Klasifikasi Penerima Bantuan Sosial Menggunakan Algoritma Naive Bayes

Abstract

Penelitian ini memiliki tujuan untuk mengategorikan penerima bantuan sosial dengan memanfaatkan algoritma Naive Bayes agar sasaran distribusi bantuan lebih tepat. Masalah utama dalam penyaluran bantuan sosial sering terjadi karena kesalahan dalam penentuan penerima yang layak. Untuk mengatasi masalah ini, dilakukan pemodelan klasifikasi yang berbasis pada data sosial ekonomi masyarakat dengan menggunakan perangkat lunak RapidMiner Studio. Dataset yang digunakan dalam penelitian ini terdiri dari 200 penerima bantuan yang memiliki berbagai atribut seperti nama, NIK, besar bantuan, alamat, desa, serta status penyaluran. Proses pengolahan data mencakup langkah-langkah pengambilan data, normalisasi, pembagian data, pelatihan model, pengujian, dan evaluasi kinerja. Hasil pengujian menunjukkan bahwa model Naive Bayes mencapai akurasi 100%, dengan nilai presisi dan recall juga mencapai 100% untuk dua kelas yaitu Tersalurkan dan Belum Tersalurkan. Temuan ini mengindikasikan bahwa metode Naive Bayes efektif dalam mengklasifikasikan data sosial secara objektif dan dapat menjadi dasar untuk pengambilan keputusan yang lebih tepat bagi lembaga yang menyalurkan bantuan sosial.

Kata Kunci: Naïve Bayes, Klasifikasi, RapidMiner, Bantuan Sosial

This study aims to categorize social assistance recipients using the Naive Bayes algorithm to more accurately target aid distribution. The main problem in social assistance distribution often occurs due to errors in determining eligible recipients. To address this issue, a classification model based on community socioeconomic data was conducted using RapidMiner Studio software. The dataset used in this study consists of 200 aid recipients with various attributes such as name, National Identity Number (NIK), aid amount, address, village, and distribution status. The data processing process included data collection, normalization, data division, model training, testing, and performance evaluation. The test results showed that the Naive Bayes model achieved 100% accuracy, with precision and recall values ​​also reaching 100% for two classes: Distributed and Not Yet Distributed. These findings indicate that the Naive Bayes method is effective in objectively classifying social data and can serve as a basis for more informed decision-making by institutions distributing social assistance.

 Keywords: Naive Bayes, Classification, RapidMiner, Social Assistance