PREDIKSI PERUBAHAN JUMLAH PENDUDUK DI KOTA PEKANBARU MENGGUNAKAN ALGORITMA NAIVE BAYES

Authors

  • Akmar Efendi Universitas Islam Riau
  • Apri Siswanto
  • Rio Fit Andika

DOI:

https://doi.org/10.31849/zn.v6i3.22346

Keywords:

Perpindahan penduduk, Naïve Bayes, Prediksi, Pekanbaru

Abstract

Penelitian ini mengaplikasikan Algoritma Naive Bayes untuk memprediksi perubahan jumlah penduduk di Kota Pekanbaru berdasarkan data historis dari tahun 1995 hingga 2022. Tujuan dari penelitian ini adalah untuk memahami tren demografis dan memberikan prediksi yang dapat digunakan sebagai dasar dalam pengambilan keputusan terkait perencanaan pembangunan kota. Data jumlah penduduk diolah untuk mengkategorikan perubahan tahunan sebagai peningkatan ("Increase") atau penurunan ("Decrease"). Algoritma Naive Bayes dilatih dan diuji untuk memprediksi kategori perubahan tersebut. Hasil penelitian menunjukkan bahwa Algoritma Naive Bayes mencapai akurasi sebesar 89.29%. Algoritma ini cukup efektif dalam memprediksi peningkatan jumlah penduduk, namun memiliki keterbatasan dalam memprediksi penurunan jumlah penduduk, yang diidentifikasi sebagai akibat dari ketidakseimbangan data. Meskipun demikian, hasil prediksi ini memberikan wawasan yang penting bagi pengambil kebijakan dalam merencanakan pembangunan dan penyediaan layanan publik di Kota Pekanbaru. Untuk penelitian lebih lanjut, disarankan untuk mengeksplorasi metode penyeimbangan data dan model pembelajaran mesin alternatif untuk meningkatkan akurasi prediksi.

References

[1] M. K. Anam, B. N. Pikir, M. B. Firdaus, S. Erlinda, and Agustin, “Penerapan Naïve Bayes Classifier, K-Nearest Neighbor dan Decision Tree untuk Menganalisis Sentimen pada Interaksi Netizen dan Pemeritah,” Matrik: Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer, vol. 21, no. 1, pp. 139–150, 2021, doi: 10.30812/matrik.v21i1.1092.
[2] N. C. Putri and N. Nurwati, “Pengaruh Laju Pertumbuhan Penduduk Berdampak pada Tingginya Angka Kemiskinan yang Menyebabkan Eksploitasi Anak di Indonesia,” Jurnal Ilmu Kesehatan sosial HUMANITAS, vol. 3, no. 1, pp. 1–15, 2021, doi: 10.23969/humanitas.v3iI.2827.
[3] D. Desmawan, Fitrianingsih, R. Falah S, N. A. Drajat, N. W. Diani, and S. Marlina, “Pengaruh Jumlah Penduduk Terhadap Pertumbuhan Ekonomi di Kabupaten Tangerang Tahun 2019-2020,” Jurnal Penelitian Ekonomi Manajemen dan Bisnis (JEKOMBIS), vol. 2, no. 2, pp. 150–157, 2023, doi: 10.55606/jekombis.v2i2.1543.
[4] E. Hasibuan and A. Karim, “Implementasi Machine Learning untuk Prediksi Harga Mobil Bekas dengan Algoritma Regresi Linear berbasis Web,” Jurnal Ilmiah Komputasi, vol. 21, no. 4, pp. 595–602, Dec. 2022, doi: 10.32409/jikstik.21.4.3327.
[5] H. Husdi and H. Dalai, “Penerapan Metode Regresi Linear Untuk Prediksi Jumlah Bahan Baku Produksi Selai Bilfagi,” Jurnal Informatika, vol. 10, no. 2, pp. 129–135, Oct. 2023, doi: 10.31294/inf.v10i2.14129.
[6] M. B. Ressan and R. F. Hassan, “Naïve-Bayes family for sentiment analysis during COVID-19 pandemic and classification tweets,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 28, no. 1, pp. 375–383, Oct. 2022, doi: 10.11591/ijeecs.v28.i1.pp375-383.
[7] W. Chebil, M. Wedyan, M. Alazab, R. Alturki, and O. Elshaweesh, “Improving Semantic Information Retrieval Using Multinomial Naive Bayes Classifier and Bayesian Networks,” Information (Switzerland), vol. 14, no. 5, May 2023, doi: 10.3390/info14050272.
[8] A. N. Putri, “Penerapan Naive Bayesian Untuk Perankingan Kegiatan Di Fakultas Tik Universitas Semarang,” Simetris : Jurnal Teknik Mesin, Elektro dan Ilmu Komputer, vol. 8, no. 2, p. 603, 2017, doi: 10.24176/simet.v8i2.1545.
[9] A. M. Sitompul, Suhada, and Saifulah, “Teknik Data Mining Dalam Prediksi Jumlah Siswa Baru Dengan Algoritma Naive Bayes,” KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen), vol. 2, no. 2, pp. 108–117, 2021, doi: 10.30645/kesatria.v2i2.65.
[10] F. Romadhin, A. Suwondo, and H. Sibyan, “Implementasi Algoritma Naive Bayes pada Aplikasi Prediksi Pertumbuhan Penduduk Tahunan di Kabupaten Wonosobo,” Journal of Economic, Business and Engineering (JEBE), vol. 3, no. 2, pp. 301–310, 2022, doi: 10.32500/jebe.v3i2.2826.
[11] M. K. Anam, T. A. Fitri, Agustin, Lusiana, M. B. Firdaus, and A. T. Nurhuda, “Sentiment Analysis for Online Learning using The Lexicon-Based Method and The Support Vector Machine Algorithm,” ILKOM Jurnal Ilmiah, vol. 15, no. 2, pp. 290–302, 2023, doi: 10.33096/ilkom.v15i2.1590.290-302.
[12] R. S. Putra, W. Agustin, M. K. Anam, L. Lusiana, and S. Yaakub, “The Application of Naïve Bayes Classifier Based Feature Selection on Analysis of Online Learning Sentiment in Online Media,” Jurnal Transformatika, vol. 20, no. 1, pp. 44–56, Jul. 2022, doi: 10.26623/transformatika.v20i1.5144.
[13] C. M. Liyew and H. A. Melese, “Machine learning techniques to predict daily rainfall amount,” J Big Data, vol. 8, no. 1, pp. 1–11, Dec. 2021, doi: 10.1186/s40537-021-00545-4.
[14] M. Dennis, R. Rahmaddeni, F. Zoromi, and M. K. Anam, “Penerapan Algoritma Naïve Bayes Untuk Pengelompokkan Predikat Peserta Uji Kemahiran Berbahasa Indonesia,” Jurnal Media Informatika Budidarma, vol. 6, no. 2, pp. 1183–1190, Apr. 2022, doi: 10.30865/mib.v6i2.3956.

Downloads

Published

2024-10-29

Issue

Vol. 6 No. 3 (2024): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode September 2024

Section

Articles

License

CC BY-SA 4.0


Attribution-ShareAlike 4.0

You are free to:

  1. Share — copy and redistribute the material in any medium or format for any purpose, even commercially.
  2. Adapt — remix, transform, and build upon the material for any purpose, even commercially.
  3. The licensor cannot revoke these freedoms as long as you follow the license terms.

Under the following terms:

  1. Attribution — You must give appropriate credit , provide a link to the license, and indicate if changes were made . You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
  2. ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
  3. No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.

Notices:

You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation .

No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.

How to Cite

[1]
“PREDIKSI PERUBAHAN JUMLAH PENDUDUK DI KOTA PEKANBARU MENGGUNAKAN ALGORITMA NAIVE BAYES”, zn, vol. 6, no. 3, pp. 714–720, Oct. 2024, doi: 10.31849/zn.v6i3.22346.