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

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%.