Klasifikasi Rumah Tangga Penerima Subsidi Listrik di Provinsi Gorontalo Tahun 2019 dengan Metode K-Nearest Neighbor dan Support Vector Machine
Abstract
Program subsidi listrik merupakan salah satu program pemerintah untuk penanganan kemiskinan, dimana keluarga tidak mampu mendapatkan bantuan subsidi listrik yang dibayarkan pemerintah ke PT Perusahaan Listrik Negara (PLN). Permasalahannya adalah masih terdapat rumah tangga yang mampu secara ekonomi namun tetap mendapatkan subsidi listrik. Penelitian ini bertujuan untuk melakukan klasifikasi rumah tangga penerima subsidi listrik menggunakan data mining serta melakukan perbandingan hasil klasifikasi dengan metode K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM). Alasan pemilihan metode ini dibandingkan metode lainnya dalam data mining, KNN merupakan metode yang dapat mewakili lazy learning dan SVM merupakan metode klasifikasi yang dapat memberikan generalisasi. Data yang digunakan adalah data Susenas Provinsi Gorontalo tahun 2019. Variabel yang digunakan adalah status penerimaan subsidi listrik sebagai kelas dan variabel penjelas (atribut) mencakup jumlah anggota rumah tangga, status kepemilikan bangunan, luas lantai rumah, bahan atap rumah terluas, bahan dinding terluas, bahan lantai rumah terluas, sumber air minum utama, bahan bakar utama untuk memasak, dan tempat pembuangan akhir tinja. Program yang digunakan dalam pengolahan data adalah R. Hasil penelitian menunjukkan bahwa metode KNN memiliki akurasi yang lebih baik dalam melakukan klasifikasi yaitu sebesar 98,07%. Secara keseluruhan, terdapat perbedaan yang signifikan dari klasifikasi KNN dan SVM, dimana kinerja KNN jauh lebih baik dari SVM dalam melakukan klasifikasi.
Keywords
Full Text:
PDFReferences
A. Levanon, E. Lavee, and R. Strier, “Explaining the Factors Shaping the Likelihood of Poverty Among Working Families by Using a Concurrent Mixed,” Soc. Indic. Res., vol. 157, no. 3, pp. 1089–1109, 2021, doi: 10.1007/s11205-021-02689-5.
R. Hanna and B. A. Olken, “Universal Basic Incomes versus Targeted Transfers: Anti-Poverty Programs in Developing Countries,” J. Econ. Perspect., vol. 32, no. 4, pp. 201–226, 2018.
B. H. Yanto and Y. Yunus, “Evaluasi Penentuan Kelayakan Pemberian Subsidi Listrik dengan Metode MFEP,” J. Inform. Ekon. Bisnis, vol. 3, pp. 109–114, 2021, doi: 10.37034/infeb.v3i3.91.
H. Foy and I. Bosman, “Electricity Situation,” 2021.
Y. Abulkher, “Tripoli ’ s Electricity Crisis and its Politicisation Policy Brief,” Clingendael Netherlands Inst. Int. Relations, no. April, 2020.
S. Sugiartiningsih, “Pengaruh Subsidi Listrik Terhadap Konsumsi Rumah Tangga Di Indonesia Periode 2004-2017,” J. Accounting, Financ. Taxation, Audit., vol. 1, no. 2, pp. 64–73, 2020, doi: 10.28932/jafta.v1i2.2455.
D. A. Ermawaty, “Model Kesesuaian Kebijakan Subsidi Listrik,” J. Ilm. Indones., vol. 5, no. 1, pp. 54–70, 2020.
A. Widarma and H. Kumala, “Sistem Pendukung Keputusan Dalam Menentukan Pengguna Listrik Subsidi Dan Nonsubsidi Menggunakan Metode Fuzzy Mamdani (Studi Kasus : PT. PLN Tanjung Balai),” J. Teknol. Inf., vol. 2, no. 2, p. 165, 2019, doi: 10.36294/jurti.v2i2.432.
V. Plotnikova, M. Dumas, and F. Milani, “Adaptations of data mining methodologies: A systematic literature review,” PeerJ Comput. Sci., vol. 6, pp. 1–43, 2020, doi: 10.7717/PEERJ-CS.267.
A. ACHARYA and D. SINHA, “An Educational Data Mining Approach to Concept Map Construction for Web based Learning,” Inform. Econ., vol. 21, no. 4/2017, pp. 41–58, 2017, doi: 10.12948/issn14531305/21.4.2017.04.
J. Salvador-Meneses, Z. Ruiz-Chavez, and J. Garcia-Rodriguez, “Compressed kNN: K-nearest neighbors with data compression,” MDPI, vol. 21, no. 3, pp. 1–21, 2019, doi: 10.3390/e21030234.
A. Kataria and M. D. Singh, “A Review of Data Classification Using K-Nearest Neighbour Algorithm,” Int. J. Emerg. Technol. Adv. Eng., vol. 3, no. 6, pp. 354–360, 2013.
R. Ullah, A. H. Khan, and S. M. Emaduddin, “ck-NN: A Clustered k-Nearest Neighbours Approach for Large-Scale Classification,” ADCAIJ Adv. Distrib. Comput. Artif. Intell. J., vol. 8, no. 3, pp. 67–77, 2019, doi: 10.14201/adcaij2019836777.
W. Zhang, “Machine Learning Approaches to Predicting Company Bankruptcy,” J. Financ. Risk Manag., vol. 06, no. 04, pp. 364–374, 2017, doi: 10.4236/jfrm.2017.64026.
Z. Zhang et al., “Modulation signal recognition based on information entropy and ensemble learning,” Entropy, vol. 20, no. 3, pp. 1–18, 2018, doi: 10.3390/e20030198.
H. A. Abu Alfeilat et al., “Effects of Distance Measure Choice on K-Nearest Neighbor Classifier Performance: A Review,” Big Data, vol. 7, no. 4, pp. 221–248, 2019.
Arfiani, Z. Rustam, J. Pandelaki, and A. Siahaan, “Kernel Spherical K-Means and Support Vector Machine for Acute Sinusitis Classification,” IOP Conf. Ser. Mater. Sci. Eng., vol. 546, no. 5, 2019, doi: 10.1088/1757-899X/546/5/052011.
J. Abukhait, A. M. Mansour, and M. Obeidat, “Classification based on Gaussian-kernel support vector machine with adaptive fuzzy inference system,” Prz. Elektrotechniczny, vol. 94, no. 5, pp. 14–22, 2018, doi: 10.15199/48.2018.05.03.
A. Tharwat, “Parameter investigation of support vector machine classifier with kernel functions,” Knowl. Inf. Syst., vol. 61, no. 3, pp. 1269–1302, 2019, doi: 10.1007/s10115-019-01335-4.
S. Lim, S. J. Kim, Y. J. Park, and N. Kwon, “A deep learning-based time series model with missing value handling techniques to predict various types of liquid cargo traffic,” Expert Syst. Appl., vol. 184, p. 115532, 2021.
DOI: http://dx.doi.org/10.26418/justin.v10i1.51210
Refbacks
- There are currently no refbacks.
Copyright (c) 2022 JUSTIN (Jurnal Sistem dan Teknologi Informasi)
View My Stats
All article in Justin is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License