PUTRI, MELIZA (2024) PENERAPAN DATA MINING UNTUK KLASIFIKASI PENERIMA BANTUAN LANGSUNG TUNAI DANA DESA (BLT-DD) MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM). S1 thesis, Universitas Malikussaleh.

	Text MELIZA PUTRI_200170070_COVER.pdf Download (34kB)
	Text MELIZA PUTRI_200170070_BAB I.pdf Download (79kB)
	Text MELIZA PUTRI_200170070_ABSTRAK.pdf Download (64kB)
	Text MELIZA PUTRI_200170070_DAFTAR PUSTAKA.pdf Download (136kB)
	Text MELIZA PUTRI_200170070_PENERAPAN DATA MINING UNTUK KLASIFIKASI PENERIMA BANTUAN LANGSUNG TUNAI DANA DESA MENGGUNAKAN SUPPORT VECTOR MACHINE.pdf Restricted to Registered users only Download (1MB)

Abstract

ABSTRAK Penerapan algoritma Support Vector Machine (SVM) untuk mengklasifikasikan penerima yang berhak menerima Bantuan Langsung Tunai Dana Desa (BLT-DD) di Kecamatan Nurussalam, Kabupaten Aceh Timur, menjadi fokus utama penelitian ini. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan menggunakan algoritma SVM yang dapat mengklasifikasikan data rumah tangga menjadi dua kategori yaitu “Layak” dan “Tidak Layak”. Sebanyak 550 titik data Kecamatan Nurussalam digunakan dalam penelitian ini, dengan rincian 400 titik data untuk pelatihan dan 150 titik data untuk pengujian. Pada data pelatihan, 322 rumah tangga (80,5%) tergolong “Layak”, sedangkan 78 rumah tangga (19,5%) dikategorikan “Tidak Memenuhi Syarat”. Data yang dikumpulkan mencakup variabel-variabel seperti pendapatan rumah tangga, jenis pekerjaan, tingkat pendidikan, riwayat penyakit kronis, dan status kepemilikan rumah. Setelah pra pemrosesan data, termasuk normalisasi dan pengkodean, model SVM dilatih untuk mengklasifikasikan penerima BLT-DD. Pada data pengujian, terdapat 128 titik data (85,33%) yang tergolong “Layak”, sedangkan 22 titik data (14,67%) tergolong “Tidak Memenuhi Syarat”. Analisis lebih lanjut mengenai sebaran desa di Kecamatan Nurussalam menunjukkan bahwa beberapa desa mempunyai persentase kelayakan penerima yang tinggi, seperti Keude Bagok Dua dan Bantayan yang masing-masing mencapai 96,00% dan 92,00%. Desa lain, seperti Keude Bagok Sa dan Kuala Bagok, menunjukkan tingkat kelayakan yang lebih bervariasi, masing-masing sebesar 81,25% dan 82,61%. Kesimpulannya, algoritma SVM memberikan pendekatan yang efektif dalam menentukan kelayakan penerima BLT-DD, membantu pemerintah mendistribusikan bantuan lebih akurat dan efisien di Kecamatan Nurussalam. Kata Kunci: Support Vector Machine, BLT-DD, klasifikasi, data sosial ekonomi, data mining.

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	Meliza Putri
Date Deposited:	23 Jan 2025 07:05
Last Modified:	23 Jan 2025 07:05
URI:	https://rama.unimal.ac.id/id/eprint/9403

Actions (login required)

View Item