683 Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 683-695 E-ISSN 2503-2933
Klasifikasi Penerima Bansos Menggunakan Algoritma Naive Bayes
Hamzah Nurrifqi Fakhri Fikrillah*1, Sigit Hudawiguna2, Christina Juliane3
1,2,3
Program Studi Rekayasa Sistem Informasi STMIK LIKMI Bandung
Ir. H. Juanda No. 96, Bandung 40132, Jawa Barat – Indonesia, telp/fax (022) 2502121 e-mail: *1hamzah.nurrifqi2@gmail.com,
2sigit.khudawiguna@gmail.com,3christina.juliane@likmi.ac.id
Abstrak
Bansos (bantuan sosial) merupakan sebuah program yang dikeluarkan oleh pemerintah untuk membantu masyarakat yang kurang mampu dalam ekonomi. Tujuan dari penelitian ini untuk memberikan klasifikasi dan rekomendasi terhadap program bansos yang diberikan oleh pemerintah pusat. Hasil dari penelitian ini akan memberikan informasi serta gambaran klasifikasi penerima bansos yang sesuai dengan kriteria umur dan pekerjaan. Untuk mencapai tujuan tersebut, penelitian ini menggunakan Algoritma Naive Bayes untuk memprediksi nilai probabilitas terbesar berdasarkan data masa lalu. Tahapan penelitian yang dilakukan meliputi pengumpulan data, pembersihan data, transformasi data, pemodelan dan evaluasi. Data yang digunakan untuk kebutuhan analisis menggunakan Data Terpadu Kesejahteraan Sosial di Kecamatan Malangbong Kabupaten Garut dengan jumlah data yang telah bersihkan dan di transformasi sebanyak 100.445. Hasil pemodelan menggunakan Algoritma Naive Bayes memberikan nilai akurasi sebesar 62,51%. Penelitian ini diharapkan dapat memberikan rekomendasi terhadap masyarakat atau orang orang penerima bansos dan sebagai acuan pada penyaluran bansos untuk memperkecil adanya salah sasaran penyaluran bansos.
Kata kunci— Data Mining, Klasifikasi, Naive Bayes, Program Bansos, Rekomendasi.
Abstract
Bansos (social assistance) is a program issued by the government to help economically disadvantaged people. The purpose of this study is to provide classifications and recommendations for social assistance programs provided by the central government. The results of this study will provide information and an overview of the classification of social assistance recipients according to age and occupation criteria. To achieve this goal, this study uses the Naive Bayes Algorithm to predict the greatest probability value based on past data.
The stages of the research carried out include data collection, data cleaning, data transformation, modeling and evaluation. The data used for needs analysis uses Integrated Social Welfare Data in Malangbong District, Garut Regency with the amount of data that has been cleaned and transformed as many as 100,445. The results of modeling using the Naive Bayes Algorithm give an accuracy value of 62.51%. This research is expected to provide recommendations to the community or people who receive social assistance and as a reference for determining social assistance to minimize mistargeting of social assistance.
Keywords— Data Mining, Classification, Naive Bayes, Social Assistance Programs, Recommendations.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 683-695 E- ISSN 2503-2933 684
1. PENDAHULUAN
ndang Undang Dasar Republik Indonesia Tahun 1945 menyatakan “Fakir Miskin dan Anak-anak terlantar dipelihara oleh negara” dan dalam pasal 27 Ayat 2 menyatakan
“Bahwa tiap tiap warga negara berhak atas pekerjaan dan penghidupan yang layak bagi kemanusiaan” [1]. Pemerintah telah banyak berupaya memberikan berbagai bantuan untuk menunjang kehidupan warga Indonesia sebagai upaya mensejahterakan masyarakat Indonesia dan juga sebagai bukti janji dari Undang Undang Dasar Republik Indonesia. Pada tahun 2019 pandemi Covid-19 mewabah, tidak terkecuali negara Indonesia [2]. Tidak dapat dipungkiri bahwa Pandemi Covid-19 memberikan dampak yang sangat signifikan terhadap ekonomi warga Indonesia, banyak warga Indonesia mengalami penurunan ekonomi, kehilangan pekerjaan, bahkan kehilangan anggota keluarga yang menjadi tulang punggung ekonomi [3]. Hal tersebut berimbas pada angka kemiskinan yang meningkat, pemerintah pusat dan pemerintah daerah berupaya membantu warga masyarakat yang terkena dampak ekonomi tersebut [4], namun disisi lain banyak juga pihak yang tidak mendapatkan BANSOS tersebut, padahal dapat dikatakan sangat layak mendapatkan bantuan, bahkan sebaliknya, banyak warga yang mendapatkan bansos namun orang tersebut dikatakan tidak layak mendapatkan bansos [5],[6].
Penelitian terkait tentang klasifikasi penerima bansos yang berjudul “Implementasi Metode Naive Bayes Untuk Klasifikasi Penerima Program Keluarga Harapan”. Penelitian tersebut menetapkan beberapa kriteria diantaranya, penghasilan, status kepemilikan rumah, ukuran rumah, tipe lantai, atap, dinding, serta jenis sumber air. Menghasilkan nilai akurasi 88%
namun dataset dalam Penelitian ini sebanyak 82 sampel yang mana akan mempengaruhi hasil akurasi yang tinggi [7].
Penelitian lain yang juga membahas tentang klasifikasi penerima bansos yang berjudul
“Klasifikasi Penerima Bantuan Sosial Program Keluarga Harapan Menggunakan Metode Naive Bayes”. Penelitian tersebut menggunakan confusion matrix dengan akurasi 84,2411% yang masuk dalam kategori good classification [8]. Namun kedua penelitian tersebut tidak menjelaskan kecenderungan sentimen pengguna terhadap topik yang dibahas, yaitu hanya fokus pada pengklasifikasian ulasan dan melihat tingkat akurasi dari metode yang digunakan.
Berdasarkan hasil kajian penelitian sebelumnya, penelitian ini bertujuan untuk mengklasifikasi dan rekomendasi terhadap masyarakat yang dinyatakan layak dan dinyatakan tidak layak menerima BANSOS [4], adapun kriteria BANSOS yang akan menjadi patokan yaitu berdasarkan BANSOS reguler dari Kementerian Sosial yaitu BPNT, PKH sebagai bantuan pangan dan PBI sebagai bantuan sosial dalam sektor kesehatan beserta irisan dari BANSOS tersebut, sehingga kriteria BANSOS yang akan diklasifikasi dan rekomendasi yaitu, BPNT, PKH, PBI, BPNT & PKH, BPNT & PBI, PKH & PBI, Irisan Seluruh Program Bansos (BPNT, PKH, PBI) dan NONBANSOS [2]. Penelitian ini menggunakan Algoritma Naive Bayes yang dapat memberikan nilai akurasi yang baik, metode ini menghitung jumlah frekuensi dan kombinasi nilai dari data yang digunakan. Kelebihan Algoritma Naive Bayes ini yaitu tidak perlu menggunakan data yang banyak untuk menentukan hasil yang diperlukan dalam proses klasifikasi [9]. Data yang digunakan dalam penelitian ini menggunakan Data Terpadu Kesejahteraan Sosial yang selanjutnya disingkat dengan DTKS dengan menggunakan atribut umur, dan pekerjaan, dengan objek penelitian di Kecamatan Malangbong Kabupaten Garut.
Hasil penelitian ini diharapkan dapat membantu pemerintah daerah khususnya pemerintah Kecamatan Malangbong untuk memberikan rekomendasi serta klasifikasi penerima BANSOS, dengan tujuan memperkecil kemungkinan BANSOS tersebut salah sasaran.
U
685 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 683-695 E-ISSN 2503-2933
2. METODE PENELITIAN
Pada penelitian ini menggunakan metode pemodelan algoritma dengan pendekatan Knowledge Discovery in Database (KDD). Tujuan dari metode pemodelan ini yaitu untuk menggali informasi serta pengetahuan yang belum diketahui sebelumnya dari database.
Database ini berisikan informasi yang disimpan dalam tabel yang saling berelasi. Adapun tahapan KDD bisa kita lihat pada gambar 1 [9].
Gambar 1. Pemrosesan Data [9]
1. Collecting Data
Data yang telah dikumpulkan adalah data individu penerima manfaat bantuan sosial di Kecamatan Malangbong, Kabupaten Garut, Jawa Barat tahun 2022 dengan atribut Nama, Alamat, NIK, No KK, Tanggal Lahir, Nama Ibu Kandung, Pekerjaan, hubungan keluarga, Program Bansos yang diterima. Data yang didapatkan sebanyak 102.045 Jiwa.
2. Cleansing
Data yang telah terkumpul selanjutnya dibersihkan dan beberapa diantaranya dihapus, proses ini meliputi data yang tidak sesuai, data yang berisikan salah satu atribut kosong, data anomali, dan membersihkan atribut yang tidak digunakan pada saat pemodelan [9].
3. Transformation
Untuk memberikan hasil yang optimal dalam pemodelan data (Modelling) beberapa data memerlukan format khusus, atau diberikan klasifikasi seperti umur dan pekerjaan yang diklasifikasikan. Oleh karena itu dilakukan Data Transformation sehingga data dapat digunakan pada saat pemodelan. Proses ini juga dapat mempengaruhi hasil dari pemodelan yang disajikan pada tahap evaluasi [9].
4. Modeling
Setelah tahap pembersihan dan transformasi data selesai, selanjutnya dilakukan tahap pemodelan, tahap ini akan menentukan hasil klasifikasi dan prediksi. Pada penelitian ini menggunakan pemodelan algoritma naive bayes [9].
5. Evaluation
Hasil dari ujicoba pemodelan disajikan dalam bentuk confusion matrix atau matriks kesalahan. Confusion matrix ini menyajikan informasi yang aktual terhadap pemodelan yang telah dilakukan, confusion matrix ini juga memberikan informasi berupa hasil akurasi [9].
3. HASIL DAN PEMBAHASAN 3.1 Collecting Data
Pada tahap ini data yang dikumpulkan adalah data By Name by Address (BNBA) dari penerima manfaat dengan atribut ID DTKS, Nomor Induk Kependudukan, Nomor Kartu Keluarga, Alamat (Kabupaten, Kecamatan, Desa/Kelurahan, Kampung/Dusun, RT dan RW), Nama, Tanggal Lahir, Tempat Lahir, Jenis Kelamin, Pekerjaan, Nama Ibu Kandung, Hubungan Keluarga, dan Keterangan penerima BANSOS. Beberapa atribut disamarkan untuk melindungi privasi dari penerima bansos sesuai dengan Undang Undang Nomor 27 Tahun 2022 tentang
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 683-695 E- ISSN 2503-2933 686
Perlindungan Data Pribadi [10]. Berikut data yang telah didapatkan dari Kecamatan Malangbong dilampirkan pada tabel 1.Tabel 1. Data Awal Bansos Kec. Malangbong
NO ID DTKS Alamat No KK … BANSOS
BPNT
BANSOS
PKH PBI JKN
1 5F27DA10-xxxx- 5836248A2xxx
JL.
ALAYDRUS NO. 84 C
317101190620xx
xx … YA YA
2
8C28F995-C398- xxxx-BBDE- DECCA20EFxxx
KP BOJONG KALER
317305020112xx
xx … YA
3
CA51234F-xxxx- 43AE-983C- 386D4ED43xxx
KP. CITERAS 317307180913xx
xx … YA YA YA
4
32705A1E-F6AD- xxxx-8396- 2CA4399E7xxx
KP. PASIR BAROS
317501050109xx
xx … YA YA YA
… … … … … … … …
1002045
49976FF7-xxxx- 4DDB-AC75- 5886CEDDBxxx
KP CIRUMAMP
A
317509050109xx
xx … YA YA
3.2 Cleaning Data
Setelah data dikumpulkan, proses selanjutnya dilakukan pembersihan data, tahap ini menghapus dan memperbaiki data yang rusak seperti alamat tidak jelas atau kosong, tanggal lahir tidak sesuai (Default System 01/01/1900), data ganda yang dihapus salah satu dan data anomali lainnya. adapun perincian data yang dibersihkan sebagai berikut:
1. Data Awal: 102.045, 2. Alamat Anomali: 1.411, 3. NO KK Anomali: 10, 4. Tanggal Lahir Anomali: 3, 5. Data Ganda: 176,
6. Total data Yang Digunakan: 100.445.
Selain data rusak, data ganda dan data anomali yang dibersihkan, atribut yang tidak digunakan juga dihilangkan, sehingga atribut yang digunakan untuk proses transformasi data yaitu, Nama Desa, No KK, NIK, Nama, Tanggal Lahir, Jenis Kelamin, Pekerjaan Hubungan Keluarga, Program Bansos yang didapatkan.
3.3 Transformation Data
Proses transformasi data akan menentukan hasil evaluasi dari performa algoritma yang digunakan, adapun data yang ditransformasi adalah tanggal lahir diubah dari format tanggal menjadi integer dengan cara menghitung tanggal lahir dengan tanggal pemrosesan data dan ditransformasi menjadi tipe data String, rujukan perubahan umur menggunakan data rujukan dari SEPAKAT BAPPENAS [11] pada tabel 3:
687 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 683-695 E-ISSN 2503-2933
Tabel 3. Pengelompokan Usia Berdasarkan BAPPENAS
Range Kategori
0 - 14 Anak-Anak
15 - 24 Muda
25-34 Pekerja Awal
35 - 44 Pekerja Paruhbaya
45 - 54 Pra Pensiun
55 - 64 Pensiun
Lebih dari 65 Usia Lanjut
Selain tanggal lahir yang diubah, jenis pekerjaan dikelompokan berdasarkan kriteria, adapun rujukan diambil dari SIMPEDAK [12] dapat kita lihat pada tabel 4 sebagai berikut:
Tabel 4. Pengelompokan Pekerjaan
Jenis Pekerjaan Kelompok Pekerjaan Jenis Pekerjaan Kelompok Pekerjaan
Dosen, Duru Tenaga Pengajar Pensiunan Pensiunan
Petani/Pekebun, Peternak, Buruh
Tani/Perkebunan, Buruh Peternakan Pertanian/Peternakan Imam Masjid, Pendeta, Pastor, Ustadz/Mubaligh, Biarawati
Agama Dan Kepercayaan Nelayan/Perikanan, Buruh
Nelayan/Perikanan Nelayan Dokter, Bidan, Perawat,
Apoteker, Psikiater/Psikolog Tenaga Kesehatan
Pelajar/Mahasiswa Pelajar/Mahasiswa Pekerjaan Lainnya, Belum
Ditentukan Lainnya
Pegawai Negeri Sipil (Pns), Tentara Nasional Indonesia (Tni), Kepolisian Ri (Polri), Karyawan Bumn, Karyawan Bumd, Anggota Dpr-Ri, Anggota Dpd, Anggota Bpk, Presiden, Wakil Presiden,Anggota Mahkamah Konstitusi, Anggota Kabinet/Kementerian, Duta Besar, Gubernur, Wakil Gubernur, Bupati, Wakil Bupati, Walikota, Wakil Walikota, Anggota Dprd Provinsi, Anggota Dprd Kabupaten/Kota, Pengacara, Notaris, Peneliti, Perangkat Desa, Kepala Desa
Aparatur/Pejabat Negara
Perdagangan, Industri, Konstruksi, Transportasi, Karyawan Swasta, Karyawan Honorer, Buruh Harian Lepas, Pembantu Rumah Tangga, Tukang Cukur, Tukang Listrik, Tukang Batu, Tukang Kayu, Tukang Sol Sepatu, Tukang Las/Pandai Besi, Tukang Jahit, Tukang Gigi, Penata Rias, Nata Busana, Penata Rambut, Mekanik, Seniman, Tabib, Paraji, Perancang Busana, Penerjemah, Wartawan, Juru Masak, Promotor Acara, Pilot, Arsitek, Akuntan, Konsultan, Penyiar Televisi, Penyiar Radio, Pelaut, Sopir, Pialang, Paranormal, Pedagang, Wiraswasta
Wiraswasta
Belum/Tidak Bekerja Belum/Tidak Bekerja
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 683-695 E- ISSN 2503-2933 688
Selanjutnya proses penentuan label, label ini didapatkan dengan cara menggabungkan setiap program BANSOS yang diterima menjadi satu kolom tabel. Selain data yang diubah dan di kelompokan, pada tahap ini juga ada atribut data yang ditambahkan seperti data jumlah anggota dalam satu keluarga, data ini didapatkan dengan cara menghitung jumlah nomor KK yang sama. Adapun hasil Transformasi data pada tabel 5:Tabel 5. Hasil Transformasi dan Pengelompokan Data
NAMA PENGELOMP
OKAN UMUR
JENIS KELAMIN
Klasifikasi Pekerjaan
HUB KELUARGA
Jumlah Anggota Keluarga
BANSOS
Object_99999-2100-001 Pekerja Awal Laki-laki Wiraswasta Kepala
Keluarga 1 PBI
Object_99998-2200-001 Pekerja Awal Perempuan Lainnya Kepala
Keluarga 1 BPNT&PBI
Object_99957-2000-003 Pensiun Perempuan Lainnya Kepala
Keluarga 1 BPNT
Object_99996-2100-003 Pekerja Awal Laki-laki Wiraswasta Kepala
Keluarga 1 NONBANSOS
Object_6900-0717-761 Pekerja
Paruhbaya Perempuan Lainnya Istri 7 PKH
Object_99991-2100-017 Pekerja Awal Perempuan Lainnya Istri 1 NONBANSOS
Object_9999-1000-030 Pekerja
Paruhbaya Perempuan Lainnya Istri 6 BPNT&PKH&P BI
Object_99990-2100-005 Pekerja Awal Laki-laki Wiraswasta Kepala
Keluarga 1 PBI
Sebelum memulai tahap pemodelan, data dipisahkan dengan perbandingan 80% untuk data uji dan 20% untuk data latih yang diambil secara acak, adapun perincian pemisahan datanya antara lain 80.356 untuk data latih, dan 20.089 untuk data uji.
3.4 Modeling
Pada tahap pemodelan ini bertujuan untuk mencari klasifikasi dan hasil prediksi dari program BANSOS, tahap pemodelan ini akan menghasilkan nilai akurasi dari data yang diolah.
pada penelitian ini menggunakan pemodelan Algoritma Naive Bayes, adapun Persamaan teorema Naive bayes pada rumus (1):
| =
(1) Keterangan :
X = Data dengan class yang belum diketahui
H = Hipotesis data X merupakan suatu class spesifik P(H|X) = Probabilitas hipotesis H berdasarkan kondisi X P(X|H) = Probabilitas X berdasarkan kondisi pada hipotesis H P(H) = Probabilitas hipótesis H
P(X) = Probabilitas dari X
689 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 683-695 E-ISSN 2503-2933
Sampel pengujian dilakukan untuk mencari prediksi, adapun salah satu sampel data yang akan diuji yaitu dengan klasifikasi umur Pekerja Paruhbaya, dengan jenis kelamin Perempuan jenis pekerjaan Lainnya dengan status hubungan keluarga sebagai Istri dan jumlah anggota keluarga sebanyak 5 orang.Langkah 1: Menghitung jumlah kelas pada tabel 6.
Tabel 6. Menghitung Jumlah Kelas Dengan Tabel
BANSOS
Usia Jenis
Kelamin Pekerjaan Status Hubungan Keluarga
Jumlah Anggota Keluarga
Pekerja
Paruhbaya Perempuan LAINNYA Istri 5
BPNT 613 814 751 544 114
PKH 98 285 278 228 35
PBI 4.438 15.755 7.782 6.348 5.142
BPNT&PKH 298 929 910 764 164
BPNT&PBI 529 3.138 2.911 2.240 207
PKH&PBI 192 523 511 444 113
BPNT&PKH&
PBI 1.448 4.334 4.235 3.745 881
NONBANSOS 2.944 13.270 5.792 4.844 3.153
Langkah 2: Menghitung jumlah kelas Dibagi dengan jumlah keseluruhan Program Bansos pada tabel 7.
Tabel 7. Jumlah Keseluruhan Program BANSOS
Program BANSOS Jumlah Data Jumlah Data/Total Data
BPNT 2312 0,028771965
PKH 300 0,003733386
PBI 39789 0,495159042
BPNT&PKH 969 0,012058838
BPNT&PBI 3824 0,047588232
PKH&PBI 606 0,007541441
BPNT&PKH&PBI 4540 0,056498581
NONBANSOS 28016 0,348648514
Total Data 80356
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 683-695 E- ISSN 2503-2933 690
Tabel 8. Hasil Perhitungan Jumlah Kelas di Bagi Jumlah Total Data Setiap Program BANSOSBANSOS
Usia Jenis
Kelamin Pekerjaan Status hubungan Jumlah Anggota Keluarga
Pekerja
Paruhbaya Perempuan Lainnya Istri 5
BPNT 0,265138408 0,352076125 0,32482699 0,235294118 0,049307958
PKH 0,326666667 0,95 0,926666667 0,76 0,116666667
PBI 0,111538365 0,395963709 0,195581693 0,159541582 0,129231697
BPNT&PKH 0,30753354 0,95872033 0,939112487 0,788441692 0,169246646 BPNT&PBI 0,13833682 0,820606695 0,76124477 0,585774059 0,054131799 PKH&PBI 0,316831683 0,863036304 0,843234323 0,732673267 0,186468647 BPNT&PKH&
PBI 0,318942731 0,954625551 0,932819383 0,824889868 0,194052863
NONBANSOS 0,10508281 0,47365791 0,206739006 0,172901199 0,112542833
Langkah 3: Menghitung seluruh jumlah variabel Seluruh variabel dihitung sebagai berikut:
(Pekerjaan pada Setiap Program Bansos/Total Data Program BANSOS) * (Jenis Kelamin pada setiap Program BANSOS/Total Data pada setiap Program BANSOS) * (Jenis Pekerjaan pada setiap Program BANSOS/Total Data Program BANSOS) * (Hubungan Keluarga pada Setiap Program BANSOS/Total Data Program BANSOS) * (Jumlah Anggota Keluarga pada Setiap Program BANSOS/Total Data Program BANSOS) * (Total Data Program BANSOS/Total Seluruh Data). Adapun hasil perhitungan disajikan pada tabel 9:
Tabel 9. Hasil Perhitungan Seluruh Variabel
Program BANSOS Hasil Perhitungan
BPNT 1,012182765695270E-05
PKH 9,519525334483770E-05
PBI 8,818516153836600E-05
BPNT&PKH 4,455507291348390E-04 BPNT&PBI 1,304005238329610E-04 PKH&PBI 2,375617000563050E-04 BPNT&PKH&PBI 2,568602449873600E-03
NONBANSOS 6,981079148625270E-05
Langkah 4: Membandingkan setiap variabel pada setiap kelas pada perhitungan yang telah dilakukan
Langkah ini menghitung nilai terbesar pada setiap perhitungan pada langkah 3, adapun tabel perhitungan disajikan pada tabel 10:
691 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 683-695 E-ISSN 2503-2933
Tabel 10. Hasil Perbandingan Setiap Program Bansos
LABEL PEMBANDING HASIL PERBANDINGAN NILAI PERHITUNGAN
TERBESAR
BPNT PKH PKH 9,519525334483770E-05
BPNT PBI PBI 8,818516153836600E-05
BPNT BPNT&PKH BPNT&PKH 4,455507291348390E-04
BPNT BPNT&PBI BPNT&PBI 1,304005238329610E-04
BPNT PKH&PBI PKH&PBI 2,375617000563050E-04
BPNT BPNT&PKH&PBI BPNT&PKH&PBI 2,568602449873600E-03
BPNT NONBANSOS NONBANSOS 6,981079148625270E-05
PKH BPNT PKH 9,519525334483770E-05
PKH PBI PKH 9,519525334483770E-05
PKH BPNT&PKH BPNT&PKH 4,455507291348390E-04
PKH BPNT&PBI BPNT&PBI 1,304005238329610E-04
PKH PKH&PBI PKH&PBI 2,375617000563050E-04
PKH BPNT&PKH&PBI BPNT&PKH&PBI 2,568602449873600E-03
PKH NONBANSOS PKH 9,519525334483770E-05
PBI BPNT PBI 8,818516153836600E-05
PBI PKH PKH 9,519525334483770E-05
PBI BPNT&PKH BPNT&PKH 4,455507291348390E-04
PBI BPNT&PBI BPNT&PBI 1,304005238329610E-04
PBI PKH&PBI PKH&PBI 2,375617000563050E-04
PBI BPNT&PKH&PBI BPNT&PKH&PBI 2,568602449873600E-03
PBI NONBANSOS PBI 8,818516153836600E-05
BPNT&PKH BPNT BPNT&PKH 4,455507291348390E-04
BPNT&PKH PKH BPNT&PKH 4,455507291348390E-04
BPNT&PKH PBI BPNT&PKH 4,455507291348390E-04
BPNT&PKH BPNT&PBI BPNT&PKH 4,455507291348390E-04
BPNT&PKH PKH&PBI BPNT&PKH 4,455507291348390E-04
BPNT&PKH BPNT&PKH&PBI BPNT&PKH&PBI 2,568602449873600E-03
BPNT&PKH NONBANSOS BPNT&PKH 4,455507291348390E-04
BPNT&PBI BPNT BPNT&PBI 1,304005238329610E-04
BPNT&PBI PKH BPNT&PBI 1,304005238329610E-04
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 683-695 E- ISSN 2503-2933 692
LABEL PEMBANDING HASIL PERBANDINGAN NILAI PERHITUNGAN
TERBESAR
BPNT&PBI PBI BPNT&PBI 1,304005238329610E-04
BPNT&PBI BPNT&PKH BPNT&PKH 4,455507291348390E-04
BPNT&PBI PKH&PBI PKH&PBI 2,375617000563050E-04
BPNT&PBI BPNT&PKH&PBI BPNT&PKH&PBI 2,568602449873600E-03
BPNT&PBI NONBANSOS BPNT&PBI 1,304005238329610E-04
PKH&PBI BPNT PKH&PBI 2,375617000563050E-04
PKH&PBI PKH PKH&PBI 2,375617000563050E-04
PKH&PBI PBI PKH&PBI 2,375617000563050E-04
PKH&PBI BPNT&PKH BPNT&PKH 4,455507291348390E-04
PKH&PBI BPNT&PBI PKH&PBI 2,375617000563050E-04
PKH&PBI BPNT&PKH&PBI BPNT&PKH&PBI 2,568602449873600E-03
PKH&PBI NONBANSOS PKH&PBI 2,375617000563050E-04
BPNT&PKH&PBI BPNT BPNT&PKH&PBI 2,568602449873600E-03 BPNT&PKH&PBI PKH BPNT&PKH&PBI 2,568602449873600E-03 BPNT&PKH&PBI PBI BPNT&PKH&PBI 2,568602449873600E-03 BPNT&PKH&PBI BPNT&PKH BPNT&PKH&PBI 2,568602449873600E-03 BPNT&PKH&PBI BPNT&PBI BPNT&PKH&PBI 2,568602449873600E-03 BPNT&PKH&PBI PKH&PBI BPNT&PKH&PBI 2,568602449873600E-03 BPNT&PKH&PBI NONBANSOS BPNT&PKH&PBI 2,568602449873600E-03
NONBANSOS BPNT NONBANSOS 6,981079148625270E-05
NONBANSOS PKH PKH 9,519525334483770E-05
NONBANSOS PBI PBI 8,818516153836600E-05
NONBANSOS BPNT&PKH BPNT&PKH 4,455507291348390E-04
NONBANSOS BPNT&PBI BPNT&PBI 1,304005238329610E-04
NONBANSOS PKH&PBI PKH&PBI 2,375617000563050E-04
NONBANSOS BPNT&PKH&PBI BPNT&PKH&PBI 2,568602449873600E-03
Langkah 5: Mencari Nilai probabilitas terbesar dari hasil perhitungan
Pada tahap ini dicari nilai probabilitas terbesar atau kemungkinan terbesar munculnya dari hasil setiap perbandingan yang telah dilakukan, adapun hasil pencarian nilai terbesar disajikan dalam bentuk grafik pada gambar 2:
693 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 683-695 E-ISSN 2503-2933
Gambar 2. Nilai Probabilitas Terbesar Hasil Perbandingan Setiap PROGRAM BANSOS Hasil yang didapatkan pada perhitungan yang telah dilakukan berdasarkan kriteria yang telah disebutkan diatas bahwa program BANSOS yang didapatkan yaitu BPNT&PKH&PBI.
3.5 Evaluation
Untuk mencari nilai akurasi pada pemodelan yang telah dilakukan terhadap data uji, langkah selanjutnya adalah melakukan pengujian terhadap data uji yang telah dipisahkan sebelumnya, nilai akurasi dan nilai recall disajikan dalam bentuk tabel 11 yaitu Confusion Matrix.
Tabel 11. Confusion Matrix.
Positif
Prediksi
BPNT PKH PBI BPNT&P
KH
BPNT&P BI
PKH&PB I
BPNT&PK H&PBI
NONBAN SOS
BPNT 6832 2438 141 77 22 45 16 5
PKH 2686 4232 1 1 2 1 0 0
PBI 9 3 1 0 0 0 0 0
BPNT&PKH 51 27 2 2 1 2 0 0
BPNT&PBI 0 0 0 0 0 0 0 0
PKH&PBI 509 541 54 262 214 1490 331 90
BPNT&PKH
&PBI 0 0 0 0 1 0 0 0
NONBANSOS 0 0 0 0 0 0 0 0
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 683-695 E- ISSN 2503-2933 694
Akurasi :100% = 62,51%
Recall
BPNT :
=
= 0,68
PKH :
=
= 0,58
PBI :
=
= 0,01
BPNT&PKH :
=
= 0,01
BPNT & PBI :
=
= 0,0
PKH&PBI :
=
= 0,97 BPNT&PKH&PBI :
=
= 0,0
NONBANSOS :
=
= 0,0 Rata Rata Recall : , , ,,,,,,
= 0,28
4. KESIMPULAN
Berdasarkan hasil pengujian yang telah dilakukan pada penelitian ini, dengan menggunakan pemodelan Algoritma Naive Bayes untuk memberikan klasifikasi dan prediksi pada penerima program BANSOS, didapatkan nilai akurasi dengan menggunakan Confusion Matrix sebesar 62,51%. Dengan adanya penelitian ini diharapkan pemerintah kecamatan dapat menyeleksi keluarga penerima manfaat (KPM) yang layak mendapatkan BANSOS untuk memperkecil kemungkinan salah penyaluran BANSOS, diharapkan juga dengan adanya penelitian ini dapat dibuatkan sistem rekomendasi pemilihan program BANSOS yang tepat bagi calon penerima BANSOS berikutnya.
5. SARAN
Adapun untuk penelitian selanjutnya untuk menambahkan nilai akurasi pada tahap evaluasi pemodelan ditambahkan beberapa atribut pendukung, juga menggunakan metode algoritma lain sebagai perbandingan.
DAFTAR PUSTAKA
[1] “J.D.I.H. - Undang Undang Dasar 1945 - Dewan Perwakilan Rakyat.”
https://www.dpr.go.id/jdih/uu1945 (accessed Nov. 25, 2022).
[2] F. Saputra et al., “Penerapan Manajemen POAC: Pemulihan Ekonomi Serta Ketahanan Nasional Pada Masa Pandemi COVID-19 (Literature Review Manajemen POAC),”
Jurnal Ilmu Manajemen Terapan, Vol. 3, No. 3, pp. 316–328, Jan. 2022, doi:
10.31933/JIMT.V3I3.733.
[3] D. N. Sulistyowati, N. Yunita, ; Siti Fauziah, ; Risca, L. Pratiwi, and C. Author,
“Implementation of Data Mining Algorithm For Predicting Popularity of Playstore Games In The Pandemic Period of COVID-19,” JITK (Jurnal Ilmu Pengetahuan dan
695 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 683-695 E-ISSN 2503-2933
Teknologi Komputer), Vol. 6, No. 1, pp. 95–100, Aug. 2020, doi:10.33480/JITK.V6I1.1425.
[4] D. Utami, P. Aisyiyah, and R. Devi, “Klasifikasi Kelayakan Penerima Bantuan Program Keluarga Harapan (Pkh) Menggunakan Metode Weighted Naïve Bayes Dengan Laplace Smoothing,” JIPI
(Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), Vol. 7, No. 4, pp. 1373–1384, Dec. 2022, doi: 10.29100/JIPI.V7I4.3592.
[5] W. Rahmansyah, R. Ariyasa Qadri, R. Ressa Anggia Sakti, S. Ikhsan, U. Padjadjaran Bandung, and P. Keuangan Negara STAN, “Pemetaan Permasalahan Penyaluran Bantuan Sosial Untuk Penanganan COVID-19 di Indonesia,” Jurnal Pajak dan Keuangan Negara (PKN), Vol. 2, No. 1, pp. 90–102, Sep. 2020, doi:
10.31092/JPKN.V2I1.995.
[6] A. Utami and M. Nasir, “Penerapan Metode Naïve Bayes Dalam Penentuan Program Bantuan Pkh pada Desa Bukit Kabupaten Banyuasin,” Bina Darma Conference on Computer Science (BDCCS), Vol. 4, No. 2, pp. 506–512, Oct. 2022, Accessed: Nov. 29,
2022. [Online]. Available:
https://conference.binadarma.ac.id/index.php/BDCCS/article/view/3069
[7] A. Asri et al., “Implementasi Metode Naive Bayes Untuk Klasifikasi Penerima Program Keluarga Harapan,” J-Com (Journal of Computer), Vol. 2, No. 1, pp. 21–26, Mar. 2022, doi: 10.33330/J-COM.V2I1.1577.
[8] N. Alfiah and N. Alfiah, “Klasifikasi Penerima Bantuan Sosial Program Keluarga Harapan Menggunakan Metode Naive Bayes,” Respati, Vol. 16, No. 1, pp. 32–40, Mar.
2021, doi: 10.35842/jtir.v16i1.386.
[9] C. C. Aggarwal, “Data Mining,” 2015, doi: 10.1007/978-3-319-14142-8.
[10] “UU No. 27 Tahun 2022 Tentang Pelindungan Data Pribadi [JDIH BPK RI].”
https://peraturan.bpk.go.id/Home/Details/229798/uu-no-27-tahun-2022 (accessed Nov.
25, 2022).
[11] “Kelompok Usia - SEPAKAT wiki.” https://sepakat.bappenas.go.id/wiki/Kelompok_Usia (accessed Nov. 29, 2022).
[12] “SIMPEDAK | Sistem Informasi Penyajian Data Kependudukan.”
https://simpedak.blitarkota.go.id/buku_data/jenis_pekerjaan (accessed Nov. 29, 2022).
