Analisis Klasifikasi Pelanggan Listrik Rumah Tangga Bersubsidi Kota Surabaya Menggunakan Support Vector Machine dan Naïve Bayes Classifier

Abstract

Pemerintah menyediakan dana bagi kelompok masyarakat tidak mampu yang diberikan dalam bentuk subsidi terhadap tarif tenaga listrik untuk pelanggan rumah tangga dengan daya 450 VA dan 900 VA. Berdasarkan data dari Badan Pusat Statistik (BPS) yang telah diolah oleh Tim Nasional Percepatan Penanggulangan Kemiskinan (TNP2K), dikeluarkan daftar 40% masyarakat Indonesia yang berada dalam kondisi ekonomi terendah. Pada penelitian ini bertujuan untuk melakukan klasifikasi sesuai karakteristik yang dimiliki oleh pelanggan subsidi listrik rumah tangga daya 450 VA dan 900 VA menggunakan metode Support Vector Machine dan Naïve Bayes Classifier. Hasil Perbandingan antara metode SVM dan NBC didapatkan bahwa SVM memberikan hasil yang lebih baik dengan parameter optimal yang diperoleh pada kernel RBF adalah C = 10 dan = 1. Kategori 450 VA sebanyak 91,6% pelanggan rumah tangga diklasifikasikan dengan benar dan sisanya 8,4% pelanggan rumah tangga diprediksi masuk ke dalam kategori subsidi 900 VA. Pada kategori subsidi 900 VA sebanyak 81,9% pelanggan rumah tangga diklasifikasikan dengan benar dan sisanya 18,1% pelanggan rumah tangga diprediksi masuk kategori 450 VA.

CC Licencing

Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).