PENENTUAN KRITERIA DAN PENERIMA BANTUAN PANGAN NON TUNAI DI DESA PARUNGKUDA DENGAN MENGGUNAKAN ALGORITMA NAÏVE BAYES

• MUHAMMAD ZULFIANSYAH PRATAMA
• 2020

---

ABSTRAK

 

Muhammad Zulfiansyah Pratama (19160410), Penentuan Kriteria dan Penerima Bantuan Pangan Non Tunai di Desa Parungkuda Dengan Menggunakan Algoritma Naïve Bayes.

 

Program Bantuan Pangan Non Tunai merupakan transformasi dari program sebelumnya yakni Beras Miskin (Raskin). Program ini dapat digunakan untuk membeli bahan pangan berupa beras atau telur di pedagang bahan pangan atau disebut E-Warong. Parungkuda merupakan desa yang menjalankan program bantuan ini akan tetapi masalah yang ada hingga saat  ini adalah program bantuan tersebut belum optimal serta belum tepatnya sasaran dikarenakan masih banyak keluarga miskin yang tidak mendapatkan bantuan tersebut, disebabkan syarat kelayakan penerima bantuan tidak sesuai dengan kriteria penerima bantuan. Kriteria tersebut adalah penghasilan setiap bulan, kondisi rumah, jumlah keluarga, kepemilikan kendaraan, serta jenis lantai bangunan.

Untuk mempermudah petugas dan mengurangi ketidaksinkronan dibutuhkanlah sebuah analisis terhadap penerima bantuan tersebut, salah satunya menggunakan metode naive bayes yaitu pengklasifikasian dengan metode probabilitas dan statistik yang dapat memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya serta hanya membutuhkan jumlah data training yang kecil. Nilai akurasi yang dihasilkan dari algoritma naïve bayes ini sebesar 96,39%. Oleh karena itu penelitian ini dapat disimpulkan bahwa dengan dibuatnya model algoritma ini petugas dapat memilih penerima yang layak maupun tidak layak dalam menerima bantuan serta dapat mempermudah pembagian bantuan pangan non tunai agar tepat sasaran dan berjalan secara optimal

ABSTRACT

 

Muhammad Zulfiansyah Pratama (19160410), Determination of Criteria and Recipients of Non-Cash Food Assistance in Parungkuda Village Using the Naïve Bayes Algorithm.

 

The Non-Cash Food Assistance Program is a transformation from the previous program namely Poor Rice (Raskin). This program can be used to purchase foodstuffs in the form of rice or eggs at food vendors or called E-Warong. Parungkuda is a village that runs this assistance program, but the problem that exists to date is that the assistance program is not optimal and has not been precisely targeted because there are still many poor families who do not get the assistance, due to the eligibility requirements of beneficiaries are not in accordance with the criteria of beneficiaries. These criteria are monthly income, housing conditions, number of families, vehicle ownership, and the type of building floor.

To simplify staff and reduce asynchronization, an analysis of beneficiaries is needed, one of which uses the naive bayes method, which is classification with probability and statistical methods that can predict future opportunities based on previous experience and only requires a small amount of training data. The accuracy value generated from the Naïve Bayes algorithm is 96.39%. Therefore, this study can be concluded that by making this algorithm model officers can choose the recipients who are eligible or not worthy of receiving assistance and can facilitate the distribution of non-cash food aid to be on target and run optimally

• Pangan
• Bantuan
• Program

DAFTAR PUSTAKA

 

annur, h. (2018). klasifikasi masyarakat miskin menggunakan metode. 10, 160–165.

darmawati, d., munjin, r. a., & seran, g. g. (2017). pengaruh supervisi kepala sekolah terhadap kinerja guru di smp negeri 1 parung kecamatan parung kabupaten bogor. jurnal governansi, 1(1), 13. https://doi.org/10.30997/jgs.v1i1.294

fatmawati, k., & windarto, a. p. (2018). data mining: penerapan rapidminer dengan k-means cluster pada daerah terjangkit demam berdarah dengue (dbd) berdasarkan provinsi. computer engineering, science and system journal, 3(2), 173. https://doi.org/10.24114/cess.v3i2.9661

hasibuan, n. a., silalahi, n., nasution, s. d., sutiksno, d. u., nurdiyanto, h., buulolo, e., ambon, p. n., pendahuluan, i., & mining, a. d. (2017). implementasi data mining untuk pengaturan layout. 4(4), 6–11.

heridiansyah, j. (2012). pengaruh advertising terhadap pembentukan brand awareness serta dampaknya pada keputusan pembelian produk kecap pedas abc. jurnal stie semarang, 4(2), 53–73.

maharani, p. (2017). pedoman umum bantuan pangan non tunai. 1–136.

muhamad, h., prasojo, c. a., sugianto, n. a., surtiningsih, l., cholissodin, i., ilmu, f., universitas, k., & optimization, p. s. (2017). optimasi naïve bayes classifier dengan menggunakan particle. 4(3), 180–184.

noor, m. (2014). penanggulangan kemiskinan di indonesia (studi tentang program nasional pemberdayaan masyarakat mandiri perkotaan di kota semarang). serat acitya, 3(1), 130. http://www.jurnal.untagsmg.ac.id/index.php/sa/article/view/127

rachman, b., agustian, a., tentara, j., no, p., & barat, j. (2018). efektivitas dan perspektif pelaksanaan program beras sejahtera ( rastra ) dan bantuan pangan non-tunai ( bpnt ) effectiveness and perspective of rice for the poor and non-cash food assistance ( bpnt ) programs. 16(1), 1–18.

rahmat, d., yang, t., esa, m., & indonesia, p. r. (2014). no title. 1.

rika harman. (2018). computer based information system journal penerapan penerima uang dan beras rika harman. 01, 48–55.

saleh, a. (2015). implementasi metode klasifikasi naïve bayes dalam memprediksi besarnya penggunaan listrik rumah tangga. 2(3), 207–217.

sugianto, c. a., & maulana, f. r. (2019). algoritma naïve bayes untuk klasifikasi penerima bantuan pangan non tunai ( studi kasus kelurahan utama ). techno.com. https://doi.org/10.33633/tc.v18i4.2587

susanto, s., & suryani, d. (2010). pengantar data mining. 1–20.

no, s. v. o. l. i. (2014). swabumi vol i no. 1, september 2014 issn 2355-990x penilaian otomatis ujian essay online berbasis algoritma rabin karp. i(1), 62–69.

markus hofmann, r. k. (2014). data mining use cases and business analytics applications. taylor and francis group.

sintia, s., khautsar, a., puspitasari, d., & mustika, p. (2018). algoritma naïve bayes untuk memprediksi kredit macet pada koperasi simpan pinjam. 4(2).