JUTIM, Vol 3 No.

1, Juni 2018 Chariul Fadlan, Selfia Ningsih,

Agus Perdana Windarto

PENERAPAN METODE NAÏVE BAYES DALAM KLASIFIKASI

KELAYAKAN KELUARGA PENERIMA BERAS RASTRA

Chairul Fadlan1, Selfia Ningsih 2, Agus Perdana Windarto 3

1,2,3 Program Studi Sistem Informasi- STIKOM Tunas Bangsa Pematangsiantar
Jalan: Jendral Sudirman Blok A 1,2,3 Pematangsiantar

Email: *1 chairulfadlan116@gmail.com, 2 selfianingsih01@gmail.com,

3
agus.perdana@amiktunasbangsa.ac.id

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.

Kata kunci : Data Mining, Beras Rastra, Algoritma Naïve Bayes

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

Keywords : Data Mining, Beras Rastra, Algoritma Naïve Bayes

I PENDAHULUAN ketahanan pangan dan memberikan

Program subsidi pangan (beras) perlindungan pada keluarga miskin.
Rastra merupakan subsidi panganpokok Keluarga penerima Rastra yaitu
dalam bentuk beras yang keluarga yang berpendapatan rendah
diperuntukan bagi keluarga miskin (miskin dan rentan miskin) atau disebut
sebagai upaya untuk meningkatkan dengan Rumah Tangga Sasaran (RTS)

STMIK-MUSIRAWAS Lubuklinggau 1
JUTIM, Vol 3 No.1, Juni 2018
Program ini bertujuan untuk
mengurangi beban pengeluaran Rumah
Tangga Sasaran (RTS) melalui
pemenuhan sebagian kebutuhan pokok
dalam bentuk beras[1]. Namun hingga saat
ini program subsidi beras Rastra masih
belum optimal dan belum tetap sasaran di
karenakan masih banyak keluarga miskin
yang tidak mendapatkan beras rastra
tersebut. Sehingga di perlukan sebuah
metode khusus yang dapat digunakan untuk
menanggulangi permasalahan tersebut.
Berdasarkan permasalahan klasifikasi
keluarga yang berpendapatan rendah
penerima Program Beras Sejahtera
(RASTA),maka penulis tertarik
mengaplikasikan metode klasifikasi
NaiveBayes dalam data mining.
Metode Klasifikasi adalah proses
untuk menemukan model atau fungsi yang
menjelaskan atau membedakan konsep atau
kelas data, dengan tujuan untuk dapat
memperkirakan kelas dari suatu objek yang
labelnya tidak diketahui. Dalam mencapai
tujuan tersebut, proses klasifikasi
membentuk suatu model yang mampu
membedakan data kedalam kelas- kelas
yang berbeda berdasarkan aturan atau
fungsi tertentu. Model itu sendiri bisa
berupa aturan “jika-maka”, berupa pohon
keputusan, atau formula matematis [2].
Beberapa penelitian terdahulu dapat
dijadikan sebagai bahan referensi penelitian
diantaranya, peneliti: Silvi Agustina,
Dhimas Yhudo, Hadi Santoso, Nofiadi
Marnasusanto, Arif Tirtana, Fakhris
Khusnu Judul penelitan: Clustering
Kualitas Beras Berdasarkan Ciri Fisik
Menggunakan Metode K-Means. Resume
penelitian ini, peneliti menggunakan
meteode K-Means dengan menggunakan
data uji sebanyak 20 data dan mampu
menganalisisa kualitas beras dengan
menggunakan bebera iterasi dengan tingkat
validasi 92,82 % [3]; peneliti: Tri Pratiwi
Handayani; judul penelitian:Analisa
Penentuan Perubahan Calon Penerima
Rastra (BerasSejahtera) Dengan Metode
Simple Additive Method (SAW)Di Desa
Huidu Kabupaten Gorontalo; Resume
penelitian ini, metode penelitian
menggunakan SAW, dan mampu
STMIK-MUSIRAWAS Lubuklinggau
Chariul Fadlan, Selfia Ningsih,
Agus Perdana Windarto
menganalisa penduduk yang layak untuk
menjadi pengganti penerima beras Rasta
[4]; Peneliti: Alfa Saleh; Judul
Penelitian:Implementasi Metode Klasifikasi
Naïve BayesDalam Memprediksi Besarnya
PenggunaanListrik Rumah Tangga; Resume
penelitian ini: Penelitian ini menggunakn
metode Naïve Bayes dalam memprediksi
penggunaan daya listrik dengan keakurasian
data sebesar 78,33 % [5].
Dalam hal ini peneliti mengangkat
topik tentang klasifikasi kelayakan
masyarakat penerima beras Rastra dimana
proses perhitungan yang dilakukan
menggunakan metode Naïve Bayes. Hasil
dari klasifikasi ini diharapkan dapat
menjadi acuan bagi pemerintah daerah
dalam menanggulangi permasalahan
penerima beras rastra di tingkat daerah.
II TINJAUAN PUSTAKA
2.1. Klasifikasi Penerima Rastra
Dalam rangka pemenuhan hak dan
kebutuhan pangan bagi rumah tangga yang
kurang mampu, pemerintah melaksanakan
program RASKIN (Beras Miskin) yang
hingga kini di ubah menjadi program
RASTRA (Beras Rakyat Sejahtera) yang
bertujuan untuk memenuhi sebagian
kebutuhan pangan yang berupa beras
sehingga dapat mengurangi beban
pengeluaran bagi Rumah Tangga Sasaran
(RTS).
Program Beras Sejahtera (Rastra)
merupakan program bantuan sosial, sebagai
pendukung program lainnya seperti
perbaikan gizi, peningkatan kesehatan,
pendidikan dan peningkatan produktivitas
Rumah Tangga Sasaran (RTS). Untuk itu,
Program Beras Sejahtera (Rastra) harus
direncanakan secara terkoordinasi dengan
instansi dan Satuan Kerja Perangkat Daerah
(SKPD) serta stakeholders terkait lainnya
dengan mempertimbangkan kondisi
obyektif masing-masing daerah [6].
2.2. Data Mining
Data Mining merupakan proses
ataupun kegiatan untuk mengumpulkan data
yang berukuran besar kemudian
mengekstraksi data tersebut menjadi
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

𝑃(𝑋|𝐻). 𝑃(𝐻) P(Xi|C,Xj) = P(Xi|C) ....(3)

P(H|X) = .(1)
𝑃(𝑋)
Dari persamaan (3) tersebut dapat
Dimana: di ambil kesimpulan bahwa asumsi
X : Data dengan class yang independensi membuat syarat perhitungan
belum diketahui menjadi lebih sederhana. Selanjutnya
H : Hipotesis data merupakan penjabaran (P(C|X1,…..,Xn) dapat
suatu class spesifik disederhanakan menjadi persamaan (4) :
P(H|X) : Probabilitas hipotesis H
P(X2|C)P(X3|C)…
berdasar kondisi X (posteriori P(C|X1, …,Xn) = P(X1|C)
probabilitas)
P(H) : Probabilitas hipotesis H 𝑛
= ...(4)
∏ 𝑃(𝑋𝑖|𝐶)
(prior probabilitas) 𝑖=1
P(X|H) : Probabilitas X berdasarkan Keterangan :
kondisi pada hipotesis H ∏𝑛𝑖=1 𝑃(𝑋𝑖|𝐶) = perkalian ranting antar
P(X) : Probabilitas X atribut

Penjabaran lebih lanjut rumus Bayes
tersebut dilakukan dengan menjabarkan
(C|X1…,Xn) menggunakan aturan perkalian
sebagai berikut.
P(C|x1,…..,xn = P(C) P(x1,…, xn|C)
P(C)P(X1|C)P(X2,….,Xn|C,
=
X1)
= (C)P(X1|C)P(X2|C,
X1)P(X3, …Xn|C,X1,X2
(C)P(X1|C)P(X2|C,X1)P(X3|
= C,X1,X2)P(X4,…,Xn|C,X1,X2,
X3)
P(C)
= P(X1|C)P(X2|C,X1)P(X3|C,
X1,X2) …P
(Xn|C,X1,X2,X3,…,Xn-1….(2)
Dapat dilihat bahwa semakin banyak
faktor-faktor yang semakin kompleks
yang mempengaruhi nilai probabilitas,
Persamaan (4) merupakan teorema bayes
yang kemudian akan digunakan untuk
melakukan perhitungan klasifikasi. Untuk
klasifikasi dengan data continue atau data
angka menggunakan rumus distribusi
Gaussian dengan 2 parameter : mean µdan
varian 𝜎 :
1 (𝑥𝑖−𝜇𝑖𝑗)2
P(Xi=xi|C=c j) = exp 5
√2𝜋𝜎𝑖𝑗 2𝜎2𝑖𝑗
Dimana :
P : Peluang
Xi : Atribut ke i
Xj : Nilai atribut ke i
C : Kelas yang dicari
Ci : Sub kelas Y yang dicari
µ : menyatakan rata–rata dari
seluruh atribut
𝜎 : Deviasi standar, menyatakan

STMIK-MUSIRAWAS Lubuklinggau 3
JUTIM, Vol 3 No.1, Juni 2018 Chariul Fadlan, Selfia Ningsih,
Agus Perdana Windarto

varian dari seluruh atribut Populasi pada penelitian ini

dilakukan di desa Bandar Siantar
Dalam metode naive bayes diperlukan data Kecamatan Gunung Malela, dengan
latih dan data uji yang ingin menggunakan jumlah data latih sebanyak
diklasifikasikan, dalam naive bayes, 70 data dan menggunakan 1 data uji yang
semakin banyak data latih yang yang akan dilakukan klasifikasi pada data
dilibatkan, semakin baik hasil yang prediksi tersebut.
yang diberikan.Menghitung P(Ci) yang
merupakan probabilitas prior untuk setiap 3.2 Pengumpulan Data
sub kelasC yang akan dihasilkan Metode Pengumpulan data yang
menggunakan persamaan: dilakukan pada penelitian ini berupa
wawancara dengan kepala desa dan
𝑠𝑖 …(6) sekretaris desa Bandar Siantar, kemudian
P(ci) =
𝑠 melakukan pengumpulan data berdasarkan
data dari kantor desa. Data yang digunakan
Dimana Si adalah jumlah data training dari pada penelitian ini berupa Nama kepala
kategori Ci, dan s adalah jumlah total data keluarga, status pkh, jumlah tanggungan,
training.Menghitung P(Xi|Ci) yang kepala rumah tangga, kondisi rumah, dan
merupakan probabilitasposterior Xi dengan status kepemilikan rumah.
syarat C menggunakanpersamaan (4)[5]
IV HASIL DAN PEMBAHASAN
III METODELOGI PENELITIAN 4.1 Baca Data Training
Adapun metode penelitian yang Untuk menentukan data yang
diterapkan pada penelitian ini adalah nantinya akan dianalisis dengan metode
sebagai berikut: Naive Bayes makalangkah pertama yang
dilakukan adalah membaca data latih.
3.1 Populasi dan Sampel Adapun data latih yang digunakandapat
dilihat pada tabel 1 berikut :
Tabel 1 Data Training
Jlh Kepala
Nama Kepala Rumah Jumlah Status Pemilik
No PKH Tangg Rumah Kondisi Rumah Status
Tangga Penghasilan Rumah
ugan Tangga
1 Watiem non 1 Perempuan Batu Permanen rendah Milik Sendiri Layak
2 Tugimin non 4 Laki-Laki Bambu Anyam sedang Milik Sendiri Layak
3 Samino non 3 Laki-Laki Batu Permanen Tinggi Milik Sendiri Tidak Layak
4 Mesman K non 2 Laki-Laki Batu Permanen sedang Milik Sendiri Tidak Layak
5 Arianto 1 2 Laki-Laki Papan rendah Milik Sendiri Layak
6 Asani non 3 Laki-Laki Batu Permanen sedang Milik Sendiri Tidak Layak
7 Sumiyadi non 3 Laki-Laki Bambu Anyam rendah Milik Sendiri Layak
8 Ponidi 1 5 Laki-Laki Bambu Anyam sedang Milik Sendiri layak
9 Jabar Damanik 1 9 Laki-Laki Batu Permanen sedang Milik Sendiri layak
10 Safruddin non 4 Laki-Laki Batu Permanen Tinggi Milik Sendiri Tidak Layak
11 Boniem non 1 Perempuan Batu Permanen rendah Milik Sendiri Layak
12 Ponimen B non 0 Laki-Laki Batu Permanen rendah sewa layak
13 Nuriatik non 1 Perempuan Batu Permanen rendah Milik Sendiri Layak
14 Sadam Husein non 2 Laki-Laki Batu Permanen Tinggi Milik Sendiri Tidak Layak
15 Siti non 2 Perempuan Batu Permanen Tinggi Milik Sendiri Tidak Layak
16 Suroso non 2 Laki-Laki Batu Permanen sedang Milik Sendiri Layak
17 Mesdi non 1 Laki-Laki Papan rendah Milik Sendiri Layak
18 Mulyadi non 3 Laki-Laki Batu Permanen rendah sewa layak
19 Jafar non 2 Laki-Laki Batu Permanen rendah Milik Sendiri Tidak Layak
20 Deman Sidauruk non 5 Laki-Laki Papan rendah Milik Sendiri Layak
70 Solim Damanik non 2 Laki-Laki Batu Permanen Tinggi Milik Sendiri Tidak Layak
71 Paidi non 4 Laki-Laki Batu Permanen sedang Milik Sendiri ?
Sumber : data kantor desa Bandar Siantar

STMIK-MUSIRAWAS Lubuklinggau 4
JUTIM, Vol 3 No.1, Juni 2018 Chariul Fadlan, Selfia Ningsih,
Agus Perdana Windarto

Keterangan : Kategori ini disesuaikan dengan kondisi

- Kriteria 1 menjelaskan tentang rumah yang sebenarnya.
“Status PKH”
- Kriteria 2 menjelaskan tentang 6. Jumlah Penghasilan
“Jumlah Tanggungan” Merupakan variabel yang akan
- Kriteria 3 menjelaskan tentang dikelompokka menjadi 3 kategori yaitu :
“Kepala Rumah Tangga” rendah, sedang dan tinggi. Kriteria Jumlah
- Kriteria 4 menjelaskan tentang penghasilan dapata dilihat pada table 2.
“Kondisi Rumah”
- Kriteria 5 menjelaskan tentang Tabel 2. Jumlah Penghasilan
“Jumlah Penghasilan” Kriteria Kategori Keterangan
- Kriteria 6 menjelaskan tentang Rendah < Rp. 1.500.000
“Status Kepemilikan Rumah” Rp.1.500.000 s/d
Jumlah
Tahap awal proses perhitungan Sedang Rp.2.500.000
Penghasilan
Naive Bayes adalah dengan melakukan
pengambilan data training dari data yang Tinggi  Rp.2.500.000
telah diperoleh. Variabel yang akan
digunakan dalam klasifikasi kelayakan 7. Status Kepemilikan
masyarakat penerima beras rastra yaitu : Merupakan variabel yang akan di
1. Nama Kepala keluarga kelompokka menjadi 2 kategori yaitu milik
Merupakan variabel yang akan sendiri dan sewa.
dilakukan perhitungan jenis kelayakkannya.
4.2 Perhitungan Probabilitas Prior
2. Status PKH (P(Ci))
Merupakan program yang memberikan Dari 70 data latih yang digunakan,
bantuan tunai kepada rumah tangga sangat diketahui kelas C0 (Tidak layak) sebanyak
miskin, jika memenuhi persyaratan yang 29 data, dan kelas C1 (layak) sebanyak 41
terkait dengan upaya peningkatan kualitas data. Perhitungan probabilitas prior
sumberdaya manusia, pada kasus ini Status kemungkinan tidak layak penerima beras
PKH di kategorikan menjadi 2 yaitu rastra, dapat dilakukan dengan persamaan
penerima PKH (1) dan tidak penerima PKH (6) yaitu :
(non). 29
P(C0) = = 0.41
70
3. Jumlah Tanggungan
Merupakan variabel yang akan Sedangkan perhitungan probabilitas
dilakukan perhitungan sesuai dengan kemungkinan layak yaitu :
jumlah anak yang masih menjadi 41
P(C1) = = 0.59
tanggungan keluarga. 70

4. Kepala Rumah Tangga 4.3 Perhitungan Probabilitas Posterior

Merupakan varibel yang akan
dikelompokkan menjadi 2 kategori yaitu
laki-laki dan prempuan. Kepala rumah
tangga prempuan dikarenakan suami atau
kepala rumah tangga laki-laki telah
menninggal dunia.
5. Kondisi Rumah
Merupakan variabel yang akan
dikelompokkan menjadi 3 kategori yaitu :
Batu Permanen, Bambu Anyan, dan Papan.
X bersyaratC (P(X|Ci))
Perhitungan probabilitas posterior
dilakukan pada data latih sebanyak 70 data
dengan menggunakan X sebagai vector
pemilihan kriteria penerima beras rastra
yaitu XStatus PKH, XJumlah Tanggungan,
X Kepala Rumah Tangga, XKondisi
Rumah, XJumlah Penghasilan, dan Xstatus
Kepemilikan Rumah, sehingga
P(X|Ci))dapat dijabarkan menjadi
P(XXStatus PKH, XXJumlah Tanggungan,
XXKepala Rumah Tangga, XXKondisi

STMIK-MUSIRAWAS Lubuklinggau 5
JUTIM, Vol 3 No.1, Juni 2018 Chariul Fadlan, Selfia Ningsih,
Agus Perdana Windarto

Rumah, XXJumlah penghasilan dan Untuk menghitung setiap

XXStatus kepemilikan rumah|Ci) untuk kemungkinan hasil kriteria P( XXKondisi
setiap X dihitung kemungkinannya pada Rumah|Ci) dapat dilihat pada tabel 6.
setiap Ci. Tabel 6 Probabilitas Kondisi Rumah
Untuk menghitung setiap Jumlah Kejadian Probabilitas
Kondi “Dipilih”
kemungkinan hasil kriteria P( XXStatus Tdk
si Tdk Layak
PKH|Ci) dapat dilihat pada tabel 3. Rumah Layak Layak
Layak (C1)
Tabel 3 Probabilitas Status PKH (C0)
Jumlah Kejadian Probabilitas Bambu
12 0 0.292683 0
“Dipilih” Anyam
Status Tdk Papan 11 3 0.268293 0.103448
PKH Tdk Layak
Layak Layak Batu 18 26 0.439024 0.896552
Layak (C1) Perman
(C0)
Non 35 29 0,853585 1 en
1 6 0 0,146415 0 Jumlah 41 29 1 1
Jumlah 41 29 1 1
Untuk menghitung setiap
Untuk menghitung setiap kemungkinan hasil kriteria P( XXJumlah
kemungkinan hasil kriteria P( XXJumlah Penghasilan|Ci) dapat dilihat pada tabel 7.
Tanggungan|Ci) dapat dilihat pada tabel 4. Tabel 7 Probabilitas Jumlah
Tabel 4 Probabilitas Jumlah Penghasilan
Tanggungan Jumlah Kejadian Probabilitas
Kondi “Dipilih”
Jumlah Kejadian Probabilitas Tdk
Jumlah “Dipilih” si Tdk Layak
Tdk Rumah Layak Layak
Tangg Tdk Layak Layak (C1)
Layak Layak (C0)
ungan Layak (C1)
(C0) Rendah 29 3 0.707317 0.103448
0 2 0 0.048780 0 Sedang 11 16 0.268293 0.551724
1 7 2 0.170732 0.068966 Tinggi 1 10 0.024390 0.344828
2 12 11 0.292683 0.379310 Jumlah 41 29 1 1
3 11 10 0.268293 0.344828
4 4 6 0.097561 0.206897 Untuk menghitung setiap
5 2 0 0.048780 0 kemungkinan hasil kriteria P( XXStatus
>5 3 0 0.073171 0
Pemilik Rumah|Ci) dapat dilihat pada tabel
Jumlah 41 29 1 1
8.
Tabel 8 Probabilitas Status Pemilik
Untuk menghitung setiap Rumah
kemungkinan hasil kriteria P( XXKepala Jumlah Kejadian Probabilitas
Status “Dipilih”
Rumah Tangga|Ci) dapat dilihat pada tabel Pemili
5. Tdk
k Tdk Layak
Layak Layak
Tabel 5 Probabilitas Kepala Rumah Rumah Layak (C1)
(C0)
Tangga Sewa 4 3 0.097561 0.103448
Jumlah Kejadian Probabilitas Milik
Jumlah “Dipilih” 37 26 0.902439 0.896552
Sendiri
Tangg Tdk
Tdk Layak Jumlah 41 29 1 1
ungan Layak Layak
Layak (C1)
(C0)
Premp
13 1 0.317073 0.034483
4.4 Perhitungan Manual
uan Berikut ini perhitungan manual
Laki 28 28 0.682927 0.965517
dengan menggunakan data uji yang dapat
Jumlah 41 29 1 1
dilihat pada tabel 9, dengan menggunkan
metode Naive Bayes.
Tabel 9 Data Uji
Jlh Kepala
Nama Kepala Jumlah Status Pemilik
No PKH Tangg Rumah Kondisi Rumah
Rumah
Status
Rumah Tangga ugan Tangga Penghasilan
71 Paidi non 4 Laki-Laki Batu Permanen sedang Milik Sendiri ?

STMIK-MUSIRAWAS Lubuklinggau 6
JUTIM, Vol 3 No.1, Juni 2018
4.4.1. Pendefinisian Variabel
Berdasarkan tabel 9 dapat
didefinisian data uji X adalah sebagai
berikut :
X ={XStatus PKH=Non, XJumlah
Tanggungan=4, XKepala Rumah
Tangga=Laki-laki, XKondisi Rumah=Batu
Permanen, X Jumlah Penghasilan=Sedang,
XStatus Pemilik Rumah=Milik Sendiri}
4.4.2. Pendefinisian Probabilitas Prior
P(Ci)
Hasil pendefinisian Probabilitas
prior berdasarkan persamaan (6)
menghasilkan nilai untuk kelas tidak layak
(C0) sebesar 0.41 dan untuk kelas layak
(C1) sebesar 0.59
4.4.3. Perhitungan Probabilitas Data Uji
Berdasarkan data uji pada tabel 9
dapat dilakukan klasifikasi kedalam kelas
Tidak Layak (C0) Penerima Beras Rastra
dengan ketetuan nilai masing-masing
kriteria yaitu : 1, 0.206897, 0.965517,
0.896552, 0.551724, 0.896552.
Kemudian nilai dari masing-masing
kriteria tersebut dikalikan P(X|C0)=
P(XStatus PKH=non|C0) x P(XJumlah
Tanggungan=4|C0) x P(XKepala Rumah
Tangga=Laki-laki|C0) x P(XKondisi
Rumah=Batu Permanen|C0) x P(XJumlah
Penghasilan=Sedang|C0) x P(XStatus
Pemilik Rumah=Milik Sendiri|C0)
= 1 x 0.206897 x 0.965517 x
0.896552 x 0.551724 x 0.896552
=0.088590
Untuk menghitung klasifikasi
kedalam kelas Layak (C1) Penerima Beras
Rastra dengan ketetuan nilai masing-masing
kriteria yaitu : 0.853659, 0.097561,
0.682927, 0.439024, 0.268293, 0.902439
Kemudian nilai dari masing-masing
kriteria tersebut dikalikan P(X|C1)=
P(XStatus PKH=non|C1) x P(XJumlah
Tanggungan=4|C1) x P(XKepala Rumah
Tangga=Laki-laki|C1) x P(XKondisi
Rumah=Batu Permanen|C1) x P(XJumlah
STMIK-MUSIRAWAS Lubuklinggau
Chariul Fadlan, Selfia Ningsih,
Agus Perdana Windarto
Penghasilan=Sedang|C1) x P(XStatus
Pemilik Rumah=Milik Sendiri|C1)
= 0.853659 x 0.097561 x 0.682927
x 0.439024 x 0.268293 x 0.902439
=0.006046
4.4.4. Pemaksimalan P(X|Ci)P(Ci)
Perhitungan pemaksimal untuk
klasifikasi kelas Tidak Layak (C0) adalah
dengan cara mengalikan P(X|C0) dengan
P(C0) :
P(C0|X) = P(X|C0) x P(C0)
= 0.088590 x 0.41
= 0.036322
Kemudian untuk kelas Layak (C1)
adalah dengan cara mengalikan P(X|C1)
dengan P(C1) :
P(C1|X) = P(X|C1) x P(C1)
= 0.006046 x 0.59
= 0.003567
Dari perhitungan di atas dapat
dihasilkan nilai P(C0|X) = 0.036322
sedangkan nilai P(C1|X) = 0.003567.
Berdasarkan nilai tersebut dapat di ambil
kesimpulan bahwa P(C0|X) > P(C1|X).
maka data uji tersebut diklasifikasikan
kedalam kelas Tidak Layak dalam
menerima program beras rastra.
V KESIMPULAN
Dari penelitian yang dilakukan dapat
ditarik kesimpulan sebagai berikut :
1. Penerapan data mining dalam
menentukan kalsifikasi penerima beras
raskin ini dapat digunakan untuk
memprediksi layak atau tidak layak
sebuah keluarga mendapatkan beras
rastra dengan menggunakan algoritma
Naive Bayes
2. Algoritma Naive Bayes sangat cocok
diterapkan dalam memprediksi
peluang dimasa depan berdasarkan
pengalaman dimasa sebelumnya
sehingga memudahkan pengurus desa
7
JUTIM, Vol 3 No.1, Juni 2018
dalam menentukan keluarga yang
berhak menerima beras rastra.
3. Dengan mengetahui masyarakat yang
berhak menerima beras rastra, dapat
meminimalisir kesalahan masyarakat
yang berhak atau layak dalam
menerima beras rastra.
4. Metode Naive Bayes memanfaatkan
data training untuk menghasilkan
probabilitas setiap kriteria untuk class
yang berbeda, sehingga nilai-nilai
probabilitas dari kriteria tersebut dapat
dioptimalkan untuk memprediksi
kelayakan penerima beras rastra
berdasarkan proses klasifikasi
yangdilakukan oleh metode Naive
Bayes itu sendiri
VI SARAN
Untuk lebih mengembangkan dan
meningkatkan Algoritma Naïve Bayes, ada
beberapa saran yang dapat menjadi
masukkan pada penelitian ini :
1. Volume data yang digunakan
diharapkan dapat ditambah dengan
data yang lebih banyak lagi, di karenak
metode Naive Bayes semakin banyak
data latih yang digunakn maka
semakin baik hasil yang diberikan.
2. Penulis mengharapkan penelitian ini
dapat diterapkan dengan menggunakan
algoritma lain agar dapat
mengembangkan penelitian dimasa
yang akan dating.
VII DAFTAR PUSTAKA
[1] O. Romli, Jurnal KAPemda –Kajian
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
Chariul Fadlan, Selfia Ningsih,
Agus Perdana Windarto
J. Ilm. Saintikom, vol. 15, no. Mei,
pp. 81–92, 2016.
[3] S. Agustina, D. Yhudo, H. Santoso,
N. Marnasusanto, A. Tirtana, and F.
Khusnu, “Clustering Kualitas Beras
Berdasarkan Ciri Fisik
Menggunakan Metode K-Means
Algoritma,” Clust. K-Means, pp. 1–
7, 2012.
[4] T. P. Handayani, “Analisa
Penentuan Perubahan Calon
Penerima Rastra (Beras Sejahtera)
Dengan Metode Simple Additive
Method (Saw) Di Desa Huidu
Kabupaten Gorontalo,” Info Tekjar,
pp. 22–26.
[5] A. Saleh, “Implementasi Metode
Klasifikasi Naïve Bayes dalam
Memprediksi Besarnya Penggunaan
Listrik Rumah Tangga,” Citec J.,
vol. 2, no. 3, pp. 207–217, 2015.
[6] Yogi Setiyo Pamuji, D. Safitri, and
A. Prahutama, “Klasifikasi Penerima
Program Beras Miskin (Raskin) Di
Kabupaten Wonosobo Dengan
Metode Support Vector Machine
Menggunakan Libsvm,” J.
Gaussian, vol. 4, pp. 1087–1096,
2015.
[7] A. P. Windarto, “Implementation of
Data Mining on Rice Imports by
Major Country of Origin Using
Algorithm Using K-Means
Clustering Method,” Int. J. Artif.
Intell. Res., vol. 1, no. 2, pp. 26–33,
2017.
[8] M. G. Sadewo, A. P. Windarto, and
D. Hartama, “Penerapan Datamining
Pada Populasi Daging Ayam Ras
Pedaging Di Indonesia Berdasarkan
Provinsi Menggunakan K-Means
Clustering,” InfoTekJar (Jurnal Nas.
Inform. dan Teknol. Jaringan), vol.
2, no. 1, pp. 60–67, 2017.
8