Penerapan Algoritma Supervised Learning untuk Klasifikasi Program Keluarga Harapan
Application of Supervised Learning Algorithm for Classification of Family Hope Program
DOI:
https://doi.org/10.57152/malcom.v3i2.873Keywords:
K-Nearest Neighbor, Naive Bayes Classifier, Probalistic Neural Network, Family Hope Program, Households Extremely Poor HouseholdsAbstract
Penelitian ini dimaksudkan untuk melakukan klasifikasi terhadap penerima bantuan Program Keluarga Harapan (PKH) Kota Pekanbaru dengan membandingkan tiga metode sekaligus yaitu K-Nearest Neighbor (KNN), Probalistic Neural Network (PNN) dan Naive Bayes Classifier (NBC).Atribut yang digunakan dalam proses klasifikasi adalah Jumlah Anak SD, Jumlah Anak SMP, Jumlah Ibu Hamil, dan Jumlah Anak dibawah lima tahun (Balita), atribut ini berdasarkan panduan Tim Nasional Penangulangan dan Penanganan Kemiskinan (TNP2K) Kementrian Sosial Republik Indonesia. Proses klasifikasi dilakukan terhadap Rumah Tangga Sangat Miskin (RTSM) sebagai data training dengan jumlah 450 data sebagai data testing dengan jumlah 10 data, sehingga dengan melakukan perbandingan didapatlah hasil akurasi yang bervariasi diantara ke-tiga metode. Metode Nave Bayes (NBC) memiliki hasil akurasi yanng paling tinggi dengan hasil akurasi 80%, yang dibandingkan dengan metode KNN 20% dan PNN 10% maka Metode Nave Bayes(NBC) ditetapkan menjadi metode terbaik untuk kasus pengklasifikasian program keluarga harapan (PKH) Kota Pekanbaru.
References
M. F. Dakhilullah, “Pengaruh Upah Minimum Dan Pengangguran Terhadap Kemiskinan di Pulau Jawa Sebelum dan Selama Pandemi,” J. Ilmu Manajemen, Ekon. dan Kewirausahaan, vol. 1, no. 1, pp. 60–75, 2023.
M. Irawati and M. A. I. Pakereng, “Analisis Pengaruh Jumlah Pengangguran Terhadap Jumlah Kemiskinan Menggunakan Metode Regresi Linier (Studi Kasus: Kota Salatiga),” J. EMT KITA, vol. 7, no. 2 SE-Articles, pp. 401–408, Apr. 2023, doi: 10.35870/emt.v7i2.1013.
I. P. F. Rorong, “Jurnal Pembangunan Ekonomi dan Keuangan Daerah Vol 23. No 4 (2022),” vol. 23, no. 4, pp. 398–415, 2022.
D. I. Kelurahan, P. Kecamatan, and B. Utara, “Journal I La Galigo?: Public Administration Journal PEMBERDAYAAN DAN PENINGKATAN PROGRAM KELUARGA HARAPAN Journal I La Galigo?: Public Administration Journal,” vol. 6, no. April, pp. 40–49, 2023.
R. A. U. K. Umbu, Yoyok Seby Dwanoko, and Hari Lugis Purwanto, “Sistem Rekomendasi Penerima Bantuan PKH Dengan Metode Smart Guna Mendukung Keputusan Pemerintah Desa,” RAINSTEK J. Terap. Sains Teknol., vol. 4, no. 3 SE-Articles, pp. 182–191, Sep. 2022, doi: 10.21067/jtst.v4i3.7818.
I. A. Sobari and R. A. Zuama, “Pendeketan Machine Learning dalam Memprediksi Keluarga Penerima Program PKH,” vol. 9, no. 1, pp. 61–64, 2023, doi: 10.31294/jtk.v4i2.
S. Latare, R. Harold, S. Bumulo, and A. Ali, “Dampak Program Keluarga Harapan dalam Pengentasan Kemiskinan di Desa Bangga Kecamatan Paguyaman Pantai The Impact of the Family Hope Program in Poverty Alleviation in Bangga Village , Paguyaman Pantai District,” vol. 01, no. 01, pp. 10–19, 2023.
M. M. Mustain and H. Purnomo, “Keefektifan Program Keluarga Harapan Dalam Mewujudkan Kesejahteraan Keluarga Penerirma Manfaat,” vol. 2021, pp. 85–92, 2022.
I. Colanus, R. Drajana, and M. H. Botutihe, “Perbandingan Metode Forecasting K-NN , NN dan SVM Untuk Peramalan Jumlah Produksi Coconut Oil sehingga diperlukan prediksi . Produksi minyak kelapa yang terjadi”.
M. M. Alfitri and D. Rusda, “Evaluasi Performa Algoritma Naïve Bayes Dalam Mengklasifikasi Penerima Bantuan Pangan Non Tunai,” vol. 7, pp. 1433–1445, 2023, doi: 10.30865/mib.v7i3.6151.
E. F. Lubis, E. Zubaidah, P. Jumlah, K. Pekanbaru, T. Jumlah, and P. Miskin, “Efektivitas Program Keluarga Harapan Dalam Penanggulangan Kemiskinan Abstrak jumlah penduduk 268 juta jiwa dan terbagi dalam 34 provinsi . Dengan jumlah Sumber?: Badan Pusat Statistik Kota Pekanbaru Dari tabel 1 . 1 diatas terlihat bahwa jumlah penduduk miskin terbanyak terletak dilaksanakannya program PKH dan juga dikarenakan bahwa Kecamatan Tenayan Raya akan dibangun sebagai pusat pemerintahan Kota Pekanbaru dengan dibangunnya kantor walikota yang baru . Berdasarkan Peraturan Menteri Sosial Nomor 1 Tahun,” vol. 9, no. 2, pp. 88–99, 2020.
I. Muslim, K. Karo, A. Tsany, R. Dzaky, and M. A. Saputra, “Comparative Analysis of K-Nearest Neighbor and Modified K-Nearest Neighbor Algorithm for Financial Well-Being Data Classification,” J. Comput., vol. 6, no. 3, pp. 25–34, 2021, doi: 10.34818/indojc.2021.6.3.593.
B. H. Agtira, H. H. Handayani, and A. F. N. Masruriyah, “Perbandingan Algoritma NBC dan Decision Tree pada Sentimen Analisis Mengenai Vaksinasi Covid-19 Di Indonesia,” Remik, vol. 7, no. 1, pp. 704–712, 2023, doi: 10.33395/remik.v7i1.12151.
Y. Sari, M. Alkaff, and M. Arif Rahman, “Identifikasi Penyakit Tanaman Ubi Kayu Berdasarkan Citra Daun Menggunakan Metode Probabilistic Neural Network (PNN),” J. Komtika (Komputasi dan Inform., vol. 5, no. 1, pp. 1–9, 2021, doi: 10.31603/komtika.v5i1.4605.
H. Gunawan and V. Purwayoga, “Data Mining Menggunakan Algoritma K-Means Clustering Untuk Mengetahui Potensi Penyebaran Virus Corona Di Kota Cirebon,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 11, no. 1, pp. 1–8, 2022, doi: 10.32736/sisfokom.v11i1.1316.
S. Amjad, M. Younas, M. Anwar, Q. Shaheen, M. Shiraz, and A. Gani, “Data Mining Techniques to Analyze the Impact of Social Media on Academic Performance of High School Students,” Wirel. Commun. Mob. Comput., vol. 2022, 2022, doi: 10.1155/2022/9299115.
S. P. Dewi, N. Nurwati, and E. Rahayu, “Penerapan Data Mining Untuk Prediksi Penjualan Produk Terlaris Menggunakan Metode K-Nearest Neighbor,” Build. Informatics, Technol. Sci., vol. 3, no. 4, pp. 639–648, 2022, doi: 10.47065/bits.v3i4.1408.
D. T. Nugrahadi, T. Mulyani, and ..., “Efek Transformasi Wavelet Diskrit Pada Klasifikasi Aritmia Dari Data Elektrokardiogram Menggunakan Machine Learning,” J. Media …, vol. 7, pp. 13–21, 2023, doi: 10.30865/mib.v7i1.4859.
S. Deng, L. Wang, S. Guan, M. Li, and L. Wang, “Non-parametric Nearest Neighbor Classification Based on Global Variance Difference,” Int. J. Comput. Intell. Syst., vol. 16, no. 1, 2023, doi: 10.1007/s44196-023-00200-1.
A. P. Silalahi and H. G. Simanullang, “Supervised Learning Metode K-Nearest Neighbor Untuk Prediksi Diabetes Pada Wanita,” METHOMIKA J. Manaj. Inform. dan Komputerisasi Akunt., vol. 7, no. 1, pp. 144–149, 2023, doi: 10.46880/jmika.vol7no1.pp144-149.
M. Afdal and L. Waroka, “Shopee Application Review Classification Using Probabilistic Neural Network Algorithm And K-Nearest Neighbor Klasifikasi Ulasan Aplikasi Shopee Menggunakan Algoritma Probabilistic Neural Network Dan K-Nearest Neighbor,” IJIRSE (Indonesian J. Inform. Res. Softw. Eng., vol. 2, no. 1, pp. 49–58, 2022.
A. H. Utomo, M. A. Gumilang, and A. Ahmad, “Agricultural Commodity Sales Recommendation System for Farmers Based on Geographic Information Systems and Price Forecasting Using Probabilistic Neural Network Algorithm,” IOP Conf. Ser. Earth Environ. Sci., vol. 980, no. 1, 2022, doi: 10.1088/1755-1315/980/1/012061.
X. Huang et al., “A Gray Wolf Optimization-Based Improved Probabilistic Neural Network Algorithm for Surrounding Rock Squeezing Classification in Tunnel Engineering,” Front. Earth Sci., vol. 10, no. February, pp. 1–9, 2022, doi: 10.3389/feart.2022.857463.
S. A. Putri and M. Mustakim, “Dimensional Data Unsupervised Learning Using an Analytic Hierarchy Process in Determining Attributes in the Classification Algorithm,” Build. Informatics, Technol. Sci., vol. 4, no. 1, pp. 235–240, 2022, doi: 10.47065/bits.v4i1.1752.
N. Aini et al., “Implementasi Algoritma Naïve Bayes untuk Memprediksi Penjualan Lampu Pada Toko Satria,” J. Soc. Sci. Res., vol. 3, pp. 9373–9387, 2023.
M. S. Syarah, M. Wati, and N. Puspitasari, “Klasifikasi Penderita ISPA Menggunakan Metode Naive Bayes Classifier,” Innov. Res. Informatics, vol. 4, no. 1, pp. 11–20, 2022, doi: 10.37058/innovatics.v4i1.4427.
N. D. Rumlaklak, A. Fanggidae, and Y. T. Polly, “Klasifikasi Penentuan Status Zona di Kota Kupang Menggunakan Aalgoritma Naive Bayes Classifier,” J. Komput. dan Inform., vol. 10, no. 1, pp. 24–30, 2022, doi: 10.35508/jicon.v10i1.6458.