Publisher

STMIKJAYAKARTASTMIKJAYAKARTA

Journal Jurnal Manajamen Informatika JayakartaJurnal Manajamen Informatika Jayakarta Abstract

Program Indonesia Pintar (PIP) melalui Kartu Indonesia Pintar (KIP) adalah program pemerintah yang ditawarkan dalam wujud pembiayaan pendidikan langsung kepada para siswa (6-21 tahun). KIP merupakan bagian penyempurnaan dari program Bantuan Siswa Miskin (BSM) sejak akhir 2014. Sasaran PIP di SMP PGRI 1 Cilacap masih kurang tepat sasaranya, dikarenakan kurangnya kriteria penerima KKS, Oleh karena itu penulis menambahkan kriteria penerima KKS dalam penelitian. Penelitian ini dibuat berdasarkan data yang telah ada sebelumnya yaitu dengan 100 data training dan 9 data uji menggunakan metode data mining Naïve Bayes dan dengan 6 atribut yaitu pekerjaan orang tua, jumlah tanggungan, penghasilan orang tua, penerima KIP, penerima KPS, penerima KKS. Hasil pengujian akurasi yang didapatkan yaitu 88,89% dan perhitungan Recall 85,71%.

Conclusion

Berdasarkan penelitian yang dilakukan, dapat ditarik kesimpulan bahwa, penerapan Data Mining menggunakan Metode Naive Bayes untuk memprediksi kelayakan penerima bantuan PIP berdasarkan dataset dengan menambahkan atribut Penerima KKS sangat membantu dalam menentukan kelayakan penerima bantuan PIP.Berdasarkan data yang telah diperoleh, proses penentuan penerima bantuan PIP menggunakan metode Naive Bayes menghasilkan informasi prediksi siswa yang layak mendapatkan bantuan PIP lebih akurat dibandingkan dengan penentuan yang dilakukan pihak sekolah.Dengan demikian metode Naive Bayes ini berhasil memprediksi dengan presentase Accuracy sebesar 88,89% dan perhitungan Recall 85,71% dengan menggunakan data sebanyak 100 data siswa sebagai Data uji sebanyak 9 Data Siswa.

Future Research

Berdasarkan penelitian ini, terdapat beberapa saran penelitian lanjutan yang dapat dikembangkan. Pertama, penelitian selanjutnya dapat memperluas cakupan data dengan melibatkan lebih banyak sekolah dan wilayah geografis yang berbeda untuk meningkatkan generalisasi model. Kedua, eksplorasi penggunaan fitur-fitur tambahan seperti riwayat akademik siswa, kondisi sosial ekonomi keluarga yang lebih rinci, atau faktor-faktor lingkungan dapat memberikan informasi yang lebih komprehensif dalam memprediksi kelayakan penerima PIP. Ketiga, penelitian dapat menguji efektivitas metode machine learning lain seperti Support Vector Machine (SVM) atau Random Forest untuk membandingkan kinerja dan akurasi prediksi dibandingkan dengan metode Naïve Bayes yang telah digunakan. Dengan menggabungkan ketiga saran ini, diharapkan dapat menghasilkan model prediksi yang lebih akurat dan komprehensif dalam menentukan penerima PIP, sehingga program bantuan pendidikan ini dapat lebih tepat sasaran dan memberikan dampak positif yang lebih besar bagi siswa yang membutuhkan.

References

1. PENERAPAN ALGORITMA METODE NAÏVE BAYES UNTUK PENENTUAN PENERIMAAN BANTUAN PROGRAM INDONESIA PINTAR... journal.stmikjayakarta.ac.id/index.php/JMIJayakarta/article/view/1355PENERAPAN ALGORITMA METODE NAyaVE BAYES UNTUK PENENTUAN PENERIMAAN BANTUAN PROGRAM INDONESIA PINTAR journal stmikjayakarta ac index php JMIJayakarta article view 1355

Metadata

File size	1.13 MB
Pages	11
DMCA	Report