KOPERTIP: Jurnal Ilmiah Manajemen Informatika dan Komputer
Vol. 04 No. 01 Bulan April 2020, pp.25-32
http://jurnal.kopertipindonesia.or.id/
Implementasi Algoritma K-Nearest Neighbor Dalam Menentukan
Penerima Bantuan Langsung Tunai
Anwar Pauji1, Siti Aisyah2, Agus Surip3, Riko Saputra4, Irfan Ali5
Program Studi Komputerisasi Akuntansi, STMIK IKMI Cirebon, Jawa Barat Indonesia12
Program Studi Rekayasa Perangkat Lunak, STMIK IKMI Cirebon, Jawa Barat Indonesia 35
Program Studi Sistem Informasi, STMIK IKMI Cirebon, Jawa Barat Indonesia 4
Email : anwarpauji00@gmail.com1, aisyahee00@gmail.com2, agussurip00@gmail.com3, rikorikodua0@gmail.com4,
irfanaali0.0@gmail.com5.
Email Penulis Korespondensi : anwarpauji00@gmail.com
Submitted: 30/06/2022; Accepted: 04/06/2022; Published: 08/06/2022
Abstract — The process of determining data and providing
assistance to beneficiaries has been carried out previously, but the
assistance received is not as expected, this is due to one of the
reasons for the determination of the status of poor families as
recipients of assistance has not been maximized so that the
distribution of aid is still not accurate. Therefore, this study tries to
classify beneficiaries using the K-Nearest Neighbor method so that
the beneficiaries are truly on target. The criteria used in this study
are the condition of the house, work, income and number of
dependents. The application used is rapidminer version 9.10 with
operator retrieval, Cross Validation, K-NN Algorithm, Apply Model
and Performance. The accuracy value is 68.82% with the following
details. Predictions are Eligible and Turns out to be True Worth 104.
Predictions are Eligible and Turns out to be True Inadequate 37
Predictions are not eligible and Turns out to be True Worth 16
Predictions are not feasible and it turns out to be True Unfit for 13
With class recall worth 86.67% and Class Recall not eligible for 26
%.
Keywords — Direct Cash Assistance, Datamining, Accounting
Abstrak — Proses penentuan data dan pemberian bantuan
terhadap penerima manfaat sudah dilaksanakan sebelumnya,
Namun bantuan yang di terima ada yang tidak sesuai dengan yang
diharapkan, hal tersebut disebabkan salah satunya karena
penetapan status keluarga miskin selaku penerima bantuan
belum maksimal sehingga dalam membagikan bantuan masih
belum akurat. Maka dari itu penelitian ini mencoba untuk
mengklasifikasi penerima manfaat menggunakan metode K-
Nearest Neighbor sehingga penerima bantuan benar-benar tepat
sasaran. Kriteria yang digunakan pada penelitian ini yaitu
Kondisi Rumah, Pekerjaan, Penghasilan dan Jumlah tanggungan.
aplikasi yang digunakan yaitu rapidminer versi 9.10 dengan
operator retrive, Cross Validation, Algoritma K-NN, Apply Model
dan Performance. Nilai akurasi sebesar 68,82 % dengan rincian
sebagai berikut. Prediksi Layak dan Ternyata True Layak
Sebesar 104. Prediksi Layak dan Ternyata True Tidak Layak
Sebesar 37. Prediksi Tidak Layak dan Ternyata True Layak
Sebesar 16. Prediksi Tidak Layak dan Ternyata True Tidak
Layak Sebesar 13. Dengan class recall layak sebesar 86,67% dan
Class Recall Tidak Layak Sebesar 26%.
Kata Kunci — Bantuan Langsung Tunai, Datamining, Akuntansi.
I. PENDAHULUAN
Kemiskinan adalah ketidakmampuan dari sisi ekonomi
untuk memenuhi kebutuhan dasar dan bukan makanan yang
diukur dari sisi pengeluaran. Kemiskinan bukan sekedar
© Yayasan Kopertip Indonesia 2017
E-ISSN : 2549-9351
P-ISSN : 2549-211X
tentang masalah ketidakmampuan dalam mencari kebutuhan
primer seperti makan, tempat tinggal dan pakaian, tapi juga
dengan kurangnya pendidikan, kesehatan,
ketidakberdayaannya ikut serta pada pembangunan dalam
berbagai masalah yang berkaitan dengan pembangunan
Sumber Daya Manusia.
Dalam menanggulangi kemiskinan pemerintah melakukan
berbagai upaya yang salah satunya melalui pengalokasian Dana
Desa. Dana desa adalah anggaran yang diperuntukkan bagi
desa dan desa adat yang ditransfer melalui APBD
kabupaten/kota yang digunakan untuk membiayai
penyelenggaraan pemerintah, pembangunan, serta
pemberdayaan masyarakat, dan kemasyarakatan (UU 6/2014
Tentang Desa Pasal 72). Metode K-Nearest Neighbor
merupakan salah satu metode pengklasfikasian data yang
memiliki konsistensi yang kuat, dengan cara mencari kasus
dengan menghitung kedekatan antara kasus baru dengan kasus
lama berdasarkan pencocokan bobot. K-Nearest Neighbor
merupakan metode klasifikasi dengan mencari jarak paling
dekat antara data yang akan dievaluasi dengan K tetangga
(neighbor) terdekatnya dalam data pelatihan. Penentuan nilai
terbaik bisa ditentukan dengan optimasi parameter, contohnya
dengan menggunakan K-Fold Cross Validation yang
merupakan salah satu metode yang digunakan untuk
mengetahui rata-rata keberhasilan dari suatu sistem dengan
cara melakukan perulangan dengan mengacak atribut masukan
sehingga sistem tersebut teruji untuk beberapa atribut input
yang acak[1][3].
Penelitian pertama yang dilakukan oleh Riyan Latifahul
Hasanah, Muhamad Hasan, Witriana Endah Pangesti, Fanny
Fatma Wati, Windu Gata pada jurnal techno nusa mandiri vol.
16, no. 1 maret 2019 dengan judul klasifikasi penerima dana
bantuan desa menggunakan metode knn (k-nearest neighbor)
menjelaskan bahwa penentuan status keluarga miskin sebagai
penerima bantuan merupakan hal yang sangat penting agar
bantuan penanggulangan kemiskinan dari pemerintah dapat
disalurkan secara tepat sasaran. Data mining memanfaatkan
pengalaman atau bahkan kesalahan di masa lalu untuk
meningkatkan kualitas dari model maupun hasil analisisnya,
salah satunya dengan kemampuan yang dimiliki teknik data
mining yaitu klasifikasi. Tujuan penelitian ini adalah untuk
melakukan pengujian K-Fold Cross Validation pada algoritma
K-Nearst Neighbors dalam memprediksi penerimaan dana
bantuan desa. Dalam dataset penerima bantuan yang digunakan
dalam penelitian ini, terdapat 159 record atau tuple dengan
1
Anwar Pauji : Implementasi Algoritma K-Nearest Neighbor Dalam Menentukan Penerima Bantuan Langsung Tunai
empat atribut (kondisi rumah, penghasilan, pekerjaan dan
jumlah tanggungan). Prediksi kategori data baru dilakukan
dengan menggunakan tahapan perhitungan manual Euclidean
Distance dari lima nilai K yang berbeda. Sedangkan
penggunakan aplikasi Rapidminer bertujuan untuk menguji
akurasi dataset dalam lima nilai K yang berbeda. Hasilnya
menunjukkan bahwa dengan K=15 dan K=30 data baru (D160)
memiliki kategori “Tidak Layak” dengan tingkat akurasi
sebesar 100%. Kemudian dengan K=45, K=60 dan K=75 data
baru (D160) memiliki kategori “Layak” dengan tingkat akurasi
sebesar 81,25%[3][5]
Penelitian kedua yang dilakukan oleh Sastri Yani, Fithri
Selva Jumeilah, Muhamad Kadafi pada jurnal Journal of
Information Technology Ampera dengan judul Algoritma K-
Nearest Neighbor Untuk Menentukan Kelayakan Keluarga
Penerima Bantuan Pangan Non Tunai (Studi Kasus : Kelurahan
Karya Jaya) menjelaskan bahwa Salah satu perkara mendasar
yang menjadi pusat perhatian pemerintah diberbagai negara,
termasuk Indonesia ialah tingkat kemiskinan yang tinggi.
Untuk membantu meminimalkan tingkat kemiskinan tersebut,
pemerintah mengadakan beberapa program bantuan, yaitu
salah satunya program bantuan sosial untuk rakyat miskin
dalam bentuk non tunai atau yang biasa disebut dengan
Bantuan Pangan Non Tunai (BPNT). Salah satu cara untuk
mengatasi permasalahan diatas ialah dengan memanfaatkan
salah satu konsep data mining yaitu teknik klasifikasi. Data
Mining ialah disiplin ilmu yang tujuan utamanya adalah untuk
menemukan, menggali, atau menambang pengetahuan dari data
atau informasi yang miliki. Klasifikasi ialah proses untuk
memperoleh model atau aturan yang dapat mengklasifikasikan
data baru yang belum pernah dipelajari dengan mempelajari
sekumpulan data yang lama. Teknik yang digunakan adalah
dengan memanfaatkan data penerima BPNT lama yang
nantinya akan digunakan sebagai data training yang digunakan
untuk menguji data baru apakah data baru berhak menerima
BPNT berdasarkan kemiripan atribut yang ada di data lama
dengan data baru Teknik klasifikasi data mining yaitu dengan
menggunakan algoritma K-Nearest Neighbor dapat digunakan
untuk prediksi penerima BPNT pada tahun 2021. K optimal
untuk melakukan pemodelan adalah k=5 dengan accuracy
76,91%. Prediksi penerima BPNT Kelurahan Karya Jaya pada
tahun 2021 adalah sebanyak 511 penerima dengan kategori
penerima BPNT terbanyak ada pada SLS RW 005 yaitu 74
penerima. Tingkat akurasi dari hasil Prediksi penerima Bantuan
Pangan Non Tunai (BPNT) Kelurahan Karya Jaya pada tahun
2021 adalah 75,79%. Variabel yang paling mempengaruhi
proses klasifikasi adalah sta_kis[6][8]
Berdasarkan kriteria yang digunakan dalam penelitian ini
maka penulis menetapkan 4 kriteria, data tersebut dapat dilihat
pada tabel berikut ini :
Tabel 1 Data Kriteria untuk Menentukan Bantuan Langsung
Tunai
Kriteria Nilai Bobot
Kondisi Rumah Bambu 4 distance dari lima nilai k yang berbeda. Sedangkan
Triplek 3
Batako 2
Batu Batu 1
Beton 0 100%. Kemudian dengan k=45, k=60 dan k=75 data baru (d160)
Penghasilan <500.000 4 memiliki kategori “layak” dengan tingkat akurasi sebesar 81,25%
500.000-1.000.000 3
2
Kriteria Nilai Bobot
1.000.001-3.000.000 2
3.000.001-5.000.000 1
>5.000.001 0
Pekerjaan Buruh 4
Petani 3
PNS 2
Wirausha 1
Pengusaha 0
Jumlah >7 Orang 4
Tanggungan 6-7 Orang 3
4-5 Orang 2
2-3 Orang 1
1 Orang 0
(Sumber : BNPT 2020)
Dalam Proses penentuan data dan pemberian bantuan
terhadap penerima manfaat sudah di laksanakan sebelumnya,
Namun bantuan yang diterima ada yang tidak sesuai dengan
yang diharapkan, hal tersebut disebabkan salah satunya karena
penetapan status keluarga miskin selaku penerima bantuan
belum maksimal sehingga dalam membagikan bantuan masih
belum akurat. Maka dari itu penelitian ini mencoba untuk
mengklasifikasi penerima manfaat menggunakan metode K-
Nearest Neighbor sehingga penerima bantuan benar-benar tepat
sasaran[9][12].
Tujuan penelitian ini adalah untuk menghasilkan kriteria
yang digunakan dalam menentukan penerima bantuan langsung
tunai dan menghasilkan model algoritma K-Nearest Neighbor
dalam menentukan penerima bantuan langsung tunai serta
menghasilkan data informasi yang berhak menerima bantuan
langsung tunai menurut algoritma K-Nearest Neighbor.
II. METODOLOGY PENELITIAN
Menurut penelitian pertama yang dilakukan oleh Riyan
Latifahul Hasanah, Muhamad Hasan, Witriana Endah Pangesti,
Fanny Fatma Wati, Windu Gata pada jurnal techno nusa
mandiri vol. 16, no. 1 Maret 2019 dengan judul klasifikasi
penerima dana bantuan desa menggunakan metode knn (k-
nearest neighbor) menjelaskan bahwa penentuan status
keluarga miskin sebagai penerima bantuan merupakan hal yang
sangat penting agar bantuan penanggulangan kemiskinan dari
pemerintah dapat disalurkan secara tepat sasaran. Data mining
memanfaatkan pengalaman atau bahkan kesalahan dimasa lalu
untuk meningkatkan kualitas dari model maupun hasil
analisisnya, salah satunya dengan kemampuan yang dimiliki
teknik data mining yaitu klasifikasi. Tujuan penelitian ini
adalah untuk melakukan pengujian k-fold cross validation pada
algoritma k-nearst neighbors dalam memprediksi penerimaan
dana bantuan desa. Dalam dataset penerima bantuan yang
digunakan dalam penelitian ini, terdapat 159 record atau tuple
dengan empat atribut (kondisi rumah, penghasilan, pekerjaan
dan jumlah tanggungan). Prediksi kategori data baru dilakukan
dengan menggunakan tahapan perhitungan manual euclidean
penggunakan aplikasi rapidminer bertujuan untuk menguji
akurasi dataset dalam lima nilai k yang berbeda. Hasilnya
menunjukkan bahwa dengan k=15 dan k=30 data baru (d160)
memiliki kategori “tidak layak” dengan tingkat akurasi sebesar
KOPERTIP: Jurnal Ilmiah Manajemen Informatika dan Komputer
Menurut penelitian kedua yang dilakukan oleh Sastri Yani,
Fithri Selva Jumeilah, Muhamad Kadafi pada jurnal Journal of
Information Technology Ampera dengan judul Algoritma K-
Nearest Neighbor Untuk Menentukan Kelayakan Keluarga
Penerima Bantuan Pangan Non Tunai (Studi Kasus : Kelurahan
Karya Jaya) menjelaskan bahwa Salah satu perkara mendasar
yang menjadi pusat perhatian pemerintah diberbagai negara,
termasuk Indonesia ialah tingkat kemiskinan yang tinggi.
Untuk membantu meminimalkan tingkat kemiskinan tersebut,
pemerintah mengadakan beberapa program bantuan, yaitu
salah satunya program bantuan sosial untuk rakyat miskin
dalam bentuk non tunai atau yang biasa disebut dengan
Bantuan Pangan Non Tunai. Salah satu cara untuk mengatasi
permasalahan diatas ialah dengan memanfaatkan salah satu
konsep data mining yaitu teknik klasifikasi. Data Mining ialah
disiplin ilmu yang tujuan utamanya adalah untuk menemukan,
menggali, atau menambang pengetahuan dari data atau
informasi yang dimiliki. Klasifikasi ialah proses untuk
memperoleh model atau aturan yang dapat mengklasifikasikan
data baru yang belum pernah dipelajari dengan mempelajari
sekumpulan data yang lama. Teknik yang digunakan adalah
dengan memanfaatkan data penerima BPNT lama yang
nantinya akan digunakan sebagai data training yang digunakan
untuk menguji data baru apakah data baru berhak menerima
BPNT berdasarkan kemiripan atribut yang ada didata lama
dengan data baru Teknik klasifikasi data mining yaitu dengan
menggunakan algoritma K-Nearest Neighbor dapat digunakan
untuk prediksi penerima BPNT pada tahun 2021. K optimal
untuk melakukan pemodelan adalah k=5 dengan accuracy
76,91%. Prediksi penerima BPNT Kelurahan Karya Jaya pada
tahun 2021 adalah sebanyak 511 penerima dengan kategori
penerima BPNT terbanyak ada pada SLS RW 005 yaitu 74
penerima. Tingkat akurasi dari hasil Prediksi penerima Bantuan
Pangan Non Tunai (BPNT) Kelurahan Karya Jaya pada tahun
2021 adalah 75,79%. Variabel yang paling mempengaruhi
proses klasifikasi adalah sta_kis[12]
Menurut penelitian ketiga yang dilakukan oleh Shiva Mutia
Maffirotin*1, Masna Wati2, Hario Jati Setyadi3 pada jurnal
JURTI, Vol.2 No.1, Juni 2018, ISSN: 2579-8790 dengan judul
Sistem Pendukung Keputusan Penerima Bantuan Sosial
Daerah Kutai Kartanegara Menggunakan Metode Electre
menjelaskan Bahwa Bantuan sosial (bansos) merupakan
pemberian bantuan berupa uang atau barang dari pemerintah
daerah kepada individu, keluarga, kelompok dan atau
masyarakat yang sifatnya tidak secara terus menerus dan
bersifat selektif, yang bertujuan untuk melindungi dari
kemungkinan terjadinya resiko sosial. Sistem pendukung
keputusan merupakan suatu alternatif sistem yang bertujuan
untuk membantu mengambil keputusan melalui penggunaan
data dan model-model keputusan untuk memecahkan masalah
yang bersifat semi terstruktur maupun yang tidak terstruktur.
Tujuan dari penelitian ini adalah untuk membangun sistem
pendukung keputusan dengan menerapkan metode Electre
sebagai salah satu metode pengambilan keputusan yang mampu
membantu Ketua Bidang dan Staff Dinas Sosial Kutai
Kartanegara dalam menyeleksi pengusul bantuan sesuai
dengan kriteria yang telah ditetapkan. Penelitian ini
menghasilkan suatu sistem yang dapat membantu memberikan
rekomendasi pengusul bantuan terbaik berdasarkan
perhitungan kriteria yang telah ditetapkan oleh pihak
penyeleksi. Berhasil diterapkan kedalam sistem pendukung
keputusan seleksi calon kepala desa yang dibuat berdasarkan
DOI : https://doi.org/10.32485/kopertip.v4i1.114
Vol. 04, No. 01, April 2020
hasil akhir yang diperoleh dan pengujian yang telah dilakukan.
Sistem pendukung keputusan penentuan penerima bantuan
daerah ini, menjadi bahan pertimbangan, acuan serta
mempermudah dalam menentukan penerima bantuan daerah
sehingga kinerja aparat daerah lebih efektif dan efisien[13]
A. Kemiskinan
Indonesia merupakan negara berkembang dimana
umumnya memiliki masalah sosial yang ada pada setiap lapisan
masyarakat. Masalah sosial yang dimaksud adalah kemiskinan
yang tidak bisa dihilangkan dengan cepat. Kemiskinan sendiri
telah hadir dilapisan masyarakat tak hanya di negara
berkembang saja, tetapi juga di negara maju sekalipun dengan
kondisi yang sangat memprihatinkan. Sugiyarto, Mulyo, dan
Seleky (2015) berpendapat bahwa sebagian besar penduduk
miskin di negara berkembang maupun di negara maju tinggal
di pedesaan dan sebagian lainnya di perkotaan yang
penduduknya berasal dari pedesaan dengan harapan
mendapatkan kehidupan yang lebih baik(Rita, 2019).
Berdasarkan data statistik yang dirilis oleh Badan Pusat
Statistik (BPS), di Indonesia pada tahun 2015 terdapat sekitar
14,09 persen merupakan penduduk yang tinggal di pedesaan
termasuk dalam kategori miskin, sedangkan di perkotaan
terdapat sekitar 8,22 persen yang termasuk dalam kategori
miskin. Sehingga dapat disimpulkan bahwa penduduk di
pedesaan memiliki jumlah penduduk miskin yang lebih tinggi
dibandingkan dengan penduduk yang tinggal di perkotaan.
Bantuan Sosial Dalam undang-undang tentang Kesejahteraan
Sosial telah dijelaskan bahwa Pancasila dan Undang-Undang
Dasar 1945 mengamanatkan negara memiliki tanggung jawab
untuk melindungi seluruh bangsa Indonesia, memajukan
kesejahteraan sosial dan melindungi masyarakat dari risiko
sosial yang mungkin terjadi. Negara menggunakan Anggaran
Pendapatan dan Belanja Negara (APBN) yang dialokasikan
dengan tujuan spesifik untuk melakukan hal tersebut. Khusus
untuk memajukan kesejahteraan sosial dan melindungi
masyarakat dari risiko sosial, pemerintah memiliki satu pos
yang dinamakan bantuan sosial didalam APBN[16].
Bantuan sosial sendiri merupakan pengeluaran berupa
uang, barang, atau jasa yang diberikan oleh pemerintah pusat
atau daerah kepada masyarakat untuk melindungi masyarakat
dari kemungkinan terjadinya risiko sosial, meningkatkan
kemampuan ekonomi, serta kesejahteraan masyarakat
(Kementrian Keuangan 2015:1). Risiko sosial yang dimaksud
adalah peristiwa atau masalah yang dapat
menimbulkan potensi kerentanan sosial baik itu yang anggung
oleh perseorangan maupun kelompok masyarakat sebagai
dampak dari krisis sosial, ekonomi, politik,
fenomena atau bencana alam dimana jika tidak diberikan
bantuan sosial akan semakin terpuruk dan tidak dapat hidup
dalam kondisi yang wajar.
B. Bantuan Langsung Tunai
Awal lahirnya bantuan langsung tunai (blt) pada tahun
2004 pemerintah indonesia memastikan covid-19 ini sangat
berbahaya bagi indonesia dan seluruh dunia yang semakin
tajam pada tahun 2020. Dan sekarang pemerintah kembali
melaksanakan program blt melalui instruksi presiden nomor 3
tahun 2020 (inpres 3/2020) tanggal 29 agustus 2020 dalam
pelaksanaan program bantuan langsung tunai untuk rumah
tangga sasaran (rts) program blt bantuan langsung tunai tak
3
Anwar Pauji : Implementasi Algoritma K-Nearest Neighbor Dalam Menentukan Penerima Bantuan Langsung Tunai
bersyarat yang dilakukan oleh pemerintah pada tahun 2020
yang ditunjukan kepada masyarakat bagi yang terdampak
COVID-19. Lalu pemerintah membuat suatu kebijakan
program BLT ini dalam upaya membantu masyarakat miskin
yang terdampak dari COVID-19 dalam memenuhi kebutuhan
hidup masyarakat selama pendemi besaran yang yang diterima
oleh masyarakat sebesar Rp 600.000-, selama 3 bulan pertama
dan bulan selanjutnya sebesar Rp 300.000-selama lima bulan.
Dalam program BLT ini adalah ide yang lahir dari Wakil
Presiden saat itu Jusuf kalla usai memenangkan pemilu 2004
bersama Presiden Susilo Bambang Yudhoyono, mengacu pada
perintah Presiden nomor 12 tahun 2005 menggerakan Program
BLT tanpa syarat pada Oktober 2005 sampai Desember 2006.
BLT adalah penjaringan pengamanan sosial (JPS) dalam
rangka meminimalisir dampak COVID-19 bagi masyarakat
miskin untuk memenuhi kebutuhan hidupnya. Kemudian ini
juga, pemerintah memberi bantuan beras bagi masyarakat
miskin sebagaimana tertuang dalam kebijakan stabilitas pangan
yang di keluarkan pemerintah. Program BLT merupakan
bentuk program yang dilakukan oleh pemerintah bagi
masyarakat yang terdampak COVID-19. Selain itu juga
mendapatkan bantuan komoditas pangan berupa beras dan telur,
BLT ini tetap di dampingi oleh program pengentasan
kemiskinan yang sudah berjalan, yakni beras untuk rakyat
miskin (raskin)[18]
C. Persyaratan Penerima
Pemerintah Desa Ciperna menyalurkan program BLT itu
kepada keluarga yang telah memenuhi persyaratan, dan
terdaftar di Data Terpadu Kesejahteraan Sosial (DTKS).
Berikut ini persyaratan untuk mendapatkan BLT Dana Desa
sebesar Rp. 300.000 tahun 2020, diantaranya:
1) Calon penerima adalah mereka yang kehilangan pekerjaan
di tengah pandemi Covid-19.
2) Calon penerima tidak terdaftar sebagai penerima bantuan
sosial lain dari pemerintah pusat seperti Program Keluarga
Harapan (PKH), kartu sembako, paket sembako, Bantuan
pangan Non Tunai (BPNT), hingga kartu prakerja.
3) Apabila calon penerima tidak mendapatkan bansos dari
program lain, tetapi belum terdaftar oleh RT/RW, maka bisa
langsung menginformasikannya ke aparat desa.
4) Jika calon penerima memenuhi syarat, tetapi tidak memiliki
Nomor Induk Kependudukan (NIK) dan Kartu Tanda
Penduduk (KTP), tetap bisa mendapatkan bansos tanpa
harus membuat KTP terlebih dulu. Penerima harus
berdomisili di desa tersebut dan menulis alamat
lengkapnya.
Apabila penerima sudah terdaftar dan datanya valid maka
BLT Dana Desa sebesar Rp. 300.000 akan diberikan secara
tunai. Dan pada pelaksanaan praktek Industri di Kantor Kuwu
Desa Ciperna Kabupaten Cirebon, diketahui bahwa dalam
pengelolaan bantuan langsung tunai di Desa Ciperna dapat
diilustrasikan dalam gambar bagan dibawah ini :
4
Gambar 1 Bagan Alur Penyaluran Bantuan Langsung Tunai
di Desa Ciperna
Bagan diatas menjelaskan alur pengelolaan bantuan
langsung tunai di Desa Ciperna Kabupaten Cirebon mulai dari
awal pembentukan relawan desa, dilanjutkan pendataan, lalu
validasi dan finalisasi data, melaporkan hasil pendataan
kepada Bupati dan dilanjutkan penetapan nama data penerima
bantuan langsung tunai untuk selanjutnya ke tahap penyaluran
dana sampai kepada pelaporan.
D. Klasifikasi
Klasifikasi merupakan salah satu tugas yang penting dalam data
mining. mengorganisasikan serta mengelompokan data ke
dalam kelas-kelas yang berbeda merupakan tujuan utama dari
klasifikasi. Definisi pengklasifikasian adalah sebuah
fungsi yang bersifat prediksi dan menggolongkan data item
tertentu ke dalam sebuah kelas. Sebuah pengklasifikasian
dibuat dari sekumpulan data latih dengan kelas yang telah
ditentukan dan dikenal ciri-cirinya sebelumnya. Kinerja
pengklasifikasian biasanya diukur dengan ketepatan.
E. Metode K-Nearest Neighbor (KNN)
Algoritma K-Nearest Neighbor (KNN) adalah sebuah
metode untuk melakukan klasifikasi terhadap obyek
berdasarkan data pembelajaran yang jaraknya paling dekat
dengan obyek tersebut. Prinsip kerja dari K-Nearest Neighbor
(KNN) adalah mencari jarak terdekat antara data yang akan
dievaluasi dengan K tetangga (neighbor) terdekatnya dalam
data pelatihan. Pada fase pembelajaran, algoritma ini hanya
melakukan penyimpanan vektor-vektor fitur dan klasifikasi
dari data pembelajaran. Pada fase klasifikasi, fitur-fitur yang
sama dihitung untuk data test (yang klasifikasinya tidak
diketahui). Jarak dari vektor yang baru ini terhadap seluruh
vektor data pembelajaran dihitung, dan sejumlah k buah yang
paling dekat diambil. Titik yang baru klasifikasinya
diprediksikan termasuk pada klasifikasi terbanyak dari titik-
titik tersebut. Nilai k yang terbaik untuk algoritma ini
tergantung pada data. Secara umum, nilai k yang tinggi akan
mengurangi efek noise pada klasifikasi, tetapi membuat batasan
antara setiap klasifikasi menjadi lebih kabur. Nilai k yang bagus
dapat dipilih dengan optimasi parameter, misalnya dengan
menggunakan cross-validation. Kasus khusus di mana
klasifikasi diprediksikan berdasarkan data pembelajaran yang
paling dekat (dengan kata lain, k = 1) disebut algoritma k-
KOPERTIP: Jurnal Ilmiah Manajemen Informatika dan Komputer Vol. 04, No. 01, April 2020

nearest neighbor. Ketepatan algoritma k-NN ini sangat Kondisi Jumlah

NO NAMA Penghasilan Pekerjaan
Rumah Tanggungan
dipengaruhi oleh ada atau tidaknya fitur-fitur yang tidak 17 DAYAT Batako 500.000- Wirausaha 3
relevan, atau jika bobot fitur tersebut tidak setara dengan SUPRIYATNA 1.000.000
18 NURDIN Batu 500.000- Buruh 1
relevansinya terhadap klasifikasi. Riset terhadap algoritma ini Batu 1.000.000
sebagian besar membahas bagaimana memilih dan memberi 19 NASIRUDIN Beton >5.000.001 PNS 5
bobot terhadap fitur agar performa klasifikasi menjadi lebih … … … … … …
170 SUMADI Batako 500.000- Wirausaha 6
baik. Sesuai dengan prinsip kerja K-Nearest Neighbor yaitu 1.000.000
mencari jarak terdekat antara data yang akan dievaluasi dengan
k tetangga (neighbor) terdekatnya dalam data pelatihan. A. Preprocesing Data
Persamaan dibawah ini menunjukkan rumus perhitungan untuk
mencari jarak terdekat dengan d adalah jarak dan p adalah Data Cleaning atau PreProcessing bertujuan untuk
dimensi data. melakukan membersihkan data yang tidak lengkap, data yang
salah input atau data yang harus disesuaikan dengan kebutuhan
F. Data Mining pada algoritma K-NN, maka hasil data cleaning atau
preprocesing tersebut dapat di lihat pada tabel berikut ini :
Data mining adalah suatu istilah yang digunakan untuk
menemukan pengetahuan yang tersembunyi di dalam database. Tabel 3 Data Kriteria
Data mining merupakan proses semi otomatik yang Kriteria Nilai Bobot
menggunakan teknik statistik, matematika, kecerdasan buatan, Kondisi Rumah Bambu 4
dan machine learning untuk mengekstrasi dan menidentifikasi
Triplek 3
informasi pengetahuan potensial dan berguna yang bermanfaat
Batako 2
yang tersimpan di dalam database besar (Larose, 2005).
Batu Batu 1
Data mining adalah kegiatan menemukan pola yang menarik
Beton 0
dari data dalam jumlah besar, data dapat disimpan dalam
database, data warehouse, atau penyimpanan informasi lainnya. Penghasilan <500.000 4
Data mining berkaitan dengan bidang ilmu – ilmu lain, seperti 500.000-1.000.000 3
database system, data warehousing, statistik, machine learning, 1.000.001-3.000.000 2
information retrieval, dan komputasi tingkat tinggi. Selain itu, 3.000.001-5.000.000 1
data mining didukung oleh ilmu lain seperti neural network, >5.000.001 0
pengenalan pola, spatial data analysis, image database, signal Pekerjaan Buruh 4
processing. Petani 3
PNS 2
III. HASIL DAN PEMBAHASAN Wirausha 1
Data yang digunakan pada penelitian ini menggunakan data Pengusaha 0
sekunder yaitu data yang didapatkan dari panitia seleksi Jumlah Tanggungan >7 Orang 4
penerima bantuan langsung tunai Desa Ciperna Kabupaten 6-7 Orang 3
Cirebon sebanyak 170 data calon penerima, adapun data yang 4-5 Orang 2
digunakan dapat di lihat pada tabel berikut ini. 2-3 Orang 1
1 Orang 0
Tabel 2 Data Calon Penerima BLT
NO NAMA
Kondisi
Penghasilan Pekerjaan
Jumlah Tabel 4 Data Set
Rumah Tanggungan NO NAMA
Kondisi
Penghasilan Pekerjaan
Jumlah
Keterangan
Rumah Tanggungan
1 JUHRI Bambu <500.000 Buruh 4 1 JUHRI 4 4 4 2 Layak
2 SUWENDO Triplek 500.000- Buruh 3 2 SUWENDO 3 3 4 1 Layak
1.000.000 3 AKUB 2 2 3 2 Layak
3 AKUB Batako 1.000.001- Petani 4 4 IWAN 1 4 3 2 Layak
SUPRIYADI
3.000.000 5 ANDRI 0 3 4 3 Layak
4 IWAN Batu <500.000 Petani 5 WIJAYA
SUPRIYADI Batu 6 MISRI'AH 2 3 4 1 Layak
7 TURMINI 0 3 3 1 Tidak
5 ANDRI Beton 500.000- Buruh 6 Layak
WIJAYA 1.000.000 8 ANI SUMARNI 3 4 4 0 Layak
6 MISRI'AH Batako 500.000- Buruh 2 9 SAAN 2 3 1 1 Tidak
Layak
1.000.000 10 SAIN 1 3 4 2 Layak
7 TURMINI Batu 500.000- Petani 3 11 RADISA 0 0 2 1 Tidak
Batu 1.000.000 Layak
12 HENDRA 2 3 3 1 Layak
8 ANI SUMARNI Triplek <500.000 Buruh 1 GUNAWAN
9 SAAN Batako 500.000- Wirausaha 2 13 SULENDRI 3 3 3 1 Layak
1.000.000 14 ANDRIYANTO 2 2 4 2 Layak
10 SAIN Batu 500.000- Buruh 4 15 SUCIPTO 1 4 3 3 Layak
16 SUYATI 3 3 4 1 Layak
Batu 1.000.000
17 DAYAT 2 3 1 1 Tidak
11 RADISA Beton >5.000.001 PNS 2 SUPRIYATNA Layak
12 HENDRA Batako 500.000- Petani 2 18 NURDIN 1 3 4 0 Tidak
Layak
GUNAWAN 1.000.000 19 NASIRUDIN 0 0 2 2 Tidak
13 SULENDRI Triplek 500.000- Petani 3 Layak
1.000.000 20 SATIRA / 2 3 3 3 Layak
IYUT
14 ANDRIYANTO Batako 1.000.001- Buruh 5 21 H. NARIMA 1 2 3 1 Tidak
3.000.000 Layak
22 NUR HAYATI 3 4 4 1 Layak
15 SUCIPTO Batu <500.000 Petani 6
23 SOLEHA 2 3 1 0 Tidak
Batu Layak
16 SUYATI Triplek 500.000- Buruh 2 24 MOCHAMAD 1 3 4 1 Layak
SUBEHAN
1.000.000

DOI : https://doi.org/10.32485/kopertip.v4i1.114 5
Anwar Pauji : Implementasi Algoritma K-Nearest Neighbor Dalam Menentukan Penerima Bantuan Langsung Tunai

25 IDAH 0 0 2 2 Tidak
HAMIDAH Layak
26 CIMA 1 0 2 3 Tidak
Layak
27 MUHAMAD 3 3 3 1 Layak
ALI
28 RANA 2 2 3 1 Tidak
Layak
29 HADORI 1 3 4 0 Tidak
Layak
30 NURCAHYA 0 2 4 1 Tidak
ANGGRAENI Layak
31 GUPRONIS 3 4 3 2 Layak
32 KANI 2 3 4 0 Layak
33 UJANG DENI 4 3 3 2 Layak
34 M. THOHIR 3 2 3 3 Layak
AL.
35 MISKI 2 4 4 1 Layak
36 ELAH 1 3 3 1 Tidak
NUNGKILAH Layak
37 SUPENDI 3 3 4 2 Layak
38 MUKIDI 2 3 1 3 Layak
39 SUNADI 1 3 4 1 Layak
40 MUANI 0 0 2 1 Tidak Gambar 4 Model Algoritma K-NN
Layak
41
42
SUNIAH
JUNAEDI
2
3
3
2
3
3
2
3
Layak
Layak
Berdasarkan gambar di atas aplikasi yang digunakan yaitu rapid
43 MUSA 3 4 4 1 Layak miner versi 9.10 dengan operator retrive, Cross Validation,
44 RASUTI 2 3 4 1 Layak
45 NISEM 4 3 3 0 Layak Algoritma K-NN, Apply Model dan Performance.
46 MAS 3 3 4 1 Layak
JUNGKIR
47 ZAENAL
ARIFIN
2 0 2 2 Tidak
Layak
D. Hasil Akurasi
48 SANDRA 1 2 3 1 Tidak
Layak
49 DATUM 3 4 4 2 Layak
50 SUMADI 2 3 1 3 Layak

B. Transformasi Data
Data transformation dilakukan dengan memberikan inisialisasi
terhadap data yang memiliki nilai akan disesuaikan type data
yang dibutuhkan pada algorima K-NN. Type data yang
dibutuhkan yaitu Nominal dan real, Data tersebut dapat dilihat
pada gambar berikut ini :

Gambar 5 Hasil Akurasi

Gambar 2 Transfomasi
C. Model Damining
Penerapan model data mining dalam menentukan bantuan
langsung tunai dengan menggunakan algoritma K-NN pada
aplikasi Rapid Miner Versi 9.10 sebagai berikut :
Berdasarkan gambar diatas menjelaskan bahwa nilai akurasi
sebesar 68,82 % dengan rincian sebagai berikut.
a) Prediksi Layak dan Ternyata True Layak Sebesar 104
b) Prediksi Layak dan Ternyata True Tidak Layak Sebesar 37
c) Prediksi Tidak Layak dan Ternyata True Layak Sebesar 16
d) Prediksi Tidak Layak dan Ternyata True Tidak Layak
Sebesar 13
Dengan class recall layak sebesar 86,67% dan Class Recall
Tidak Layak Sebesar 26%.
IV. KESIMPULAN
Berdasarkan hasil penelitian ini menyimpulkan sebagai
berikut, kriteria yang digunakan untuk menentukan bantuan
langsung tunai yaitu kondisi rumah, pekerjaan, penghasilan dan
jumlah tanggungan. Aplikasi yang digunakan yaitu rapid miner
versi 9.10 dengan operator retrive, cross validation, algoritma
K-NN, apply model dan performance. Nilai akurasi sebesar
68,82 % dengan rincian sebagai berikut. prediksi layak dan
ternyata true layak sebesar 104. Prediksi layak dan ternyata true
tidak layak sebesar 37. Prediksi tidak layak dan ternyata true
layak Sebesar 16. Prediksi tidak layak dan ternyata true tidak
layak sebesar 13.

Gambar 3 Operator Pemanggilan data

V. DAFTAR PUSTAKA
[1] d. A. K. Irfan nurdiyanto, odi nurdiawan, nining
rahaningsih, ade irfma purnamasari, “penentuan

6
KOPERTIP: Jurnal Ilmiah Manajemen Informatika dan Komputer Vol. 04, No. 01, April 2020

keputusan pemberian pinjaman kredit menggunakan Komputer), vol. 8, no. 6, pp. 336–344, 2021, doi:
algoritma c.45,” j. Data sci. Dan inform., vol. 1, no. 1, 10.30865/jurikom.v8i6.3676.
pp. 16–20, 2021. [14] e. S. Nugraha, a. R. Padri, o. Nurdiawan, a. Faqih, and
[2] a. S. Kaslani, ade irma purnamasari, “pengembangan s. Anwar, “implementasi aplikasi pengaduan
media pembelajaran interaktif berbasis android pada masyarakat berbasis android pada gedung dprd,”
materi hidrokarbon,” j. Ict infirm. Comun. Technol., jurikom (jurnal ris. Komputer), vol. 8, no. 6, pp. 360–
vol. 5, no. 1, p. 37, 2021, doi: 366, 2021, doi: 10.30865/jurikom.v8i6.3679.
10.23887/jjpk.v5i1.33520. [15] r. Nurcholis, a. I. Purnamasari, a. R. Dikananda, o.
[3] i. A. Putri saadah, odi nurdiawan , dian ade kurnia, dita Nurdiawan, and s. Anwar, “game edukasi pengenalan
rizki amalia, “klasifikasi penerima beasiswa dengan huruf hiragana untuk meningkatkan kemampuan
menggunakan algoritma,” j. Data sci. Inform. ( jdsi ), berbahasa jepang,” build. Informatics, technol. Sci., vol.
vol. 1, no. 1, pp. 11–15, 2021. 3, no. 3, pp. 338–345, 2021, doi:
[4] i. A. Erliyana, odi nurdiawan, nining r, ade irma 10.47065/bits.v3i3.1091.
purnamasari, “klasifikasi penerima beasiswa dengan [16] h. Putri, a. I. Purnamasari, a. R. Dikananda, o.
menggunakan algoritma,” j. Data sci. Inform. ( jdsi ), Nurdiawan, and s. Anwar, “penerima manfaat bantuan
vol. 1, no. 1, pp. 11–15, 2021. non tunai kartu keluarga sejahtera menggunakan
[5] d. Anggarwati, o. Nurdiawan, i. Ali, and d. A. Kurnia, metode naïve bayes dan knn,” build. Informatics,
“penerapan algoritma k-means dalam prediksi technol. Sci., vol. 3, no. 3, pp. 331–337, 2021, doi:
penjualan,” j. Data sci. Inform. ( jdsi ), vol. 1, no. 2, pp. 10.47065/bits.v3i3.1093.
58–62, 2021. [17] h. Putri, a. I. Purnamasari, a. R. Dikananda, o.
[6] t. Hadi, n. Suarna, a. I. Purnamasari, o. Nurdiawan, and Nurdiawan, and s. Anwar, “penerima manfaat bantuan
s. Anwar, “game edukasi mengenal mata uang non tunai kartu keluarga sejahtera menggunakan
indonesia ‘ rupiah ’ untuk pengetahuan dasar anak- metode naïve bayes dan knn,” build. Informatics,
anak berbasis android,” jurikom (jurnal ris. Komputer), technol. Sci., vol. 3, no. 3, pp. 331–337, 2021, doi:
vol. 8, no. 3, pp. 89–98, 2021, doi: 10.47065/bits.v3i3.1093.
10.30865/jurikom.v8i3.3609. [18] k. S. H. K. Al atros, a. R. Padri, o. Nurdiawan, a. Faqih,
[7] o. Nurdiawan, r. Herdiana, and s. Anwar, “komparasi and s. Anwar, “model klasifikasi analisis kepuasan
algoritma naïve bayes dan algoritma k-nearst neighbor pengguna perpustakaan online menggunakan k-means
terhadap evaluasi pembalajaran daring,” smatika j., vol. dan decission tree,” jurikom (jurnal ris. Komputer), vol.
11, no. 02, pp. 126–135, 2021, doi: 8, no. 6, pp. 323–329, 2022, doi:
10.32664/smatika.v11i02.621. 10.30865/jurikom.v8i6.3680.
[8] a. Rinaldi d. Subandi, husein odi nuriawan, [19] ramadhona,e.w. Game edukasi “nihongo kurabu”
“augmented reality dalam mendeteksi produk rotan belajar bahasa menggunakan unity 2d berbasis android
menggunakan metode multimedia development life
cycle ( mdlc ),” means (media inf. Anal. Dan sist., vol.
6, no. 2, pp. 135–141, 2021.
[9] h. S. Mr agis, o. Nurdiawan, g. Dwilestari, and n.
Suarna, “sistem informasi penjualan motor bekas
berbasis android untuk menigkatkan penjualan di
mokascirebon.com,” jurikom (jurnal ris. Komputer),
vol. 8, no. 6, pp. 205–212, 2021, doi:
10.30865/jurikom.v8i6.3629.
[10] d. Teguh, a. Ade, b. Riyan, t. Hartati, d. R. Amalia, and
o. Nurdiawan, “smart school sebagai sarana informasi
sekolah di sdit ibnu khaldun cirebon,” jurikom (jurnal
ris. Komputer), vol. 8, no. 6, pp. 284–293, 2021, doi:
10.30865/jurikom.v8i6.3681.
[11] i. Kepuasan, p. Informa, a. Febriyani, g. K. Prayoga,
and o. Nurdiawan, “index kepuasan pelanggan informa
dengan menggunakan algoritma c.45,” jurikom (jurnal
ris. Komputer), vol. 8, no. 6, pp. 330–335, 2021, doi:
10.30865/jurikom.v8i6.3686.
[12] k. S. H. K. Al atros, a. R. Padri, o. Nurdiawan, a. Faqih,
and s. Anwar, “model klasifikasi analisis kepuasan
pengguna perpustakaan online menggunakan k-means
dan decission tree,” jurikom (jurnal ris. Komputer), vol.
8, no. 6, pp. 323–329, 2022, doi:
10.30865/jurikom.v8i6.3680.
[13] f. Febriansyah, r. Nining, a. I. Purnamasari, o.
Nurdiawan, and s. Anwar, “pengenalan teknologi
android game edukasi belajar aksara sunda untuk
meningkatkan pengetahuan,” jurikom (jurnal ris.

DOI : https://doi.org/10.32485/kopertip.v4i1.114 7