cilacap. Data yang diberikan dari Dinas Sosial tentang warga miskin per Januari 2019. Dari hasil klasifikasi di dapatkan pola bahwa warga yang memiliki Jumlah ART (Anggota Rumah Tangga) di atas 3 dan tidak memiliki lemari es, telepon, laptop, perahu motor, kapal dan aset tak bergerak cenderung mendapatkan PKH. Status kepemilikan lahan dengan status milik sendiri, lebih dominan tidak mendapatkan PKH. [3]
2. Literature Review
Penelitian ini dilakukan oleh Vidya Capristyan Pamungkas, Lailil Muflikhah, Randy Cahya Wihandika, pada Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Vol. 3, No. 3, Maret 2019, hlm. 2659-2666 dengan judul Klasifikasi Penerimaan Program Keluarga Harapan (PKH) Menggunakan Metode Learning Vector Quantization (Studi Kasus Desa Kedungjati). Permasalahan yang dihadapi oleh Saat ini, Seseorang disebut miskin juga dapat dilihat dari pendapatannya, apabila pendapatannya lebih rendah dari pada rata-rata pendapatan didaerah tersebut, sehingga masyarakat tersebut tidak dapat memenuhi kebutuhan dan tidak dapat mensejahterakan dirinya [4]. Penelitian ini dilakukan oleh Dian Permata Sari, pada Jurnal Ilmiah Informatika-VOL.09 NO.01 (2021), hlm.06-10 dengan judul Penerapan Metode Weighted Product Untuk Penentuan Penerima Bansos Kepada Masyarakat Terdampak Covid-19. Permasalahan yang dihadapi Saat ini dunia dihebohkan dengan munculnya virus
baru yang diberi nama virus corona. Hampir seluruh negara di dunia termasuk Indonesia mengalami serangan virus ini. Corona virus merupakan keluarga besar virus yang menyebabkan penyakit pada manusia dan hewan. Pada manusia biasanya menyebabkan penyakit infeksi saluran pernapasan, mulai flu biasa hingga penyakit yang serius seperti Middle East Respiratory Syndrome (MERS) dan Sindrom Pernafasan Akut Berat/Severe Acute Respiratory Syndrome (SARS). Metode ini menggunakan Weighted product. Hasil dan kesimpulan dari penelitian ini adalah Penerapan metode weighted product terbukti dapat menghasilkan perangkingan penerima bantuan dana sosial bagi masyarakat yang terkena dampak pandemic covid 19 berdasarkan kriteria yang telah ditentukan oleh pihak penyalur. Ada lima kriteria yang ditetapkan yaitu status pekerjaan, status rumah, domisili, tanggungan dan pendapatan perbulan. Berdasarkan hasil penelitian ini, maka peneliti menyarankan beberapa hal untuk penelitian selanjutnya yaitu menggunakan metode pendukung keputusan yang lain dengan jumlah kriteriayang lebih banyak sehingga menghasilkan keputusan yang lebih optimal[5]. Penelitian ini dilakukan oleh Nisa’ul Mufidah, padaJurnal sosial dan sains, Vol. 1, No.2, Februari 2021, hlm 82-92 dengan judul Efektivitas Bantuan Sosial Tunai Di Kelurahan Purwosari Kecamatan Purwosari Kabupaten Pasuruan.
Permasalahan yang dihadapi saat ini Masyarakat sudah merasakan efek dari bantuan tersebut. Akan tetapi, data yang dimiliki baik oleh pusat dan daerah yang digunakan sebagai data sasaran penerima bantuan sosial dapat berpotensi tidak tepat sasaran, karena data tersebut diambil dari DTKS (Data Terpadu Kesejahteraan Sosial) yang berdasarkan keterangan dari operator kelurahan data tersebut belum pernah dilakukan verifikasi dan validasi dikarenakan validasi dan verifikasi selama ini hanya berfokus pada BSP (Bantuan Sosial Pangan). Menurut Operator Kelurahan, data yang terdapat dalam DTKS tersebut telah usang dan tidak sesuai lagi dengan orang yang membutuhkan bantuan saat ini, contohnya masih ada warga yang sudah meninggal dan pindah tapi masih terdata dalam DTKS, selain data dari pusat, data penerima BST juga berasal dari usulan tingkat RT/RW.
Metode ini menggunakan penelitian deskriptif dengan menggunakan pendekatan kualitatif. Pendekatan kualitatif bermakna bahwa peenelitian yang dilakukan menggunakan konteks alamiah dengan tujuan untuk mengartikan apa yang terjadi dan dilakukan dengan berbagai metode yang ada. Hasil dan kesimpulan dari penelitian ini adalah Berdasarkan hasil dan pembahasan diatas dapat diambil kesimpulan bahwa Wabah Covid-19 telah mempengaruhi banyak sektor, termasuk sektor perekonomian. Hal tersebut menyebabkan pemerintah melakukan berbagai upaya untuk memperbaiki keadaan ekonomi serta mengurangi beban masyarakat. Salah satunya dengan
memberikan bantuan sosial tunai. Kelurahan Purwosari menjadi salah satu kelurahan di Kabupaten Pasuruan yang mendapat berbagai bentuk bantuan sosial selama pandemi Covid-19. Beberapa bantuan tersebut berupa tunai yang disebut dengan BST.
Adapun jumlah penerima BST sebanyak 465 KK termasuk 19 KK yang meninggal, pindah, dobel bantuan, dan tidak ditemukan. Akan tetapi tidak bisa dipungkiri bahwa suatu pemerintahan dalam melaksanakan suatu programnya terutama dalam masalah pemberian bantuan sosial yang langsung ditujukan untuk masyarakat yang membutuhkan pasti terdapat kekurangan. Apalagi, ketika dalam masa pandemi Covid-19 seperti ini, yang mana tentunya semua masyarakat tanpa terkecuali merasa terdampak dan ketika terdapat salah satu masyarakat yang tidak mendapatkan BST bisa menimbulkan kecemburuan sosial. [6].
1. Bantuan Sosial Tunai
Siklus pembelian merupakan serangkaian aktivitas bisnis yang berkaitan dengan pembelian. Pembelian muncul karena adanya kebutuhan untuk menunjang kelancaran arus transaksi akuntansi. Dapat disimpulkan, bahwa pembelian adalah suatu proses untuk memperoleh barang dagangan yang berupa bahan, peralatan dan jasa yang dicatat dalam satuan periode tertentu.[7]
2. Kowledge Discovery in Database (KKD)
Knowledge Discovery in Database (KDD) adalah proses menentukan informasi yang berguna serta pola-pola yang ada dalam data. Data Mining merupakan salah satu langkah dari serangkaian proses dalam KDD. Tahapan proses KDD dapat dilihat pada gambar 1.
Gambar 1 : Tahapan KDD 1. Data Selection
Pada proses ini dilakukan pemilihan himpunan data, menciptakan himpunan data target, atau memfokuskan pada sampel data dimana penemuan (discovery) akan dilakukan yang nantinya akan disimpan dalam suatu berkas yang terpisah dari basis data operasional.
2. Pre-Processing dan Cleaning
Data Pre-Processing dan Cleaning Data dilakukan dengan membuang data yang tidak konsisten dan noise, duplikasi data, memperbaiki
kesalahan data, dan bias diperkaya dengan data eksternl yang relevan.
3. Proses ini mentransformasikan atau menggabungkan data menjadi lebih tepat untuk dilakukan proses mining dengan cara peringkasan.
4. Data Mining
Proses Data Mining yaitu proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik, metode atau algoritma tertentu sesuai dengan tujuan dari proses KDD secara keseluruhan.
5. Interpretation / EvaluasiProses untuk menerjemahkan pola-pola yang dihasilkan dari Data Mining. Mengevaluasi (menguji) apakah pola atau informasi yang ditemukan bersesuaian atau bertentangan dengan fakta atau hipotesa sebelumnya. Pengetahuan yang diperoleh dari pola-pola yang terbentuk dipresentasikan dalam bentuk visualisasi.
3. Data Mining
Data mining merupakan Suatu proses penemuan informasi baru dengan cara mencari pola-pola atau aturan tertentu dari sejumlah data yang sangat besar merupakan pengertian data mining secara sederhana.Untuk menggali dan menemukan pengetahuan dalam data mining terdapat enam kelompok fungsional data mining yang dapat digunakan yaitu:
1. Deskripsi memiliki fungsi bagi data yang memiliki banyak jenis dan berskala besar dalam memberi gambaran secara ringkas.
2. Estimasi berfungsi secara garis besar dalam menaksir suatu nilai yang belum diketahui.
3. Prediksi misalnya memperkirakan stok produk suatu perusahaan dalam kurun waktu satu tahun kedepan atau dapat disimpulkan menerka suatu nilai di masa mendatang.
4. Klasifikasi berutujuan untuk dapat memprediksi kelas dari suatu objek yang labelnya tidak diketahui yang memiliki proses dalam memperoleh suatu fungsi atau model yang biasa membedakan kelas data atau konsep.
5. Pengelompokan bertujuan mengidentifikasi data dengan karakteristik tertentu.
6. Asosiasi sebagaimana dimaksud digunakan untuk mengidentifikasi barang-barang yang memiliki peluang dibeli konsumen bersamaan dengan produk lain dengan kata lain analisis keranjang pasar. [8]
4. Algoritma C.45
Algoritma C4.5 termasuk ke dalam pohon keputusan. Struktur sebuah pohon keputusan seperti pada flowchart , dimana setiap simpul internal (simpul bukan daun) melakukan pengujian pada atribut, masing-masing cabang
merupakan sekumpulan hasil, dan masing- masing simpul daun (atau simpul terminal) menjadi label kelas. Simpul paling atas dalam pohon adalah simpul akar. Algoritma pohon keputusan merupakan supervised learning, maka memerlukan klasifikasi variabel sasaran.
Sekumpulan data training harus dipersiapkan untuk membentuk algoritma dengan nilai-nilai variabel target. Dalam metode ini dievaluasi semua atribut menggunakan ukuran statistik berupa information gain dan perhitungan entropi. Information gain merupakan perolehan informasi atau ukuran efektivitas suatu atribut dalam mengklasifikasikan data [9].
4. Hasil dan Pembahasan 1. Preprocessing
Seperti diketahui, Rapidminer adalah salah satu aplikasi yang berguna untuk pengolahan data mining. Ada banyak algoritma yang bisa diperoses oleh aplikasi ini. Berikut penerapan algoritmanya.
Gambar 2: Tampilan Awal Aplikasi Rapidminer Setelah itu, masukan file excel yang telah di transformasi sebelumnya melalui menu File – Import Data. Kemudian pilih lokasi file excel yang dimaksud.
Gambar 3Tampilan Import File Excel
Setelah memasukan data excel yang dimaksud, langkah berikutnya adalah dengan menentukan format kolomnya. Disini,penulis abaikan format kolomnya karena akan memakan waktu lama jika merubah formatnya secara manual.
Gambar 4 Tampilan untuk Merubah Tipe Atribut Setelah di simpan dengan nama yang telah ditentukan, tekan dan seret (drag and drop) file yang telahdibuattadi untuk disambungkan dengan operator Numerical to Binominal sehingga format yang sebelumnya berupa angka integer berubah menjadi tipe binominal yang memiliki nilai benar atau salah.
Gambar 5 Tampilan dalam Bentuk Binominal 2. Model Data Mining
Setelah dilakukan Preprocessing Data hingga menjadi data yang siap untuk digunakan di data mining. Langkah selanjutnya adalah dengan menghubungkan data yang telah melalui proses perubahan tipe menjadi binominal kedalam Cross Validation.
Gambar 6 Proses Menghubungkan Data dengan Cross Validation
Gambar 7 Mode Naïve Bayes
Berdasarkan gambar diatas menjelaskan bahwa dalam menerapkan Model Naïve Bayes dibutuhkan aplikasi Rapidminer dengan operator sebagai berikut : Retrive Data, Cross Validation, Naïve Bayes, Apply Model, Performance.
Gambar 8: Hasil Rule pada Rapidminer
Gambar 9: Hasil Akurasi
Setelah dilakukan analisa terhadap data Bantuan Sosial Kantor Kuwu Desa Bangodua, ini memiliki beberapa informasi seperti jumlah yang lolos mendapatkan bantuan dan tidak lolos. Naive Bayes adalah sebuah Metode pengelompokan statistik pada produk probabilistik sederhana yang digunakan untuk memprediksi peluang atau kemungkinan dengan menjumlahkan kombinasi dan frekuensi dari nilai dataset yang diberikan.
Gambar 10 Hasil Simple Distribution Naïve Bayes
Hasil klasifikasi dari data bantuan sosial dengan metode naïve bayes membagi 2 kelasklasifikasi yaitu class lolos dan class tidak lolos. Untuk nilai class lolos yaitu 0.743 dan nilai class tidak lolos yaitu 0.254
Gambar 11: Hasil dari Cross Validation
3. Pembahasan
Setelah dilakukan analisa terhadap data bansos Kantor Kuwu Desa Bangodua, data yang berjumlah 311 ini memiliki beberapa informasi seperti mengetahui jumlah penerima bantuan sosial yang lolos dan jumlah penerima bantuan sosial yang tidak lolos. Algoritma Naive Bayes merupakan sebuah Metode pengelompokan statistik pada produk probabilistik sederhana yang digunakan untuk memprediksi peluang atau kemungkinan dengan menjumlahkan kombinasi dan frekuensi dari nilai dataset yang diberikan. Berdasarkan hasil pengujian diatas, terbentuklah sebuah accuary 55.59%, precision 30.28% dan recall 48.99%.
4. Kesimpulan
Hasil penelitian yang dilakukan diperoleh kesimpulan bahwa klasifikasi penerima bantuan sosial telah dijalankan dengan baik berdasarkan prosedur-prosedur yang telah ditetapkan pemerintah, mulai bagian pendataan penduduk, bagian pencatatan, bagian penyaluran dana dan telah mengikuti prosedur yang ditentukan oleh pemerintah. Pencatatan Bantuan Sosial pada Kantor Kuwu Desa Bangodua Cirebon Penelitian ini menghasilkan sebuah moel data mining melalui tahapan knowledge data disvovery yaitu data selection, pre-processing, transformation, data mining dan evaluasi dengan melibatkan algoritma Naive Bayes.
Berdasarkan proses klasifikasi yang dilakukan oleh metode Naive Bayes itu sendiri proses data mining dengan metode Naive Bayes berhasil mengklasifikasikan 311 data yang diuji. Sehingga dengan demikian metode Naive Bayes ini berhasil memprediksi penerima bantuan sosial dengan tingkat akurasi sebesar 55.59%. Diharapkan penelitian selanjutnya dapat kembali mengkaji masalah ini melalui penyelesaian algoritma data mining lainnya dengan adanya peningkatan akurasi dari sebelumnya.
DAFTAR PUSTAKA
[1] R. D. T. W. Chusna Apriyanti1, “PERSEPSI DAN AKSI MASYARAKAT PEDESAAN DI MASA PANDEMI Chusna,” J. llmu Sos. dan Hum., vol. 10, no. 1, hal. 50–69, 2021.
[2] 2 Agustiena Merdekawati1, Luci Kanti Rahayu2 1, “Sistem Pendukung Keputusan Pemberian Bantuan Ekonomi Menggunakan Algoritma C4.5,” Serambi Eng., vol. VI, no. 1, hal. 1452–1464, 2021.
[3] N. Alfiah dan P. S. Informasi, “Klasifikasi Penerima Bantuan Sosial Program Keluarga Harapan Menggunakan Metode Naive Bayes,”
Teknol. Inf., vol. XVI, no. 1, hal. 32–40, 2021.
[4] V. C. Pamungkas, L. Muflikhah, dan R. C.
Wihandika, “Klasifikasi Penerimaan Program Keluarga Harapan (PKH) Menggunakan Metode Learning Vector Quantization (Studi Kasus Desa Kedungjati),” Pengemb. Teknol.
Inf. dan Ilmu Komput., vol. 3, no. 3, hal. 2659–
2666, 2019.
[5] D. P. Sari, “Penerapan Metode Weighted Product Untuk Penentuan Penerima Bansos Kepada Masyarakat Terdampak Covid-19,” J.
Ilm. Inform., vol. 09, no. 1, hal. 6–10, 2021.
[6] N. Mufidah, “Efektivitas Bantuan Sosial Tunai Di Kelurahan Purwosari Kecamatan Purwosari Kabupaten Pasuruan,” J. Sos. Sains, vol. 1, no.
2, hal. 82–92, 2021, doi:
10.36418/sosains.v1i2.23.
[7] R. W. Astuti, S. Fauziah, dan Yudhistira,
“Rancang Bangun Sistem Informasi Akuntansi Pembelian Bahan Baku Secara Kredit,” J.
AKRB JUARA, vol. 4, no. 1, hal. 63–77, 2019.
[8] I. P. Ninditama, I. P. Ninditama, W. Cholil, M.
Akbar, dan D. Antoni, “Klasifikasi Keluarga Sejahtera Study Kasus : Kecamatan Kota Palembang,” TEKNO KOMPAK, vol. 15, no. 2,
hal. 37–49, 2020.
[9] S. Widaningsih, “PERBANDINGAN
METODE DATA MINING UNTUK
PREDIKSI NILAI DAN WAKTU
KELULUSAN MAHASISWA PRODI
TEKNIK INFORMATIKA DENGAN
ALGORITMA C4.5, NAÏVE BAYES, KNN, DAN SVM,” J. Tekno Insentif, vol. 13, no. 1, hal. 16–25, 2019, doi: 10.36787/jti.v13i1.78.
[10] Subandi H. Augmented Reality dalam Mendeteksi Produk Rotan menggunakan Metode Multimedia Development Life Cycle ( MDLC ). 2021;6(2):135–41.
[11] Nurdin, Azhar R, Abdullah D, Erliana CI, Nurdiawan O, Dikananda AR, et al. The Implementation of Backtracking Algorithm on Crossword Puzzle Games Based on Android. J Phys Conf Ser. 2019;1363(1).
[12] Rohmat CL, Anwar S, Dikananda AR, Ali I, Rizki AR. Election model classifications of problem-based learning using a machine learning technique. IOP Conf Ser Mater Sci Eng. 2021;1088(1):012030.
[13] Nurdiawan O. Penerapan Algoritma Support Vector Machine xalam mengukur Kepuasan Pembelajaran Hybrid Learning.
2021;6(2):130–4.
[14] Nurdiawan O, Kurnia DA, Solihudin D, Hartati T, Suprapti T. Comparison of the K-Nearest Neighbor algorithm and the decision tree on moisture classification. IOP Conf Ser Mater Sci Eng. 2021;1088(1):012031.
[15] Nurdiawan O, Pratama FA, Kurnia DA, Kaslani, Rahaningsih N. Optimization of Traveling Salesman Problem on Scheduling Tour Packages using Genetic Algorithms. J Phys Conf Ser. 2020;1477(5).
