Skripsi

Klasifikasi tingkat buta huruf menggunakan algoritma K Means - Gaussian Naive Bayes / Muhammad Firman Aji Saputra

Abstrak
v RINGKASAN Saputra Muhammad Firman. A. 2018. Klasifikasi Tingkat Buta Huruf Menggunakan Algoritma K means-Gaussian Naive Bayes. Skripsi. Jurusan Teknik Elektro Fakultas Teknik Universitas Negeri Malang. Pembimbing (I) Triyanna Widyaningtyas S.T. M.T. (II) Aji Prasetya Wibawa S.T. M.M.T. Ph.D. Kata kunci Buta huruf Clustering K means klasifikasi Gaussian Naive Bayes Masalah buta huruf masih menjadi masalah penting di setiap negara di dunia termasuk di Negara Indonesia. Badan Pusat Statistika (BPS) mencatat sebanyak 3 4 juta jiwa rakyat Indonesia di tahun 2017 masih 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 rate sebesar 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%.

Informasi Detail

DDC

Rs 005.1 SAP k

Prodi

Universitas Negeri Malang. Program Studi Teknik Informatika, 2018.

Deskripsi Fisik

xiv, 158 lembar : il., tab. ; 30 cm

Bahasa

Indonesia

No Reg

06079/KI/18

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2018

Subjek

1. ALGORITMA, KOMPUTER
2. BUTA HURUF - KLASIFIKASI
3. ALGORITHMS COMPUTER

Pembimbing

1. Triyanna Widiyaningtyas ; 2. Aji Prasetya Wibawa

Lampiran Berkas