Masyarakat miskin adalah masyarakat dalam keadaan dimana terjadi ketidakmampuan untuk memenuhi kebutuhan
dasar seperti makanan, pakaian, tempat berlindung, pendidikan, dan kesehatan.
Permasalahan utama dalam upaya pengurangan kemiskinan saat ini terkait dengan
adanya fakta bahwa pertumbuhan ekonomi tidak tersebar secara merata. Penelitian
akan melakukan klasifikasi berdasarkan data penduduk miskin yang diperoleh dari
Desa Wanasari dengan tujuan untuk memprediksi klasifikasi masyarakat miskin
penerima Bantuan Pangan Non Tunai (BPNT) agar lebih tepat sasaran dengan menggunakan
teknik data mining. Atribut atau
kriteria yang digunakan dalam melakukan klasifikasi penduduk adalah kriteria
menurut Badan Pusat Statistik (BPS) yakni sebanyak 14 kriteria. Metode yang
akan digunakan adalah metode Naïve Bayes
Classifier, yang merupakan salah satu teknik pengklasifikasian dalam data mining. Berdasarkan penelitian yang
dilakukan dihasilkan kesimpulan bahwa, sistem klasifikasi masyarakat miskin di
wilayah pemerintahan Desa Wanasari dapat diklasifikasi dengan menggunakan
metode Naïve Bayes Classifier dan
Berdasarkan hasil pembagian dataset menggunakan
K-Fold Cross Validation, penggunaan
metode klasifikasi naïve bayes terhadap
dataset yang telah diambil pada objek penelitian diperoleh tingkat akurasi
tertinggi yakni sebesar 100%, sementara nilai Precision tertinggi sebesar 100% dan nilai Recall tertinggi sebesar 100%.
Skripsi_DAFTAR PUSTAKA.pdf
Skripsi_DAFTAR ISI.pdf
Alfianika,
N. (2018). Buku Ajar Metode Penelitian
Pengajaran Bahasa Indonesia. Retrieved from
https://www.google.com/books?hl=id&lr=&id=oNOGDwAAQBAJ&oi=fnd&p
g=PR6&dq=pengertian+populasi&ots=pAYnomaB9Y&sig=7qYZuTzVcAd4sa
82yvHd1NROh_c
Amrin, A. (2016). Data Mining Dengan Regresi Linier
Berganda Untuk Peramalan Tingkat Inflasi. Jurnal
Techno Nusa Mandiri, XIII(1),
74–79. Retrieved from http://ejournal.nusamandiri.ac.id/ejurnal/index.php/techno/article/view/268/228
Annur, H. (2018). Klasifikasi Masyarakat Miskin Menggunakan Metode
Naive Bayes. 10, 160–165. Retrieved from http://jurnal.fikom.umi.ac.id/index.php/ILKOM/article/view/303
Bustami. (2014). Penerapan Algoritma Naive Bayes utk
Mengklasifikasi Data Nasabah Asuransi. Jurnal
Informatika, 8(1), 884–898.
https://doi.org/10.1364/OFC.2009.OWD2
C.T.I.,
B. R., Gafar, A. A., Fajriani, N., Ramdanif, U., Uyun, F. R., P, Y. P., &
Ransi,
N. (2017). Implemetasi k-means clustering pada rapidminer untuk analisis daerah rawan kecelakaan. Seminar Nasional Riset Kuantitatif Terapan
2017, (April), 58–60. Retrieved from http://ojs.uho.ac.id/index.php/snrkt2017/article/view/3251/2471
Darmawan, A., Kustian, N., & Rahayu, W. (2018).
Implementasi Data Mining Menggunakan Model Svm. Jurnal String, 2(3),
299–307. Retrieved from http://ojs.amikom.ac.id/index.php/semnasteknomedia/article/view/1267/1200
Fajriando, H. (2016). Masalah Hukum Implementasi
Pemenuhan Hak Atas Layanan Bantuan Hukum bagi Masyarakat Miskin (Law. Jurnal HAM, 7(2), 125–140. https://doi.org/http://dx.doi.org/10.30641/ham.2016.7.125-140
Fuady, R. L., & Abadi, A. M. (2017). Penentuan Penerimaan Bantuan
Pangan Non Tunai ( BPNT ) Dengan Menggunakan Fuzzy Multiple Atribute Descission
Making. Seminar Matematika Dan Pendidikan
Matematika, 203–210. Retrieved from http://seminar.uny.ac.id/semnasmatematika/sites/seminar.uny.ac.id.semnasmate
matika/files/full/T-29.pdf
Gani, I., & Amalia, S. (2015). Alat analisis data: Aplikasi Statistik untuk
Penelituan Bidang Ekonomi dan Sosial. Retrieved from https://books.google.co.id/books?hl=id&lr=&id=1FSiCgAAQBAJ&oi=fnd&pg
=PR3&dq=pengertian+data+primer&ots=y2QpaTC1-
X&sig=STu2K5WxkVyShFSbQ4pqHNZDOF8&redir_esc=y#v=onepage&q=p
egertian data primer&f=false
Husin, A. I., & Mulyaningsih, F.
(2015). Penerapan Metode Data Mining Analisis Terhadap Data Penjualan Pakaian
Dengan Algoritma Apriori. Sniptek,
45–56. Retrieved from
http://konferensi.nusamandiri.ac.id/prosiding/index.php/sniptek/article/view/152
81
/122
Katadata Indonesia. (2019). Jumlah Penduduk Indonesia. Retrieved from katadata.co.id website:
https://databoks.katadata.co.id/datapublish/2019/01/04/jumlah-penduduk-
indonesia-2019-mencapai-267-juta-jiwa
Kementerian Sosial Republik Indonesia. (2017). Bantuan Pangan Non Tunai (BPNT).
Retrieved from
https://www.kemsos.go.id/page/bantuan-pangan-non-tunai
Lestari, S. (2018). Implementasi Klasifikasi Naive Bayes Untuk Prediksi Kelayakan Pemberian
Pinjaman Pada Koperasi Anugerah Bintang Cemerlang. Jakarta.
Lubis, T. (2018).
Efektivitas Program Bantuan Rumah
Layak Huni Untuk
Masyarakat Miskin Di Kepenghuluan Suka Maju Kecamatan Bagan Sinembah
Kabupaten Rokan Hilir Riau. Retrieved from
http://repositori.umsu.ac.id/xmlui/bitstream/123456789/1019/1/Efektivitas Program
Bantuan Rumah Layak
Huni Untuk
Masyarakat Miskin Di Kepenghuluan
Suka Maju Kecamatan Bagan Sinembah Kabupaten Rokan Hilir Riau.pdf
Presiden Republik Indonesia. (2014). Undang-Undang Republik Indonesia Nomor 6
Tahun 2014 Tentang Desa. Retrieved from http://www.dpr.go.id/dokjdih/document/uu/UU_2014_6.pdf
Saleh, A. (2015). Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya
Penggunaan Listrik Rumah Tangga. 2(3),
207–217. Retrieved from http://citec.amikom.ac.id/main/index.php/citec/article/view/49/49
Sumanto,
& Marita, L. S. (2017). Fuzzy Simple Additive Weighting (Fsaw) Untuk
Analisa Kelayakan Pemberian Kredit Mobil. JIMP-Junal
Informatika Merdeka Pasuruan, Vol. 2(2), 1–13. Retrieved from http://ejurnal.unmerpas.ac.id/index.php/informatika/article/view/62/34
Sumartono, E., & Astria, Y. (2018). Strategi Nafkah
Petani Sawit Di Desa Penarik Kecamatan Penarik Kabupaten Mukomuko. INFORMA, 1(2), 80–95. Retrieved from
http://journal.uniga.ac.id/index.php/MJA/article/view/80-95/439
Supriyanti,
W., Kusrini, & Amborowati, A. (2016). Perbandingan kinerja algoritma c4.5
dan naive bayes untuk ketepatan pemilihan konsentrasi mahasiswa. INFORMA, 1(2012), 61–67. Retrieved from
http://www.poltekindonusa.ac.id/wp-content/uploads/2016/07/Vol-1-No3-2016-
PERBANDINGAN-KINERJA-ALGORITMA-C4.5-DAN-NAIVE-BAYES-
UNTUK-Wiwit-Supriyanti-1.pdf