Implementasi Naive Bayes Dalam Penilaian Kelayakan Bantuan Listrik Gratis
Abstract
The free electricity installation program initiated by the ESDM Office of South Kalimantan Province requires accurate eligibility criteria so that assistance is right on target. One of the main challenges is the lack of a method that considers the weight of interests in determining recipients. This study applies the Naive Bayes method, a probability-based statistical technique, to predict the eligibility of aid recipients. The recipient data was divided 60:40 for model training and testing. The evaluation results using a confusion matrix showed an accuracy of 93.94%, higher than the weighting-based method which only reached 86.59%. These findings prove that Naive Bayes is effective in increasing the accuracy and reliability of aid acceptance decision making. Thus, this method is worth considering in similar programs to ensure efficiency and targeting accuracy, as well as providing a stronger foundation for the implementation of future social assistance programs.
Keywords: Naive Bayes; Free Electricity; Probability
Abstrak
Program pemasangan listrik gratis yang diinisiasi Dinas ESDM Provinsi Kalimantan Selatan membutuhkan kriteria kelayakan yang akurat agar bantuan tepat sasaran. Salah satu tantangan utama adalah kurangnya metode yang mempertimbangkan bobot kepentingan dalam menentukan penerima. Penelitian ini menerapkan metode Naive Bayes, sebuah teknik statistik berbasis probabilitas, untuk memprediksi kelayakan penerima bantuan. Data penerima bantuan dibagi 60:40 untuk pelatihan dan pengujian model. Hasil evaluasi menggunakan confusion matrix menunjukkan akurasi 93,94%, lebih tinggi dibandingkan metode berbasis pembobotan yang hanya mencapai 86,59%. Temuan ini membuktikan bahwa Naive Bayes efektif meningkatkan akurasi dan keandalan dalam pengambilan keputusan penerimaan bantuan. Dengan demikian, metode ini layak dipertimbangkan dalam program serupa untuk memastikan efisiensi dan ketepatan sasaran, serta memberikan dasar yang lebih kuat bagi pelaksanaan program bantuan sosial di masa depan.
Keywords
References
S. Pinte Simehate, H. Gemasih, dan A. Fitra, “Sistem Pendukung Keputusan Penentuan Penerimaan Bantuan Listrik Murah Gratis Menggunakan Metode SAW (Simple Additive Weighting) Pada PT. PLN (Persero),” J. Tek. Inform. dan Elektro, vol. 2, no. 1, pp. 09–21, 2020
S. Siska, G. A. Saputra, C. L. Rohmat, dan F. Sidik, “Implementasi Metode Naive Bayes pada Prediksi Penyakit Seliak,” KOPERTIP J. Ilm. Manaj. Inform. dan Komput., vol. 7, no.1, pp. 8–13, 2023
I. Arfanda, W, Ramdhan, & R. A Yusda, “Naive Bayes Dalam Menentukan Penerima Bantuan Langsung Tunai”. Digital Transformation Technology, vol. 1, no. 1, pp. 9-16. 2021
S. A. Utiarahman, H. Dalai. “Penerapan Metode Analitycal Hierarchy Process dalam Sistem Pendukung Keputusan Kelayakan Rumah Tangga Penerima Listrik Gratis” [Journal]. - Gorontalo : JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 5, pp 1659-1668 Oktober 2022.
E. Fitriani. “Perbandingan Algoritma C4.5 dan Naïve Bayes untuk Menentukan Kelayakan Penerima Bantuan Program Keluarga Harapan”. Jakarta Barat : SISTEMASI (Jurnal Sistem Informasi), Volume 9 No 1, pp 103 – 115. 2021
A. Damuri, U. Riyanto, H. Rusdianto, dan M. Aminudin. “Implementasi Data Mining dengan Algoritma Naïve Bayes untuk Klasifikasi Kelayakan Penerima Bantuan Sembako” JURIKOM (Jurnal Riset Komputer), Vol. 8 No. 6, pp. 219-225. 2021.
B. H. Yanto dan Y. Yunus, “Evaluasi Penentuan Kelayakan Pemberian Subsidi listrik dengan Metode MFEP,” J. Inform. Ekon. Bisnis, vol. 3, pp. 109–114, 2021
O. J. Harmaja dan M. S. Hutauruk, “Sistem Penunjang Keputusan Penerima Program Keluarga Harapan Dengan Menggunakan Metode Topsis,” J. Tek. Inf. dan Komput., vol. 3, no. 2, pp. 37, 2021
A. I. Islam, A. Jamaludin, dan N. Heryana, “Sistem Pendukung Keputusan Kelayakan Klaim Asuransi Menggunakan Metode AHP,” J. Inform. Polinema, vol. 7, no. 2, pp. 115–122, 2021
G. Suganda, M. Asfi, R.T Subagio & R. P. Kusuma. “Penentuan Penerima Bantuan Beasiswa Kartu Indonesia Pintar (Kip) Kuliah Menggunakan Naïve Bayes Classifier”. JSiI (Jurnal Sistem Informasi), Vol 9 No 2, pp.193-199. 2022
A. A. Muin, Syarli. “Metode Naive Bayes Untuk Prediksi Kelulusan,” J. Ilmiah Ilmu Komputer., vol. 2, no. 1, pp. 22–26, 2020
A. Saleh. “Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga”. Citec Journal, 2(3), 207–217. 2015
S. Lestari, A. Akmaludin, & M. Badrul. Implementasi Klasifikasi Naive Bayes Untuk Prediksi Kelayakan Pemberian Pinjaman Pada Koperasi Anugerah Bintang Cemerlang. PROSISKO: Jurnal Pengembangan Riset dan Observasi Sistem Komputer, 7(1).pp. 8-16, 2020
S. Moedjiono, D. Rizal, dan A. Kusdaryono, “Web Expert Systems for Senility Disease Diagnose (Dementia) using Dempster – Shafer Method,” Knowing Enough to Be Dangerous: The Dark Side of Empowering Employees with Data and Tools., vol. 1, no. August, pp. 61 – 68, 2017.
D. Normawati, S. A, Prayogi. “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter”, Jurnal Sains Komputer & Informatika (J-Sakti), 5(2), pp. 697– 711. 2021
F. A. Hizham, C. K. Murni, and M. Qori’atunnadyah, “Uji Klasifikasi Algoritma Naive Bayes Classification dalam Analisis Sentimen Ulasan Puncak B29 Lumajang,” Progresif Jurnal Ilmiah Komputer, vol. 20, no. 1, p. 361, Feb. 2024, doi: 10.35889/progresif.v20i1.1618.
D. P. Martiyaningsih, R. D. Ramadhani, and A. R. Dewi, “Komparasi algoritme C4.5 dan Naïve Bayes dalam klasifikasi produk Zam–Zam Time berdasarkan tingkat kepuasan pelanggan,” Progresif Jurnal Ilmiah Komputer, vol. 19, no. 2, p. 578, Aug. 2023, doi: 10.35889/progresif.v19i2.1226.
How To Cite This :
Refbacks
- There are currently no refbacks.
