PENGENALAN POLA KEMAMPUAN PELANGGAN DALAM MEMBAYAR AIR PDAM MENGGUNAKAN ALGORITMA NAÏVE BAYES
Isi Artikel Utama
Abstrak
Dengan meningkatnya jumlah MBR (Masyarakat Berpenghasilan Rendah) yang masuk setiap tahunnya dimasing-masing wilayah di Pematansgsiantar, pihak PDAM Tirta Lihou berencana mencari alternatif solusi dalam menangani permasalahan kemampuan pelanggan dalam membayar tagihan air sehingga biaya opersional tetap bisa berjalan baik dan produksi dapat memenuhi kebutuhan masyarakat. Dalam menentukan alternatif untuk menentukan kemampauan masyarakat dalam membayar tagiahan air digunakan metode datamining. Dengan menggunakan teknik datamining khususnya klasifikasi menggunakan algoritma Naive Bayes dapat dilakukan prediksi terhadap kemampauan pelanggan dalam membayar tagihan air bersih berdasarkan data yang ada. Naive bayes adalah teknik prediksi probabilistik sederhana yang berdasarkan pada teorema Bayes dengan asumsi independensi (ketidak tergantungan) yang kuat. Berdasarkan hasil dari perhitungan menggunakan algoritma Naive Bayes, diperoleh hasil klasifikasi dari 30 alternatif yang digunakan, dimana terdapat 11 kelas mampu membayar tagihan dan 19 Tidak Mampu dengan total Accuracy yang diperoleh sebesar 70%. Dari hasil yang diperoleh,diharapkan penelitian ini dapat membantu pihak PDAM Tirta Lihou dalam menentukan lokasi yang layak dilakukan penaybungan sumber air untuk pelanggan yang memiliki prosfek baik dengan kemampuan untuk membayar tagihan air, sehingga dapat meminimalisir kerugian PDAM dan dapat memenuhi kebutuhan masyarakat. Penelitian ini juga diharapkan dapat menjadi referensi bagi peneliti selanjutnya yang berkaitan dengan pengguna algoritma yang digunakan.
Rincian Artikel
Referensi
Y. I. Kurniawan, “Perbandingan Algoritma Naive Bayes dan C.45 dalam Klasifikasi Data Mining,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 4, p. 455, 2018, doi: 10.25126/jtiik.201854803.
F. Handayani and S. Pribadi, “Implementasi Algoritma Naive Bayes Classifier dalam Pengklasifikasian Teks Otomatis Pengaduan dan Pelaporan Masyarakat melalui Layanan Call Center 110,” J. Tek. Elektro, vol. 7, no. 1, pp. 19–24, 2015, doi: 10.15294/jte.v7i1.8585.
T. Imandasari, E. Irawan, A. P. Windarto, and A. Wanto, “Algoritma Naive Bayes Dalam Klasifikasi Lokasi Pembangunan Sumber Air,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, p. 750, 2019, doi: 10.30645/senaris.v1i0.81.
D. Sartika and D. Indra, “Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian,” J. Tek. Inform. Dan Sist. Inf., vol. 1, no. 2, pp. 151–161, 2017.
N. Y. Septian, “Data Mining Menggunakan Algoritma Naïve Bayes Untuk Klasifikasi Kelulusan Mahasiswa Universitas Dian Nuswantoro,” J. Semant. 2013, pp. 1–11, 2009.
M. H. Rifqo and A. Wijaya, “Implementasi Algoritma Naive Bayes Dalam Penentuan Pemberian Kredit,” Pseudocode, vol. 4, no. 2, pp. 120–128, 2017, doi: 10.33369/pseudocode.4.2.120-128.
A. A. Rahman and Y. I. Kurniawan, “Aplikasi Klasifikasi Penerima Kartu Indonesia Sehat Menggunakan,” Progr. Stud. Inform. Univ. Muhammadiyah Surakarta, 2016.
A. Jananto, “Algoritma Naive Bayes untuk Mencari Perkiraan Waktu Studi Mahasiswa,” Teknol. Inf. Din., vol. 18, no. 1, pp. 9–16, 2013.
H. Abnnur, “Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes,” Ilk. J. Ilm., vol. 10, no. 2, pp. 160–165, 2018, doi: 10.33096/ilkom.v10i2.303.160-165.
C. Fadlan, S. Ningsih, and A. P. Windarto, “Penerapan Metode Naïve Bayes Dalam Klasifikasi Kelayakan Keluarga Penerima Beras Rastra,” J. Tek. Inform. Musirawas, vol. 3, no. 1, p. 1, 2018, doi: 10.32767/jutim.v3i1.286.
P. Alkhairi, I. S. Damanik, and A. P. Windarto, “Penerapan Jaringan Saraf Tiruan untuk Mengukur Korelasi Beban Kerja Dosen Terhadap Peningkatan Jumlah Publikasi,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, p. 581, 2019, doi: 10.30645/senaris.v1i0.65.
A. D. I. Suradi, “Penerapan data mining untuk menentukan rekomendasi beasiswa dengan metode algoritma c4.5,” 2018.