Klasifikasi Program Bantuan Sosial Menggunakan Algoritma K-Nearest Neighbor (K-NN)(Studi Kasus Kecamatan Malangbong Kabupaten Garut)

Penulis

  • Hamzah Nurrifqi Fakhri Fikrillah Sekolah Tinggi Manajemen Informatika dan Komputer LIKMI, Bandung

DOI:

https://doi.org/10.25126/jtiik.2025128817

Kata Kunci:

Social Assistance Program, Classification, CRISP-DM, Data Mining, K-Nearest Neighbor

Abstrak

Isu kemiskinan di Indonesia menjadi perhatian utama pemerintah baik di tingkat pusat maupun daerah. Pemerintah merespons permasalahan ini melalui beberapa program salah satunya Program Bantuan Sosial (BANSOS). Melalui inisiatif ini, pemerintah berusaha menurunkan tingkat kemiskinan. Namun sering kali penentuan atribut yang digunakan untuk menunjukkan bahwa masyarakat masuk dalam kategori miskin dan berhak mendapatkan BANSOS masih sering kali kurang tepat. Konsep data mining diharapkan dapat mempermudah penyelesaian masalah penentuan atribut BANSOS. Dengan menggunakan algoritma K-Nearest Neighbor dan metode Cross-Industry Standard Process for Data Mining (Crisp-DM), diharapkan dapat ditemukan solusi yang lebih akurat dan efisien dalam menentukan kriteria penduduk miskin untuk menerima BANSOS. Dari hasil penelitian yang telah dilakukan menggunakan aplikasi Rapidminer dengan jumlah data sebanyak 19.943 keluarga serta pembagian rasio 70% untuk data latih, 30% data uji dan nilai K=598 atau 3% dari total dataset, diperoleh tingkat akurasi model sebesar 86,70%. Pada model yang telah dibuat, dilakukan validasi terhadap model tersebut dengan menggunakan 600 data keluarga di luar dataset dengan kondisi geografis wilayah pegunungan, perkotaan dan pesisir. Hasil validasi ini menghasilkan akurasi sebesar 85,92%.

 

Abstract

The issue of poverty in Indonesia is a major concern of the government at both the central and regional levels. The government responds to this problem through several programs, one of which is the Social Assistance Program (BANSOS). Through this initiative, the government is trying to reduce poverty levels. However, often the determination of the attributes used to indicate that people are in the poor category and are entitled to BANSOS is often inaccurate. The concept of data mining hopefully it will make things easier to solve the problem of determining BANSOS attributes. By using the K-Nearest Neighbor algorithm and the Cross-Industry Standard Process for Data Mining (Crisp-DM) method, it is hoped that a more accurate and efficient solution can be found in determining the criteria for poor people to receive BANSOS. From the results of research conducted using the Rapidminer application with a total of 19,943 families of data and a division ratio of 70% for training data, 30% for test data and a value of K=598 or 3% of the total dataset, a model accuracy rate of 86.70% was obtained. In the model that has been created, validation of the model was carried out using 600 family data outside the dataset with geographical conditions in mountainous, urban and coastal areas. The results of this validation produced an accuracy of 85.92%.

Downloads

Download data is not yet available.

Referensi

ASTUTI, K., & dkk. 2014. Data Mining Untuk Menganalisa Prediksi Mahasiswa Berpotensi Non-Aktif Menggunakan Metode Decision Tree C.45. Program Studi Teknik Informatika-Fakultas Ilmu Komputer-Universitas Dian Nuswantoro.

FIKRILLAH, H. N., & dkk. 2023. Klasifikasi Penerima Bansos Menggunakan Algoritma Naive Bayes. Jurnal Teknik Informatika dan Sistem Informasi, 683-695.

FIRASARI, E., & dkk. 2020. Comparation of K-Nearest Neighboor (K-NN) and Naive Bayes for the Classification of The Poor in Recipients of Social Assistance. Joural of Physics : Conference Series, 1742-6596.

KAMARI, R., & dkk. 2022. Verification of Covid-19 Social Assistance Recipients Using Naive Bayes Classifier. International Journal Of Emerging Multidiciplinaries : Computer Science & Artificial Intelligence, 1-12.

MENKO PMK. (2022, September 01). P3KE MENKO PMK. Dipetik Agustus 25, 2023, dari P3KE Menko PMK: https://p3ke.kemenkopmk.go.id

MUHAMMAD, F., & dkk. 2018. Analisis Perbandungan CPU dan GPU (CUDA) Pada Klasifikasi Data Mining dengan Menggunakan Metode K-Nearest Neighbor Kernel Algorthm. e-Proceeding of Enginering, 7494.

MULYANI, A., & dkk. 2022. The Prediction Of PPA and KIP-Kuliah Schollarship Reipient Using Naive Bayes Algorithm. Jurnal teknik Informatika (JUTIF), 821-827.

MUSTAFA, M. S., & dkk. 2017. Implementasi Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Citec Journal.

NURJANAH, A., & RIFAI, A. 2023. Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Kelayakan Status Penduduk Miskin Di Desa Susukan Tonggoh. Jurnal Wahana Informatika, 164-176.

PURWANTO, A., & DARMADI, E. A. 2018. Perbandingan Minat Siswa SMU Pada Metode Klasifikasi Menggunakan 5 Algoritma. Jurnal Komputer Dan Informatika, 43-47.

RAHMANSYAH, W., & et al. 2020. Pemetaan Permasalahan Penyaluran Bantuan Sosial Untuk Penganan Covid-19 Di Indonesia. Jurnal Pajak dan Keuangan Negara, 90-102.

SAPUTRA, A. Y., & PRIMADASA, Y. 2018. Penerapan Teknik Klasifikasi Untuk Prediksi Kelulusan Mahasiswa Menggunakan Algoritma K-Nearest Neighbor. Techno COM, 395-403.

SULISTYARINI, T. 2021. Implementasi Kebijakan Peraturan Bupati Ponogoro Nomor 60 Tahun 2020 Tentang Percepatan Penanggulangan Kemiskinan Berbasis Data Terpadu Kesejahteraan Sosial (DTKS) di Kecamatan Ngebel Kabupaten Ponogoro Provinsi Jawa Timur. Jurnal Ilmu Administrasi Publik, 139-155.

SUPRIATNA, I. W., & ASTUTI, L. G. 2019. Implementasi K-Nearest Neighbor Pada Penentuan Keluarga Miskin Bagi Dinas Sosial Kabupaten Tabanan. Jurnal Teknologi Informasi Dan Komputer.

SUYONO, H., & dkk. 2013. Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Jurnal EECCIS.

WIRTH, R., & HIPP, J. 2000. CRISP-DM: Towards a Standard Process Model for Data Mining. Proceeding of the 4th international conference on the practical application of knowledge discovery and data mining (hal. 29-39). Germany: Univerity of Tubingen.

Diterbitkan

30-06-2025

Terbitan

Bagian

Ilmu Komputer

Cara Mengutip

Klasifikasi Program Bantuan Sosial Menggunakan Algoritma K-Nearest Neighbor (K-NN)(Studi Kasus Kecamatan Malangbong Kabupaten Garut). (2025). Jurnal Teknologi Informasi Dan Ilmu Komputer, 12(3), 609-616. https://doi.org/10.25126/jtiik.2025128817