ANALISIS KOMPARASI ALGORITMA KLASIFIKASI DATA MINING UNTUK STATUS KEMISKINAN RUMAH TANGGA

Erfan Karyadiputra(1*), Galih Mahalisa(2), Agus Alim Muin(3)

(1) Fakultas Teknologi Informasi, Universitas Islam Kalimantan
(2) Fakultas Teknologi Informasi, Universitas Islam Kalimantan
(3) Fakultas Teknologi Informasi, Universitas Islam Kalimantan
(*) Corresponding Author

Sari


Kemiskinan merupakan salah satu permasalahan yang sering dihadapi dalam upaya
peningkatan kesejahteraan suatu negara. Di Indonesia, sebagai negara berkembang angka
kemiskinan masih cukup tinggi sehingga berdampak pada kesenjangan sosial di masyarakat.
Oleh sebab itu, tersedianya data kemiskinan yang akurat, komprehensif dan
berkesinambungan merupakan salah satu instrumen penting bagi pengambil kebijakan dalam
memfokuskan perhatian pada pendistribusian bantuan sesuai rumah tangga sasaran (RTS).
Data kemiskinan yang baik dapat menjadi informasi terpercaya untuk mengevaluasi
kebijakan pemerintah dalam mengentaskan kemiskinan. Pemerintah telah banyak
memberikan solusi kebijakan untuk mengurangi dampak kemiskinan salah satunya berupa
program bantuan sosial yang pendistribusian setiap jenis bantuan tersebut berbeda-beda
sesuai dengan kategori rumah tangga sasaran (RTS) berdasarkan kriteria kemiskinan non-
monetary. Dalam penelitian ini akan menganalisis algoritma klasifikasi data mining dengan
membandingkan hasil klasifikasi dari algoritma naive bayes dengan algoritma decision tree
menggunakan confusion matrix. Dari hasil komparasi tersebut dapat dibandingkan nilai
akurasi terbaik sehingga algoritma yang didapatkan merupakan algoritma yang paling akurat
dalam melakukan klasifikasi status kemiskinan rumah tangga.


Teks Lengkap:

PDF

Referensi


Aprilla, D., Baskoro, D. A., Ambarwati, L., & Wicaksana, I. W. (2013). Belajar Data Mining

dengan RapidMiner. Jakarta: academia.edu.

Bellazzi, R., & Zupanb, B. (2008). Predictive Data Mining In Clinical Medicine: Current

Issues And And Guidelines. International Journal Of Medical Informatics.

Dunham, M. (2003). Data Mining Introuctory and Advanced Topics. New Jersey: Prentice

Hall.

Gorunescu, F. (2010). Data Mining: Concept, Models and Techniques. Romania: Springer.

Han, J., & Kamber, M. (2007). Data Mining : Concepts and Techniques (Second ed.). (M. R.

Jim Gray, Ed.) San Francisco, United States of America: Morgan Kaufmann

Publishers.

Jhingan, M. (2004). ekonomi pembangunan dan perencanaan. jakarta: Raja grafindo

persada..

Larose. (2006). Data Mining Methods And Models. Canada: John Wiley & Sons, Inc.

Lewis, & J, R. (2000). An Introduction to Classification And Regression Trees (CART)

Analysis. Presented at the 2000.

Maimon, O. (2010). Data Mining And Knowledge Discovery Handbook. London: Springer.

Martin, J. (1990). Information Enginering Book II Planning and Analysis 2nd Edition. New

Jersey: Prentice-Hall.

Mirawanti, Y. (2012). Pebandingan Metode Regresi Logistik Ordinal Dengan Jaringan

Syaraf Tiruan Fungsi Radial Basis [thesis]. surabaya: Institut Teknologi Sepuluh

November Surabaya.

Prakosa, H. M. (2011). Klasifikasi Kesejahteraan Rumah Tangga Di Provinsi Jawa Timur

Dengan Pendekatan Bootstrap Aggregatting Classification And Regression Trees

(CART Bagging). Surabaya: Institute Teknologi Sepuluh September.

Pratama, D. A. (2011). Klasifikasi Kesejahteraan Rumah Tangga di Jawa Timur dengan

Pendekatan Multivariate Adaptive Regression Spline Bootstrap Aggregating (MARS

Bagging). Surabaya: Institute Teknologi Sepuluh September.

Widyandono, I. (2010). Klasifikasi Kesejahteraan Rumah Tangga Di Provinsi Jawa Timur

Dengan Pendekatan Cart Arcing [Thesis]. Surabaya: Institute Teknologi Sepuluh

September.

Wijaya, A. (2011). Analisis Kemiskinan Di Provinsi Lampung Dengan Pendekatan Analisis

Kemiskinan Di Provinsi Lampung Dengan Pendekatan Spatial Autoregressive Model

(Linear Contiguity Method) [Thesis]. Surabaya: Institute Teknologi Sepuluh

September




DOI: http://dx.doi.org/10.31602/ppdu.v0i1.8139

Refbacks

  • Saat ini tidak ada refbacks.