Penerapan Algoritma Supervised Learning untuk Klasifikasi Program Keluarga Harapan

MALCOM Indonesian Journal of Machine Learning and Computer Science Pub Date : 2023-08-31 DOI:10.57152/malcom.v3i2.873

Muhammad Syarif Hartawan, Moh. Erkamim, Sitti Rachmawati, Nirma Ceisa Santi, Legito Legito, Sepriano Sepriano

{"title":"Penerapan Algoritma Supervised Learning untuk Klasifikasi Program Keluarga Harapan","authors":"Muhammad Syarif Hartawan, Moh. Erkamim, Sitti Rachmawati, Nirma Ceisa Santi, Legito Legito, Sepriano Sepriano","doi":"10.57152/malcom.v3i2.873","DOIUrl":null,"url":null,"abstract":"Penelitian ini dimaksudkan untuk melakukan klasifikasi terhadap penerima bantuan Program Keluarga Harapan (PKH) Kota Pekanbaru dengan membandingkan tiga metode sekaligus yaitu K-Nearest Neighbor (KNN), Probalistic Neural Network (PNN) dan Naive Bayes Classifier (NBC).Atribut yang digunakan dalam proses klasifikasi adalah Jumlah Anak SD, Jumlah Anak SMP, Jumlah Ibu Hamil, dan Jumlah Anak dibawah lima tahun (Balita), atribut ini berdasarkan panduan Tim Nasional Penangulangan dan Penanganan Kemiskinan (TNP2K) Kementrian Sosial Republik Indonesia. Proses klasifikasi dilakukan terhadap Rumah Tangga Sangat Miskin (RTSM) sebagai data training dengan jumlah 450 data sebagai data testing dengan jumlah 10 data, sehingga dengan melakukan perbandingan didapatlah hasil akurasi yang bervariasi diantara ke-tiga metode. Metode Nave Bayes (NBC) memiliki hasil akurasi yanng paling tinggi dengan hasil akurasi 80%, yang dibandingkan dengan metode KNN 20% dan PNN 10% maka Metode Nave Bayes(NBC) ditetapkan menjadi metode terbaik untuk kasus pengklasifikasian program keluarga harapan (PKH) Kota Pekanbaru.","PeriodicalId":499353,"journal":{"name":"MALCOM Indonesian Journal of Machine Learning and Computer Science","volume":"37 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-08-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"MALCOM Indonesian Journal of Machine Learning and Computer Science","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.57152/malcom.v3i2.873","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

Penelitian ini dimaksudkan untuk melakukan klasifikasi terhadap penerima bantuan Program Keluarga Harapan (PKH) Kota Pekanbaru dengan membandingkan tiga metode sekaligus yaitu K-Nearest Neighbor (KNN), Probalistic Neural Network (PNN) dan Naive Bayes Classifier (NBC).Atribut yang digunakan dalam proses klasifikasi adalah Jumlah Anak SD, Jumlah Anak SMP, Jumlah Ibu Hamil, dan Jumlah Anak dibawah lima tahun (Balita), atribut ini berdasarkan panduan Tim Nasional Penangulangan dan Penanganan Kemiskinan (TNP2K) Kementrian Sosial Republik Indonesia. Proses klasifikasi dilakukan terhadap Rumah Tangga Sangat Miskin (RTSM) sebagai data training dengan jumlah 450 data sebagai data testing dengan jumlah 10 data, sehingga dengan melakukan perbandingan didapatlah hasil akurasi yang bervariasi diantara ke-tiga metode. Metode Nave Bayes (NBC) memiliki hasil akurasi yanng paling tinggi dengan hasil akurasi 80%, yang dibandingkan dengan metode KNN 20% dan PNN 10% maka Metode Nave Bayes(NBC) ditetapkan menjadi metode terbaik untuk kasus pengklasifikasian program keluarga harapan (PKH) Kota Pekanbaru.

查看原文本刊更多论文

应用监督学习算法对希望家庭计划进行分类

这项研究的目的是对北干巴拉望市(eccl)家庭援助项目(eccl)进行分类，比较了三种同时使用的方法:K-Nearest neighbors, Probalistic Neural Network (PNN)和Naive Bayes Classifier (NBC)。分类过程中使用的属性是小学生的数量、初中孩子的数量、孕妇的数量和五岁以下儿童的数量，这些属性是根据印度尼西亚共和国社会服务部(TNP2K)的国家贫困管理小组指导。对非常贫穷的家庭进行了分类过程(RTSM)，培训数据以450个数为测试数据，测试数据为10个数，通过比较，可以在三种方法之间取得不同的准确性。Nave Bayes(NBC)的Nave Bayes精确度最高，准确率为80%，而Nave Bayes(PNN)的方法与KNN 20%的方法和PNN 10%的方法相比，Nave Bayes(NBC)的方法是北干巴拉斯(eccbaru)希望家庭项目的最佳方法。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

MALCOM Indonesian Journal of Machine Learning and Computer Science

自引率

0.00%

发文量