Decision Tree dan Adaboost pada Klasifikasi Penerima Program Bantuan Sosial

  • Laila Qadrini Universitas Sulawesi Barat, Majene
  • Andi Seppewali Universitas Sulawesi Barat, Majene
  • Asra Aina Universitas Sulawesi Barat
Keywords: Klasifikasi, BLT, Decision Tree, Adaboost

Abstract

Kemiskinan adalah masalah sosial yang masih belum terselesaikan di negara berkembang khususnya di indonesia. Kemiskinan telah hadir dalam realitas kehidupan manusia dengan bentuk dan kondisi yang sangat memprihatinkan, Karena kemiskinan memang tidak bisa dihilangkan begitu saja. Dengan adanya permasalahan terhadap Negara berkembang terutama kemiskinan. Maka pemerintah membuat kebijakan-kebijakan atau program-program untuk memberantas masalah tersebut. Diantaranya adalah Bantuan langsung tunai atau biasa disebut BLT. Bantuan Langsung Tunai (BLT) dapat dipahami sebagai pemberian sejumlah uang (dana tunai) kepada masyarakat miskin setelah pemerintah memutuskan untuk menaikkan harga BBM dengan jalan mengurangi subsidi namun selisih dari subsidi itu diberikan kepada masyarakat miskin. Melihat dari program pemerintah tersebut, upaya pemberantasan kemiskinan di negara Indonesia ini cukup menarik simpati masyarakat. Hal ini menjadi salah satu objek yang menarik untuk diteliti dan dikaji lebih lanjut. Untuk menentukan klasifikasi tingkat penduduk miskin terdapat banyak metode yang dapat digunakan. Salah satunya yang digunakan pada penelitian ini yaitu Decision Tree dan Adaboost.

References

[1]Chezian, D.R.M., & Kumar, K.S. 2014. Support Vector Machine and K-Nearest Neighbour Based Analysis for the Prediction of Hypothyroid. International Journal of Pharma and Bio Sciences. 5(4)(B) 447-453.
[2]Elly Firasari, Umi Khultsum, Monikka Nur Winnarto Risnandar, Kombinasi K-NN dan Gradient Boosted Trees untuk Klasifikasi Penerima Program Bantuan Sosial Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK). Vol. 7, No. 6, Desember 2020, hlm. 1231-1236.
[3]I.H. Witten, E. Frank, and M.A. Hall, “Data Mining Practical Machine Learning Tools and Techniques”, Third Edition, Elsevier Publisher, USA, 2011.

[4]J. Agustinus, “Sistem Deteksi Intrusi Jaringan dengan Metode Support Vector Machine”, M. Eng, Thesis, Jurusan Ilmu Komputer. FMIPA UGM, Yogyakarta, 2012.
[5]J. Han, and M. Kamber, “Data mining: Concepts and Techniques”, Third Edition, Morgan Kaufmann Publishers, San Fransisco, 2013.
[6]Kurniawan, Dios, Pengenalan Machine Learning dengan Python, PT. Elex Media Komputindo, Jakarta, 2020.
[7]Saikin, & Kusrini. 2019. Model Data Mining Untuk Karekteristik Data Traveller Pada Perusahaan Tour And Travel (Studi Kasus : Lombok Ceria Holiday). Jurnal Manajemen Informatika & Sistem Informasi, 2(2), 61–68.
[8]Yunus, A., Akbar, M., & Andri. 2019. Data Mining Untuk Memeprediksi Hasil Produksi Nuah Sawit Pada Pt Bumi Sawit Saukses (Bss) Menggunakan Metode K-Nearest Neighbor. Bina Darma Conference on Computer Science, 198–207.
Published
2021-12-01
How to Cite
Qadrini, L., Seppewali, A., & Aina, A. (2021). Decision Tree dan Adaboost pada Klasifikasi Penerima Program Bantuan Sosial. Jurnal Inovasi Penelitian, 2(7), 1959-1966. https://doi.org/10.47492/jip.v2i7.1046
Section
Articles