KOMPARASI ALGORITMA K-NEAREST NEIGHBOR DAN NAÏVE BAYES DALAM PENERIMAAN KARTU INDONESIA PINTAR DI DKI JAKARTA MENGGUNAKAN K-FOLD CROSS VALIDATION

RANGKUTI, MUHAMMAD YUSUF RIZQON (2022) KOMPARASI ALGORITMA K-NEAREST NEIGHBOR DAN NAÏVE BAYES DALAM PENERIMAAN KARTU INDONESIA PINTAR DI DKI JAKARTA MENGGUNAKAN K-FOLD CROSS VALIDATION. S1 thesis, Universitas Mercu Buana.

Preview	Text (HAL COVER) 01 COVER.pdf Download (1MB) | Preview
Preview	Text (ABSTRAK) 02 ABSTRAK.pdf Download (24kB) | Preview
	Text (BAB 1) 03 BAB 1.pdf Restricted to Registered users only Download (140kB)
	Text (BAB 2) 04 BAB 2.pdf Restricted to Registered users only Download (247kB)
	Text (BAB 3) 05 BAB 3.pdf Restricted to Registered users only Download (119kB)
	Text (BAB 4) 06 BAB 4.pdf Restricted to Registered users only Download (256kB)
	Text (BAB 5) 07 BAB 5.pdf Restricted to Registered users only Download (216kB)
	Text (BAB 6) 08 BAB 6.pdf Restricted to Registered users only Download (265kB)
	Text (DAFTAR PUSTAKA) 09 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (201kB)
	Text (LAMPIRAN) 10. LAMPIRAN.pdf Restricted to Registered users only Download (333kB)

Abstract

Education is a real government effort in improving human resources and advancing the country. One of the efforts of the Indonesian government in improving education in Indonesia is the existence of the Smart Indonesia Card (KIP) by Presidential Instruction number 7 of 2014. The KIP program itself is the provision of educational funding assistance to all school-aged children 6-21 years who come from poor families. (underprivileged) or registered as participants in the Family Hope Program (PKH) or Prosperous Family Card (KKS). However, in reality, the KIP program itself is sometimes not the proper target. Some students can afford KIP cards, which should be accepted by students who cannot. This is of course the government's efforts to improve human resources and get the country progress. Therefore we need a model that can predict KIP acceptance so that the KIP revenue target is appropriate and facilitates the achievement of government efforts in improving human resources. This study aims to predict KIP acceptance using the K-Nearest Neighbor and Naïve Bayes algorithms and the algorithm testing model using K-Fold Cross Validation. With the application of the KNN and Naïve Bayes algorithms to predict KIP acceptance, it is hoped that it can help increase human resources and advance the country. The results of this study indicate that yahoo KNN has better results with an average accuracy rate of 96.9% with an average level of precision, recall, and f1-score of 97.87%, 92.87%, 95%. By using the value of K with a small error value of K=3 while the Naïve Bayes algorithm only obtains an accuracy of 86.87% with an average level of precision, recall, and f1-score of 79.62%, 86.25%, 82%. Key words: Kartu Indonesia Pintar, K-Nearest Neighbor, Naïve Bayesm K-Fold Cross Validation, Machine Learning Pendidikan merupakan upaya yang nyata pemeritah dalam meningkatkan sumber daya manusia dan memajukan negara. Salah satu upaya pemerintah Indonesia dalam meningkatkan pendidikan di Indonesia adalah dengan adanya Kartu Indonesia Pintar (KIP) sesuai dengan instruksi Presiden nomor 7 tahun 2014. Program KIP sendiri adalah pemberian bantuan tunai pendidikan kepada seluruh anak usia sekolah 6-21 tahun yang berasal dari keluarga miskin (kurang mampu) ataupun yang terdaftar sebagai peserta Program Keluarga Harapan (PKH) maupun Kartu Keluarga Sejahtera (KKS). Namun pada kenyataannya program KIP sendiri terkadang tidak sesuai dengan target yang semestinya. Ada siswa/i yang mampu tetapi mendapatkan kartu KIP yang seharusnya diterima oleh siswa/i yang tidak mampu hal ini tentu saja mempengaruhi upaya pemerintah dalam meningkatkan sumber daya manusia dan memajukan negara. Oleh sebab itu diperlukan suatu model yang dapat memprediksi penerimaan KIP agar target penerimaan KIP sesuai dan mempermudah tercapainya upaya pemerintah dalam meningkatkan SDM. Penelitian ini bertujuan memprediksi penerimaan KIP menggunakan algoritma K-Nearest Neighbor dan Naïve Bayes serta pengujian model algoritma menggunakan K-Fold Cross Validation. Dengan adanya penerapan algoritma KNN dan Naïve Bayes untuk memprediksi penerimaan KIP, diharapkan dapat membantu dalam meningkatkan SDM dan memajukan negara. Hasil penelitian ini menunjukan bahwa algoritma KNN memiliki hasil yang lebih baik dengan tingkat akurasi rata-rata sebesar 96,9% dengan tingkat rata-rata precision, recall dan f1- score sebesar 97,87%, 92,87%, 95%. Dengan menggunakan nilai K dengan nilai error yang kecil yaitu K=3 Sedangkan algoritma Naïve Bayes hanya memperoleh akurasi sebesar 86.87% dengan tingkat rata-rata precision, recall, dan f1-score sebesar 79.62%, 86.25%, 82%. Kata kunci: Kartu Indonesia Pintar, K-Nearest Neighbor, Naïve Bayes, K-Fold Cross Validation, Machine Learning

Actions (login required)

View Item