RAHMAN, MOHD. KAUTSAR (2026) PENERAPAN METODE SUPPORT VECTOR MACHINE PADA KLASIFIKASI PENERIMA BANTUAN SOSIAL KECAMATAN SEUNUDDON KABUPATEN ACEH UTARA. S1 thesis, Universitas Malikussaleh.

	Text COVER MOHD. KAUTSAR RAHMAN_190170129.pdf Download (24kB)
	Text ABSTRAK MOHD. KAUTSAR RAHMAN_190170129.pdf Download (16kB)
	Text BAB 1 MOHD. KAUTSAR RAHMAN_190170129.pdf Download (82kB)
	Text DAPUS MOHD. KAUTSAR RAHMAN_190170129.pdf Download (18kB)
	Text SKRIPSI_MOHD. KAUTSAR RAHMAN_190170129.pdf Restricted to Registered users only Download (5MB)

Abstract

Bantuan sosial merupakan salah satu bentuk program pemerintah yang diberikan kepada masyarakat dalam bentuk uang maupun barang guna meningkatkan kesejahteraan sosial. Penyaluran bantuan sosial di Indonesia telah diatur dalam Peraturan Menteri Sosial Republik Indonesia Nomor 01 Tahun 2019 tentang Penyaluran Belanja Bantuan Sosial di Lingkungan Kementerian Sosial. Penerima bantuan sosial meliputi individu, keluarga, kelompok, maupun masyarakat yang tergolong miskin, tidak mampu, serta penyandang masalah kesejahteraan sosial. Namun, dalam pelaksanaannya masih sering ditemukan permasalahan, seperti ketidaktepatan sasaran penerima bantuan dan kurang akuratnya data masyarakat penerima bantuan sosial. Oleh karena itu, diperlukan suatu metode yang mampu membantu proses klasifikasi data penerima bantuan sosial agar penyaluran bantuan menjadi lebih adil, efektif, dan tepat sasaran. Penelitian ini bertujuan untuk mengklasifikasikan data penerima bantuan sosial menggunakan metode Support Vector Machine (SVM) serta mengukur tingkat akurasi data bantuan sosial yang telah didistribusikan kepada masyarakat. Metode Support Vector Machine (SVM) dipilih karena memiliki kemampuan yang baik dalam proses klasifikasi data dengan tingkat akurasi yang tinggi. Dataset yang digunakan dalam penelitian ini berjumlah 560 data, yang kemudian dibagi menjadi 80% data latih dan 20% data uji untuk proses pelatihan dan pengujian model. Berdasarkan hasil pengujian, model SVM yang diterapkan memperoleh nilai precision sebesar 100%, recall sebesar 71,53%, dan F1-score sebesar 83,4%. Selain itu, tingkat akurasi keseluruhan yang diperoleh mencapai 80%. Hasil penelitian ini menunjukkan bahwa metode Support Vector Machine (SVM) mampu memberikan performa yang cukup baik dalam proses klasifikasi penerima bantuan sosial sehingga dapat digunakan sebagai pendukung

Item Type:	Thesis (S1)
Subjects:	Q Science > Q Science (General) Q Science > QA Mathematics Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	MOHD. KAUTSAR RAHMAN
Date Deposited:	28 Jul 2026 02:18
Last Modified:	28 Jul 2026 02:18
URI:	https://rama.unimal.ac.id/id/eprint/20644

Actions (login required)

View Item