KLASIFIKASI POTENSI ZAKAT DI LAZISMU DIY MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN) BERBASIS WEB FRAMEWORK

Authors

  • Tedy Setyadi Universitas Ahmad Dahlan
  • Andri Pranolo
  • Prayitno Prayitno

DOI:

https://doi.org/10.12928/jstie.v5i3.12370

Abstract

Zakat berperan untuk mencapai keadilan sosial ekonomi antara orang kaya dan miskin. Saat ini terdapat Lembaga Amil Zakat (LAZ) yang berperan penting dalam pengelolaan dana Zakat, Infaq, dan Shodaqah. Namun ada beberapa faktor kekurangan dalam hal penyaluran dana zakat yaitu siapa yang berhak menerima dana zakat dengan tepat sasaran dan cabang-cabang mana saja yang berpotensi mandiri dalam pengelolaan zakat. Klasifikasi dapat digunakan untuk menilai ketepatan penyaluran zakat dan mengetahui kemandirian tiap-tiap cabang LAZ berdasarkan data-data masa lalu. Data tersebut bisa digunakan untuk menerapkan metode K-NN sehingga dapat mengklasifikasi dana zakat menurut kelasnya.

            Penelitian ini dilakukan untuk mengkaji tentang algoritma K-NN dan mengimplementasikan Algoritma K-NN dalam klasifikasi data. Data yang digunakan adalah data penyaluran dana zakat di Lazismu DIY dari tahun 2013 sampai 2015.Data penyaluran zakat dari cabang-cabang LAZ yang telah melalui proses cleaning data, integration data, selection data, transformation data,dananalisis diproses menggunakan metodeK-Nearest Neighbor (K-NN)  untuk  mengklasifikasikan cabang-cabang yang berpotensi membantu perekonomian daerah (mandiri) dan penyaluran dana zakat yang tepat sasaran berdasarkan  tingkat  kemiripan sejumlah nilai  variabel  k. Proses algoritma K-NN di buatmenghasilkanpattern evaluationdandisajikanmelalui knowledge presentationdenganbantuan web framework.

            Hasil pengujian dilakukan terhadap 14 cabang Lazismu di DIY menghasilkan tidakada cabang di kelas Super Mandiri, 6 cabang berada dikelas Mandiri, tidakada cabang berada dikelas Cukup Mandiri, dan 8 cabang berada pada kelas Kurang Mandiri. Hasil confusion matrix dengan perbandingan 80:20 dari data uji dan data testing menghasilkan nilai accuracy sebesar 85% dan error-rate sebesar25%. Hasil accuracy>= 85% dikatakan baik dalam klasifikasi tersebut membuktikan bahwa faktor-faktor nilai atribut yang dipilih mendekati nilai significant

References

Amalia,Euis. (2015, 15 Juli). “Potensi Zakat Indonesia Capai Rp 100 Triliunâ€. Republika [online]. Tersedia: http://www.republika.co.id/berita/dunia-islam/wakaf/15/07/15/nrix95-potensi-zakat-indonesia-capai-rp-100-triliun. [21 Agustus 2015].

Laporan Pusat Wilayah Muhammadiyah. (2015). Laporan Keuangan Kantor Pusat Yogyakarta: Lazismu DIY

Witten, I. H et al. 2011. Data Mining Practical Learning Tools and Techniques. United States of America: Morgan Kaufmann Publishers.

Han, Jiawei; Kamber, Micheline. 2006. Data Mining: Concepts and Techniques . San Fransisco: Morgan Kaufmann.

Ivandari, 2011. Peningkatan Performa Algoritma Klasifikasi K-Nearest Neighbour pada Data Berdimensi TInggi. Website: http://jurnal.stmik-wp.ac.id/files/disk1/1/ictech--ivandari-23-1-ivan.pdf [5 September 2015].

Santosa, B. 2007. Data Mining : Teknik Pemanfaatan Data untuk Keperluan Bisnis. Graha Ilmu. Yogyakarta.

Nursalim, dkk., April 2014, â€Klasifikasi Bidang Kerja Lulusan Menggunakan Algoritma k-Nearest Neighborâ€. Jurnal Teknologi Informasi. Volume 10 Nomor 1, ISSN 1414-9999.

Krisandi ,Nobertus, dkk., 2013, “Algoritma k-Nearest Neighbour Dalam Klasifikasi Data Hasil Produksi Kelapa Sawit Pada PT.Minimas Kec. Parinduâ€. Bimastar. Volume 02, No. 1, hal.33-38.

Pandie, Emerensye S.Y., November 2012, Implementasi Algoritma Data Mining K-Nearest Neighbor (K-NN) Dalam Pengambilan Keputusan Pengajuan Kredit. Website: https://core.ac.uk/download/pdf/11737304.pdf. [05 Januari 2016].

Samuel, Yoseph,dkk., Juni 2014, “Implementasi Metode K-Nearest Neighbor dengan Decision Rule untuk Klasifikasi Subtopik Beritaâ€. Jurnal Informatika. Vol. 10 No. 1, hal: 1 – 15.

Downloads

Published

18-01-2019

Issue

Section

Articles