12341-Article Text-5366-1-10-20180806
12341-Article Text-5366-1-10-20180806
2 /ISSN: 2355-6684
salah satu program pemerintah pusat Klasisifkasi data terdiri dari dua
yang diluncurkan pada tahun 2009, langkah proses, yang pertama adalah
yang telah direalisasikan sebanyak proses learning (fase training)
tiga tahap di seluruh wilayah Negara dimana algoritma klasifikasi dibuat
Republik Indonesia. untuk menganalisa data training lalu
direpresentasikan dalam bentuk rule
klasifikasi, proses kedua adalah
II. METODE PENELITIAN
klasifikasi dimana data tes digunakan
Metode naive bayes merupakan untuk memperkirakan akurasi dari
suatu metode untuk menghasilkan rule klasifikasi [3]. Proses klasifikasi
estimasi parameter dengan didasarkan pada empat komponen
menggabungkan informasi dari yaitu [4]:
sampel dan informasi lain yang telah 1. Kelas yaitu variabel dependen
tersedia sebelumnya [1]. Klasifikasi yang berupa kategorikal yang
Bayes didasarkan pada teorema merepresentasikan label yang
Bayes. Studi yang membandingkan terdapat pada objek.
alogoritma-alogoritma klasifikasi 2. Predictor yaitu variabel
telah menemukan sebuah klasifikasi independen yang direpresentasikan
Bayes yang sederhana yang dikenal oleh karakteristik atribut data.
sebagai klasifikasi Naive bayes. Naive 3. Training dataset yaitu satu set data
bayes klasifikasi adalah metode yang yang berisi nilai dari kedua
berdasarkan probabilitas dan teorema komponen diatas yang digunakan
bayesian dengan asumsi bahwa setiap untuk menentukan kelas yang
variabel bersifat bebas cocok berdasarkan predictor.
(independence) dan mengasumsi 4. Testing dataset yaitu data baru
bahwa keberadaan sebuah fitur yang akan diklasifikasikan oleh
(variabel) tidak ada kaitannya dengan model yang telah dibuat dan
keberadaan fitur (variabel) yang lain. akurasi klasifikasi dievaluasi.
Teknik data mining dibagi menjadi
beberapa kelompok berdasarkan tugas Metode Naive bayes merupakan
yang dapat dilakukan yaitu deskripsi, salah satu metode machine learning
estimasi, prediksi, klasifikasi, yang menggunakan perhitungan
clustering, asosiasi [2]. probabilitas [5]. Alogaritma ini
Klasifikasi adalah proses memanfaatkan metode probabilitas
penemuan model atau fungsi yang dan statistik [6], yaitu memprediksi
menggambarkan dan membedakan probabilitas di masa depan
kelas data atau konsep yang bertujuan berdasarkan pengalaman di masa
agar bisa digunakan untuk sebelumnya.
memprediksi kelas dari objek yang Metode Bayes menggunakan
label kelasnya tidak diketahui [3]. propabilitas bersyarat sebagai
Nusantara of Engineering/Vol. 3 / No. 2 /ISSN: 2355-6684 54
Tidak Mampu
1 tahun sekali
Tidak punya
tidak pernah
Bkn. Listrik
Kayu Bakar
Learning :
Untuk setiap kategori :
Rendah
Sumur
Buruh
Dapat
Malik
a. Hitung
Tdk
6m
SD
2x
p (cj)
b. Hitung
p (wk | cj)
Untuk
setiap kata Tabel 2. Tabel Testing
wk pada
model
Dapat /
Nama
A B C D E F G H I J K L M
tidak
1tahun sekali
Tidak punya
Classifier :
Kayu bakar
Setiap hari
a. Hitung P
Mampu
Sumur
Tinggi
Listrik
Petani
Yanto
(cj) ∏ P(wk
?????
Tdk
SD
7m
2x
| cj)
untuk
setiap
kategori
Keterangan :
b. Tentukan
kategori
A = Luas lantai bangunan tempat
dengan
nilai P (cj)
tinggal (Kurang dari 8 m per
∏ P(wk | cj) orang/ tanah /bambu/ kayu
maksimal
murahan) - lantai
B = Jenis dinding bangunan tempat
Gambar 1. Tahapan Proses tinggal (Berkualitas rendah/
Klasifikasi Dokumen Naive bayes tembok tanpa plester) - dinding
C = Fasilitas tempat buang air besar
Tabel 1. Keputusan Penerimaan (Tidak punya/ bersama-sama
Bantuan Sosial Warga Desa Baleturi dengan rumah tangga lain) -
Kriteria Rumah Tangga Miskin Menurut Badan Pusat
kmwc
Keputusan
Nama
Kayu Bakar
Bkn Listrik
Sumur
Petani
Dapat
Misto
sekali
Tdk
hujan) -air
SD
7m
2x
Kayu Bakar
Bkn Listrik
Sumur
Buruh
Dapat
Soleh
Tdk
7m
SD
2x
Mampu
Sumur
Tinggi
Listrik
Punya
Petani
Masri
Tidak
SD
Ya
3x
Punya
sekali
listrik
Tidak
Kuli
7m
SD
Dapat /
Nama
A B C D E F G H I J K L M
tidak
III. ANALISIS SISTEM
Data yang digunakan adalah data
Kayu bakar
Setiap hari
Mampu
Sumur
Tinggi
Petani
punya
Yanto
Tidak
listrik
Tidak
penduduk desa Baleturi dari 13 point
Tdk
SD
7m
2x
1
antara penerima bantuan dengan yang 5. Mendapatkan Merupakan use case yang
tidak menerima bantuan. Kemudian criteria di peroleh dari kriteria
penduduk untuk
proses learning akan menghitung
memenuhi syarat
probabilitas pada setiap kategori dan mendapatkan bantuan.
menentukan frekuensi dari setiap kata 6. Hasil Merupakan usecase
yang muncul pada setiap kategori Pemberian untuk melihat data siapa
tersebut untuk nantinya Bantuan8 yang mendapatkan
bantuan
diklasifikasikan.
melakukan semua
pengolahan data pada
F Tambah
2. Login Merupakan use case Prose
s
Data
Proses Pencarian
untuk memeriksa akses hapu
s
T Naïve Bayes
Mulai
Input data
Output hasil
A. Halaman Menu Login
Pada halaman login adalah
Selesai tampilan halaman login user masuk
ke halaman utama program.User
Gambar 5. Alur Pencarian data
harus memasukan username dan
bantuan sosial keluarga Pra-Sejahtera
password untuk masuk. Adapun
Menggunakan Metode Naive bayes.
tampilan halaman login sebagai
berikut :
C. Desain Database
Perancangan sistem database
untuk sistem ini menggunakan tool
software yaitu power designer. Dalam
sistem, database ini digunakan
sebagai media penyimpanan data.
B. Halaman Menu
B. Saran
Penelitian ini dapat diterapkan
dalam pendataan bantuan sosial
keluarga pra-sejahtera, karena dengan
diterapkannya penelitian ini dengan
Keterangan : Pada menu cetak data
baik dapat memudahkan pengguna
ini admin dapat mencetak data
untuk mendata penerimaan bantuan
penduduk yang sebelumnya masih
sosial keluarga pra-sejahtera secara
berupa database MySql menjadi PDF.
cepat. Pada penelitian selanjutnya
dapat di kembangkan lagi
VI. SIMPULAN DAN SARAN menggunakan metode-metode lain
A. Simpulan yang lebih akurat dalam prediksi
Masalah kemiskinan sudah tidak pemilihan warga yang memerlukan
asing lagi bagi kita, namun bantuan sosial keluarga pra-sejahtera.
Nusantara of Engineering/Vol. 3 / No. 2 /ISSN: 2355-6684 62