Algoritma Naive Bayes untuk Prediksi Kepuasan Pelayanan Perekaman e-KTP

Tri Herdiawan Apandi, Castaka Agus Sugianto

Abstract


Abstrak— Layanan publik adalah semua kegiatan layanan yang dilakukan oleh penyedia layanan publik sebagai upaya untuk memenuhi kebutuhan penerima layanan sesuai dengan ketentuan dan aturan yang dibuat. Pelayanan e-KTP sebagai salah satu layanan publik yang masih belum maksimal, hali ini dibuktikan dengan data yang telah dikumpulkan. Sampel data yang diambil adalah data dari Kecamatan Batujajar Kabupaten Bandung Barat. Kecataman Batujajar menjadi tempat pengambilan data karena masih banyak data yang belum terekam sebanyak sebanyak 7974 data e-KTP. Untuk mengetahui lebih dini tingkat kepuasan mayarakat terhadap pelayanan perekaman e-KTP, salah satunya menggunakan data mining. Pada penelitian ini akan memprediksi tingkat kepuasan pelayanan perekaman e-KTP dengan mengumpulkan 17 indikator dengan menggunakan skala likert.  Data kepuasan yang telah dikumpulkan akan dipisahkan antara data latih dan data uji. Hasil model data latih akan digunakan untuk melihat  akurasi pada data uji, Dari hasil pengujian, ditemukan bahwa alagoritma naïve bayes memiliki akurasi sebesar  91.70%. Adapun algoritma pembanding dalam hal ini Decision Tree, yaitu sebesar 65.90%.

Keywords


Naive Bayes, Decision Tree, e-KTP, Klasifikasi.

References


[1] Mentri Pendayagunaan Aparatur Negara, “Keputusan Mentri Pendayagunaan Aparatur Negara Nomor : Kep/25/M.Pan/2/2004 Tentang Pedoman Umum Penyusunan Indeks Kepuasan Masyarakat Unit Pelayanan Instansi Pemerintah,” p. 23, 2004.

[2] Pojokjabar.com, “Disdukcapil Kabupaten Bandung Barat Kebut Pencetakan E-KTP,” 2016. .

[3] F. Rezha, S. Rochmah, and Siswidiyanto, “Analisis Pengaruh Kualitas Pelayanan Publik terhadap Kepuasan Masyarakat(Study Tentang Pelayanan Perekaman Kartu Tanda Penduduk Elektronik (e-KTP) di Kota Depok),” p. 10, 2016.

[4] C. A. Sugianto and T. H. Apandi, “Algoritma Genetika untuk Optimalisasi Klasifikasi Kepuasan Pelayanan e-KTP,” J. Sink. J. Penelit. Tek. Inform., vol. 3, no. 1, pp. 186–191, 2018.

[5] F. Hamta, “Analisis Penerapan Data Mining Dalam Mengukur Tingkat Kepuasan Masyarakat Pada Pelayanan Samsat Batam,” pp. 1–17, 2017.

[6] Fitriyani and R. S. Wahono, “Integrasi Bagging dan Greedy Forward Selection pada Prediksi Cacat Software dengan Menggunakan Naïve Bayes,” J. Softw. Eng., vol. 1, no. 2, pp. 101–108, 2015.

[7] I. H. Witten, E. Frank, and M. A. Hall, Data Mining Practical Machine Learning Tools and Techniques. Elsevier, 2011.

[8] C. A. Sugianto, “Analisis Komparasi Algoritma Klasifikasi Untuk Menangani Data Tidak Seimbang Pada Data Kebakaran Hutan,” Techno.com, vol. 14, no. 4, pp. 336–342, 2015.

[9] T. H. Apandi and C. A. Sugianto, “Analisis Komparasi Machine Learning Pada Data Spam Sms,” J. TEDC, vol. 12, no. 1, pp. 58–62, 2018.

[10] S. De Cnudde and D. Martens, “Loyal to your city? A data mining analysis of a public service loyalty program,” Decis. Support Syst., vol. 73, pp. 74–84, 2015.

[11] B. Santoso, Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu, 2007.

[12] S. Hassan and M. Rafi, “Comparing SVM and Naïve Bayes Classifiers for Text Categorization with Wikitology as knowledge enrichment,” in Multitopic Confernce (INMIC), IEEE 14th Internasional, 2012.

[13] R. W. Pratiwi and Y. S. Nugroho, “Prediksi Rating Film Menggunakan Metode Naïve Bayes,” J. Tek. Elektro, vol. 8, no. 2, pp. 60–63, 2017.


Full Text: PDF (Bahasa Indonesia)

DOI: 10.30595/juita.v7i2.3608

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

ISSN: 2579-8901