E-ISSN: 2685-6964 x
KLASFIFIKASI PENDUDUK MISKIN DALAM PENERIMA PROGRAM BANTUAN SOSIAL DESA SOMOKETRO
MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
Elly Firasari
Mahasiswa Sistem Informasi, Universitas BSI Bandung
Jl.Sekolah Internasional No.1-6, Ters.Jalan Jakarta No.1-6, Antapani – Bandung 40282 Email : [email protected]
Abstrak
Indonesia merupakan salah satu Negara Berkembang di Asia khususnya di Asia Tenggara.
Salah satu masalah yang sering dihadapi oleh Negara Berkembang adalah kemiskinan.
Berhasilnya pembangunan di suatu daerah akan mendorong pertumbuhan ekonomi, pembangunan suatu daerah dapat berjalan dengan baik jika kesejahteraan masyarakat mengalami peningkatan. Berhasilnya pembangunan disuatu daerah dapat tercermin dalam laju penurunan jumlah penduduk miskin. Desa Somoketro merupakan salah satu desa yang menerima program bantuan sosial untuk penduduk miskin. Dalam Pelaksanaan program bantuan sosial yang masih sangat terbatas sehingga dalam penerimaan program bantuan tidak tepat sasaran. Dalam mengatasi permasalahan tersebut dibutuhkans perhitungan yang sistematis dan akurat. Data Mining merupakan proses menganalisa pengekstraksian informasi dan sekumpulan data yang sangat besar melalui penggunaan algoritma dan teknik penarikan dalam bidang statistik pembelajaran mesin dan sistem manajemen data. Dalam penelitian ini digunakan 361 data set yang dibagi menjadi 325 data training dan 36 data testing dengan perbandingan 90% : 10% yang menghasilkan akurasi sebesar 91,67 % dengan nilai AUC (Area Under Cover) sebesar 0,992.
Kata Kunci : Program, Bantuan, Naïve Bayes Classifier, Klasifikasi, Akurasi Abstract
Indonesia is one of the developing countries in Asia, especially in Southeast Asia. One problem that is often faced by Developing Countries is poverty. The success of development in an area will encourage economic growth, the development of an area can run well if the welfare of the community has increased. The success of development in one region can be reflected in the rate of decline in the number of poor people. Somoketro Village is one of the villages that receives social assistance programs for the poor. In the implementation of social assistance programs that are still very limited so that the reception of aid programs is not on target.
Overcoming these problems requires systematic and accurate calculations. Data Mining is a process of analyzing information extraction and a very large set of data through the use of algorithms and withdrawal techniques in the field of machine learning statistics and data management systems. In this study 361 data sets were used which were divided into 325 training data and 36 testing data with a ratio of 90% : 10% which resulted in an accuracy of 91.67% with an AUC (Area Under Cover) value of 0.992.
Keywords: Program, Assistance, Naïve Bayes Classifier, Classification, Accuracy 1. Pendahuluan
Indonesia merupakan salah satu Negara Berkembang di Asia khususnya di Asia Tenggara. Salah satu masalah yang sering dihadapi oleh Negara Berkembang adalah kemiskinan. Menurut Purnomo, (2016:130) Kemiskinan sering kali dipahami sebagai gejala rendahnya tingkat
kesejahteraan semata, padahal kemiskinan merupakan gejala yang bersifat kompleks dan multidimensi, dimana berkaitan dengan aspek sosial, ekonomi, budaya dan aspek lainnya. Masalah kemiskinan merupakan salah satu permasalahan pemerintah yang di prioritaskan dalam menyusun strategi
pembangunan setiap negara termasuk Indonesia Anam dkk, (2017:92)
Menurut Badan Pusat Statistik, pada bulan September 2018 Angka kemiskinan Indonesia berhasil diturunkan menjadi 9,66% dibanding Maret 2018 sebesar 9,82% maupun September 2017 mencapai 10,12. Meskipun data menunjukkan penurunan tingkat kemiskinan di Indonesia tetapi hal tersebut belum memenuhi target yang tertuang dalam RPJM yaitu 7-8%
pada akhir tahun 2019, sedangkan realita di lapangan tingkat kemiskinan di Indonesia tahun 2018 masih di angka 9,66%. Bagi pemerintah Indonesia masalah kemiskinan merupakan masalah yang sulit untuk di selesaikan karena kurangnya pemahaman berbagai pihak tentang penyebab kemiskinan itu sendiri, sehingga program penanggulangan kemiskinan tidak didasarkan pada penyebabnya yang berbeda-beda secara lokal.
Menurut Badan Pusat Statistik tahun 2018 persebaran penduduk miskin di Indonesia lebih dari setengahnya ada di pulau Jawa sebesar 13.340,15 juta jiwa, sedangkan jumlah penduduk miskin di daerah perkotaan sebesar 6.573,80 juta jiwa.
Berhasilnya pembangunan di suatu daerah akan mendorong pertumbuhan ekonomi, pembangunan suatu daerah dapat berjalan dengan baik jika kesejahteraan masyarakat mengalami peningkatan. Berhasilnya pembangunan disuatu daerah dapat tercermin dalam laju penurunan jumlah penduduk miskin. Masih tingginya jumlah penduduk miskin yang terdapat di pulau Jawa menunjukkan pembangunan di pulau Jawa nampak belum begitu berhasil.
Penduduk miskin di Kabupaten Magelang dari Tahun 2012 sampai Tahun 2018 mengalami penurunan. Dalam rentang 8 tahun, jumlah penduduk berkurang sebanyak 25 960 orang dari 169,4 ribu orang di Tahun 2012 menjadi 143,44 ribu orang di Tahun 2018. Secara relatif persentase penduduk miskin juga mengalami penurunan dari 13,97 persen di Tahun 2012 menjadi 11,23 persen di Tahun 2018. Dibandingkan tahun sebelumnya, jumlah penduduk miskin 2018 mengalami penurunan sebanyak 13 710 orang (8,72
%). Penurunan penduduk miskin Tahun 2018 merupakan penurunan terbesar dalam kurun waktu 6 tahun terakhir.
Pemerintah sendiri telah melakukan beberapa upaya dalam melakukan pengentasan kemiskinan melalui program bantuan sosial diantaranya Bantuan Langsung Tunai (BLT), Program keluarga Harapan (PKH), Raskin, dan lain lain.
Berdasarkan Data dari Bappenas 2014, masalah kemiskinan saat ini disebabkan oleh beberapa faktor, antara lain:
ketidaktepatan sasaran dalam penentuan penerimaan program, mekanisme pendampingan program belum optimal, koordinasi dan pelaksanaan program belum terintegrasi dan prioritas pendanaan untuk program perlindungan sosial yang masih terbatas .
Untuk menentukan klasifikasi tingkat penduduk miskin terdapat banyak metode yang dapat digunakan seperti K-Nearest Neighbor, Naive Bayes, K-Means, Decision Tree dan sebagainya. Namun untuk memilih metode yang paling cocok, dapat menggunakan akurasi metode Naive Bayes Classifier.
Berdasarkan penelitian sebelumnya yang dilakukan oleh Wijaya & Santoso, (2016) pada Naive Bayes Classification pada Klasifikasi Dokumen Untuk Identifikasi Konten E-Government dengan Hasil dari klasifikasi dokumen menggunakan Naive Bayes Classifier pada penelitian ini dengan data training sebanyak 260 dokumen politik dan 222 dokumen ekonomi menggunakan 40 data testing menunjukkan nilai akurasi yang baik pada keseluruhan klasifikasi, dengan akurasi keseluruhan klasifikasi sebesar 85%
Menurut Penelitian sebelumnya, kelebihan Naive Bayes Classifier dibandingkan algoritma lain adalah pada kemampuannya mengklasifikasi dokumen dengan kesederhanaan dan kecepatan komputasinya namun memiliki komputasi tinggi, metode Naive Bayes Classifier juga memiliki kinerja yang baik terhadap pengklasifikasian data dokumen yang mengandung angka maupun teks.
2. Tinjauan Pustaka 2.1 Data Mining
Menurut Saleh, (2015:208) data mining merupakan proses menganalisa pengekstraksian informasi dan sekumpulan data yang sangat besar melalui penggunaan algoritma dan teknik penarikan dalam bidang statistik pembelajaran mesin dan sistem manajemen data
Menurut Nofriansyah dan Nurcahyo (2015:4) Pada proses Knoledge Discovery Database (KDD) terdapat beberapa fase yaitu sebagai berikut :
1. Seleksi Data (Selection)
Selection (seleksi/pemilihan) data dari merupakan sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi
2. Pemilihan Data (Processing/Cleaning) Proses Preprocessing mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsistem, dan memperbaiki kesalahan pada data,seperti kesalahan cetak (tipografi).
3. Transformasi (Transformation)
Pada fase ini yang dilakukan adalah mentransformasikan bentuk data yang belum memiliki entitas yang jelas kedalam bentuk data yang valid atau siapuntuk dilakukan proses data mining.
4. Data mining
Pada fase ini yang dilaukan adalah menerapkan algoritma atau metode pencarian pengetahuan.
5. Interprestasi/Evaluasi (Iterpratation/Evaluation)
Pada fase terakhir ini yang dilaukan adalah proses pembentukan keluaran yang mudah dimengerti yang bersumber pada Data Mining Pola informasi
2.2 Klasifikasi
menurut Vulandari, (2017:8) mengemukakan bahwa klasifikasi merupakan Suatu teknik dengan melihat pada kelakuan dan atribut dari kelompok yang telah didefinisikan. Teknik ini dapat memberikan klasifikasi pada data baru dengan memanipulasi data yang ada yang telah diklasifikasi dan dengan menggunakan hasilnya untuk memberikan sejumlah aturan.
2.3 Naive Bayes Clasifier
Menurut Hasan, (2017:319) Data mining merupakan kegiatan penemuan pola-pola yang menarik dari data berukuran besar yang disimpan dalam basis data, data warehouse, atau sarana penyimpanan yang lain. Annur, (2018:160) Bayesian classification didasarkan pada teorema Bayes yang memiliki kemampuan klasifikasi
serupa dengan decesion tree dan neural network. Bayesian classification terbukti memiliki akurasai dan kecepatan yang tinggi saat diaplikasikan ke dalam database dengan data yang besar. Naive Bayes Classifier didasarkan kepada teorema Bayes yang memiliki bentuk umum sebagai berikut (Zulfikar & Lukman, 2016:84) :
Dalam hal ini
X = data dengan class yang belum diketahui
H = hipotesis data X merupakan suatu class spesifik
P(H|X)= probabilitas hipotesis H berdasarkan kondisi X (posteriori probability)
P(X|H)= probabilitas X berdasarkan kondisi pada hipotesis
P(X) = probabilitas dari X 2.4 Kemiskinan
kemiskinan merupakan masalah deprivasi atau problematika kekurangan.
Kemiskinan adalah suatu keadaan seseorang atau keluarga yang serba kekurangan (Sen dalam Astuti, (2017:65).
Kemisinan merupakan masalah yang dihadapi oleh seluruh negara, terutama negara berkembang seperti indonesia (Kristiani Dkk, 2015:1077)
3. Metode Penelitian 3.1 Tahapan Penelitian
3.2 Populasi dan Sampel
Menurut Neolaka (2014:42) mengemukakan bahwa “Populasi adalah keseluruhan atau totalitas objek penelitian.
Populasi juga sering diartikan sebagai kumpulan objek penelitian darimana data akan dijaring atau dikumpulkan.” Sampel adalah sebagian unsur populasi yang dijadikan objek penelitian (Neolaka, 2014:2). Penarikan sampel dilakukan dengan menggunakan prosedur yang memungkinkan setiap elemen dalam populasi akan memiliki peluang yang sama untuk dijadikan sampel.
3.3 Metode Analisi Data 1. Seleksi Data (Selection)
Data historis diambil dari data Penduduk Balai Desa Somoketro
2. Pemilihan Data
(Processing/Cleaning)
Pada tahap ini adalah mengambil secara acak pada 361 data sampel dari data kemiskinan.
3. Transformasi (Transformation) Proses transformasi data dengan cara menghilangkan beberapa atribut lain yang tidak digunakan. Pada Metode Naïve Bayes Classifier terdapat data yang di transformasikan pada kategori Pendapatan di tranformasikan dari bentuk numerik ke bentuk nominal.
Memilih tipe data mining yang sesuai.
Tipe data mining digunakan dalam penelitian ini adalah klasifikasi untuk mengklasifikasikan tingkat penduduk miskin dengan kriteria Tidak Miskin dan Miskin.
4. Data Mining
Membagi data menjadi data testing dan data training. Dari 361 data
penduduk akan di bagi menjadi perbandingan 90% : 10% menjadi 325 data training dan 36 data testing.
5. Interprestasi/Evaluasi (Iterpratation/Evaluation)
Pada tahap ini dilakukan evaluasi terhadap data sampel yang dihasilkan mengenai penentuan untuk desa miskin dan Tidak Miskin. Dari hasil pengolahan tersebut kemudian dihitung perbandingan antara penduduk Tidak Miskin dan miskin yang kemudian ke proses analisis data yang akan dihitung tingkat akurasi metode NBC menggunakan Confusion Matrix dan ROC (Receiver Operating Characteristic) Curve Sehingga akan diketahui jumlah akurasi dari sistem tersebut.
4. Hasil dan Pembahasan 4.1 Pengolahan Data
Penerapan algoritma naive bayes clasifier mengklasifikasikan penduduk miskin pada desa Somoketro dimaksud untuk mengetahui tingkat ke keakurasian dalam memprediksi Penduduk miskin sehingga digunakan untuk penentuan penerima bantuan penduduk miskin di masa yang akan datang. Seperti dapat dilihat pada hasil eksperimen perhitungan Naive bayes clasifier menggunakan Rapid Miner maupun Perhitungan manual sebagai ber ikut :
Tabel IV.3 Sampel Data Testing
Nam a KK
Pe nd
LL 13 m2
Lan tai
Dind ing
S P
B B M
SA
M JJ AS
ET PN D (*jt)
PK J
K B
K M
K P ket
Sud arto
SL TP
Kur ang
Se men
Tem bok
P L N
Ka yu
Su mur
Sen diri Ya
0 sam pai 1,5
Bur uh
Y a
Y a
Y a
Mis kin
4.2 Pengujian Metode
a. Menghitung Nilai peluang kasus baru dari setiap hipotesa dengan kelas
a) P(Ci) = P(Kriteria =“Tidak Miskin”) = 14/20
b) P(Ci= P(Kriteria=”Miskin”) = 6/20 b. Menghitung nilai akumulasi peluang dari
setiap kelas “P(X|Ci)”
1) Pendidikan
P(X1|C1) = (Pendidikan=”SD” | Kriteria=”Tidak Miskin”)=2/14=0,14 P(X1|C2) = (Pendidikan=”SD” | Kriteria=”Miskin”)= 3/6 = 0,5
2) Luas Lantai
P(X2|C1= (Luas Lantai = “Lebih” | Kriteria=”Tidak Miskin”)= 13/16 = 0,93 P(X2|C2) = (Nama Luas LAntai =
“Lebih” | Kriteria=”Miskin”)=2/6 = 0,3 3) Jenis Dinding
P(X3|C1) = (Jenis Dinding= “Tembok”
|Kriteria=”Tidak Miskin”)= 14/14 = 1 P(X3|C2) = (Jenis Dinding= “Tembok”
|Kriteria=”Miskin”)= 5/6 = 0,83 4) Jenis Lantai
P(X4|C1) = (Jenis LAntai =
“Semen”|Kriteria=”Tidak Miskin”)=
3/14 = 0.214
P(X4|C2) = (Jenis LAntai =
“Semen”|Kriteria=”Miskin”)= 6/6 = 1 5) Sumber Penerangan
P(X5|C1) = (SP= “NON PLN”|Kriteria=”Tidak Miskin”)=0/14 = 0
P(X5|C2) = (SP= “NON PLN”|Kriteria=”Miskin”)= 4/6 = 0,67 6) Bahan Bakar Memasak
P(X6|C1) = (BBM=
“Kayu”|Kriteria=”Tidak Miskin”)= 0/14
= 0
P(X6|C2) = (BBM=
“Kayu”|Kriteria=”Miskin”)= 3/6 = 0,5 7) Sumber Air Minum
P(X7|C1) =
(SAM=”Sumur”|Kriteria=”Tidak Miskin”)= 14/14 = 1
P(X7|C2) =
(SAM=”Sumur”|Kriteria=”Miskin”)=6/6
= 1
8) Jenis Jamban
P(X8|C1) =
(J.Jamban=”umum”|Kriteria=”Tidak Miskin”)= 0/14 = 0
P(X8|C2) =
(J.Jamban=”umum”|”|Kriteria=”Miskin”
)= 4/6 = 0,67 9) Aset
P(X9|C1) = (Aset =
“Ya”|Kriteria=”Tidak Miskin”)= 13/14 = 0,93
P(X9|C2) = (Aset =
“Ya”|Kriteria=”Miskin”)= 5/6 = 0,83 10) Pendapatan
P(X10|C1) = (pendapatan=”0 sampai 1 jt”|Kriteria=”Tidak Miskin”)= 0/14 = 0 P(X10|C2) = (pendapatan=”0 sampai 1 jt”|Kriteria=”Miskin”)= 6/6 = 1
11) Pekerjaan
P(X11|C1) = (Pekerjaan=
“Buruh”|Kriteria=”Tidak Miskin”)= 2/14
= 0,14
P(X11|C2) =
(Pekerjaan=”Buruh”|Kriteria=”Miskin”)
= 4/6 = 0,67
12) Kemampuan Berobat
P(X12|C1) = (KB=”Ya”|Kriteria=”Tidak Miskin”)=14/14 = 1
P(X12|C2) =
(KB=”Ya”|Kriteria=”Miskin”)= 6/6 = 1 13) Konsumsi
P(X13|C1) =
(Konsumsi=”Tidak”|Kriteria=”Tidak Miskin”)= 14/14 = 1
P(X13|C2) =
(Konsumsi=tidak”|Kriteria=”Miskin”)=
5/6 = 0,17
14) Kemampuan Membeli Pakaian P(X14|C1) = (KP=”Ya”|Kriteria=”Tidak Miskin”)= 1/414 = 1
P(X14|C2) =
(KP=Ya”|Kriteria=”Miskin”)= 3/6 = 0,5 c. Menghitung nilai P(X|Ci) x P(Ci)
1) P(X|Kriteria=”Tidak
Miskin”)P(Kriteria=” Tidak Miskin”)
=P(Pendidikan=SD | C1=Tidak Miskin | )*P (LL=lebih | C1=Tidak Miskin)*P(Lantai= Semen | C1=Tidak Miskin)*P(Dinding=Tembok | C1=Tidak Miskin) *P(SP=NON PLN | C1=Tidak Miskin) *P(BBM= Kayu | C1=Tidak Miskin) *P(SAM=Sumur | C1=Tidak Miskin) *(JJ=umum | C1=Tidak Miskin)
*(Aset = ya | C1=Tidak Miskin ) *P(
Pendapatan=0 sampai 1,5 juta | C1=Tidak Miskin) *P(Pekerjaan=Buruh
| C1=Tidak Miskin) *P(Berobat=ya | C1=Tidak Miskin) *P(Konsumsi=ya | C1=Tidak Miskin) *P(Pakaian=ya | C1=Tidak Miskin)= 0,14 * 0,93 * 1 * 0,21 * 0 * 0 * 1 * 0 * 0,93 * 0 * 0,14 * 1
* 1 * 1 = 0
P(X|Kriteria=”Miskin”) P(Kriteria=”Miskin”)
=P(Pendidikan=SD | C2= Miskin | )*P (LL=lebih | C2=Miskin)*P(Lantai=
Semen | C2=Miskin)*P(Dinding=Tembok | C2=Miskin) *P(SP=NON PLN | C2= Miskin) *P(BBM= Kayu | C2=Miskin)
*P(SAM=Sumur | C2=Miskin)
*(JJ=Miskin) *(Aset = ya | C2=Miskin )
*P( Pendapatan=0 sampai 1,5 juta | C2=Miskin) *P(Pekerjaan=Buruh | C2=Miskin) *P(Berobat=ya | C2=Miskin) *P(Konsumsi=ya | C2= Miskin) *P(Pakaian=ya | C2=Miskin)=
0,5 * 0,3 * 0,83 * 1 * 0,6 * 0,5 * 1 * 0,83
* 1 * 0,67 * 1 * 0,83 * 0,5 = 0,0086 d. Menentukan kelas Tidak Miskin dan
Miskin P(X|Ci)P(Ci)
Berdasarkan perhitungan akhir di atas, terlihat bahwa nilai probabilitas pada class (P | Miskin )Lebih Tiinggi dari Class (P| Tidak Miskin), Sehingga dapat disimpulkan bahwa Nama Keluarga Sudarto tersebut termasuk golongan Class Miskin.
4.3 Hasil
a. Confusion Matrix Tabel IV.4
Hasil Accuracy Algoritma Naïve Bayes Classifier
Accuracy = 91,67%
Prediksi True Tidak Miskin
True Miskin
Class Precision Tidak
Miskin 24 0 100.00%
Miskin 3 9 75.00%
Class
Recall 88.89% 100.00%
Jumlah True Positif (TP) adalah 24 record di klasifikasikan sebagai Penduduk Tidak Miskin dan False Negative (FN) sebanyak 3 record di klasifikasikan sebagai Tidak Miskin tetapi Miskin. berikut 9 record untuk True Negative (TN) diklasifikasikan sebagai penduduk Miskin dan 0 record False Positive (FP) diklasifikasikan sebagai penduduk Miskin tetapi Tidak Miskin. Berdasarkan tabel diatas, menunjukkan bahwa, tingkat akurasi dengan menggunakan algoritma Naïve Bayes Classifier adalah sebesar 91,67%, dapat dihitung secara manual sebagai berikut :
1. Mengitung nilai akurasi Accuracy
Accuracy
Accuracy Accuracy = 91.67%
2. Menghitung nilai Presicion Precision =
Precision =
Precision = 0,75x 100% = 75%
3. Menghitung nilai recall Precision = Precision =
Precision = 1 x 100%= 100 % a. Evaluasi Model dengan ROC
Grafik ROC digunakan untuk mengekspresikan data confussion matrix. Garis horizontal mewakili nilai false positive (FP) dan garis vertical mewakili true negative (TP). Dengan nilai AUC (Area Under Cover) sebesar 0,994 termasuk dalam True Miskin.
5. Penutup 5.1 Kesimpulan
1. Algoritma Naïve Bayes Classifier cocok untuk diterapkan dalam pengklasifikasian penduduk miskin dalam penerimaan bantuan sosial.
2. Penelitian menggunakan algoritma Naïve Bayes Classifier menghasikan klasifikasi dengan tingkat akurasi sebesar 91,67% dan menghasilkan nilai AUC (Area Under Cover) sebesar 0,992.
5.2 Saran
Saran yang dapat diberikan untuk pengembangan penelitian ini adalah : 1. Ruang Ligkup peneliian sebaiknya
dikembangkan lagi menjadi tingkat kecamatan/ kabupaten
2. Penelitian ini dapat dikembangkan mengggunakan algoritma lain untuk menghasilkan suatu penelitian yang lebih baik
3. Penambhan atribut agar dapat menghasilkan akurasi yang lebih baik lagi.
Daftar Pustaka
Anam Dkk. (2017). Metode Multivariate Adaptive Regression Spline (Mars) Pada Data How To Cite. 6(1), 92–101.
Amos Neolaka (2014).Metode Penelitian dan Statistik. Bandung: Remaja Rosdakarya.
Annur, H. (2018). Klasifikasi Masyarakat
Miskin Menggunakan Metode Naive Bayes. Ilkom Jurnal Ilmiah, 10(2), 160–
165.
Https://Doi.Org/10.33096/Ilkom.V10i2.30 3.160-165
Astuti, F. D. (2017). Penerapan Data Minng Untuk Clustering Data Penduduk Miskin Menggunakan Algoritma Hard C-Means.
Jurnal Ilmiah Dasi, 18, 64–69.
BPS. 2019. Jumlah Dan Tingkat Penduduk Miskin Indonesia 1970 – Sep 2018 BPS. 2018. Presentase Penduduk Miskin Dan
Jumlah Penduduk Miskin Kabupaten Magelang Jawa Tengah
Dwi Ispriyanti Dkk. (2015). Klasifikasi Kelompok Rumah Tangga Di Kabupaten Blora Menggunakan Multivariate Adaptive Regression Apline (Mars) Dan Fuzzy K-Nearest Neighbor (Fk-Nn).
Gaussian, 4, 1077–1085.
Hasan, M. (2017). Prediksi Tingkat elancaran Pembayaran Kredit Bank Menggunakan Algoritma Naive Bayes Berbasis Forward Selection. Ilkom, 9, 317–324.
Novriansyah Dicky Dan Gunadi Widi Nurcahyo. 2015. Algoritma Data Mining Dan Pengujian. Yogyakarta : CV Budi Utama.
Purnomo. (2016). Klasifikasi Status Kesejahteranaan Rumah Tangga Menggunakan Algoritma K – Nearest Neighbor Dan Seleksi Fiture Berbasis Chi Squared. Journal Technologia, 7, 130–136.
Saleh, A. (2015). Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Creative Information Technology Journal, 2(3), 207–217.
Vulandari, Tri Retno. 2017. Data Mining Teori Dan Aplikasi Rapidminer. Yogyakarta : Gava Media.
Wijaya & Santoso. (2016). Naive Bayes Classification Pada Klasifikasi Dokumen Untuk Identifikasi Konten E-Government.
Journal Of Applied Intelligent System, 1(1), 48–55.
Zulfikar, W. B., & Lukman, N. (2016).
Perbandingan Naive Bayes Classifier Dengan Nearest Neighbor Untuk Identifikasi Penyakit Mata. Jurnal Online Informatika, 2(2), 82–86.
