Klasifikasi Neive Bayes Berbasis Particle Swarm Optimization Untuk Prediksi Penerima Bantuan Iuran Bpjs Kesehatan
DOI:
https://doi.org/10.31294/ijcs.v1i1.1154Keywords:
PBI, DTKS, Naïve Bayes, dan PSOAbstract
Pada masa pandemi sangat berdampak besar pada kehidupan ekonomi masyarakat utamanya golongan rumah tangga kelas menengah ke bawah. Bantuan yang sangat dibutuhkan masyakat khususnya untuk mengatasi masalah kemiskinan dan kesehatan.  Penerima Bantuan Iuran BPJS (PBI) merupakan salah satu usaha pemerintah untuk membantu meringankan masyarakat miskin yang mengalami kesulitan untuk membayar biaya iuran bulanan BPJS Kesehatan. Data penerima bansos BPJS (PBI) diambil dari Data Terpadu Kesejahteraan Sosial (DTKS) Kementerian Sosial. Hasil klasifikasi yang didapat 95% Penerima PBI BPJS DTKS diprediksi Tidak tidak layak menerima. Sedangkan 5 % diprediksi layak menerima. Dari hasil analisis optimasi algoritma Naïve Bayes dengan particle swarm optimization  (PSO) dapat disimpulkan bahwa nilai akurasi yang didapat model algoritma Naïve Bayes berbasis PSO adalah 99,98%. Lebih baik jika dibandingkan dengan hanya model algoritma Naïve Bayes menghasilkan nilai akurasi sebesar 99,95%. Selisih antara kedua model tersebut sebesar 0,03%. Sedangkan untuk nilai precision yang didapat model algoritma Naïve Bayes berbasis PSO menunjukkan maximal value yaitu 100%. Lebih baik jika dibandingkan dengan hanya model algoritma Naïve Bayes menghasilkan nilai Precision sebesar 99.96%. Untuk nilai Recall model algoritma Naïve Bayes berbasis PSO menunjukkan nilai 99,59 %. Lebih baik jika dibandingkan dengan hanya model algoritma Naïve Bayes menghasilkan nilai Precision sebesar 98,84%.
References
Arifin, T. (2017). Implementasi Algoritma PSO Dan Teknik Bagging Untuk Klasifikasi Sel Pap Smear. 4(2), 155–162.
Arifin, A. A. A., Handoko, W., & Efendi, Z. (2022). Implementasi Metode Naive Bayes Untuk Klasifikasi Penerima Program Keluarga Harapan. J-Com (Journal of Computer), 2(1), 21-26
Ermawati, E. (2019). Algoritma Klasifikasi C4. 5 Berbasis Particle Swarm Optimization Untuk Prediksi Penerima Bantuan Pangan Non Tunai. Sistemasi: Jurnal Sistem Informasi, 8(3), 513-528.
Juhardi, U. (2019). Optimalisasi Penjualan Motor Menggunakan Algoritma Particle Swarm Optimization (PSO). Jurnal Media Infotama, 15(2).
Muafa, M. D., & Iswari, L. (2022). Pengembangan Aplikasi Berbasis Web dengan Rshiny untuk Data Klasifikasi Menggunakan Metode Naive Bayes. AUTOMATA, 3(1).
Pramanik, N. D. (2020). Dampak bantuan paket sembako dan bantuan langsung tunai terhadap kelangsungan hidup masyarakat padalarang pada masa pandemi covid 19. jurnal ekonomi, sosial & humaniora, 1(12), 113-120
Risqi Amalia, Yusuf Sabilu, F. N. (2020). Kualitas Pelayanan Kesehatan Pasien Jkn Penerima Bantuan Iuran (Pbi) Dan Bukan Penerima Bantuan Iuran (Non Pbi) Di Wilayah Kerja Puskesmas Watopute Kabupaten Muna Tahun 2019. Jurnal Administrasi Dan Kebijakan Kesehatan, 1(2), 97–108.
Soewondo, P. (2017). Timbang Besarnya Manfaat dari Salah Sasar Penerima Bantuan Iuran Jaminan Kesehatan. Jurnal Ekonomi Kesehatan Indonesia, 2(2).
Downloads
Published
Issue
Section
License
Copyright (c) 2022 Fajar Surya Putro, Ema Utami, Anggit Dwi Hartanto
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.