Asikin, Moh. Fadel (2017) Penentuan Penerima Bantuan Ternak Menggunakan Algoritma K-Means & Naive Bayes. Sarjana thesis, Universitas Brawijaya.
Abstract
Indonesia adalah negara yang luas yang memiliki banyak kepulauan yang cocok untuk dikembangkan bisnis peternakan. Pada kenyataannya sektor peternakan belum mampu mendorong partisipasi masyarakat dan swasta Untuk mengatasl permasalahan tersebut, maka sebagian anggaran Kementerian Pertanian dialokasikan dalam bentuk belanja bantuan soslal, diantaranya untuk pemberdayaan masyarakat dan penanggulangan kemiskinan dalam bentuk barang kepada kelompok rani. Salah satu bentuk bantuan yang dialokasikan ke kelompok petani adalah pemberian ternak. Penentuan talon penerima masih belum efektif dan kadang menimbulkan pemberian bantuan ternak menjadi tidak tepat sasaran, sehingga setiap pembelanjaan uang negara tidak memberikan manfaat yang maksimal bagi masyarakat. Pada penelitian ini digunakan metode K-Means Naive Bayes (KMNB) yang dianggap mampu memberikan hasll klasifikasi yang akurat pada penentuan penerima bantuan ternak. Pendekatan pembelajaran K -Means Naive Bayes dibentuk dengan menggabungkan teknik clustering dan klashIlkasi. K-Means digunakan sebagai komponen pra-klasifikasi untuk mengelompokkan data yang sama pada tahap awal. Selanjutnya, untuk pengelompokan tahap kedua data akan diklasifikasikan berdasarkan kategori Diterima atau tidaknya menggunakan Naive Bayes. Dengan demikian, data dengan kelompok yang salah selama tahap pertama akan diklasifikasikan sesuai dengan kategori di tahap kedua. Berdasarkan hasil pengujian dengan membandingkan hasil pengelompokkan pada metode K-Means konvensional terbukti bahwa KMNB memberikan akurasi tertinggi sebesar 100% sedangkan K-Means konvensionaf memiliki akurasi sebesar 95.91%.
English Abstract
Indonesia is a vast country with many islands suitable for the development of livestock business. In reality, the livestock sector has not been able to encourage public and private participation. To overcome these problems, some of the budget of the Ministry of Agriculture is allocated in the form of social assistance expenditures, such as for community empowerment and poverty alleviation in the form of goods to farmer groups. One of the forms of assistance allocated to farmer groups is the provision of livestock. Determination of potential recipients is still not effective and sometimes leads to the giving of livestock assistance is not right on target, so that every expenditure of state money does not provide maximum benefits for the community. In this research, K-Means Naive Bayes (KMNB) method is considered capable of giving accurate classification results on the determination of livestock recipients. The K-Means Naive Bayes learning approach is formed by combining clustering and classification techniques. K-Means is used as a pre-classification component to group the same data at an early stage. Furthermore, for the second grouping of data will be classified by category Accepted or not using Naive Bayes. Thus, the data with the wrong group during the first stage will be classified according to the category in the second stage. Based on the test results by comparing the results of grouping on conventional K-Means method it is proven that KMNB gives the highest accuracy of 100% while conventional K-Means has an accuracy of 95.91%.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2017/484/051707806 |
| Uncontrolled Keywords: | Penentuan, pengelompokkan, klasifikasi, penerima, bantuan ternak, K-Means & Naive Bayes |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.31 Machine learning > 006.312 Data mining |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Yusuf Dwi N. |
| Date Deposited: | 31 Aug 2017 07:16 |
| Last Modified: | 17 Nov 2020 08:42 |
| URI: | http://repository.ub.ac.id/id/eprint/1964 |
Preview |
Text
Moh. Fadel Asikin.pdf Download (14MB) | Preview |
Actions (login required)
 |
View Item |