Analisis Penerapan Algoritma Naive Bayes dengan Seleksi Fitur untuk Klasifikasi Penerima Program Sembako di Kabupaten Banyuwangi
Tahun 2026 · Penulis: Dini Indriani
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/12484
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Analisis Penerapan Algoritma Naive Bayes dengan Seleksi Fitur untuk Klasifikasi Penerima Program Sembako di Kabupaten Banyuwangi
Ketidakakuratan menargetkan dalam distribusi Program Sembako tetap menjadi tantangan di pemberontakan Brayuwangi. Penelitian ini bertujuan untuk menganalisis aplikasi algoritma Naive Bayes dengan fitur Penentuan Informasi seleksi untuk mengklasifikasikan penerima Program Sembako dan untuk mengevaluasi efek fitur seleksi pada kinerja klasifikasi. Penelitian ini menggunakan data sekunder dari Survei Nasional Socio-Ekonomis 2025 (Susenas) di Kongensi Abimanwangi, yang terdiri dari rumah tangga, individu, dan modul konsumsi. Setelah proses praproses data, 949 catatan rumah tangga dengan 61 fitur diperoleh. Variabel target adalah status Program Sembako penerima berdasarkan Pernah_Menerima_BPNT variabel. Untuk mengatasi ketidakseimbangan kelas, Acak Under-Sampling diterapkan menggunakan rasio 1:1 dan 1:2 sampling. Seleksi Fitur dilakukan dengan Information Gain dengan lima fitur subset, yaitu Top 5, Top 8, Top 10, Top 12, dan Top 15, diikuti dengan klasifikasi menggunakan algoritma Multinomial Naive Bayes. Penampilan model dievaluasi menggunakan akurasi, presisi, ingat, F1-score, bingung matriks, dan ROC-AUC. Hasil percobaan menunjukkan bahwa akurasi tertinggi 67.52% dicapai menggunakan 5 fitur Top dengan rasio 1:2 sampling. Namun, model keseluruhan terbaik berdasarkan F1-score diperoleh menggunakan 10 fitur Top dengan rasio 1:1 sampling, mencapai nilai AUC 0.65, menunjukkan kinerja klasifikasi yang adil dalam membedakan penerima Sembako dari non-recipients. Penemuan ini menunjukkan bahwa Information Gain secara efektif meningkatkan kinerja klasifikasi Teluk Naive, sementara pemilihan rasio sampling yang sesuai mempengaruhi keseimbangan antara akurasi keseluruhan dan deteksi contoh kelas minoritas.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,834
Tahun 2025 · Penulis: Mohammad Irfan Maulana
Penerapan Metode Naive Bayes dan Support Vector Machine (SVM) dalam Mengklasifikasikan Status Gizi Balita Stunting di Puskesmas Sumbersari Kabupaten Jember
Perasaan takut adalah problem gizi kronis yang berdampak serius terhadap pertumbuhan dan perkembangan balita. Penelitian ini bertujuan untuk membandingkan kinerja Teluk Naïve dan Dukungan Mesin Vektor (SVM) algoritma dalam mengklasifikasikan status gizi balita
- Cosine 0,804
Tahun 2026 · Penulis: Ratna Puspita Eka Putri
Pengaruh Seleksi Fitur dan Ukuran Data pada Klasifikasi Penyakit Jantung dengan Naive Bayes dan Decision Tree
Penyakit jantung merupakan penyebab utama kematian secara global, yang bertanggung jawab atas sekitar 17,9 juta kematian setiap tahunnya. Deteksi dini melalui machine learning menawarkan solusi yang efisien dan dapat diskalakan, khususnya untuk fasilitas keseh
- Cosine 0,803
Tahun 2026 · Penulis: Dewana Kretarta Lokeswara
Implementasi Model Vision Transformer dalam Klasifikasi Citra Batik Indonesia
Batik merupakan warisan budaya Indonesia yang memiliki nilai seni tinggi dengan beragam motif dari berbagai daerah. Keberagaman ini sering menyulitkan masyarakat dalam mengenali motif batik tanpa pengetahuan sebelumnya. Penelitian terdahulu menunjukkan bahwa C