Abstrak
Beras rastra adalah sebuah program pemerintah yang bertujuan untuk meringankan
beban keluarga miskin atau hampir miskin dalam hal pangan. Dalam implementasinya pada
desa Bandar Siantar Kecamatan Gunung Malela masih belum optimal dikarenakan masih
banyak program rastra yang belum tepat sasaran. Konsep data mining akan mempermudahkan
mengatasi masalah yang belum optimal di desa Bandar Siantar Kecamatan Gunung Malela.
Maka, metode klasifikasi mampu menemukan model yang membedakankonsep atau kelas data,
dengan tujuan untuk dapat memperkirakan kelas dari suatu objekyang labelnya tidak diketahui.
Oleh sebab itu, Algoritma Naive Bayes dapat memprediksipeluang di masa depan berdasarkan
pengalaman dimasa sebelumnya, pada penelitian ini peneliti mengambil data lati sebanyak 70
data dan sebuah data uji, dengan menggunakan 6 kriteria yaitu Status PKH, Jumlah
Tanggungan, Kepala rumah Tangga, Kondisi Rumah, Jumlah Penghasilan, dan Status Pemilik
Rumah.Hasil penilitian ini diharapkan dapat membantu pemerintah khususnya di dearah dalam
menentukan kelayakan keluarga penerima beras Rastra.
Abstract
Beras Rastra is a government program that aims to alleviate the burden of poor or
near-poor families in terms of food. In its implementation on desa Bandar Siantar Kecamatan
Gunung Malela still not optimal because there are still many rastra program that has not been
right target. The concept of data mining will make it easier to overcome the problem that has
not been optimal in desa Bandar Siantar Kecamatan Gunung Malela,classification methods are
able to find models that distinguish concepts or data classes, with the aim of being able to
estimate the class of an object whose label is unknown. Therefore Algoritma Naïve Bayes can
predict future opportunities based on experience in the past, in this study researchers took data
lati as much as 70 data and a test data,using 6 criteria that isStatus of PKH, Number of
Dependent, Household Head, House Condition, Income Amount, and Home Owner Status.The
results of this study are expected to assist the government, especially in the region in
determining the eligibility of families of Beras Rastra beneficiaries
STMIK-MUSIRAWAS Lubuklinggau 1
JUTIM, Vol 3 No.1, Juni 2018 Chariul Fadlan, Selfia Ningsih,
Agus Perdana Windarto
STMIK-MUSIRAWAS Lubuklinggau 2
JUTIM, Vol 3 No.1, Juni 2018 Chariul Fadlan, Selfia Ningsih,
Agus Perdana Windarto
informasi – informasi yang nantinya dapat maka semakin mustahil untuk mengitung
digunakan[7][8] nilai tersebut satu persatu. Akibatnya
2.3. Naive Bayes perhitungan semakin sulit untuk
Naïve Bayes merupakan teknik dilakukan, maka disinilah digunakan
prediksi berbasis probabiitas sederhana asumsi independensi yang sangat tinggi,
yang berdasarkan pada penerapan teorema bahwa masing-masing atribut dapat saling
Bayes dengan asumsi independensi yang bebas. Dengan asumsi tersebuut,
kuat. Dengan kata lain, dalam Naïve bayes diperlukan persamaan (3) :
menggunakan model fitur independen, P(Xi|Xj ) = 𝑃(𝑋𝑖 ∩ 𝑋𝑗)
maksud independen yang kuat pada fitur 𝑃(𝑋𝑗)
adalah bahwa data tidak berkaitan dengan = 𝑃(𝑋𝑖)𝑃(𝑋𝑗)
data yang lain dalam kasus yang sama 𝑃(𝑋𝑗)
ataupun atribut yang lain. = 𝑃(𝑋𝑖)
Persamaan dari teorema bayes adalah Untuk i≠j, sehingga
Penjabaran lebih lanjut rumus Bayes Persamaan (4) merupakan teorema bayes
tersebut dilakukan dengan menjabarkan yang kemudian akan digunakan untuk
(C|X1…,Xn) menggunakan aturan perkalian melakukan perhitungan klasifikasi. Untuk
sebagai berikut. klasifikasi dengan data continue atau data
P(C|x1,…..,xn = P(C) P(x1,…, xn|C) angka menggunakan rumus distribusi
P(C)P(X1|C)P(X2,….,Xn|C, Gaussian dengan 2 parameter : mean µdan
=
X1) varian 𝜎 :
= (C)P(X1|C)P(X2|C,
1 (𝑥𝑖−𝜇𝑖𝑗)2
X1)P(X3, …Xn|C,X1,X2 P(Xi=xi|C=c j) = exp 5
(C)P(X1|C)P(X2|C,X1)P(X3| √2𝜋𝜎𝑖𝑗 2𝜎2𝑖𝑗
= C,X1,X2)P(X4,…,Xn|C,X1,X2,
X3) Dimana :
P(C) P : Peluang
= P(X1|C)P(X2|C,X1)P(X3|C, Xi : Atribut ke i
X1,X2) …P Xj : Nilai atribut ke i
(Xn|C,X1,X2,X3,…,Xn-1….(2) C : Kelas yang dicari
Ci : Sub kelas Y yang dicari
Dapat dilihat bahwa semakin banyak µ : menyatakan rata–rata dari
faktor-faktor yang semakin kompleks seluruh atribut
yang mempengaruhi nilai probabilitas, 𝜎 : Deviasi standar, menyatakan
STMIK-MUSIRAWAS Lubuklinggau 3
JUTIM, Vol 3 No.1, Juni 2018 Chariul Fadlan, Selfia Ningsih,
Agus Perdana Windarto
STMIK-MUSIRAWAS Lubuklinggau 4
JUTIM, Vol 3 No.1, Juni 2018 Chariul Fadlan, Selfia Ningsih,
Agus Perdana Windarto
STMIK-MUSIRAWAS Lubuklinggau 5
JUTIM, Vol 3 No.1, Juni 2018 Chariul Fadlan, Selfia Ningsih,
Agus Perdana Windarto
STMIK-MUSIRAWAS Lubuklinggau 6
JUTIM, Vol 3 No.1, Juni 2018 Chariul Fadlan, Selfia Ningsih,
Agus Perdana Windarto
STMIK-MUSIRAWAS Lubuklinggau 7
JUTIM, Vol 3 No.1, Juni 2018 Chariul Fadlan, Selfia Ningsih,
Agus Perdana Windarto
dalam menentukan keluarga yang J. Ilm. Saintikom, vol. 15, no. Mei,
berhak menerima beras rastra. pp. 81–92, 2016.
3. Dengan mengetahui masyarakat yang [3] S. Agustina, D. Yhudo, H. Santoso,
N. Marnasusanto, A. Tirtana, and F.
berhak menerima beras rastra, dapat
Khusnu, “Clustering Kualitas Beras
meminimalisir kesalahan masyarakat Berdasarkan Ciri Fisik
yang berhak atau layak dalam Menggunakan Metode K-Means
menerima beras rastra. Algoritma,” Clust. K-Means, pp. 1–
4. Metode Naive Bayes memanfaatkan 7, 2012.
data training untuk menghasilkan [4] T. P. Handayani, “Analisa
probabilitas setiap kriteria untuk class Penentuan Perubahan Calon
Penerima Rastra (Beras Sejahtera)
yang berbeda, sehingga nilai-nilai
Dengan Metode Simple Additive
probabilitas dari kriteria tersebut dapat Method (Saw) Di Desa Huidu
dioptimalkan untuk memprediksi Kabupaten Gorontalo,” Info Tekjar,
kelayakan penerima beras rastra pp. 22–26.
berdasarkan proses klasifikasi [5] A. Saleh, “Implementasi Metode
yangdilakukan oleh metode Naive Klasifikasi Naïve Bayes dalam
Bayes itu sendiri Memprediksi Besarnya Penggunaan
Listrik Rumah Tangga,” Citec J.,
vol. 2, no. 3, pp. 207–217, 2015.
VI SARAN [6] Yogi Setiyo Pamuji, D. Safitri, and
Untuk lebih mengembangkan dan A. Prahutama, “Klasifikasi Penerima
meningkatkan Algoritma Naïve Bayes, ada Program Beras Miskin (Raskin) Di
beberapa saran yang dapat menjadi Kabupaten Wonosobo Dengan
masukkan pada penelitian ini : Metode Support Vector Machine
Menggunakan Libsvm,” J.
1. Volume data yang digunakan
Gaussian, vol. 4, pp. 1087–1096,
diharapkan dapat ditambah dengan 2015.
data yang lebih banyak lagi, di karenak [7] A. P. Windarto, “Implementation of
metode Naive Bayes semakin banyak Data Mining on Rice Imports by
data latih yang digunakn maka Major Country of Origin Using
semakin baik hasil yang diberikan. Algorithm Using K-Means
2. Penulis mengharapkan penelitian ini Clustering Method,” Int. J. Artif.
Intell. Res., vol. 1, no. 2, pp. 26–33,
dapat diterapkan dengan menggunakan
2017.
algoritma lain agar dapat [8] M. G. Sadewo, A. P. Windarto, and
mengembangkan penelitian dimasa D. Hartama, “Penerapan Datamining
yang akan dating. Pada Populasi Daging Ayam Ras
Pedaging Di Indonesia Berdasarkan
Provinsi Menggunakan K-Means
VII DAFTAR PUSTAKA Clustering,” InfoTekJar (Jurnal Nas.
Inform. dan Teknol. Jaringan), vol.
[1] O. Romli, Jurnal KAPemda –Kajian 2, no. 1, pp. 60–67, 2017.
Administrasi dan Pemerintahan
Daerah, vol. 11, no. 6. 2017.
[2] D. Nofriansyah, K. Erwansyah, and
M. Ramadhan, “Penerapan Data
Mining dengan Algoritma Naive
Bayes Clasifier untuk Mengetahui
Minat Beli Pelanggan terhadap
Kartu Internet XL ( Studi Kasus di,”
STMIK-MUSIRAWAS Lubuklinggau 8