Klasifikasi Masyarakat Penerima Bantuan Langsung Tunai Dana Desa Menggunakan Naïve Bayes dan SMOTE

Abstract

Pemerintah menyelenggarakan program Bantuan Langsung Tunai Dana Desa (BLT DD), program ini memberikan (subsidi) kepada keluarga miskin yang memenuhi syarat. Program ini dapat membantu mengurangi beban pengeluaran serta meningkatkan pendapatan keluarga miskin. Masyarakat yang berhak menerima BLT DD terkadang melebihi kuota yang tersedia, kemudian proses penentuan penerima dilakukan secara musyawarah. Hasil penetapan tersebut terkadang menimbulkan kecemburuan sosial di masyarakat, sehingga diperlukan klasifikasi yang dapat membantu menentukan keluarga yang layak menerima program bantuan ini. Penelitian ini bertujuan untuk menerapkan metode Naïve Bayes untuk mengklasifikasikan data keluarga layak dan tidak layak menerima BLT DD karena masih banyak keluarga miskin berpenghasilan rendah lainnya yang belum berkesempatan untuk memperoleh program bantuan ini. Metode penelitian yang digunakan yaitu Cross-Industry Standard Process For Data Mining (CRISP-DM). Data yang digunakan merupakan data penerima BLT DD tahun 2021 dan 2022 di Desa Kersamenak dengan jumlah data yang digunakan sebanyak 375, meliputi class layak 205 record dan tidak layak 170 record. Data yang terkumpul menunjukkan adanya ketidakseimbangan kelas pada jumlah masyarakat yang layak dan tidak layak, sehingga diperlukan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk menangani kelas yang tidak seimbang pada data. Hasil pemodelan Naïve Bayes menggunakan teknik SMOTE menghasilkan model performansi terbaik dengan nilai akurasi 97,80% dan nilai AUC 0,99 yang termasuk dalam kategori Excellent Classification. Berdasarkan hasil model kinerja klasifikasi yang diperoleh, model yang dihasilkan dapat diimplementasikan ke dalam sistem aplikasi pendukung keputusan untuk membantu Desa dalam menentukan penerima BLT DD agar lebih cepat dan mudah. Abstract The government organizes the Bantuan Langsung Tunai Dana Desa (BLT DD) program, which provides (subsidies) to low-income families who meet the requirements. This program can help reduce the burden of spending and increase the income of low-income families. Communities who deserve to receive BLT DD sometimes exceed the available quota, then the process of determining the recipient is carried out utilizing deliberation. The results of these determinations sometimes cause social jealousy in the community, so a classification is needed that can help determine eligible families to receive this assistance program. This study aims to apply the Naïve Bayes method to classify family data as eligible and not eligible to receive BLT DD because there are still many other low-income families who have not had the opportunity to acquire this assistance program. The research method used is Cross-Industry Standard Process for Data Mining (CRISP-DM). The data used is the data of the 2021 and 2022 Village Fund Direct Cash Aid recipients in Kersamenak Village, with the amount of data used as much as 375, including 205 eligible class records and 170 inappropriate records. The data collected shows an imbalanced class in the number of eligible and ineligible people, and it is necessary to use the Synthetic Minority Over-sampling Technique (SMOTE) technique to handle the imbalanced class in the data. The results of modeling the Naïve Bayes using SMOTE technique produce the best performance model with an accuracy value of 97.80% and an AUC value of 0.99, which is included in the Excellent Classification category. Based on the results of the classification performance model obtained, we can implement the resulting model into a decision support application system to assist the Village in determining the recipient of the BLT DD to make it faster and easier.