Optimasi Penyaluran Bantuan Langsung Tunai Menggunakan Algoritma K-Nearest Neighbor di Desa Penedagador
DOI:
https://doi.org/10.52436/1.jpti.742Kata Kunci:
Bantuan langsung tunai, Data mining, Euclidean distance, Klasifikasi, K-Nearest NeighborAbstrak
Kemiskinan merupakan salah satu tantangan terbesar yang masih terus dihadapi semua bangsa termasuk Indonesia. Sesuai amanat konstitusi dalam pasal 34 UUD 1945, pemerintah terus berupaya melindungi dan memberdayakan masyarakat miskin melalui berbagai program strategis. Salah satu program yang ditawarkan pemerintah yaitu Bantuan Langsung Tunai. Tetapi karna ketersediaan sssdata sasaran masyarakat miskin yang kurang sesuai, menyebabkan program berjalan kurang optimal karena perlu verifikasi dan validasi ulang. Distribusi Bantuan Langsung Tunai (BLT) di Indonesia masih menghadapi kendala akibat ketidaktepatan data penerima, yang menyebabkan inefisiensi dalam penyalurannya. Kesalahan dalam data sasaran mengharuskan adanya proses verifikasi dan validasi ulang, sehingga menghambat efektivitas program. Penelitian ini bertujuan untuk mengoptimalkan penyaluran BLT dengan menerapkan metode klasifikasi K-Nearest Neighbor (KNN). Penelitian ini bertujuan untuk mengoptimalkan penyaluran BLT menggunakan pendekatan K-Nearest Neighbor, dengan 714 dataset dan empat atribut yaitu kondisi rumah, penghasilan, pekerjaan dan jumlah keluarga. Prinsip kerja KNN adalah mencari jarak terdekat antara data baru yang akan diuji dengan data latihnya. Untuk mencari jarak terdekat digunakan euclidean distance dengan 3 nilai k yang berbeda yaitu k=35, k=45, dan k=55. Hasil yang didapatkan untuk akurasi, presisi dan recall yang tertinggi yaitu menggunakan parameter k=35 memberikan performa terbaik dengan nilai akurasi sebesar, 95%, presisi sebesar 95% dan recall sebesar 100%. Penerapan metode ini diharapkan dapat meningkatkan efisiensi distribusi BLT dengan memastikan bahwa bantuan tepat sasaran, sehingga mendukung kebijakan pengentasan kemiskinan secara lebih efektif.
Unduhan
Referensi
B. Menyhert, Absolute Poverty Measurement with Minimum Food Needs: A New Inverse Method for Advanced Economies, vol. 174, no. 1. Springer Netherlands, 2024. doi: 10.1007/s11205-024-03368-x.
M. Pomati, S. Nandy, S. Jose, and B. Reddy, “Multidimensional Adult and Child Poverty in India—Establishing Consensus About Socially Perceived Necessities for a New Measure of Poverty,” Indian J. Hum. Dev., 2024, doi: 10.1177/09737030241274084.
A. H. Ginting, I. Widianingsih, R. Mulyawan, and H. Nurasa, “Village Government’s Risk Management and Village Fund Administration in Indonesia,” Sustain., vol. 15, no. 24, pp. 1–17, 2023, doi: 10.3390/su152416706.
Y. Jamaluddin, “Policy Actors as Determining Factors of Sustainability Village Fund Management in Indonesia,” J. Ecohumanism, vol. 3, no. 4, pp. 689–694, 2024, doi: 10.62754/joe.v3i4.3524.
N. Alfiah, “Klasifikasi Penerima Bantuan Sosial Program Keluarga Harapan Menggunakan Metode Naive Bayes,” Respati, vol. 16, no. 1, 2021, doi: 10.35842/jtir.v16i1.386.
A. Junaidi, Y. Yunita, S. Agustyani, C. I. Agustyaningrum, and Y. T. Arifin, “Klasifikasi Penerima Bantuan Sosial Menggunakan Algoritma C 4.5,” J. Tek. Komput., vol. 9, no. 1, 2023, doi: 10.31294/jtk.v9i1.14378.
R. M. Sari, A. Rizka, N. A. Putri, and A. Efriana, “Penerapan Data Mining Untuk Analisis Stunting Pada Balita,” vol. 13, no. November, pp. 1717–1728, 2024.
M. Sholikhul Fiqri and H. Dwi Bhakti, “Klasifikasi Potensi Penyakit Diabetes Mellitus Tipe Ii Pada Pasien Menggunakan Algoritme Knn (K-Nearest Neighbor),” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 4, pp. 7305–7313, 2024, doi: 10.36040/jati.v8i4.10133.
W. W. Hu, L. Sun, and L. Li, “An Exploration of the Computer Big Data Mining Service Model Under Resource Sharing,” Inf. Resour. Manag. J., vol. 37, no. 1, pp. 1–17, 2024, doi: 10.4018/IRMJ.340032.
A. A. D. Halim and S. Anraeni, “Analisis Klasifikasi Dataset Citra Penyakit Pneumonia menggunakan Metode K-Nearest Neighbor (KNN),” Indones. J. Data Sci., vol. 2, no. 1, pp. 01–12, 2021, doi: 10.33096/ijodas.v2i1.23.
V. Kumar, N. Kedam, K. V. Sharma, D. J. Mehta, and T. Caloiero, “Advanced Machine Learning Techniques to Improve Hydrological Prediction: A Comparative Analysis of Streamflow Prediction Models,” Water (Switzerland), vol. 15, no. 14, 2023, doi: 10.3390/w15142572.
M. Windarti and A. Suradi, “Perbandingan Kinerja 6 Algoritme Klasifikasi Data Mining untuk Prediksi Masa Studi Mahasiswa,” Telematika, vol. 12, no. 1, 2019, doi: 10.35671/telematika.v12i1.778.
P. Astuti and N. Nuris, “Penerapan Algoritma KNN Pada Analisis Sentimen Review Aplikasi Peduli Lindungi,” Comput. Sci., vol. 2, no. 2, pp. 137–142, 2022, doi: 10.31294/coscience.v2i2.1258.
R. Bahtiar, “Implementasi Data Mining Untuk Prediksi Penjualan Kusen Terlaris Menggunakan Metode K-Nearest Neighbor,” J. Inform. MULTI, vol. 1, no. 3, pp. 203–214, 2023.
S. Diansyah, “Klasifikasi Tingkat Kepuasan Pengguna dengan Menggunakan Metode K-Nearest Neighbour (KNN),” J. Sistim Inf. dan Teknol., 2022, doi: 10.37034/jsisfotek.v4i1.114.
M. Bramer, Principles of Data Mining.
A. A. D. Halim and S. Anraeni, “Analisis Klasifikasi Dataset Citra Penyakit Pneumonia menggunakan Metode K-Nearest Neighbor (KNN),” Indones. J. Data Sci., vol. 2, no. 1, 2021, doi: 10.33096/ijodas.v2i1.23.
Anwar Pauji, S. Aisyah, A. Surip, R. Saputra, and I. Ali, “Implementasi Algoritma K-Nearest Neighbor Dalam Menentukan Penerima Bantuan Langsung Tunai,” KOPERTIP J. Ilm. Manaj. Inform. dan Komput., vol. 4, no. 1, 2022, doi: 10.32485/kopertip.v4i1.114.
H. Franco-Lopez, A. R. Ek, and M. E. Bauer, “Estimation and mapping of forest stand density, volume, and cover type using the k-nearest neighbors method,” Remote Sens. Environ., vol. 77, no. 3, 2001, doi: 10.1016/S0034-4257(01)00209-7.
A. A. , I. , Tedy Rismawan, “PROTOTYPE KUNCI OTOMATIS PADA PINTU BERDASARKAN SUARA PENGGUNA MENGGUNAKAN METODE KNN (K-NEAREST NEIGHBOR),” Coding J. Komput. dan Apl., vol. 4, no. 1, 2016, doi: 10.26418/coding.v4i1.13453.
M. Manyol, S. Eke, A. J. M. Massoma, A. Biboum, and R. Mouangue, “Preprocessing Approach for Power Transformer Maintenance Data Mining Based on k -Nearest Neighbor Completion and Principal Component Analysis,” Int. Trans. Electr. Energy Syst., vol. 2022, 2022, doi: 10.1155/2022/8546588.
D. A. Manalu and G. Gunadi, “IMPLEMENTASI METODE DATA MINING K-MEANS CLUSTERING TERHADAP DATA PEMBAYARAN TRANSAKSI MENGGUNAKAN BAHASA PEMROGRAMAN PYTHON PADA CV DIGITAL DIMENSI,” Infotech J. Technol. Inf., vol. 8, no. 1, 2022, doi: 10.37365/jti.v8i1.131.
M. D. Nurwanda, A. N. Liviasari, and D. D. Pambudi, “Jurnal JPILKOM ( Jurnal Penelitian Ilmu Komputer ) Penerapan K-Means untuk Meningkatkan Strategi Pemasaran Melalui Segmentasi Rumah Tangga yang Efektif,” vol. 2, no. 128, pp. 128–136, 2024.
A. Darmawan, “Perancangan Pengukuran Risiko Operasional pada Perusahaaan Pembiayaan dengan Metode Risk Breakdown Structure (RBS) dan Analytic Network Process (ANP),” pp. 1–145, 2011.
D. Rika Widianita, “KLASIFIKASI PENYAKIT KARDIOVASKULAR DENGAN ALGORITMA K-NEAREST NEIGHBOR,” AT-TAWASSUTH J. Ekon. Islam, vol. VIII, no. I, pp. 1–19, 2023.
P. M. Hasan, N. Ayu, and R. A. Saputra, “KLASIFIKASI KERINGANAN UKT MAHASISWA UHO MENGGUNAKAN K-NEAREST NEIGHBOR ( KNN ),” vol. 8, no. 6, pp. 11939–11945, 2024.
P. T. Prasetyaningrum, P. Purwanto, and A. F. Rochim, GameBank?: Model Keterlibatan Pelanggan di Mobile Banking, no. January. 2025.
N. Hidayah and Dodiman, “Implementasi Algoritma Multinomial Naïve Bayes, TF-IDF dan Confusion Matrix dalam Pengklasifikasian Saran Monitoring dan Evaluasi Mahasiswa Terhadap Dosen Teknik Informatika Universitas Dayanu Ikhsanuddin,” J. Akad. Pendidik. Mat., vol. 10, no. 1, pp. 8–15, 2024.
R. Fadilah et al., “Pengaruh metode pengukuran jarak dan smote pada klasifikasi penilaian kredit,” vol. 7, no. 2, pp. 193–202, 2024.
S. R. Cholil, T. Handayani, R. Prathivi, and T. Ardianita, “Implementasi Algoritma Klasifikasi K-Nearest Neighbor (KNN) Untuk Klasifikasi Seleksi Penerima Beasiswa,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 6, no. 2, 2021, doi: 10.31294/ijcit.v6i2.10438.
M. Heydarian, T. E. Doyle, and R. Samavi, “MLCM: Multi-Label Confusion Matrix,” IEEE Access, vol. 10, 2022, doi: 10.1109/ACCESS.2022.3151048.
R. Hamonangan, R. K. Sari, S. Anwar, and T. Hartati, “Klasifikasi Algoritma KNN dalam menentukan Penerima Bantuan Langsung Tunai,” vol. 6, no. 1, pp. 198–204, 2024.
P. Pahrudin and K. Harianto, “Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Warga Penerima Bantuan Sosial,” Build. Informatics, Technol. Sci., vol. 4, no. 3, 2022, doi: 10.47065/bits.v4i3.2276.
F. A. Kusuma, “Pemodelan Klasifikasi Anemia Aplastik Menggunakan Teknik Oversampling Dan K-Nearest Neighbors,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3, 2024, doi: 10.23960/jitet.v12i3.4326.
G. Guo, H. Wang, D. Bell, Y. Bi, and K. Greer, “KNN model-based approach in classification,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 2888, 2003, doi: 10.1007/978-3-540-39964-3_62.
