Deteksi Potensi Faktor Keberangkatan Jemaah Haji Menggunakan Algoritma Klasifikasi Machine Learning
DOI:
https://doi.org/10.52436/1.jpti.1060Kata Kunci:
Jemaah haji, Klasifikasi, Machine LearningAbstrak
Haji merupakan salah satu rukun islam yang memiliki makna spiritual dan sosial mendalam bagi umat muslim diseluruh dunia Dengan meningkatnya jamaah haji di Indonesia setiap tahunnya, pengelolaan dan pelayanan terhadap calon jamaah haji menjadi tantangan. Faktor yang mempengaruhi seperti faktor demografis dari usia, pendidikan dan pekerjaan yang mempengaruhi keberangkatan jamaah. Penelitian ini bertujuan untuk mendeteksi faktor keberangkatan jamaah haji menggunakan algoritma machine learning, khususnya metode Naïve Bayes, Random Forest dan Decision Tree. Dataset yang dikumpulkan dari Kantor Kementerian Agama Karawang dan diolah menggunakan bahasa pemrograman Phyton. Proses penelitian meliputi pengumpulan data, preprocessing, split data, implementasi algoritma, dan evaluasi. Random Forest mencapai akurasi tertinggi sebesar 99.23%, Decision Tree mencatat akurasi 98.75%, dan Naïve Bayes memiliki akurasi 76.69%. Hasil evaluasi menunjukkan model mampu memberikan akurasi signifikan dalam mengidentifikasi kategori jamaah haji. Diharapkan penelitian ini akan memeberikan wawasan mendalam tentang klasifikasi data jamaah haji dan membantu instansi dalam perencanaan sumber daya yang kebih baik sehingga instansi dapat mengoptimalkan penggunaan anggaran dan alokasi sumber daya yang lebih efisien.
Unduhan
Referensi
N. Hidayati et al., “Penerapan Algoritma Klasterisasi dan Klasifikasi pada Tingkat Kepentingan Sistem Pembelajaran di Universitas Terbuka,” 2020.
Y. Heryadi and T. Wahyono, “Machine Learning: Konsep dan Implementasi,” 2020. [Online]. Available: https://www.researchgate.net/publication/344419764
I. Romli and A. T. Zy, “Penentuan Jadwal Overtime Dengan Klasifikasi Data Karyawan Menggunakan Algoritma C4.5,” 2020.
A. Pebdika, R. Herdiana, and D. Solihudin, “Klasifikasi Menggunakan Metode Naive Bayes untuk Menentukan Calon Penerima PIP,” Feb. 2023.
Friska Aditia Indriyani, Ahmad Fauzi, and Sutan Faisal, “Analisis sentimen aplikasi tiktok menggunakan algoritma naïve bayes dan support vector machine,” TEKNOSAINS?: Jurnal Sains, Teknologi dan Informatika, vol. 10, no. 2, pp. 176–184, Jul. 2023, doi: 10.37373/tekno.v10i2.419.
A. M. Siregar, “Klasifikasi Untuk Prediksi Cuaca Menggunakan Esemble Learning,” PETIR, vol. 13, no. 2, pp. 138–147, Sep. 2020, doi: 10.33322/petir.v13i2.998.
F. Yulian Pamuji, V. Puspaning Ramadhan, and R. Artikel, “Jurnal Teknologi dan Manajemen Informatika Komparasi Algoritma Random Forest Dan Decision Tree Untuk Memprediksi Keberhasilan Immunotheraphy Info Artikel Abstrak,” vol. 7, pp. 46–50, 2021, [Online]. Available: http://http://jurnal.unmer.ac.id/index.php/jtmi
H. Derajad Wijaya and S. Dwiasnati, “Implementasi Data Mining dengan Algoritma Naïve Bayes pada Penjualan Obat,” Jurnal Informatika, vol. 7, no. 1, 2020, [Online]. Available: http://ejournal.bsi.ac.id/ejurnal/index.php/ji
G. Awliya Muhammad Ashfania et al., “Penggunaan Algoritma Random Forest untuk Klasifikasi berbasis Kinerja Efisiensi Energi pada Sistem Pembangkit Daya,” 2023.
N. H. Alfajr and S. Defiyanti, “Prediksi Penyakit Jantung Menggunakan Metode Random Forest dan Penerapan Principal Component Analysis (PCA),” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3S1, Oct. 2024, doi: 10.23960/jitet.v12i3S1.5055.
N. A. Prakoso Indaryono, “Analisa Perbandingan Algoritma Random Forest dan Naïve Bayes untuk Klasifikasi Curah Hujan Berdasarkan Iklim di Indonesia,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 9, no. 1, pp. 158–167, Feb. 2024, doi: 10.29100/jipi.v9i1.4421.
I. Kurniawan, D. Cahya Putri Buani, W. Apriliah, R. Amegia Saputra, and P. Korespondensi, ““Implementasi Algoritma Random Forest Untuk Menentukan Penerima Bantuan Raskin Implementation of Random Forest Algorithm For Determining Recipients Of Raskin,” vol. 10, no. 2, pp. 421–428, 2023, doi: 10.25126/jtiik.202396225.
F. Yulian Pamuji, V. Puspaning Ramadhan, and R. Artikel, “Jurnal Teknologi dan Manajemen Informatika Komparasi Algoritma Random Forest Dan Decision Tree Untuk Memprediksi Keberhasilan Immunotheraphy Info Artikel ABSTRAK,” vol. 7, pp. 46–50, 2021, [Online]. Available: http://http://jurnal.unmer.ac.id/index.php/jtmi
Y. E. Yuspita, R. Okra, and M. Rezeki, “Penerapan Algoritma Klasifikasi Untuk Prediksi Tingkat Kelulusan Mahasiswa Menggunakan RapidMiner,” Jurnal Teknologi Informasi, vol. 6, no. 1, 2025, doi: 10.46576/djtechno.
D. Haganta Depari et al., “Perbandingan Model Decision Tree, Naive Bayes dan Random Forest untuk Prediksi Klasifikasi Penyakit Jantung,” JURNAL INFORMATIK Edisi ke, vol. 18, p. 2022, 2022.
Erfan Karyadiputra and Agus Setiawan, “Sistem pendukung keputusan berbasis decision tree algorithm untuk prediksi penyakit diabetes,” Teknosains, Dec. 2023, doi: https://doi.org/10.24252/teknosains.v17i3.38383.
T. Gori, A. Sunyoto, and H. Al Fatta, “Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11, no. 1, pp. 215–224, Feb. 2024, doi: 10.25126/jtiik.20241118074.
M. Nurhariza, A. Ratna Juwita, and D. Sulistya Kusumaningrum, “Implementasi Algoritma Naive Bayes Untuk Klasifikasi Menentukan Prestasi Siswa Berdasarkan Nilai Rata-Rata,” no. 1, 2024.
Friska Aditia Indriyani, Ahmad Fauzi, and Sutan Faisal, “Analisis sentimen aplikasi tiktok menggunakan algoritma naïve bayes dan support vector machine,” TEKNOSAINS?: Jurnal Sains, Teknologi dan Informatika, vol. 10, no. 2, pp. 176–184, Jul. 2023, doi: 10.37373/tekno.v10i2.419.
A. M. Siregar, “Accounting Information System Perbandingan Algoritme Klasifikasi Untuk Prediksi Cuaca,” 2020.
S. Wahyuni Kalumbang, “Perbandingan Regresi Logistik, Klasifikasi Naive Bayes, dan Random Forest (Comparison The Logistic Regression, Naive Bayes Classification, and Random Forest),” vol. 03, no. 02, p. 2021, 2021.
A. Salam, L. Azhari, R. S. Septarini, and N. Heriyani, “BULLETIN OF COMPUTER SCIENCE RESEARCH Pendekatan Hybrid K-Means SMOTE dan Logistic Regression Untuk Deteksi Dini Diabetes Mellitus Pada Imbalanced Data,” Media Online), vol. 5, no. 3, pp. 222–230, 2025, doi: 10.47065/bulletincsr.v5i3.502.
D. Sayhidin, G. Haris, and C. Juliane, “Implementasi Data Mining Tingkat Kepemimpinan Siswa dengan K-Nearest Neighbor, Decision Tree, dan Naïve Bayes,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 7, no. 1, p. 199, Jan. 2023, doi: 10.30865/mib.v7i1.5351.
Ahmad Taufiq Ramadhan, Faishal Hilmy F. G, Nadya Rafaela Puteri, and Alifya Meirza, “Penerapan Algoritma Decision Tree Dalam Melakukan Analisis Klasifikasi Harga Handphone,” Jurnal Sistem Informasi dan Ilmu Komputer, vol. 1, no. 4, pp. 195–206, Nov. 2023, doi: 10.59581/jusiik-widyakarya.v1i4.1861.
