SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN PENERIMA

BANTUAN PROGRAM KELUARGA HARAPAN (PKH)

MENGGUNAKAN METODE NAIVE BAYES

Proposal Penelitian

Oleh :
HARTINI SELAN
F1G118040

PROGRAM STUDI ILMU KOMPUTER

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HALU OLEO
KENDARI
2021
 BAB I

PENDAHULUAN

1.1. Latar Belakang

Program Keluarga Harapan (PKH) adalah program yang memberikan

bantuan tunai bersyarat kepada Rumah Tangga Sangat Miskin (RTSM/KSM) yang

telah ditetapkan sebagai peserta PKH dengan ketentuan tertentu (Fitriani, 2020).

Program Keluarga Harapan (PKH) adalah suatu program penanggulangan

kemiskinan. Kedudukan PKH merupakan bagian dari program-program

penanggulangan kemiskinan lainnya. program keluarga harapan adalah suatu

program yang memberikan bantuan tunai kepada rumah Tangga Sangat Miskin

(RTSM), jika mereka memenuhi persyaratan yang terkait dengan upaya

peningkatan kualitas sumber daya manusia (SDM), yaitu pendidikan dan

kesehatan (Kementrian Sosial,2020). Pelaksanaan keluarga harapan yang

bertempat di Kelurahan Abeli Kecamatan Abeli Kota Kendari sudah lama

dilaksanakan sejak disahkan kebijakan bantuan tersebut oleh pemerintah. Namun

berdasarkan data terakhir, RTSM peserta PKH masih merupakan persentase yang

kecil dari jumlah RTSM yang tersebar di kelurahan Abeli, dalam hal ini Negara

belum mampu melaksanakan fungsi perlindungan sosial secara optimal. Pendataan

RTSM di kelurahan Abeli penerima PKH masih menggunakan sistem manual.

Masyarakat sekitar masih mempermasalahkan adanya peserta atau calon peserta

PKH yang dinilai tidak memenuhi kriteria atau tergolong RTSM, sementara pada

saat yang bersamaan terdapat RTSM yang justru tidak masuk atau tidak terdata

sebagai calon peserta PKH. Artinya selain RTSM yang sudah terdata, masih
banyak yang belum terdata. Situasi ini mengindikasikan metode pendataan dan

penentuan prioritas sasaran belum tepat. Berdasarkan persoalan tersebut penelitian

ini akan membahas dan membuat sistem pendukung keputusan yang diharapkan

dapat membantu penyeleksi dalam pemilihan calon penerima PKH yaitu berupa

kelayakan calon penerima dan sebagai rekomendasi dari pengambilan keputusan

untuk memilih keluarga yang tepat untuk menerima PKH. Setiap warga memiliki

nilai kriteria yang berbeda-beda terhadap penentuan syarat dan penyeleksi

penentuan calon keluarga mana yang layak dan tepat. Oleh sebab itu maka

diperlukan sebuah sistem yang dapat digunakan untuk melakukan seleksi terhadap

calon penerima PKH dari RTSM yang terdata di kelurahan Abeli. Oleh karena itu

penulis mengangangkat topik “ Sistem Pendukung Keputusan Menentukan

Penerima Bantun Program Keluarga Harapan (PKH)” dengan tujuan membangun

sebuah sistem untuk membantu pemilihan calon penerima PKH di kelurahan Abeli

dengan mengimplementasikan metode Naïve Bayes untuk menganalisa data dan

ketentuan syaratnya.

Sistem pendukung keputusan adalah konsep spesifik sistem yang

menghubungkan komputerisasi informasi dengan para pengambil keputusan

sebagai pemakainya (Fristy et al., 2017). Secara sederhana tujuan dari sistem

pendukung keputusan adalah untuk membantu user dalam menetukan keputusan.

Ada beberapa metode yang dapat digunakan dalam sistem pendukung keputusan

salah satunya adalah menggunakan metode naive bayes.

Naive Bayes merupakan metode yang tidak memiliki aturan. Naive Bayes

menggunakan cabang matematika yang dikenal dengan teori probabilitas untuk

mencari peluang terbesar dari kemungkinan klasifikasi, dengan cara melihat

frekuensi tiap klasifikasi pada data training (Fitriani, 2020). Naive Bayes

merupakan salah satu algoritma untuk menentukan uji kelayakan terhadap

Penerima Program Keluarga Harapan (PKH).

1.2. Rumusan Masalah

Rumusan masalah yang dapat diambil dari latar belakang tersebut adalah

Bagaimana membangun sistem pendukung keputusan dengan menerapkan metode

naive bayes untuk menentukan keluarga penerima bantuan sosial Program

Keluarga Harapan (PKH).

1.3. Tujuan Penelitian

Tujuan dari penelitian ini menjawab dari perumusan masalah yang telah

diajukan, yaitu untuk membangun sebuah sistem pendukung keputusan

menggunakan metode naïve bayes untuk menentukan keluarga yang layak sebagai

penerima bantuan sosial PKH.

1.4. Manfaat Penelitian

Manfaat dari penelitian ini untuk mempermudah pengambilan keputusan

pada penerima bantuan program keluarga harapan di kelurahan Abeli kecamatan

Abeli Kota Kendari.

1.5. Batasan Masalah

Untuk membatasi ruang lingkup permasalahan yang akan dibahas agar

tercapai tujuan dan sasaran maka peneliti membuat batasan masalah sebagai

berikut :

1. data yang digunakan adalah data penerima PKH berdasarkan kriteria-

 kriteria yang telah ditetapkan oleh kementrian sosial dalam penentuan

penerima Program Keluarga Harapan.

2. Penelitian ini hanya membahas perhitungan kelayakan dalam seleksi

penerima bantuan sosial Program Keluarga Harapan (PKH) di

Kelurahan Abeli Kecamatan Abeli Kota Kendari.

 BAB II

TINJAUAN PUSTAKA

2.1. Penelitian Terkait

Tabel 2.1 Penelitian Terdahulu

No. Penulis Tahun Judul Penelitian Metode

1. Intan Putri Pratiwi, FX. 2019 Sistem Pendukung_Keputu Simple Additive

Ferdinandus dan  san Penerima Program Weighting

Arthur Daniel Keluarga Harapan (PKH)

Limantara Menggunakan Metode

Simple Additive Weighting

2. Okta Jaya HarmajaMar 2020 Sistem Penunjang  Technique For

ia, Septina Hutauruk Keputusan Penerima Orders Reference

dan Maria Simarmata Program Keluarga By By Similarity To

Harapan Dengan Ideal Solution

Menggunakan Metode (Topsis)

Topsis

3. Nidya 2020 Penerapan Metode Analytical

Kusumawardhany Analytical Hierarchy Hierarchy Process

Process (Ahp) Dan Simple (Ahp) Dan Simple

Additive Weighting Additive Weighting

(Saw)Untuk Penentuan  (Saw)

Penerima  Bantuan Sosial

Pandemi Covid-19

4. Diana, Suzy Oktavia 2020 Sistem Pendukung Analytical

Kunang dan Iin Seprina Keputusan Pemilihan Hierarchy Process

Lokasi Usaha Jasa Umkm –Weighted Product

Menerapkan Analytical
 Hierarchy Process – Method

Weighted Product Method

5. Wahyu Hadikristanto 2019 Penerapan Algoritma Naïve Bayes

dan Nasai Genetika Dalam

Memprediksi Penerima

Program Keluarga

Harapan Dengan Metode

Naïve Bayes

6. Diana ade setiawan, 2021 Penerapan Metode Naïve Naïve bayes

risa helilintar, lilia sinta Bayes Untuk Klasifikasi

dan wahyuniar Penentuan Penerima PKH

7. Fristy Riandari , Paska 2017 Sistem Pendukung TOPSIS

Marto Hasugian, Insan Keputusan Menggunakan

Taufik Metode Topsis Dalam

Memilih Kepala

Departemen Pada Kantor

Balai Wilayah Sungai

Sumatera II Medan

8. Fajar Nugrahaa, Bayu 2012 Sistem Pendukung Metode simple

Surarso dan Beta Keputusan Evaluasi additive weighting

Noranita Pemilihan Pemenang (SAW)

Pengadaan Aset Dengan

Metode Simple Additive

Weighting (SAW)

9. Nurut Thoyibah, 2020 Sistem Pendukung Metode Smart

 Latipah, dan Achmad Keputusan Penerimaan

Muchayan Siswa Baru Menggunakan

Metode Smart (Studi

Kasus: SD Luqman Al-

Hakim, Surabaya)

Nurut

10. Amin Abdullah Sidiq 2020 Algoritma Naive Bayes Naïve bayes

dan Febrian Wahyu Untuk Penentuan Pkh

Christanto (Program Keluarga

Harapan) Berbasis Sistem

Pendukung Kepu- Tusan

(Studi Kasus: Kelurahan

Karanganyar Gunung Se-

Marang)

Intan Putri Pratiwi1, FX. Ferdinandus , dan Arthur Daniel Limantara

(2019) dalam penelitian mereka yang berjudul “Sistem Pendukung Keputusan

Penerima Program Keluarga Harapan (PKH) Menggunakan Metode Simple

Additive Weighting” berpendapat bahwa Metode Simple Additive Weighting

merupakan salah satu metode yang dapat digunakan dalam sistem pendukung

keputusan untuk menguji akurasi kelayakan penerima program keluarga harapan

(PKH) agar penyalurannya tepat sasaran. Metode simple additive weighting dapat

diusulkan sebagai salah satu pendekatan yang dapat dilakukan untuk

menentukan penerima PKH berdasarkan data penerima bantuan program

keluarga harapan sesuai dengan kriteria-kriteria yang digunakan dalam penentuan

penerima Program Keluarga Harapan. Adapun kesimpulan yang didapatkan dari

penelitian ini adalah Metode Simple Additive Weighting dapat diterapkan dalam

sistem pendukung keputusan penerima program keluarga harapan. Sistem ini

digunakan sebagai acuan bagi pihak Desa Joho Kecamatan Wates untuk

menentukan penerima bantuan. Dengan sistem ini maka akan menjadikan kinerja

pihak Desa Joho dalam menentukan bantuan menjadi lebih mudah dan resiko

kecurangan menjadi lebih kecil. Perbedaan antara penelitian terdahulu dengan

penelitian penulis sekarang adalah pada metode yang dilakukan yaitu pada

penelitian ini penulis menggunakan metode naïve bayes sedangkan peneliitian

sebelumnya menggunakan metode Simple Additive Weighting (SAW).

Wahyu Hadikristanto dan Nasai (2019) dalam penelitian mereka yang

berjudul “Penerapan Algoritma Genetika Dalam Memprediksi Penerima Program

Keluarga Harapan Dengan Metode Naïve Bayes” mengungkapkan bahwa Dari

penerapan metode yang diterapkan yaitu Naïve Bayes dapat di ketahui bahwa

metode Naïve Bayes lebih baik kinerjanya dalam penelitian penentuan program

PKH dari sejumlah data 500 calon penerima program PKH dan bisa menentukan

butuh dan tidak butuh menerima bantuan program PKH tersebut. Dan hasil yang

diperoleh dari pengujian ialah penggunaan metode naive bayes saja pada

klasifikasi mendapatkan hasil nilai akurasi yang paling optimal sebesar 94,80%.

Kemudian sama halnya Precision juga mendapatkan hasil nilai sebesar 97,68%,.

Kemudian recall juga mendapatkan hasil nilai sebesar 88,39%,. Hal ini dengan

demikian dapat meningkatkan hasil nilai akurasi dari algoritma naive bayes

sehingga menghasilkan akurasi yang lebih optimal. Perbedaan antara penelitian

yang penulis lakukan dan peneliti terdahulu yaitu pada penelitian terdahulu

tentang Penerapan Algoritma Genetika Dalam Memprediksi Penerima Program

Keluarga Harapan Dengan Metode Naïve Bayes sedangankan pada penelitian

penulis sekarang tentang sistem pendukung keputusan dalam menentukan

penerima PKH dengan menggunakan metode naïve bayes.

Sistem Pendukung Keputusan seleksi calon penerima Program

Keluarga Harapan dengan menggunakan metode TOPSIS telah berhasil dibangun

dan disimulasikan. Sistem yang dihasilkan telah memenuhi tujuan awal dari

penelitian yaitu untuk membuat suatu sistem yang efektif dalam pendataan dan

pemrosesan pelaksanaan program PKH. Sistem juga dapat mempercepat proses

seleksi calon penerima PKH dengan hasil yang transaparan dan dapat

dipertanggungjawabkan.Penelitian tersebut memiliki perbedaan dengan

penelitian yang dilakukan penulis, yaitu pada metode yang digunakan, dimana

penelitian tersebut menggunakaan metodeTechnique For Orders Reference by

Similarity to Ideal Solution (TOPSIS) sedangkan penelitian yang dilakukan

penulis, menggunakaan metode Naïve Bayes

2.2. Program Keluarga Harapan (PKH)

PKH merupakan salah satu program perlindungan sosial di Indonesia

dalam bentuk bantuan sosial. Bantuan ini diberikan kepada keluarga miskin dan

rentan miskin dengan persyaratan tertentu dimana mereka terdaftar dalam Data

Terpadu Kesejahteraan Sosial (DTKS) (Kementerian Sosial, 2021). Program

Keluarga Harapan merupakan program penerima bantuan sosial bersyarat.

Mekanisme PKH dilaksanakan mulai dari perencanaan, penetapan calon peserta

PKH, validasi data calon penerima manfaat PKH, penetapan keluarga penerima

manfaat (KPM) PKH, penyaluran bantuan sosial PKH, pendampingan PKH,

peningkatan kemampuan keluarga, verifikasi komitmen KPM PKH, pemutakhiran

data KPM PKH dan transformasi kepesertaan PKH. PKH memiliki tujuan sebagai

berikut :

1. Meningkatkan taraf hidup KPM melalui akses layanan pendidikan,

kesehatan, dan kesejahteraan sosial.

2. Mengurangi beban pengeluaran dan meningkatkan pendapatan keluarga

miskin dan rentan

3. Menciptakan perubahan perilaku dan kemandirian KPM dalam mengakses

layanan kesehatan dan pendidikan serta kesejahteraan sosial

4. Mengurangi kemiskinan dan kesenjangan

5. Mengenalkan manfaat produk dan jasa keuangan formal kepada KPM

Berdasarkan Buku Pedoman Pelaksanaa PKH tahun 2021. Penerima PKH

dapat dibedakan berdasarkan komponen Kesehatan, Pendidikan dan

Kesejahteraan Sosial. Setiap komponen memiliki kriteria dengan rincian berikut:

a. Kriteria Komponen Kesehatan meliputi:

1) Ibu hamil/nifas/menyusui

2) Anak berusia 0 (nol) sampai dengan 6 (enam) tahun

b. Kriteria Komponen Pendidikan meliputi:

1) Anak SD/MI atau sederajat

2) Anak SMP/MTs atau sederajat

3) Anak SMA/MA atau sederajat

 4) Anak usia enam sampai dengan 21 (dua puluh satu) tahun yang belum

menyelesaikan wajib belajar 12 (dua belas) tahun.

c. Kriteria Komponen Kesejahteraan Sosial meliputi:

1) Lanjut usia mulai dari 60 (enam puluh tahun)

2) Penyandang disabilitas berat

2.3. Sistem Pendukung Keputusan

Sistem pendukung keputusan adalah konsep spesifik sistem yang

menghubungkan komputerisasi informasi dengan para pengambil keputusan

sebagai pemakainya (Fristy et al., 2017). Sistem Pendukung Keputusan sebuah

aplikasi berupa Sistem Pendukung Keputusan (SPK) atau Decision Support

System mulai dikembangkan pada tahun 1970. Decision Support System (DSS)

dengan didukung oleh sebuah sistem informasi berbasis komputer dapat

membantu seseorang dalam meningkatkan kinerjanya dalam pengambilan

keputusan . SPK merupakan suatu sistem yang interaktif, yang membantu

mengambil keputusan melalui penggunaan data dan model-model keputusan

untuk memecahkan masalah yang sifatnya semi terstruktur maupun yang tidak

terstruktur (Thoyibah et al., 2021).

2.3.1 Bentuk Keputusan

Menurut Haris dalam Sri Kusumadewi, Elya Gustri Wahyuni dan Sri

Mulyati(2021) menjelaskan bahwa ada empat macam bentuk keputusan yaitu

decision whether, decision which, contigent decisions dan contigent alternatives.

1. Decision whether

Decision whether merupakan suatu bentuk keputusan ysng berupa jawaban

ya atau tidak. Keputusan ini biasanya harus dibuat sebelum kita melanjutkan

dengan pemilihan alternatif.

2. Decision which

Decision which merupakan bentuk keputusan dengan memilih satu atau

beberapa alternative dari sekumpulan alternative berdasarkan kriteria tertentu.

3. Contingent decisions

Pada contingent decisions beberapa keputusan telah dibuat, namun belum

dieksekusi hingga satu atau beberapa kondisi terjadi.

4. Contingent alternatives

Contingent alternatives ini seperti halnya contingent decisions, namun ada

beberapa pilihan tindakan yang akan dilaksanakan.

2.3.2 Pendekatan Pengambilan Keputusan

Menurut Haris dalam Sri Kusumadewi, Elya Gustri Wahyuni dan Sri

Mulyati(2021) menjelaskan bahwa ada dua pendekatan pengambilan keputusan

yaitu authoritarium (otoriter) dan group (grup). Pendekatan otoriter, keputusan

diambil oleh manajer (pimpinan tertinggi) dan selanjutnya manejer akan

menjeleskan keputusan tersebut pada anggota kelompok. Pada pendekatan grup,

keputusan diambil secara bersama-sama dengan terlebh dahulu melakukan

analisis masalah (Kusumadewi dkk., 2021).

Menurut turban dan aronsom dalam Menurut Haris dalam Sri

Kusumadewi, Elya Gustri Wahyuni dan Sri Mulyati(2021) menjelaskan bahwa

prosedur pengambilan keputusan meliputi enam tahapan sebagai berikut :

1. Identifikasi keputusan dan keselarasannya dengan tujuan yang diharapkan.

2. Cari fakta-fakta yang mendukung.

3. Cari beberapa alternatif.

4. Berikan penilaian terhadap setiap alternatif.

5. Berikan penilaian terhadap risiko yang timbul pada setiap alternatif.

6. Ambil keputusan dan laksanakan.

2.3.3 .Komponen-Kompoen Sistem Pendukung Keputusan

Secara garis besar sistem pendukung keputusan dibangun oleh

tiga komponen utama yaitu:

1) Subsistem Data (Database)

Sub sistem data merupakan komponen sistem pendukung keputusan yang

berguna sebagai penyedia data bagi sistem. Data tersebut disimpan untuk 

Diorganisasikan dalam sebuah basis data yang diorganisasikan oleh suatu sistem

yang disebut dengan sistem manajemen basis data (Database Management

System).

2) Subsistem Model (ModelBase)

Model adalah suatu tiruan dari alam nyata.Kendala yang sering dihadapi

Dalam merancang model adalah bahwa model yang dirancang tidak

 Mampu mencerminkan seluruh variable alam nyata, sehingga keputusan

yang diambil tidak sesuai dengan kebutuhan oleh karena itu,dalam menyi-mpaan 

berbagai model harus diperhatikan dan harus dijaga fleksibelnya.

3) Subsistem Dialog (User System Interface)

Subsistem dialog adalahfasilitas yang mampu mengintegrasikan sistem

yang terpasang dengan pengguna secara interaktif, yang dikenal dengan 
Sub sistem dialog. Melaluisubsistem dialog sistem diimplementasikan 

Sehingga pengguna dapat berkomunikasi dengan sistem yang dibuat.

2.3.4 Karakteristik Sistem Pendukung Keputusan

Karakteristik dari sistem pendukung keputusan (Mbau & Gunt, n.d.)

adalah sebagi berikut.

1. Mendukung pengambilan keputusan untuk membahas masalah-masalah

terstruktur, semi struktur, dan tidak terstruktur

2. Output ditujukan bagi personil organisasi dalam semua tingkatan

3. Mendukung di semua fase proses pengambilan keputusan: intelegensi, desain,

pilihan.

4. Adanya interface manusia atau mesin, dimana manusia (user) tetap mengontrol

proses pengambilan keputusan

5. Menggunakan model-model metematis dan statistik yang sesuai dengan

pembahasan

6. Memiliki kemampuan dialog untuk memperoleh informasi sesuai dengan

kebutuhan

7. Memiliki subsistem-subsistem yang terintegrasi sedemikian rupa sehingga

dapat berfungsi sebagai kesatuan sistem

8. Membutuhkan struktur data komprehensif yang dapat melayani kebutuhan

informasi seluruh tingkatan manajemen

9. Pendekatan easy to use. Ciri suatu sistem pendukung keputusan yang efektif

adalah kemudahannya untuk digunakan dan memungkinkan keleluasaan

pemakai untuk memilih atau mengembangkan pendekatan- pendekatan baru

 dalam membahas masalah yang dihadapi

10. Kemampuan sistem untuk beradaptasi secara cepat, dimana pengambil

keputusan dapat menghadapi masalah-masalah baru dan pada saat yang sama

dapat menanganinya dengan cara mengadaptasikan sistem terhadap kondisi-

kondisi perubahan yang terjadi (Turban et al., 2005).

2.4. Naïve Bayes

Naive Bayes merupakan metode yang tidak memiliki aturan. Naive Bayes

menggunakan cabang matematika yang dikenal dengan teori probabilitas untuk

mencari peluang terbesar dari kemungkinan klasifikasi, dengan cara melihat

frekuensi tiap klasifikasi pada data training (Fitriani, 2020). Naive Bayes

merupakan sebuah pengklasi fikasian probabilistik sederhana yang menghitung

sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari

dataset yang diberikan. Algoritma mengunakan teorema Bayes dan

mengasumsikan semua atribut independen atau tidak saling ketergantungan yang

diberikan oleh nilai pada variabel kelas. Definisi lain mengatakan Naive Bayes

merupakan pengklasifikasian dengan metode probabilitas dan statistik yang

dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di

masa depan berdasarkan pengalaman di masa sebelumnya. Naive Bayes

didasarkan pada asumsi penyederhanaan bahwa nilai atribut secara kondisional

saling bebas jika diberikan nilai output. Dengan kata lain, diberikan nilai output,

probabilitas mengamati secara bersama adalah produk dari probabilitas individu.

Keuntungan penggunaan Naive Bayes adalah bahwa metode ini hanya

membutuhkan jumlah data pelatihan (Training Data) yang kecil untuk

menentukan estimasi paremeter yang diperlukan dalam proses pengklasifikasian.

Naive Bayes sering bekerja jauh lebih baik dalam kebanyakan situasi dunia nyata

yang kompleks dari pasda yang diharapkan (Saleh, 2015). Persamaan metode

Naïve Bayes adalah sebagai berikut :

P ( X∨H ) . P( H ) (2.1)
P ( H| X )=
P(X )
Keterangan :

X : Data dengan class yang belum diketahui

H : Hipotesis data merupakan suatu class spesifik

P ( H| X ) : Probabilitas hipotesis H berdasar kondisi X (posteriori

probabilitas)

P( H ) : Probabilitas hipotesis H (prior probabilitas)

P ( X|H ) : Probabilitas X berdasarkan kondisi pada hipotesis H

P(X ) : Probabilitas X

Pada metode naïve bayes untuk klasifikasinya memerlukan petunjuk untuk

menentukan kelas apa yang cocok bagi sampel yang dianalisis tersebut. Oleh

karena itu metode naïve bayes di atas dapat disesuaikan sebagai berikut.

P ( C ) P(F 1… Fn∨C ) (2.2)

P (C|F1…Fn) =
P(F 1 … Fn)
Variabel C merepresentasikan kelas, sementara variabel F1 ... Fn

merepresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan

klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sampel

karakteristik tertentu dalam kelas C (Posterior) adalah peluang munculnya kelas C

(sebelum masuknya sampel tersebut, seringkali disebut prior), dikali dengan

peluang kemunculan karakteristik-karakteristik sampel pada kelas C (disebut juga

likelihood), dibagi dengan peluang kemunculan karakteristik-karakteristik sampel

secara global (disebut juga evidence). Langkah-langkah algoritma naïve bayes

(Suntoro, 2019) adalah sebagai berikut:

1. siapkan dataset.

2. hitung jumlah kelas pada data training.

3. Hitung jumlah kasus yang sama dengan kelas yang sama.

4. Kalikan semua hasil sesuai dengan data testing yang akan dicari kelasny.

5. Bandingkan hasil per kelas, nilai tertinggi ditetapkan sebagai kelas baru.

2.5. Metode waterfall

Model SDLC air terjun (waterfall) sering juga disebut model sekuensial

linier (sequential linier) atau alur hidup klasik (classic life). Model air terjun

menyediakan pendekatan alur hidup perangkat lunak secara sekuensial atau

terurut dimulai dari analysis, design, coding, testing, dan maintenance ((A.S &

Shalahuddin, 2016). Metode Waterfall merupakan sebuah metode dalam

pengembang perangkat lunak yang sangat sistematis karena model pengembangan

ini sangat terstruktur atau teratur dalam setiap prosesnya (Setiawan dkk., 2021)
 Gambar 2.4.1. Tahapan metode waterfall (Setiawan dkk., 2021)

Penjelasan tahapan metode waterfall (Setiawan dkk., 2021) :

1. Analysis merupakan sebuah langkah awal dalam metode prose pengembangan

perangkat lunak dimana tahap ini akan dilkukan sebuah sesi wawancara,

survei, studi literatur, dan observasi guna mengetahui kebutuhan user

2. Design merupakan tahapan dimana peneliti akan membuat sebuah rancangan

dari pernagkat lunak berupa Data Flow Diagram (DFD), Entitiy Relationship

Diagram (ERD), dan rancangan database dari sistem ini. Tahapan ini bertujuan

untuk memberikan gambaran alur dari program yang akan dibuat.

3. Coding tahapan ini merupakan tahapan pembuatan perangkat lunak mengacu

pada proses nomer 2 tadi.

4. Testing pada tahap kali ini sistem sudah selesai dibuat kemudian sistem akan

diuji coba terlebih dahulu jika ada bug atau eror maka akan di benahi.

Maintenance

5. Maintenance setelah tahapan semua tadi selesai maka sistem sudah siap

digunakan dan pada tahap ini adalah tahap perawatan perangkat lunak.
2.6. Website

Website (Situs Web) merupakan kumpulan dari halaman-halaman web

yang berhubungan dengan file-file lain yang terkait. Dalam sebuah website

terdapat suatu halaman yang dikenal dengan sebutan home page. Home page

adalah sebuah halaman yang pertama kali dilihat ketika seseorang mengunjungi

website. Dari home page, pengujung dapat mengklik hyperlink untuk pindah

kehalaman lain yang terdapat dalam website tersebut (Jhonsen 2004:5).

2.7. Unifield Modeling Language

UML disebut sebagai bahasa pemodelan bukan metode. Kebanyakan

metode terdiri paling sedikit prinsip, bahasa pemodelan dan proses. Bahasa

pemodelan (sebagian besar grafik) merupakan notasi dari metode yang digunakan

untuk mendesain secara cepat (Pratama & Junianto, 2015). Oleh karena itu,

sebelum membuat suatu perangkat lunak, perlu dibuat rancangannya dalam

bentuk UML yang terdiri dari use case diagram dan class diagram.

2.8. Activity Diagram

Diagram aktivitas atau activity diagram menggambarkan workflow (aliran

kerja) atau aktivitas dari sebuah sistem atau proses bisnis atau menu yang ada

pada perangkat lunak. Yang perlu diperhatikan disini adalah bahwa diagram

aktivitas menggambarkan aktivitas sistem bukan apayang dilakukan actor, jadi

yang dapat dilakukan oleh sistem. Berikut adalah simbol-simbol yang ada pada

diagram aktivitas.

Simbol Deskripsi
 Status awal Status awal aktivitas sistem, sebu ah diagram

aktivitas memiliki sebuah status awal

Aktivitas Aktivitas yang dilakukan sistem, aktivitas

biasanya diawali dengan kata kerja.

aktivitas

Percabangan / decision Asosiasi percabangan dimana jika ada pilihan

aktivitas lebih dari satu.

Penggabungan / koin Asosiasi penggabungan dimana lebih dari

satu aktivitas digabungkan menjadi satu.

Status akhir Status akhir yang dilakukan sistem, sebuah

diagram aktivitas memiliki sebuah status

akhir.

Swimlane Memisahkan organisasi bisnis yang

Nama swimlane bertanggung jawab terhadap aktivitas yang

terjadi.

2.9. Black Box Testing

Black-Box Testing merupakan Teknik pengujian perangkat lunak

yang berfokus pada spesifikasi fungsional dari perangkat lunak . Blackbox Testing

bekerja dengan mengabaikan struktur kontrol sehingga perhatiannya difokuskan

pada informasi domain . Blackbox Testing memungkinkan pengembang software

untuk membuat himpunan kondisi input yang akan melatih seluruh syarat- syarat

fungsional suatu program (Jaya, 2018).

Keuntungan penggunaan metode Blackbox Tetsting yaitu :

1. Penguji tidak perlu memiliki pengetahuan tentang bahasa pemrograman

tertentu

2. Pengujian dilakukan dari sudut pandang pengguna, ini membantu

3. untuk mengungkapkan ambiguitas atau inkonsistensi dalam spesifikasi

persyaratan

4. Programmer dan tester keduanya saling bergantung satu sama lain

Kekurangan dari metode Blackbox Testing adalah

1. Uji kasus sulit disain tanpa spesifikasi yang jelas

2. Kemungkinan memiliki pengulangan tes yang sudah dilakukan oleh

programmer Beberapa bagian back end tidak diuji sama sekali.

Saat ini terdapat banyak metoda atau teknik untuk melaksanakan Black Box

Testing, antara lain :

1. Equivalence Class Partitioning;

2. Boundary Value Analysis

3. Error Guessy

2.10. Confusion Matrix

Confusion matrix merupakan salah satu metode yang dapat digunakan

untuk mengukur kinerja suatu metode klasifikasi (performance of a classification

model or classifier). Pada dasarnya confusion matrix mengandung informasi yang

membandingkan hasil klasifikasi yang dilakukan oleh sistem dengan hasil

klasifikasi yang seharusnya. Informasi yang ditampilkan dalam confusion matrix

merupakan angka-angka probabilistik (Purnama, 2019).

Perhitungan menggunakan confusion matrix dapat dilihat pada persamaan

4, 5, dan 6:

a. Menentukan precision

TP
×100 %...................................................................................(4)
TP+ FP

b. Menentukanrecall

TP
×100 % ................................................................................(5)
(TP+ FN )

c. Menentukanaccuracy

TP+TN
×100 % .........................................................................(6)
Total Sampel

2.11. Hypertext preprocessor

Hypertext preprocessor (PHP) merupakan perangkat lunak open soure.

Penulisan kode program PHP menyatu dengan HTML yang berjalan pada sisi

server (Pramesti dkk., 2014).

2.12. MYSQL

MySQL adalah sebuah program database server yang mampu menerima

dan mengirimkan datanya dengan cepat, multiuser serta menggunakan perintah

standar SQL. MySQL memiliki dua bentuk lisensi, yaitu Free Software dan

shareware. MySQL yang biasa digunakan adalah MySQL Free Software yang

berada di bawah lisensi GNU/GPL (general Public License). Sebagai database

server yang free, artinya MySQL dapat secara bebas digunakan untuk kepentingan
pribadi atau usaha. Selain sebagai server, MySQL dapat juga berperan sebagai

client sehingga sering disebut database client/server(Jalil, Abdul; Ningrum, Ika;

Muchtar, 2017).

2.13. XAMPP

XAMPP adalah perangkat lunak (free software) bebas, yang mendukung

untuk banyak sistem operasi, yang merupakan kompilasi dari beberapa program.

Fungsi XAMPP sendiri adalah sebagai server yang berdiri sendiri (localhost),

yang terdiri dari beberapa program antara lain: Apache HTTP server, MySQL

database, dan penerjemah bahasa yang ditulis dengan bahasa pemrograman PHP

dan Perl. Nama XAMPP sendiri merupakan singkatan dari X (empat sistem

operasi apapun), Apache, MySQL, PHP dan Perl. Program ini tersedia dalam

GNU General Public License dan bebas, merupakan web server yang mudah

untuk digunakan yang dapat menampilkan halaman web yang dinamis (Haqi,

2019).
 BAB III

METODE PENELITIAN

3.1 Waktu Dan Tempat Penelitian

Penelitian Sistem Pendukung Keputusan Menentukan Penerima Bantuan

Program Keluarga Harapan (Pkh) dilakukan pada November 2021 yang berlokasi

dikelurahan Abeli Kecamatan Abeli Kota Kendari.

3.2 Alat dan Bahan

Alat dan bahan yang digunakan dalam pembuatan sistem pendukung

keputusan penentuanpenerima program m keluarga harapan (PKH) meliputi

perangkat lunak (software) dan perangkat keras (hardware). Adapun alat dan

bahan yang digunakan dalam implementasi adalah sebagai berikut pada Tabel 3.1

Tabel 3.1 Alat dan Bahan

Perangkat Keras Perangkat Lunak

Laptop RAM 4 GB XAMPP

Printer MYSQL

Draw.io

Visual studio

3.3 Metode Pengumpulan Data

Metode yang digunakan dalam pembuatan data pada pembuatan sistem ini

adalah sebagai berikut:

a. Studi Literatur
 Pada tahap ini peneliti mengumpulkan data dan informasi dari buku dan

jurnal serta sumber-sumber lainnya yang diperlukan untuk membangun sistem ini

berdasarkan kriteria-kriteria yang telah ditentukan.

b. Observasi

Observasi dilakukan dengan pengamatan langsung di Kelurahan Abeli untuk

mendapatkan informasi terkait dengan penerima Program Keluarga Harapan

(PKH).

c. Wawancara

Peneliti melakukan wawancara dengan memberikan sejumlah pertanyaan

yang berkaitan dengan system yang akan dibuat kepada pihak Kelurahan Abeli,

sehingga data yang diperoleh lebih akurat.

3.4 Metode Pengembangan Sistem

Pada penelitian ini metode pengembangan sistem yang digunakan adalah

metode waterfall mulai dari analisis, desain, pengkodean, pengujian, dan tahap

pendukung (support). Tahapan pengembangan sistem menggunakan metode

waterfall.

3.4.1 Analisis kebutuhan perangkat lunak

Proses pengumpulan kebutuhan data kriteria Keluarga Penerima

Manfaat(KPM) Program Keluarga Harapan (PKH) dilakukan dengan cara

wawancara dengan kepala lurah, pendamping PKH, dan menggunakan

beberapa studi literature berupa jurnal dan ebook terkait kriteria Keluarga

Penerima Manfaat(KPM) Program Keluarga Harapan (PKH) Di Kelurahan

Abeli Kecamatan Abeli Kota Kendari.

3.4.2 Desain sistem

Desain sistem adalah tahapan dimana peneliti melakukan perancangan

sebuah sistem berdasarkan analisis sebelumnya diantaranya adalah perancangan

Entity Relationship Diagram (ERD) dan perancangan Unifield Modeling

Language (UML) dan rancangan database dari sistem ini untuk memberikan

gambaran alur atau proses yang akan dibuat.

3.4.2.2. Desain Unifield Modelling Language (UML)

1. Use Case Diagram

Use case diagram menggambarkan aktor-aktor yang ada dalam sebuah

sistem yang akan dibangun atau dirancang antara satu atau lebih. Use case

diagram sistem pendukung keputusan penerima bantuan program keluarga

harapan, use case diagram tersebut dapat dilihat pada gambar 3.2.

Gambar 3.4.2.2 use case diagram

2. Activity Diagram
 Aktivitas diagram-diagram yang terdapat pada sistem diantaranya

diagram login, diagram data rakyat, diagram data kriteria, data alternatif, diagram

pembobotan, diagram kategori dan diagram logout.

a) Activity Diagram Login

Activity diagram login menjelaskan alur kerja pada menu login dari user

untuk masuk kedalam sistem dengan memasukan username dan password.

Apabila username dan password benar maka akan menampilkan halaman utama

dan apabila salah maka akan kembali ke menu login dan diperintahkan untuk

memasukan username dan password yang benar. Gambar tampilan halaman login

terdapat pada gambar 3.4.2.3 dibawah ini :

Gambar 3.4.2.3. activity diagram login

b) Activity diagram mengisi data rakyat

 Activity diagram data rakyat adalah alur yang menggambarkan proses

kerja user pada sistem. Sistem menampilkan menu halaman utama lalu

user yaitu admin akan diarahkan untuk mengisi data rakyat kemudian

dimasukkan ke database. Gambar activity diagram data rakyat dapat

diliat pada gambar 3.4.2.4 berikut :

Gambar 3.4.2.4 activity diagram data rakyat

c) Activity diagram mengisi data kriteria

Activity diagram mengisi data kriteria menggambarkan alur atau proses

kerja admin. Pada alur ini admin masuk dan sistem akan menampilkan halaman

utama setelah itu admin memilih menu data kriteria untuk mengisi data kriteria
lalu data kriteria dimasukkan dalam database. Diagram activity data kriteria dapat

dilihat pada gambar 3.4.2.5 berikut :

Gambar 3.4.2.6 activity diagram data kriteria

d) Activity diagram mengisi data alternatif

Activity diagram mengisi data alternatif menggambarkan alur kerja admin

dalam sistem dimulai dari sistem menampilkan halamn utama kemudian admin

memilih menu data alternatif untuk memasukkan data alte rnatif di form data

alternaif baik itu perintah edit data, hapus data maupun tambah data setelah selesai

maka data dimasukkan dalam database. Activity diagram data alternatif dapat

dilihat pada gambar 3.4.2.7 berikut :

 Gambar 3.4.2.7 activity diagram data alternative

e) Activity diagram pembobotan

Activity diagram pembobotan menggambarkan kerja admin pada

pembobotan dalam sistem dimulai dari sistem menampilkan halaman utama

kemudian admin akan memilih menu pembobotan yang menampilkan menu

pembobotan setelah itu data di export ke databse. Gambar activity diagram

pembobotan ada pada gambar 3.4.3.8 berikut :

Gambar 3.4.2.8 activity diagram pembobotan

f) Activity diagram kategori

Activity diagram kategori menggambarkan alur kerja admin dalam

mengelola kategori yaitu sistem menampilkan halaman utama dan admin memilih

menu kategori untuk mengelola kategori dengan mengisi form kategori yang
kemudian disimpan ke dalam database. Tampilan activity diagram kategori dapat

dilihat pada gambar 3.4.2.9 berikut :

Gambar 3.4.2.9 activity diagram kategori

g) Activity diagram logout

Activity diagram logout menggambarkan proses admin keluar dari sistem.

Tampilan activity diagram logout dapat dilihat pada gambar 3.4.2.10 berikut :
 Gambar 3.4.2.10 activity diagram logout

Pembuatan kode program

Pembuatan kode program bertujuan agar rancangan desain dapat dimengerti

oleh mesin dengan mengubah bentuk dari desain tersebut kedalam bentuk bahasa

pemroggraman melalui penulisan kode program.

Pengujian

Pada tahap ini akan dilakukan proses pengujian perangkat lunak

menggunakan metode Black box testing. Metode black box testing merupakan

salah satu metode pengujian sistem yang dilakukan berdasarkan spesifikasi

kebutuhan sistem dan tidak perlu memeriksa coding. Dengan black box testing,

pengujian yang dilakukan hanya berdasarkan pandangan user untuk

mengetahui apakah fungsi yang dibutuhkan berjalan sesuai harapan atau tidak

dengan menggunakan metode Confusion Matrix untuk melakukan pengujian

akurasi.
 DAFTAR PUSTAKA

A.S, R., & Shalahuddin, M. (2016). Rekayasa Perangkat Lunak Terstruktur dan
Berorientasi Objek. Informatika Bandung.

Fitriani, E. (2020). Perbandingan Algoritma C4.5 Dan Naïve Bayes Untuk

Menentukan Kelayakan Penerima Bantuan Program Keluarga Harapan.
Jurnal Sistem Informasi, 9(1), 103. https://doi.org/10.32520/stmsi.v9i1.596

Fristy, R., Hasugian, P. M., & Taufik, I. (2017). Sistem Pendukung Keputusan
Menggunakan Metode TOPSIS Dalam Memilih Kepala Departemen Pada
Kantor Balai Wilayah Sungai Sumatera II Medan. Journal Of Informatic
Pelita Nusantara, 2(1), 6–13.

Jalil, Abdul; Ningrum, Ika; Muchtar, M. (2017). Spk pemberian kredit

menggunakan metode. SemanTIK, 3(1), 173–180.

Jaya, T. S. (2018). Pengujian Aplikasi dengan Metode Blackbox Testing

Boundary Value Analysi (Studi K asus: Kantor Digital Politeknik Negeri
Lampung). Jurnal Pengembangan IT (JPIT), 03(02).

Kementerian Sosial. (2021). Pedoman Pelaksanaan Program Keluarga Harapan

Tahun 2021. In Kementerian Sosial Republik Indonesia (p. 76).

Kusumadewi, S., Gustri Wahyuni, E., & Mulyati, S. (2021). Sstem Cerdas dan
Pendukung Keputusan. UII Press.

Mbau, M., & Gunt, M. (n.d.). Sistem Pendukung Keputusan Evaluasi Pemilihan
Pemenang Pengadaan Aset dengan Metode Simple Additive Weighting
( SAW Related papers.

Pramesti, A., Novaliendry, D., & Sriwahyuni, T. (2014). PERANCANGAN

WEBSITE E-COMMERCE EXPRESS ORDER SYSTEM FOR RESELLER
DROPSHIPPER MENGGUNAKAN HYPERTEXT PREPROCESSOR.
Jurnnal Vokasional Teknik Elektronika & Informatika, 2(2).
Pratama, Y. A., & Junianto, E. (2015). Sistem Pakar Diagnosa Penyakit Ginjal
Dan Saluran Kemih dengan Metode Breadth First Search. Jurnal
Informatika, II(1).

Purnama, B. (2019). Pengantar Machine Learning. Informatika Bandung.

Saleh, A. (2015). Implementasi Metode Klasifikasi Naïve Bayes Dalam

Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Citec Journal,
2(3), 207.

Setiawan, D. A., Helilintar, R., & Wahyuniar, L. S. (2021). Penerapan Metode

Naive Bayes Untuk Klasifikasi Penentuan Penerima Bantuan PKH. Seminar
Nasional Inovasi Teknologi, 249–254.

Suntoro, J. (2019). Data Mining : Algoritma dan Implementasi dengan

Pemrograman PHP. PT. Gramedia.

Thoyibah, N., Latipah, & Muchayan, A. (2021). Sistem Pendukung Keputusan

Penerimaan Siswa Baru Menggunakan Metode Analytical Hierarchy Process.
SISFOKOM (Sistem Informasi Dan Komputer), 10.
https://doi.org/10.47047/ct.v7i1.6