Rancang Bangun Sistem Pendukung Keputusan Klasifikasi Fakir Miskin sebagai Penerima Zakat Menggunakan Algoritma Naive Bayes (Studi Kasus: Yayasan Amal Sholeh Sejahtera)
| Main Author: | Damar Grahita, Suluh |
|---|---|
| Format: | Thesis NonPeerReviewed application/pdf |
| Bahasa: | eng |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://kc.umn.ac.id/11018/1/HALAMAN_AWAL.pdf http://kc.umn.ac.id/11018/2/DAFTAR_PUSTAKA.pdf http://kc.umn.ac.id/11018/3/BAB_I.pdf http://kc.umn.ac.id/11018/4/BAB_II.pdf http://kc.umn.ac.id/11018/5/BAB_III.pdf http://kc.umn.ac.id/11018/6/BAB_IV.pdf http://kc.umn.ac.id/11018/7/BAB_V.pdf http://kc.umn.ac.id/11018/8/LAMPIRAN.pdf http://kc.umn.ac.id/11018/ |
Daftar Isi:
- Kemiskinan merupakan masalah yang kompleks dan bersifat multidimensional sehingga menjadi prioritas pembangunan. Pada Maret 2018, secara nasional jumlah penduduk miskin tercatat sebesar 25,95 juta jiwa berdasarkan survei yang dilakukan oleh Badan Pusat Statistik. Beberapa kajian yang telah dilakukan mengungkapkan bahwa zakat terbukti mampu mengurangi jumlah dan persentase keluarga miskin, serta mengurangi kedalaman dan keparahan kemiskinan. Meskipun dianggap sebagai terpenting dalam area ilmu ekonomi dan keuangan Islam, zakat belum menerima perhatian yang cukup dari kalangan intelektual muslim, padahal pada kenyataannya masih banyak kelemahan yang ada pada pengelolaan zakat. Yayasan Amal Sholeh Sejahtera adalah lembaga sosial yang mengelola zakat, infaq, sedekah serta dana sosial lainya. Salah satu kelemahan yang ada dalam pengelolaan zakat di Yayasan Amal Sholeh Sejahtera adalah dalam penentuan golongan fakir dan miskin untuk penyaluran zakat yang masih menggunakan metode hitung manual sehingga dapat mengakibatkan lamanya proses pemilihan penerima zakat, dan salah hitung sehingga hasil seleksi penerima zakat tidak akurat. Untuk mengatasi kendala tersebut, maka dibangunlah sistem pendukung keputusan klasifikasi fakir miskin sebagai penerima zakat menggunakan algoritma Naive Bayes. Sistem yang telah berhasil dibangun, dan diuji sehingga menghasilkan nilai presisi sebesar 94%, nilai recall sebesar 83%, nilai akurasi sebesar 88%, dan nilai F1 score sebesar 88%. Lalu dilakukan uji coba kelayakan sistem dan diyatakan sangat setuju jika sistem yang dibuat layak dan mampu memberikan rekomendasi yang tepat dengan persentase kelayakan sebesar 83%.