Klasifikasi Tingkat Rumah Tangga Miskin Saat Pandemi Dengan Naïve Bayes Classifier

Main Article Content

Harliana Harliana
Fatra Nonggala Putra

Abstract

Secara definisi kemiskinan merupakan suatu kondisi individu ditingkat rumah tangga yang dinilai berdasarkan karaktersitik kemiskinan. Sebagai dampak dari pandemi covid-19 prosentase rumah tangga miskin di Indonesia meningkat sekitar 9,78%. Berdasarkan hal tersebut, maka penelitian ini akan melakukan klasifikasi dengan algoritma Naïve Bayes Classification untuk menentukan rumah tangga miskin melalui parameter survey ekonomi Nasional Tahun 2020 Modul Ketahanan Sosial yang berfokus pada pengeluaran dan konsumsi perkapita responden selama pandemic. Sedangkan tujuan dari penelitian ini adalah mendapatkan akurasi tertinggi yang dihasilkan oleh Naïve Bayes Classification dalam penentuan rumah tangga miskin. Menurut hasil pengujian dengan confusion matrix dan 10-fold cross validation didapatkan bahwa rata-rata akurasi tertinggi terjadi pada fold ke-10 dengan nilai accuracy 93,21%; precision 86,3%; dan recall 80,11%. Hal ini berarti bahwa akurasi yang dihasilkan oleh naïve bayes classifier dalam melakukan clasifikasi rumah tangga miskin cukup tinggi

Article Details

Section
Articles

References

[1] W. Widayani and H. Harliana, “Perbandingan Algoritma K-Means dan SFCM Pada Pengelompokkan Rumah Tangga Miskin,” J. Sains dan Inform., vol. 6, no. 1, pp. 1–9, 2020, doi: 10.34128/jsi.v6i1.200.
[2] Badan Pusat Statistik Provinsi Jawa Barat, “Kemiskinan dan Ketimpangan di Jawa Barat Maret 2020,” 2020.
[3] Anonim, “Program penanggulangan kemiskinan kabinat Indonesia bersatu II,” Kementrian komunikasi dan Informatika RI, Indonesia, 2016.
[4] C. Sartika, M. Y. Balaka, and W. A. Rumbia, “Studi Faktor-Faktor Penyebab Kemiskinan Masyarakat Desa Lohia Kecamatan Lohia Kabupaten Muna,” J. Ekon., vol. 1, no. April, pp. 106–118, 2016.
[5] T. Arifin and D. Ariesta, “Prediksi Penyakit Ginjal Kronis Menggunakan Algoritma Naive Bayes Classifier Berbasis Particle Swarm Optimization,” J. Tekno Insentif, vol. 13, no. 1, pp. 26–30, 2019, doi: 10.36787/jti.v13i1.97.
[6] H. Muhamad, C. A. Prasojo, N. A. Sugianto, L. Surtiningsih, and I. Cholissodin, “Optimasi Naïve Bayes Classifier Dengan Menggunakan Particle Swarm Optimization Pada Data Iris,” J. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 3, p. 180, 2017, doi: 10.25126/jtiik.201743251.
[7] H. Annur, “Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes,” Ilk. J. Ilm., vol. 10, no. 2, pp. 160–165, 2018.
[8] M. Rasyida, “Naïve Bayes Classification untuk Penentuan Status Penduduk Miskin,” J. Inform. Kaputama, vol. 4, no. 2, 2020, doi: 10.1234/jik.v4i2.303.
[9] A. C. Putri, F. E. Hariyanto, N. L. E. Andini, and Z. C. S. Zulkarnaen, “Klasifikasi Rumah Tangga Miskin di Provinsi Papua Tahun 2017 Menggunakan Metode Naive Bayes,” J. Sains Mat. dan Stat., vol. 7, no. 1, p. 89, 2021, doi: 10.24014/jsms.v7i1.11924.
[10] N. Alfiah, “Klasifikasi Penerima Bantuan Sosial Program Keluarga Harapan Menggunakan Metode Naive Bayes,” J. Teknol. Inf., vol. XVI, pp. 32–40, 2021.
[11] F. K. Pratama, D. W. Widodo, and N. Shofia, “Implementasi Metode Naïve Bayes dalam Mengklasifikasi Penerima Program Keluarga Harapan ( PKH ) Desa Minggiran Kediri,” Semin. Nas. Inov. Teknol. UN PGRI Kediri, pp. 23–28, 2021.
[12] M. A. Maricar and Dian Pramana, “Perbandingan Akurasi Naïve Bayes dan K-Nearest Neighbor pada Klasifikasi untuk Meramalkan Status Pekerjaan Alumni ITB STIKOM Bali,” J. Sist. dan Inform., vol. 14, no. 1, pp. 16–22, 2019, doi: 10.30864/jsi.v14i1.233.
[13] M. F. Fibrianda and A. Bhawiyuga, “Analisis Perbandingan Akurasi Deteksi Serangan Pada Jaringan Komputer Dengan Metode Naïve Bayes Dan Support Vector Machine (SVM),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. II, no. 9, pp. 3112–3123, 2018.
[14] A. F. Watratan, A. Puspita, and D. Moeis, “Implementasi Algoritma Naive Bayes Untuk Memprediksi Tingkat Penyebaran Covid-19 Di Indonesia,” J. Appl. Comput. Sci. Technol., vol. 1, no. 1, pp. 7–14, 2020, doi: 10.52158/jacost.v1i1.9.