Klasifikasi Kelayakan Penerima Bantuan Menggunakan Metode Naive Bayes
DOI:
https://doi.org/10.64803/juikti.v2i2.158Keywords:
Data Mining, Naive Bayes, Kelayakan Penerima Bantuan, Pendapatan, KlasifikasiAbstract
Program bantuan merupakan salah satu upaya yang diselenggarakan untuk mendukung masyarakat dalam memenuhi kebutuhan hidup. Dalam proses penentuan penerima bantuan, diperlukan suatu metode yang mampu mengelompokkan data secara objektif berdasarkan informasi yang tersedia. Penelitian ini bertujuan untuk mengklasifikasikan kelayakan penerima bantuan menggunakan algoritma Naive Bayes berdasarkan karakteristik ekonomi setiap individu. Dataset yang digunakan berasal dari Adult Income Dataset yang diperoleh melalui Kaggle, dengan atribut meliputi usia, tingkat pendidikan, jenis pekerjaan, jumlah jam kerja per minggu, dan pendapatan. Tahapan penelitian mencakup seleksi data, preprocessing, transformasi data, serta penerapan algoritma Naive Bayes. Dataset dibagi menjadi data latih sebesar 70% dan data uji sebesar 30% untuk proses pelatihan serta evaluasi model. Berdasarkan hasil pengujian, model Naive Bayes memperoleh tingkat akurasi sebesar 76,78%, precision 78,70%, recall 95,25%, dan F1-score sebesar 86,19%. Temuan tersebut menunjukkan bahwa algoritma Naive Bayes memiliki kemampuan yang cukup baik dalam mengklasifikasikan kelayakan penerima bantuan berdasarkan kondisi ekonomi individu. Model yang dikembangkan mampu memberikan performa klasifikasi yang memadai pada dataset yang digunakan. Dengan demikian, metode Naive Bayes dapat dijadikan sebagai salah satu alternatif metode klasifikasi untuk mendukung proses pengambilan keputusan dalam menentukan kelayakan penerima bantuan.
References
[1] F. F. B. Sembiring and R. Nababan, “Data Terpadu Kesejahteraan Sosial Terhadap Bantuan Sosial Bagi Kesejahteraan Ekonomi Masyarakat Kelurahan Simpang Selayang,” Innov. J. Soc. Sci. Res., vol. 4, no. 5, pp. 6779–6790, 2024.
[2] M. A. M. Nasir, Data Mining: Algoritma dan Implementasi. Yogyakarta: Andi, 2020.
[3] A. Pebdika, R. Herdiana, and D. Solihudin, “Klasifikasi Menggunakan Metode Naive Bayes Untuk Menentukan Calon Penerima Pip,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 452–458, 2023, doi: 10.36040/jati.v7i1.6303.
[4] A. Damuri, U. Riyanto, H. Rusdianto, and M. Aminudin, “Implementasi Data Mining dengan Algoritma Naïve Bayes Untuk Klasifikasi Kelayakan Penerima Bantuan Sembako,” JURIKOM (Jurnal Ris. Komputer), vol. 8, no. 6, p. 219, 2021, doi: 10.30865/jurikom.v8i6.3655.
[5] D. Kurniadi, F. Nuraeni, and M. Firmansyah, “Classification Of Society Recipients of Bantuan Langsung Tunai Dana Desa Using Naive Bayes Algorithm and SMOTE,” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 36, pp. 1–11, 2023, doi: 10.25126/jtiik.2023106453.
[6] N. W. U. Pratiwi, “KLASIFIKASI PENENTUAN PENERIMA BANTUAN SOSIAL TUNAI (BST) MENGGUNAKAN ALGORITMA C4.5 DI DESA KERAMAS, GIANYAR BALI,” vol. 4, no. 3, pp. 101–107, 2022.
[7] D. Azlil Huriah and N. Dienwati Nuris, “Klasifikasi Penerima Bantuan Sosial Umkm Menggunakan Algoritma Naïve Bayes,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 360–365, 2023, doi: 10.36040/jati.v7i1.6300.
[8] W. P. Ulumudidin, “Analisis Kinerja Algoritma Naive Bayes dalam Klasifikasi Data pada Pasien Tuberkulosis Berbasis Data Mining,” vol. 5, no. 1, pp. 75–81, 2025, doi: 10.47065/jogtc.v5i1.8999.
[9] Kaggle, “Adult Census Income.” Accessed: May 15, 2026. [Online]. Available: https://www.kaggle.com/datasets/uciml/adult-census-income
[10] T. M. Marisa, F.; Maukar, A. L.; Akhriza, Data Mining Konsep dan Penerapannya. Yogyakarta: Deepublish, 2021.
[11] F. L. Hanis, U. Khaira, and D. Arsa, “MALCOM: Indonesian Journal of Machine Learning and Computer Science Classification of Student Drop Out Risk Using Decision Tree C5.0 with Feature Selection Klasifikasi Status Mahasiswa Berisiko Drop Out Menggunakan Decision Tree C5.0 dengan Seleksi Fitur,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. October, pp. 1318–1330, 2025.
[12] T. Gori, A. Sunyoto, and H. Al Fatta, “Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 1, pp. 215–224, 2024, doi: 10.25126/jtiik.20241118074.
[13] Y. P. Astuti, A. R. Wibowo, E. Kartikadarma, E. R. Subhiyakto, N. A. Sri Winarsih, and M. S. Rohman, “Penerapan Metode Naïve Bayes Classifier Untuk Klasifikasi Sentimen Pada Judul Berita,” LogicLink, vol. 1, no. 1, pp. 1–12, 2024, doi: 10.28918/logiclink.v1i1.7684.
[14] Y. Sari Siregar, D. Handoko, M. Khairani, N. I. Syahputri, and H. Harahap, “Implementasi Data Mining Klasifikasi Algoritma Chaid Dalam Menentukan Pola Penerima Mahasiswa Baru,” Digit. Transform. Technol., vol. 3, no. 2, pp. 978–989, 2024, doi: 10.47709/digitech.v3i2.3612.
[15] Prastyadi Wibawa Rahayu dkk, Buku Ajar Data Mining. Bandung: Sonpedia Publishing Indonesia, 2024.
[16] Y. Irfayanti, “Penerapan Metode Naive Bayes untuk Klasifikasi Status Pegawai pada Perusahaan Swasta,” Syntax Lit. J. Ilm. Indones., vol. 7, no. 10, pp. 17934–17941, 2022, doi: 10.36418/syntax-literate.v7i10.13230.
[17] S. A. Hicks et al., “On evaluation metrics for medical applications of artificial intelligence,” Sci. Rep., vol. 12, no. 1, pp. 1–9, 2022, doi: 10.1038/s41598-022-09954-8.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Andara Cantika Effendy, Roberto Kaban (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
