Klasifikasi penduduk miskin penerima PKH menggunakan metode naïve bayes dan KNN

Essy Rahma Meilaniwati, prodi matematika Universitas Negeri Yogyakarta, Indonesia
Muhammad Fauzan, prodi matematika Universitas Negeri Yogyakarta, Indonesia

Abstract


Program Keluarga Harapan (PKH) merupakan salah satu program pemerintah sebagai upaya pengentasan kemiskinan penduduk yang telah terbukti dapat menanggulangi kemiskinan kronis di berbagai negara. Namun, banyak penduduk yang mengeluhkan kurang optimalnya penentuan penerima PKH, terutama di Kabupaten Bantul yang merupakan salah satu kabupaten di Yogyakarta dengan penduduk miskin terbanyak. Penelitian ini bertujuan untuk mengklasifikasi penduduk yang berhak menjadi penerima PKH menggunakan metode Naïve Bayes dan K-Nearest Neighbors (KNN). Metode Naïve Bayes memiliki konsep pengklasifikasian berdasarkan probabilitas tertinggi yang dapat dilakukan secara sederhana dan cepat dalam memprediksi kelas dari data uji. Metode KNN memiliki konsep pengklasifikasian berdasarkan kedekatan jarak antar data sehingga mudah dipelajari dan pembentukan modelnya dapat dilakukan dengan cepat. Dari dua metode yang dipilih, metode Naïve Bayes menghasilkan akurasi 66,096%, sedangkan metode KNN menghasilkan akurasi 76,695%. Dengan membandingkan kedua metode, diperoleh kesimpulan bahwa metode KNN menghasilkan klasifikasi yang lebih baik. Berdasarkan hasil klasifikasi metode KNN terbaik, lima variabel yang paling berperan penting dalam pengklasifikasian adalah usia, status kehamilan, pendidikan tertinggi kepala rumah tangga, kepemilikan aset bergerak, dan kepemilikan aset tidak bergerak.

Full Text:

PDF

References


Badan Pusat Statistik. (2021). Persentase Penduduk Miskin (P0) Menurut Provinsi dan Daerah (2007-2021). Diakses dari https://www.bps.go.id/indicator/23/192/1/persentase-penduduk-miskin-p0-menurut-provinsi-dan-daerah.html.

Firasari, E. et al. (2020). Comparation of K-Nearest Neighbor (KNN) and Naïve Bayes Algorithm for the Classification of the Poor in Recipients of Social Assistance. Jurnal of Physics: Conference Series, 1641, 1-6. doi: 10.1088/1742-6596/1641/1/012077.

Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (Third Edition). Massachusetts: Morgan Kauffman Publishers.

Islam, M.J. et al. (2007). Investigating the Performance of Naïve-Bayes Classifiers and K-Nearest Neighbors Classifiers. International Conference on Convergence Information Technology, 4, 1541-1546. doi: 10.1109/ICCIT.2007.148.

Jabbar, M.A., Deekshatulu, B.L., & Chandra, P. (2013). Classification of Heart Disease Using K-Nearest Neighbor and Genetic Algorithm. International Conference on Computational Intelligence: Modeling Techniques and Applications (CIMTA) 2013, 10, 85-94. doi: 10.1016/j.protcy.2013.12.340.

Kementerian Sosial Republik Indonesia. (2021). Program Keluarga Harapan (PKH). Diakses dari https://kemensos.go.id/program-keluarga-harapan-pkh.

Kotu, V. & Deshpande, B. (2015). Predictive Analytics and Data Mining: Concepts and Practice with RapidMiner. Massachusetts: Esevier Inc.

Kurnia, F. et al. (2019). Klasifikasi Keluarga Miskin Menggunakan Metode K-Nearest Neighbors Berbasis Euclidean Distance. Seminar Nasional Teknologi, Informasi, Komunikasi, dan Industri (SNTIKI), 11, 230-239. Diakses dari http://ejournal.uin-suska.ac.id/index.php/SNTIKI/article/download/8089/4475.

Laksana, T.G. et al. (2020). Classification of Twitter Comments About the Image of the People’s Representative Council (DPR) Using the K-Nearest Neighbor (KNN) Method and Naïve Bayes. International Conference of Global Education and Society Science (ICOGESS) 2019. doi: 10.4108/eai.14-3-2019.2292042.

Larose, D.T. (2005). Discovering Knowledge in Data: An Introduction to Data Mining. New Jersey: John Wiley & Sons Inc.

Medjahed, S.A., Bote, M.P., & Deshmukh, S.D. (2013). Heart Disease Prediction System Using Naïve Bayes. International Journal of Enhanced Research in Science Technology & Engineering, 2, 1-5. doi: 10.1.1.378.9860.

Moldagulova, A. & Sulaiman, R.B. (2017). Using KNN Algorithm for Classification of Textual Documents. 8th International Conference on Information Technology (ICIT), 665-671. doi: 10.1109/ICITECH.2017.8079924.

Nurmayanti, W.P. et al. (2021). Penerapan Naïve Bayes dalam Mengklasifikasikan Masyarakat Miskin di Desa Lepak. Jurnal Kajian Ilmu dan Pendidikan Geografi, 5, 123-132. doi: 10.29408/geodika.v5i1.3430.

Purnama, A.I., Aziz, A., & Wiguna, A.S. (2020). Penerapan Data Mining untuk Mengklasifikasi Penerima Bantuan PKH Desa Wae Jare Menggunakan Metode Naïve Bayes. KURAWAL Jurnal Teknologi, Informasi dan Industri, 3, 173-180. doi: 10.33479/KURAWAL.2020.3.2.173.

Santosa, B. (2007). Data Mining Teori dan Aplikasi. Yogyakarta: Graha Ilmu.

Sihombing , P.R. & Arsani, A.M. (2021). Comparison of Machine Learning Methods in Classifying Poverty in Indonesia in 2018. Jurnal Teknik Informatika (JUTIF), 2, 51-56. doi: 10.20884/1.jutif.2021.2.1.52.


Refbacks

  • There are currently no refbacks.


 

Online ISSN (e-ISSN): 3031-1152

Creative Commons LicenseJurnal Kajian dan Terapan Matematika by https://journal.student.uny.ac.id/index.php/jktm/index is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.