Klasifikasi Masyarakat Penerima Bantuan Langsung Tunai Dana Desa Menggunakan Naïve Bayes dan SMOTE
DOI:
https://doi.org/10.25126/jtiik.20231026453Abstrak
Pemerintah menyelenggarakan program Bantuan Langsung Tunai Dana Desa (BLT DD), program ini memberikan (subsidi) kepada keluarga miskin yang memenuhi syarat. Program ini dapat membantu mengurangi beban pengeluaran serta meningkatkan pendapatan keluarga miskin. Masyarakat yang berhak menerima BLT DD terkadang melebihi kuota yang tersedia, kemudian proses penentuan penerima dilakukan secara musyawarah. Hasil penetapan tersebut terkadang menimbulkan kecemburuan sosial di masyarakat, sehingga diperlukan klasifikasi yang dapat membantu menentukan keluarga yang layak menerima program bantuan ini. Penelitian ini bertujuan untuk menerapkan metode Naïve Bayes untuk mengklasifikasikan data keluarga layak dan tidak layak menerima BLT DD karena masih banyak keluarga miskin berpenghasilan rendah lainnya yang belum berkesempatan untuk memperoleh program bantuan ini. Metode penelitian yang digunakan yaitu Cross-Industry Standard Process For Data Mining (CRISP-DM). Data yang digunakan merupakan data penerima BLT DD tahun 2021 dan 2022 di Desa Kersamenak dengan jumlah data yang digunakan sebanyak 375, meliputi class layak 205 record dan tidak layak 170 record. Data yang terkumpul menunjukkan adanya ketidakseimbangan kelas pada jumlah masyarakat yang layak dan tidak layak, sehingga diperlukan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk menangani kelas yang tidak seimbang pada data. Hasil pemodelan Naïve Bayes menggunakan teknik SMOTE menghasilkan model performansi terbaik dengan nilai akurasi 97,80% dan nilai AUC 0,99 yang termasuk dalam kategori Excellent Classification. Berdasarkan hasil model kinerja klasifikasi yang diperoleh, model yang dihasilkan dapat diimplementasikan ke dalam sistem aplikasi pendukung keputusan untuk membantu Desa dalam menentukan penerima BLT DD agar lebih cepat dan mudah.
Abstract
The government organizes the Bantuan Langsung Tunai Dana Desa (BLT DD) program, which provides (subsidies) to low-income families who meet the requirements. This program can help reduce the burden of spending and increase the income of low-income families. Communities who deserve to receive BLT DD sometimes exceed the available quota, then the process of determining the recipient is carried out utilizing deliberation. The results of these determinations sometimes cause social jealousy in the community, so a classification is needed that can help determine eligible families to receive this assistance program. This study aims to apply the Naïve Bayes method to classify family data as eligible and not eligible to receive BLT DD because there are still many other low-income families who have not had the opportunity to acquire this assistance program. The research method used is Cross-Industry Standard Process for Data Mining (CRISP-DM). The data used is the data of the 2021 and 2022 Village Fund Direct Cash Aid recipients in Kersamenak Village, with the amount of data used as much as 375, including 205 eligible class records and 170 inappropriate records. The data collected shows an imbalanced class in the number of eligible and ineligible people, and it is necessary to use the Synthetic Minority Over-sampling Technique (SMOTE) technique to handle the imbalanced class in the data. The results of modeling the Naïve Bayes using SMOTE technique produce the best performance model with an accuracy value of 97.80% and an AUC value of 0.99, which is included in the Excellent Classification category. Based on the results of the classification performance model obtained, we can implement the resulting model into a decision support application system to assist the Village in determining the recipient of the BLT DD to make it faster and easier.
Downloads
Referensi
ADIANA, B. E., SOESANTI, I., & PERMANASARI, A. E. 2018. Analisis Segmentasi Pelanggan Menggunakan Kombinasi RFM Model Dan Teknik Clustering. Jurnal Terapan Teknologi Informasi, 2(1), 23–32. https://doi.org/10.21460/jutei.2018.21.76
ANWAR PAUJI, AISYAH, S., SURIP, A., SAPUTRA, R., & ALI, I. 2022. Implementasi Algoritma K-Nearest Neighbor Dalam Menentukan Penerima Bantuan Langsung Tunai. KOPERTIP : Jurnal Ilmiah Manajemen Informatika Dan Komputer, 4(1), 21–27. https://doi.org/10.32485/kopertip.v4i1.114
ARDIYANSYAH, RAHAYUNINGSIH, P. A., & MAULANA, R. 2018. Analisis Perbandingan Algoritma Klasifikasi Data Mining Untuk Dataset Blogger Dengan Rapid Miner. Jurnal Khatulistiwa Informatika, VI(1), 20–28.
FITRIANI, E. 2020. Perbandingan Algoritma C4.5 Dan Naïve Bayes Untuk Menentukan Kelayakan Penerima Bantuan Program Keluarga Harapan. Sistemasi, 9(1), 103. https://doi.org/10.32520/stmsi.v9i1.596
HARIANDJA, T. R., & BUDIMAN, N. T. 2021. Transparansi Dalam Pelaksanaan Bantuan Langsung Tunai (Blt) Dana Desa. Ijlil, 1(3), 263–277. https://doi.org/10.35719/ijl.v1i3.86
HARIMURTI, F. A., & RIKSAKOMARA, E. 2017. Klasifikasi Penerimaan Beasiswa Menggunakan Metode Naïve Bayes Classifier (Studi Kasus Universitas Trunojoyo Madura).
IRMAYANSYAH, & FIRDAUS, A. A. 2019. Penerapan Algoritma C4.5 Untuk Klasifikasi Penentuan Penerimaan Bantuan Langsung Di Desa Ciomas. Teknois : Jurnal Ilmiah Teknologi Informasi Dan Sains, 8(1), 17–28. https://doi.org/10.36350/jbs.v8i1.18
Keuangan, M. 2021. Peraturan Menteri Keuangan Republik Indonesia.
KURNIADI, D., LESLIE, H., SPITS, H., & SUPARTA, W. 2021. Predicting Student Performance with Multi-Level Representation in an Intelligent Academic Recommender System using Backpropagation Neural Network. ICIC Express Letters Part B: Applications, 12(10), 883–890. https://doi.org/10.24507/icicelb.12.10.883
KURNIADI, D., NURAENI, F., & JAELANI, D. (n.d.). Implementasi Logika Fuzzy Mamdani Pada Sistem Prediksi Calon Penerima Program Keluarga Harapan. 160–171.
LEFYA, A. R., SAINS, F., & TEKNOLOGI, D. A. N. 2022. Sistem Uji Kelayakan Penerima Bantuan Langsung Tunai Badan Penyelenggara Jaminan Sosial Menggunakan Metode Klasifikasi Algoritma Naïve Bayes Pada Desa Tamatto Kecamatan Ujung Loe Kabupaten Bulukumba.
NUL, L., IIN, H., ADE, S., & RINALDI, R. 2021. Penerapan Data Mining Algoritma Naïve Bayes dalam Menentukan Program Keluarga Pra Sejahtera. 1(1), 21–25.
NURAENI, F., AGUSTIN, Y. H., RAHAYU, S., KURNIADI, D., SEPTIANA, Y., & LESTARI, S. M. 2021. Student Study Timeline Prediction Model Using Naïve Bayes Based Forward Selection Feature. 8th International Conference on ICT for Smart Society: Digital Twin for Smart Society, ICISS 2021 - Proceeding, 1–5.
https://doi.org/10.1109/ICISS53185.2021.9532502
PUTRI, H., PURNAMASARI, A. I., DIKANANDA, A. R., NURDIAWAN, O., & ANWAR, S. 2021. Penerima Manfaat Bantuan Non Tunai Kartu Keluarga Sejahtera Menggunakan Metode Naive Bayes dan KNN. Building of Informatics, Technology and Science (BITS), 3(3), 331–337. https://doi.org/10.47065/bits.v3i3.1093
SINAGA, R. W., WINANJAYA, R., & SUSIANTI, S. 2021. Analisis Data Mining Menentukan Penerima Bantuan Langsung Tunai pada Desa Pamatang Purba dengan Algoritma C 4.5. Brahmana : Jurnal Penerapan Kecerdasan Buatan, 3(1), 1–9. https://doi.org/10.30645/brahmana.v3i1.86
SIRINGORINGO, R. 2018. Klasifikasi Data Tidak Seimbang Menggunakan Algoritma SMOTE dan k-Nearest Neighbor. Jurnal ISD, 3(1), 44–49.
WINTANA, D., HIKMATULLOH, H., ICHSAN, N., PURNAMA, J. J., & RAHMAWATI, A. 2019. Klasifikasi Penentuan Penerima Manfaat Program Keluarga Harapan (Pkh) Menggunakan Algoritma C5.0 (Studi Kasus: Desa Sukamaju, Kec.Kadudampit). Klik - Kumpulan Jurnal Ilmu Komputer, 6(3), 254. https://doi.org/10.20527/klik.v6i3.206
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).