Klasifikasi Jenis Penyandang Masalah Kesejahteraan Sosial Menggunakan Naïve Bayes

Main Article Content

Nurhaeni Nurhaeni

Abstract

Kebutuhan utama dalam merumuskan kebijakan, program, dan kegiatan pembangunan kesejahteraan sosial adalah ketersediaan data Penyandang Masalah Kesejahteraan Sosial (PMKS). Setiap individu dalam sebuah rumah tangga sangat miskin cenderung memiliki lebih dari satu kategori jenis PMKS. Hal ini akan mempengaruhi dalam penentuan jenis bantuan yang layak diterima, dimana sebaiknya setiap individu hanya dikategorikan ke dalam satu jenis PMKS. Dengan demikian setiap individu hanya akan menerima satu jenis bantuan.  Jenis PMKS dengan pendekatan keluarga ditentukan berdasarkan 12 kriteria yaitu umur, jenis kelamin, status perkawinan, pekerjaan, pendidikan, kecukupan ASI, imunisasi, makanan sehat, pengobatan, kondisi kecacatan, orang tua tunggal, dan perhatian dari keluarga. Sebagai upaya dalam mengoptimalkan klasifikasi jenis PMKS, digunakan metode Naïve Bayes. Berdasarkan penelitian yang dilakukan, tingkat akurasi dari penggunaan metode naïve bayes adalah sebesar 83,87%. Dengan demikian dapat disimpulkan bahwa metode klasifikasi Naïve Bayes dapat digunakan untuk klasifikasi jenis PMKS.

Article Details

How to Cite
NURHAENI, Nurhaeni. Klasifikasi Jenis Penyandang Masalah Kesejahteraan Sosial Menggunakan Naïve Bayes. Jurnal Sains dan Informatika, [S.l.], v. 6, n. 1, p. 54-61, june 2020. ISSN 2598-5841. Available at: <https://jsi.politala.ac.id/index.php/JSI/article/view/205>. Date accessed: 24 sep. 2020. doi: https://doi.org/10.34128/jsi.v6i1.205.
Section
Articles

References

[1] Menteri Sosial Republik Indonesia, Peraturan Menteri Sosial Republik Indonesia Nomor 08 Tahun 2012 Tentang Pedoman Pendataan dan Pengelolaan Data Penyandang Masalah Kesejahteraan Sosial dan Potensi dan Sumber Kesejahteraan Sosial. Indonesia, 2012.
[2] Dinas Sosial Daerah Istimewa Yogyakarta, Buku Panduan Pemutakhiran Data PMKS dan PSKS Tahun 2019. Yogyakarta, 2019.
[3] A. Mulyanto, Sistem Informasi Konsep & Aplikasi. Yogyakarta: Pustaka Pelajar, 2009.
[4] J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Waltham: Morgan Kaufmann, 2012.
[5] R. R. Waliyansyah and C. Fitriyah, “Perbandingan Akurasi Klasifikasi Citra Kayu Jati Menggunakan Metode Naive Bayes dan k-Nearest Neighbor (k-NN),” JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 5, no. 2, pp. 157–163, 2019.
[6] T. Imandasari, E. Irawan, A. P. Windarto, and A. Wanto, “Algoritma Naive Bayes Dalam Klasifikasi Lokasi Pembangunan Sumber Air,” in Prosiding Seminar Nasional Riset Information Science (SENARIS), 2019, pp. 750–761.
[7] H. Rhomadhona and J. Permadi, “Klasifikasi Berita Kriminal Menggunakan Naïve Bayes Classifier (NBC) dengan Pengujian K-Fold Cross Validation,” J. Sains dan Inform., vol. 5, no. 2, pp. 108–117, 2019.
[8] H. Annur, “Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes,” Ilk. J. Ilm., vol. 10, no. 2, pp. 160–165, 2018.
[9] E. Karyadiputra, E. Noersasongko, and A. Marjuni, “Klasifikasi Status Kesejahteraan Rumah Tangga Keluarga Binaan Sosial Menggunakan Algoritma Naive Bayes Berbasis Seleksi Atribut Chi Squared,” J. Teknol. Inf. CyberKU, vol. 12, no. 2, pp. 116–122, 2016.