Search

Kelurahan Utama merupakan instansi pemerintahan di cimahi selatan. Kelurahan utama menjalankan program pemerintah yaitu program Bantuan Pangan Non Tunai, dalam menjalankan program Bantuan Pangan Non Tunai sebagian warga banyak yang mengeluh karena tidak mendapat bantuan, sedangkan ada beberapa warga yang dianggap mampu justru mendapatkan bantuan. Berdasarkan latar belakang tersebut maka penulis melakukan proses pengolahan data menggunakan data mining untuk mengklasifikasi penerima dan bukan penerima bantuan pangan non tunai dengan metode klasifikasi menggunakan Algoritma Naïve Bayes dan Algoritma Decision Tree sebagai pembanding. Diharapkan data yang dihasilkan dari proses data mining bisa menjadi bahan evaluasi untuk pemerintah. Dalam penelitian ini penulis mengklasifikasi data penerima dan bukan penerima bantuan pangan non tunai menggunakan teknik klasifikasi pada data mining menggunakan Algoritma Naïve Bayes dan Algoritma Decision Tree sebagai pembanding. Model data mining di buat menggunakan RapidMiner, dengan hasil nilai Probabilitas untuk class ‘’PENERIMA’’ yaitu 0,481 dengan pembulatan nilai menjadi 0,48 dan nilai Probabilitas untuk class ‘’Bukan Penerima’’ yaitu 0,519 dengan pembulatan nilai menjadi 0,52. Algoritma Naïve Bayes mempunyai tingkat Accuracy sebesar 58,29%, Precision 92,90%, Recall 21,84%, AUC 0,765, F-Measure 34.42%. Sedangkan algoritma Decision Tree mempunyai tingkat Accuracy sebesar 73,97%, Precision 85,04%, Recall 61,92%, AUC 0,746, F-Measure 71,17%. Dalam hasil pengujian T-Test antara Algoritma Naive Bayes dan Algoritma Decision Tree didapat alpha ≤ 0.000, maka dapat disimpulkan pengujian T-Test antara Algoritma Naïve Bayes dan Algoritma Decision Tree hasilnya signifikan.

Jawa Barat merupakan salah satu zona rawan longsor di Indonesia. Pengurangan resiko bencana diantaranya adalah peringatan dini dengan langkah awal menganalisis data yang ada. Salah satu cara menganalisis data ini yaitu dengan teknik data mining. Tujuan penelitian ini adalah untuk mengetahui pola hubungan aturan assosiatif antara suatu kombinasi data dan membentuk pola kombinasi datasets dengan menggunakan algoritma Fp-growth dalam data bencana tanah longsor yang di dapat dari Badan Nasional Penanggulangan Bencana dan Badan Penanggulangan Bencana Daerah Provinsi Jawa Barat periode data dari 2011 sampai dengan 2016. Hasil penelitian ini mendapatkan nilai confidence tertinggi sebesar 1 dengan premises malam, jalan rusak dan conclusion hujan deras dan premises tanah labil, korban jiwa, sore dengan conclusion hujan deras yang berarti keterkaitan satu kondisi dengan kondisi lain sebesar 100%. Untuk nilai support tertinggi dalam pola asosiatif didapatkan sebesar 0,629 dengan confidence 0,901 dengan premises rumah rusak dan conclusion hujan deras yang berarti 90% keterkaitan dengan kejadian 63% kemunculan.

Untuk menghasilkan hasil yang maksimal di dalam proses klasifikasi data harus memiliki distribusi yang sama dengan data pelatihan. Namun, kenyataannya data seperti ini, tidak selalu ditemukan banyak juga data yang distribusinya tidak sama, dimana satu kelas mungkin diwakili oleh data dengan jumlah yang besar, sementara kelas yang lain diwakili oleh hanya beberapa. Algoritma klasifikasi data mining banyak yang dapat digunakan untuk menangani data tidak seimbang, maka dari itu perlu dilakukan komparasi untuk mengetahui seberapa tinggi tingkat akurasi dari masing-masing algoritma yang ada. Algoritma yang digunakan adalah K-Means + C4.5, K-Means + Naïve Bayes, K-Means + Random Forest dan K-Means + Neural Network. Dataset terdiri dari dua kombinasi, yang terdiri dari variabel meteorologi dan fire weather index (FWI) untuk memprediksi ukuran kebakaran hutan. Hasil dari proses klasifikasi dievaluasi dengan menggunakan cross validation, confusion matrix, dan T-Test Kata Kunci : Algoritma C4.5, Naïve Bayes, Random Forest, Neural Network, K-Means, Data tidak seimbang, Data Mining.

Copyright of Techno.com is the property of Universitas Dian Nuswantoro, Fakultas Ilmu Komputer and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)