Klasifikasi Tingkat Buta Huruf Menggunakan Algoritma Kmeans-Naive Bayes
| Main Author: | Muhammad Firman Saputra; Mahasiswa |
|---|---|
| Format: | PeerReviewed eJournal |
| Bahasa: | ind |
| Terbitan: |
SKRIPSI Jurusan Teknik Elektro - Fakultas Teknik UM
, 2018
|
| Online Access: |
http://karya-ilmiah.um.ac.id/index.php/TE/article/view/75325 |
Daftar Isi:
- ABSTRAK Masalah buta huruf masih menjadi masalah penting di setiap negara didunia, termasuk di Negara Indonesia. Badan Pusat Statistika (BPS) mencatat sebanyak 3,4 juta jiwa rakyat Indonesia di tahun 2017masih menderita buta huruf. Masalah ini harus segera di selesaikan, jika tidak diselesaikan maka akan berdampak pada kesejahteraan rakyat. Strategi untuk mengatasi masalah buta huruf yang dilakukan pemerintah adalah dengan menerapkan sistem blok, yakni memberantas buta huruf difokuskan dari daerah yang memiliki angka buta huruf tinggi, selanjutnya bergeser ke daerah yang memiliki angka buta huruf yang rendah. Strategi penanganan tersebut akan lebih efektif apabila adanya proses klasifikasi. Dalam melakukan proses klasifikasi dibutuhkan sebuah algoritma klasifikasi. Pada penelitian ini, algoritma klasifikasi yang digunakan adalah algoritma Gaussian Naive Bayes. Algoritma Gaussian Naive Bayes dipilih karena memiliki beberapa keuntungan, diantaranya adalah tidak membutuhkan data yang besar dalam melakukan proses klasifikasi, dapat memberikan nilai akurasi yang lebih baik dibandingkan dengan model klasifikasi lainnya, serta dapat bekerja jauh lebih baik dalam banyak situasi di dunia nyata. Pada penelitian ini juga digunakan algoritma K means sebagai algoritma clustering untuk membentuk kelas buta huruf yang belum terbentuk sebelumnya. Algoritma K means dipilih karena memikili kompleksitas yang baik dari segi waktu dan ruang penyimpanan. Selain itu, algoritma K means sangat mudah dimodifikasi dalam menentukan banyaknya kelas yang ingin dibentuk dan banyaknya batas maksimal iterasi yang ingin dijalankan. Berdasarkan hasil penelitian, klasifikasi dengan dua kelas buta huruf menghasilkan nilai akurasi sebesar 93,86% dan error rate sebesar 6,14%, klasifikasi dengan tiga kelas buta huruf menghasilkan nilai akurasi sebesar 95,61% dan error rate sebesar 4,39%, klasifikasi dengan lima kelas buta huruf menghasilkan nilai akurasi sebesar 94,74% dan error rate sebesar 5,26%, dan klasifikasi dengan tujuh kelas buta huruf memperoleh hasil akurasi sebesar 83,33% dan error ratesebesar 16,67%. Sehingga, dapat disimpulkan bahwa jumlah kelas yang dianggap optimal dalam melakukan klasifikasi buta huruf adalah sebanyak tiga kelas yang terdiri dari kelas buta huruf rendah, buta huruf sedang, dan buta huruf tinggi, dengan nilai akurasi sebesar 95,61% dan error rate sebesar 4,39%.