Electronic Theses and Dissertation

Kesejahteraan rumah tangga mencerminkan sejauh mana kebutuhan dasar dari keluarga tersebut terpenuhi dan ketidaksejahteraan terjadi apabila rumah tangga tersebut kesulitan memenuhi kebutuhan dasarnya. Hal pertama yang perlu dilakukan agar dapat menangani kejadian kemiskinan atau ketidaksejahteraan rumah tangga demi memenuhi tujuan pembangunan negara dan mencapai kesejahteraan rumah tangga adalah mengetahui penyebab ketidaksejahteraan rumah tangga itu sendiri. Oleh karena itu, tujuan dari penelitian ini adalah untuk mengetahui fitur penduga apa saja yang berkontribusi terhadap status kesejahteraan rumah tangga di 9 kabupaten Provinsi Aceh dan mendapatkan hasil klasifikasi dengan akurasi terbaik. Data yang digunakan adalah data rumah tangga di 9 kabupaten yang memiliki persentase penduduk miskin terendah di Provinsi Aceh. Kemudian, data terbagi menjadi dua yaitu data awal dan data hasil cluster menggunakan clustering k-modes. Metode klasifikasi yang digunakan adalah Decision Tree dan Naïve Bayes dengan seleksi fitur menggunakan information gain secara eliminasi backward. Hasil penelitian menunjukkan bahwa akurasi hasil klasifikasi menggunakan Decision Tree menghasilkan tingkat akurasi tertinggi pada data awal sebesar 37,52% pada Model 28 dengan 7 fitur. Pada data clustering hasil klasifikasi terbaik yaitu pada Model 18 dengan 17 fitur dan tingkat akurasi sebesar 99,22%. Sedangkan, pada metode Naive Bayes tingkat akurasi data awal paling tinggi sebesar 29,58% pada Model 6 dengan 29 fitur dan pada data clustering diperoleh hasil klasifikasi terbaik pada Model 3 dengan 32 fitur dan tingkat akurasi tertinggi sebesar 73,01%. Sementara itu, fitur penduga yang terdapat pada tiap model dalam mengklasifikasikan status kesejahteraan rumah tangga terdapat 7 fitur, yaitu jumlah anggota keluarga, jenis lantai terluas, jenis dinding terluas, sumber air minum, jenis kloset, kepemilikan lemari es atau kulkas, dan kepemilikan sepeda motor.

Kata kunci : Kesejahteraan rumah tangga, klasifikasi, Decision Tree, dan Naïve Bayes

Household welfare reflects the extent to which the basic needs of the family are met and lack of prosperity occurs if the household has difficulty meeting its basic needs. The first thing that needs to be done in order to be able to deal with incidents of poverty or household unwelfare in order to fulfill the country's development goals and achieve household prosperity is to find out the causes of household unwelfare itself. Therefore, the aim of this research is to find out what estimation features contribute to the welfare status of households in 9 districts of Aceh Province and obtain classification results with the best accuracy. The data used is household data in 9 districts which have the lowest percentage of poor people in Aceh Province. Then, the data is divided into two, namely initial data and cluster data using k-modes clustering. The classification methods used are Decision Tree and Naïve Bayes with feature selection using information gain using backward elimination. The research results show that the accuracy of classification results using Decision Tree produces the highest level of accuracy on initial data of 37.52% on Model 28 with 7 features. In data clustering, the best classification results are Model 18 with 17 features and an accuracy level of 99.22%. Meanwhile, with the Naive Bayes method, the highest initial data accuracy level was 29.58% in Model 6 with 29 features and in clustering data the best classification results were obtained in Model 3 with 32 features and the highest accuracy level was 73.01%. Meanwhile, the estimator features contained in each model in classifying household welfare status are 7 features, namely number of family members, widest floor type, widest wall type, drinking water source, toilet type, refrigerator or refrigerator ownership, and motorbike ownership. Keywords: Household welfare, classification, Decision Tree, and Naïve Bayes