Klasifikasi Penerima Bantuan Rumah Tidak Layak Huni Desa Labansari Menggunakan Algoritma C4.5
Abstract
Program bantuan rumah tidak layak huni merupakan program bantuan sosial untuk meringankan keluarga berpenghasilan rendah dalam membangun rumah yang layak huni. Data calon penerima bantuan rumah tidak layak huni yang digunakan pada penelitian ini berjumlah 111 data. Ketidakakuratan penyaluran bantuan rumah tidak layak huni terjadi karena tidak adanya metode dalam menentukan penerima bantuan tersebut. Penyaluran bantuan yang tidak tepat sasaran akan berdampak pada pembangunan rumah yang tidak selesai. Oleh karena itu, untuk memperkecil kesalahan dalam pengambilan keputusan, data diklasifikasikan menggunakan algoritma C4.5. Perhitungan algoritma C4.5 menghasilkan nilai akurasi, presisi, recall, serta pohon keputusan dari data yang diolah. Pengujian yang dilakukan menggunakan Microsoft Excel menghasilkan akurasi 100%, presisi 100%, dan recall 100%. Sementara itu, pengujian menggunakan bahasa pemrograman Python juga memperoleh hasil akurasi 100%, presisi 100%, dan recall 100%.
References
[2] C. Anam and H. B. Santoso, “Perbandingan Kinerja Algoritma C4.5 dan Naive Bayes untuk Klasifikasi Penerima Beasiswa,” J. Ilm. Ilmu-Ilmu Tek., vol. 8, no. 1, pp. 13–19, 2018, [Online]. Available: https://ejournal. upm.ac.id/index.php /energy/article/view /111/449
[3] Y. Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4.5,” Edik Inform., vol. 2, no. 2, pp. 213–219, 2017, doi: 10.22202/ei.2016.v2i2.1465.
[4] M. F. Arifin and D. Fitrianah, “Penerapan Algoritma Klasifikasi C4.5 Dalam Rekomendasi Penerimaan Mitra Penjualan Studi Kasus : PT Atria Artha Persada,” InComTech, vol. 8, no. 2, pp. 87–102, 2018, doi: 10.22441/incomtech.v8i1.2198.
[5] M. Muhamad, A. P. Windarto, and S. Suhada, “Penerapan Algoritma C4.5 Pada Klasifikasi Potensi Siswa Drop Out,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 1–8, 2019, doi: 10.30865/komik.v3i1.1688.
[6] M. Muqorobin, K. Kusrini, and E. T. Luthfi, “Optimasi Metode Naive Bayes Dengan Feature Selection Information Gain Untuk Prediksi Keterlambatan Pembayaran Spp Sekolah,” J. Ilm. SINUS, vol. 17, no. 1, p. 1, 2019, doi: 10.30646/ sinus.v17i1.378.
[7] R. K. Ngantung and M. A. I. Pakereng, “Model Pengembangan Sistem Informasi Akademik Berbasis User Centered Design Menerapkan Framework Flask Python,” J. Media Inform. Budidarma, vol. 5, no. 3, p. 1052, 2021, doi: 10.30865/ mib.v5i3.3054.
[8] M. D. Gumilar, F. Sembiring, and A. Erfina, “Implementasi Progressive Web App Pada Sistem Informasi E-Learning Untuk,” J. Ilm. Tek. Inform. dan Sist. Inf., vol. Vol.10, No, pp. 187–196, 2021.
[9] D. N. Zuraidah, M. F. Apriyadi, A. R. Fatoni, M. Al Fatih, and Y. Amrozi, “Menelisik Platform Digital Dalam Teknologi Bahasa Pemrograman,” Teknois J. Ilm. Teknol. Inf. dan Sains, vol. 11, no. 2, pp. 1–6, 2021, doi: 10.36350/jbs.v11i2.107.
[10] M. W. Prihatmono and A. F. Watratan, “Implementasi Algoritma C4.5 Menggunakan Python Untuk Klasifikasi Kepuasan Konsumen,” Progres, pp. 49–55, 2019, [Online]. Available: https://jurnal. stmikprofesional.ac.id/ index.php/ Progress /article /view/146/22
[11] D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” J. Sains Komput. Inform., vol. 5, no. 2, pp. 697–711, 2021.
[12] A. Jeklin, “evaluasi dan prediksi penguasaan bahasa inggris maritim menggunakan metode decision tree dan confusion matrix (studi kasus di universitas maritim amni),” no. July, pp. 1–23, 2017.
[13] B. P. Pratiwi, A. S. Handayani, and S. Sarjana, “Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi Wsn Menggunakan Confusion Matrix,” J. Inform. Upgris, vol. 6, no. 2, pp. 66–75, 2021, doi: 10.26877/jiu.v6i2.6552.
