JURNAL RISET INFORMATIKA 
Vol. 1, No. 2 Maret 2019 

P-ISSN: 2656-1743 
E-ISSN: 2656-1735 

 

 

71 

 

 
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional 

PENERAPAN ALGORITMA NAÏVE BAYES PADA PENILAIAN  KINERJA 
PEMERINTAH DESA DALAM PENGELOLAAN DANA DESA 

 
 

Muliadi 1, Syafruddin Syarif 2, Agus Salim3 
 

1,2,3 Pascasarjana Sistem Komputer 
STMIK Handayani Makassar 
http://pps.handayani.ac.id/ 
1
muliadiscdtolis@gmail.com 

 
 

ABSTRAK 
Tujuan dari penelitian ini untuk mengklasifikasikan pemerintah desa mana yang baik dan buruk dalam 
pengelolaan dana desa di kab Tolitoli untuk menjadi acuan untuk pemerintah daerah untuk mengontrol 
kinerja pemerintah desa dalam mengelolaan dana desa.Metode yang digunakan dalam penelitian ini ialah 
naïve bayes klasifikasi berbasis pemrograman PHP dengan komputerisasi  diharapkan dapat membantu 
penilaian kinerja pemerintah desa dalam pengelolaan dana desa agar lebih cepat dan tepat dalam 
mengklasifikasikan kinerja pemerintah desa.Berdasarkan hasil analisis perhitungan yang sudah 
dilakukan, penerapan metode naïve bayes klasifikasi dalam penilaian kinerja pemerintah desa yang suda h 
di lakukan terhadap 2(dua) desa dengan kreteria yang digunakan : jumlah anggaran, anggaran bidang 
pemerintahan, anggaran bidang pembangunan, anggaran bidang pemberdayaan, anggaran bidang 
pembinaan, anggaran tak terduga dan sisa anggaran sehingga hasil akhir penilaian kinerja pemerintah 
desa dalam pengelolaan dana desa yakni desa dengan nama desa Teluk Jaya dinyatakan baik  karena 
memiliki nilai likelihood baik 3.57921𝐸−58  > nilai likelihood buruk 3.39635𝐸−60   sedangkan desa dengan 
nama desa Salumpaga dinyatakan buruk karena memiliki nilai likelihood baik 2.421𝐸−139 <  nilai 
likelihood buruk 3.20355𝐸−83   
 
Kata Kunci: Algoritma Naïve Bayes Klasifikasi , Penilaian Kinerja Pemerintah Desa, Pengelolaan Dana 
Desa 
 

ABSTRACT 
The purpose of this study is to classify which village government is good and bad in managing village funds in 
Tolitoli regency to be a reference for local government to control the performance of village government in 
managing village funds. The method used in this research is naïve bayes classification based on PHP 
programming computerization is expected to help assess village government performance in village fund 
management so that it is faster and more accurate in classifying village government performance. Based on 
the analysis of calculations that have been done, the application of the naïve Bayes method of classification in 
village government performance appraisal has been done against 2 (two) village with criteria used: budget 
amount, government budget, development budget, empowerment budget, guidance field budget, unexpected 
budget and remaining budget so that the final result of village government performance assessment in 
management village funds namely villages with the name Teluk Jaya village are declared good because they 
have a good likelihood value of 3.57921E ^ (- 58)> bad likelihood value of 3.39635E ^ (- 60) while the village 
with the name Salumpaga village is declared bad because it has a good likelihood value of 2.421E ^ ( -139) 
<bad likelihood value 3.20355E ^ (- 83) 
 
Keywords: Naïve Bayes Classification Algorithm, Village Government Performance Assessment, Village Fund 
Management 
 

 
PENDAHULUAN 

 
Pemerintah desa diyakini lebih mampu 

melihat prioritas kebutuhan masyarakat 
dibandingkan Pemerintah Kabupaten yang secara 

nyata memiliki ruang lingkup permasalahan lebih 
luas dan rumit (Romantis & Ainurrohma, 2015), 
(Aminah & Sari, 2018).  Untuk itu, pembangunan 
pedesaan yang dilaksanakan harus sesuai dengan 
masalah yang dihadapi, potensi yang dimiliki, 

http://creativecommons.org/licenses/by-nc/4.0/
mailto:muliadiscdtolis@gmail.com


P-ISSN: 2656-1743 
E-ISSN: 2656-1735 

JURNAL RISET INFORMATIKA 
Vol. 1, No. 2 Maret 2019 

 

 

72 

 

 
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional 

aspirasi masyarakat dan prioritas pembangunan 
pedesaan yang telah ditetapkan. Pemerintah 
kemudian mengeluarkan Peraturan Pemerintah 
No. 72 Tahun 2005 tentang Desa dan Peraturan 
Menteri Dalam Negeri Nomor 37 tahun 2007 
tentang Pedoman Pengelolaan Keuangan Desa. 
Pemerintah daerah mempunyai kewenangan yang 
lebih luas dalam pengelolaan daerahnya. Salah 
satu bentuk kepedulian pemerintah terhadap 
pengembangan wilayah pedesaaan adalah adanya 
anggaran pembangunan secara khusus yang 
dicantumkan dalam Anggaran Pendapatan dan 
Belanja Daerah (APBD) untuk pembangunan 
wilayah pedesaan, yakni dalam bentuk Anggaran 
Dana Desa (ADD). 

Dengan adanya (ADD) pemerintah desa 
mempunyai peranan penting dalam pengelolaan 
dana desa tetapi belum adanya sistem kontrol, 
yang baik sebagai standar untuk menentukan 
pemerintah desa mana kinerjanya baik dan buruk  
dalam mengelolah dana desa sehingga daerah 
tidak mengetahui kinerja pemerintah desa dalam 
pengelolaan dana desa, untuk itu pemerintah 
daerah harus mengklasifikasikan kinerja 
pemerintah desa mana yang kinerja nya baik dan 
buruk. 

Pengklasifikasian tersebut dapat 
menggunakan beberapa algoritma misalnya K-
means, C45, kNN dan Naïve bayes. Tapi pada 
kasus ini penulis menggunakan Algoritma Naïve 
bayes untuk mengklasifikasikan kinerja (Iskandar 
& Suprapto, 2016) pemerintah dalam mengelola 
dana desa karena melihat keunggulan algoritma 
naïve bayes dengan algoritma lain contohnya 
mampu menangani data kuantitatif dan diskrit, 
cepat dan efesien ruangan, cukup akurat, kokoh 
terhadap attibut yang relevan dan tentunya 
popular [menurut Ashraf Udin , South Asian 
University](Wati & Hadi, 2017). Dengan data yang 
sudah  diklasifikasikan menggunakan naïve bayes 
diharapkan pemerintah daerah dapat mengontrol 
kinerja pemerintah desa mana yang kinerja nya 
baik, dan buruk. 

 
1. Rumusan Masalah 
a. Bagaimana membuat sistem penilaian 

kinerja pemerintah desa dalam pengelolaan 
dana desa di kab tolitoli dengan algoritma 
naïve bayes classifier 

b. Bagaimana menentukan pemerintah desa 
mana yang kinerjanya baik, dan buruk dalam 
mengelola dana desa dengan algoritma .naive 
bayes classifier. 

 
2. Tujuan Penelitian 

Berdasarkan permasalahan diatas maka 
tujuan penelitian yaitu : 
a. Dapat mengklasifikasikan pemerintah desa 

mana yang kinerjanya  baik, dan buruk dalam 
pengelolaan dana desa di kab tolitoli. 

b. Dapat menjadi acuan untuk pemerintah 
daerah untuk mengontrol kinerja pemerintah 
desa dalam mengelola dana desa. 
 

METODE PENELITIAN 
 

1. Desa 
Menurut Peraturan Pemerintah Nomor 72 

Tahun 2005 tentang Desa, disebut bahwa Desa 
adalah kesatuan masyarakat hukum yang 
memiliki batas-batas wilayah yang berwenang 
untuk mengatur dan mengurus kepentingan 
masyarakat setempat, berdasarkan asal usul dan 
adat istiadat setempat yang diakui dan dihormati 
dalam sistem Pemerintahan Negara Kesatuan 
Republik Indonesia. 

Sedangkan menurut Undang-Undang Nomor 6 
Tahun 2014 tentang Desa, ditentukan bahwa Desa 
adalah desa dan desa adat atau yang disebut 
dengan nama lain, selanjutnya disebut Desa, 
adalah kesatuan masyarakat hukum yang 
memiliki batas wilayah yang berwenang untuk 
mengatur dan mengurus urusan pemerintahan, 
kepentingan masyarakat setempat berdasarkan 
prakarsa masyarakat, hak asal usul, dan/atau hak 
tradisional yang diakui dan dihormati dalam 
sistem pemerintahan Negara Kesatuan Republik 
Indonesia (Presiden Republik Indonesia, 2014) 

 
2.  Alokasi Dana Desa 

Alokasi Dana Desa (ADD) adalah dana yang 
bersumber dari Anggaran Pendapatan dan Belanja 
Daerah (APBD) Kabupaten yang dialokasikan 
dengan tujuan pemerataan kemampuan keuangan 
antar Desa untuk mendanai kebutuhan Desa 
dalam rangka penyelenggaraan Pemerintahan dan 
pelaksanaan pembangunan serta pelayanan 
masyarakat. Alokasi Dana Desa diperoleh dari 
dana perimbangan APBN yang diterima oleh 
Kabupaten/Kota dalam Anggaran Pendapatan dan 
Belanja Daerah (APBD) setelah dikurangi Dana 
Alokasi Khusus (DAK) sebesar 10% (Presiden 
Republik Indonesia, 2014)  
3. Belanja Desa 

Belanja Desa merupakan semua pengeluaran 
dari rekening desa yang merupakan kewajiban 
desa dalam 1 (satu) tahun anggaran yang tidak 
akandiperoleh pembayarannya kembali oleh desa. 
Belanja desa dipergunakan dalam rangka 
mendanai penyelenggaraan kewenangan 
desa.Belanja Desa yang ditetapkan dalam APB 

http://creativecommons.org/licenses/by-nc/4.0/
https://id.wikisource.org/wiki/Peraturan_Pemerintah_Republik_Indonesia_Nomor_72_tahun_2005
https://id.wikisource.org/wiki/Peraturan_Pemerintah_Republik_Indonesia_Nomor_72_tahun_2005


JURNAL RISET INFORMATIKA 
Vol. 1, No. 2 Maret 2019 

P-ISSN: 2656-1743 
E-ISSN: 2656-1735 

 

 

73 

 

 
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional 

Desa sesuai pasal 100 PP Nomor 43 Tahun 2014 
digunakan dengan ketentuan: 
 Paling sedikit 70% (≥ 70%) dari jumlah 

anggaran belanja desa digunakan untuk 
mendanai penyelenggaraan pemerintahan 
desa, pelaksanaan pembangunan desa, 
pembinaan kemasyarakatan desa, dan 
pemberdayaan masyarakat desa. 

 Paling banyak 30% (≤ 30%) dari jumlah 
anggaran belanja desa digunakan untuk: 

 
1. Penghasilan tetap dan tunjangan kepala desa 

dan perangkat desa; 
2. Operasional pemerintah desa; 
3. Tunjangan dan operasional Badan 

Permusyawaratan Desa; 
4. Insentif Rukun Tetangga dan Rukun Warga 

yaitu bantuan kelembagaan yang digunakan 
untuk operasional RT dan RW.\ 

Penghasilan Tetap, operasional pemerintah 
desa, dan tunjangan dan operasional BPD serta 
insentif RT dan RW dibiayai dengan menggunakan 
sumber dana dari Alokasi Dana Desa. Sedangkan 
Penggunaan Dana Desa diprioritaskan untuk 
membiayai pembangunan dan pemberdayaan 
masyarakat. Kebutuhan pembangunan meliputi 
tetapi tidak terbatas pada kebutuhan primer, 
pelayanan dasar, lingkungan, dan kegiatan 
pemberdayaan masyarakat desa. Pengertian Tidak 
Terbatas adalah kebutuhan pembangunan di luar 
pelayanan dasar yang dibutuhkan masyarakat 
desa. Kebutuhan Primer adalah kebutuhan 
pangan, sandang, dan papan. Pelayanan dasar 
antara lain pendidikan, kesehatan, dan 
infrastruktur dasar. 

 
4. Data Mining 

Data Mining merupakan proses 
pengekstraksian informasi dari sekumpulan data 
yang sangat besar melalui penggunaan algoritma 
dan teknik penarikan dalam bidang statistik, 
pembelajaran mesin dan sistem manajemen basis 
data. Data mining adalah proses menganalisa data 
dari perspektif yang berbeda dan 
menyimpulkannya menjadi informasi-informasi 
penting yang dapat dipakai untuk meningkatkan 
keuntungan, memperkecil biaya pengeluaran, atau 
bahkan keduanya (Mustafa, Ramadhan, & 
Thenata, 2017) 

 Definisi lain mengatakan Data Mining adalah 
kegiatan yang meliputi pengumpulan, pemakaian 
data historis untuk menemukan keteraturan, pola 
atau hubungan dalam data berukuran besar. Dari 
beberapa definisi di atas dapat ditarik kesimpulan 
bahwa Data Mining merupakan proses ataupun 
kegiatan untuk mengumpulkan data yang 

berukuran besar kemudian mengekstraksi data 
tersebut menjadi informasi – informasi yang 
nantinya dapat digunakan (Olson & Delen, 2008)  

 
5. Data Training 

Data training digunakan untuk membentuk 
sebuah model classifier. Model ini merupakan 
representasi pengetahuan yang akan digunakan 
untuk prediksi kelas data baru yang belum pernah 
ada. Data ini akan digunakan untuk proses mining 
berupa 40 sampel penggunaan anggaran dana 
desa tahun 2015-2016 dengan pengklasifikasiaan 
12 desa yang dianggap kinerja Baik dan 28 desa 
kinerja dianggap buruk data ini memiliki attribut 
Tahun ,Nama Desa, Jumlah anggaran, Bidang 
pemerintahan, Bidang pembangunan, Bidang 
pembinaan, Bidang pemberdayaan, Bidang Tak 
terduga , Sisa anggaran ,dan hasil kinerja. 
Beberapa data training dapat dilihat pada tabel 1. 

 
6. Data Testing 

Data testing digunakan sejauh mana algoritma 
naïve bayes classifier berhasil melakukan 
klasifikasi dengan benar karna itu data yang ada 
pada testing set seharusnya tidak boleh ada pada 
training set sehingga dapat diketahui apakah 
model classifier sudah berhasil dalam melakukan 
klasifikasi data ini akan digunakan untuk 
mengujian, berupa data penggunaan anggaran 
dana desa pada tahun 2017 ,data ini memiliki 
attribut Tahun ,Nama Desa, Jumlah anggaran, 
Bidang pemerintahan, Bidang pembangunan, 
Bidang pembinaan, Bidang pemberdayaan, Bidang 
Tak terduga dan Sisa anggaran. Beberapa data 
testing dapat dilihat pada tabel 2. 

 
7. Metode Klasifikasi 

Klasifikasi adalah proses untuk menemukan 
model atau fungsi yang menjelaskan atau 
membedakan konsep atau kelas data, dengan 
tujuan untuk dapat memperkirakan kelas dari 
suatu objek yang labelnya tidak diketahui. Dalam 
mencapai tujuan tersebut, proses klasifikasi 
membentuk suatu model yang mampu 
membedakan data kedalam kelas-kelas yang 
berbeda berdasarkan aturan atau fungsi tertentu. 
Model itu sendiri bisa berupa aturan “jika-maka”, 
berupa pohon keputusan, atau formula matematis 
(Mustafa et al., 2017). 

 
8. Naïve Bayes Clasifier 

Naive Bayes Classifier adalah sebuah metoda 
klasifikasi yang berdasar pada teorema Bayes. 
Metode pengklasifikasian ini menggunakan 
metode probabilitas dan statistik yang pertama 
kali dikemukakan oleh ilmuwan Inggris bernama 

http://creativecommons.org/licenses/by-nc/4.0/


P-ISSN: 2656-1743 
E-ISSN: 2656-1735 

JURNAL RISET INFORMATIKA 
Vol. 1, No. 2 Maret 2019 

 

 

74 

 

 
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional 

Thomas Bayes, yaitu suatu metode untuk 
memprediksi peluang di masa depan berdasarkan 
pengalaman di masa sebelumnya, sehingga 
metode ini dikenal sebagaiTeorema Bayes. Ciri 
utama dari Naive Bayes Classifier ini adalah asumsi 
yang sangat kuat akan independensi dari masing-
masing kondisi atau kejadian (Ridwan, Suyono, & 
Sarosa, 2013). Olson dan Delen  dalam bukunya, 
menjelaskan bahwa Naive Bayes untuk setiap 
kelas keputusan, menghitung probabilitas dengan 
syarat bahwa kelas keputusan adalah benar,. 
Algoritma ini berdasar pada mengasumsikan 
bahwa atribut obyek adalah sesuatu yang 
independen. Probabilitas yang terlibat dalam 
membat perkiraan akhir dihitung sebagai jumlah 
frekuensi dari "master" tabel keputusan.   

Naive Bayes Classifier memiliki akurasi lebih 
baik dibanding dengan model classifier lainnya. 
Penelitian yang dilakukan oleh Xhemali, Hinde 
dan Stone dalam jurnalnya “Naive Bayes vs. 
Decision Trees vs. Neural Networks in the 
Classification of Training Web Pages” mengatakan 
bahwa “Naïve Bayes Classifier memiliki tingkat 
akurasi yang lebih baik dibanding model classifier 
lainnya” (Ridwan et al., 2013). Keuntungan 
penggunaan Naive Bayes Classifier adalah bahwa 
metode ini hanya membutuhkan jumlah data 
pelatihan (Training Data) yang kecil untuk 
menentukan estimasi paremeter yang diperlukan 
dalam proses pengklasifikasian (Deputi Bidang 
Pengawasan Penyelenggaraan Keuangan Daerah, 
2015). Naive Bayes sering bekerja jauh lebih baik 
dalam kebanyakan situasi dunia nyata yang 
kompleks dari pada yang diharapkan. 
Persamaan teorema bayes 
 

P(H/X)=
𝐏(𝐇 𝐗).(𝐇)

𝐏(𝐗)
  …………………………………… (1) 

 
Keterangan :  
Data dengan class yang belum diketahui 
Hipotesis data 𝑋 merupakan suatu class spesifik  
(𝐻|𝑋) : Probabilitas hipotesis 𝐻 berdasar kondisi𝑋 
(posteriori probability)  
(𝐻) : Probabilitas hipotesis 𝐻 (prior probability)  
(𝑋|𝐻) : Probabilitas 𝑋 berdasarkan kondisi pada 
hipotesis  
𝐻 (𝑋) : Probabilitas  
 

Untuk menjelaskan teorema Naive Bayes 
Classifier, perlu diketahui bahwa proses klasifikasi 
memerlukan sejumlah petunjuk untuk 
menentukan kelas apa yang cocok bagi sampel 
yang dianalisis tersebut (Setyaji & Pujiono, 2015) 
.Karena itu, teorema bayes di atas disesuaikan 
sebagai berikut : 

 

𝐶|𝐹1)=
P(C)P(F1 … .Fn |C) 

P(F1.… Fn )
   ………………………………. (2) 

 
Dimana Variabel C merepresentasikan kelas, 

sementara variabel F1 ... Fnmerepresentasikan 
karakteristik petunjuk yang dibutuhkan untuk 
melakukan klasifikasi. Maka rumus tersebut 
menjelaskan bahwa peluang masuknya sampel 
karakteristik tertentu dalam kelas C (Posterior) 
adalah peluang munculnya kelas C (sebelum 
masuknya sampel tersebut, seringkali disebut 
prior), dikali dengan peluang kemunculan 
karakteristik – karakteristik sampel pada kelas C 
(disebut juga likelihood), dibagi dengan peluang 
kemunculan karakteristik – karakteristik sampel 
secara global ( disebut juga evidence). 
 Adapun alur dari metode Naive Bayes 
Classifier adalah sebagai berikut :  
1. Baca data training  
2. Hitung Jumlah dan probabilitas, namun apabila 
data numerik maka:  

a. Cari nilai mean dan standar deviasi dari 
masing – masing parameter yang 
merupakan data numerik.  

b. Cari nilai probabilistik dengan cara 
menghitung jumlah data yang sesuai dari 
kategori yang sama dibagi dengan jumlah 
data pada kategori tersebut.  
3. Mendapatkan nilai dalam tabel mean, 
standart deviasi dan probabilitas 

 Formula perhitungan Naive Bayes Classifier 
berdasarkan probabilitas ditunjukkan sebagai 
berikut: 
 
𝑝(𝐴|𝐵). 𝑝(𝐵) = 𝑝(𝐵|𝐴). 𝑝(𝐴)   …………………….… (3) 

 

𝑝(𝐴𝑖|𝐵) =
𝑝(𝐴𝑖).𝑝(𝐵|𝐴𝑖)

∑ =1𝑝(𝐴𝑗).𝑝(𝐵|𝐴𝑗)𝑐𝑗
    …………………………... (4) 

 
Dengan mengubah nilai 𝐴𝑖 dan 𝐴𝑗 kedalam vector 
“x” maka didapatkan bentuk formula sebagai 
berikut : 

𝑝(𝑥|𝑖) =  
𝑝(𝐴𝑖).𝑝(𝑥)

∑ =1𝑝(𝑗).𝑝(𝑥)𝑐𝑗
  …………………………………….. (5) 

 
Adapun perhitungan Naïve bayes Classifier untuk 
data kontinu menggunakan distribusi gauss 
sebagai berikut : 

𝑔(𝑥, 𝜇, 𝜎) =
1

√2𝜋𝜎
 𝑒

(𝑥−𝜇)2

2𝜎2    ………………….……….. (6) 

 
Keterangan : 

(𝑥|𝑖) = Probabilitas hipotesis x jika diberikan   
fakta atau record i (Posterior probability).  
(𝑖|𝑥) = Mencari nilai parameter yang memberi 
kemungkinan yang paling besar (Likelihood)  
(𝑥) = Prior probability dari I (Prior   

http://creativecommons.org/licenses/by-nc/4.0/


JURNAL RISET INFORMATIKA 
Vol. 1, No. 2 Maret 2019 

P-ISSN: 2656-1743 
E-ISSN: 2656-1735 

 

 

75 

 

 
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional 

Probability)  
(𝑖) = Jumlah probability tuple yang muncul  
 g = Distribusi Gauss  
 𝜇 = Rata-rata  

        𝜎 = Standar Deviasi 
 
9. Skema Naïve Bayes 

 

 
 Gambar 1 Skema Naive Bayes 
 

10. Rancangan system 
 
a. FlowChart 

Flowchart

UserDesa Admin UserDaerah

Ph
as

e

Login 

Masukkan 
Username & 

Password

Konfirmasi

Tampilkan Halaman 
Utama

Ya

tdk

Simpan 

Input Data 
Pengelolaan Dana 

Desa

Da
ta

 

Data 
Pengelolaan 
dana desa

Proses 
Pengklasifikasian Naïve 

Bayes

Hasil Klasifikasi

Laporan

Laporan

selesai

               
Gambar 2 FlowChart Sistem 

 
 
 

b. Use Case  
 

Login

Input user

Input Data 
Training

Laporan

Operator  / PEMERINTAH 
DAERAH

User / Desa

Input Data 
Pengelolaan Dana 

Desa

Melihat Hasil 
penilaian Kinerja

Melakukan 
klasifikasi

 
         Gambar 3 Use Case Sistem 

 
 
c. Diagram Activity Login 

Admin Sistem 
Ph

as
e

login

Masukkan 
user name
password

validasi

Tampilkan 
halaman utama

selesai

ya

tdk

 
Gambar 4 Diagram Activity Login 

a. Diagram Activity User 
 

Title

User Sistem 

Ph
as

e

Login

Laporan

Selesai 

Halaman Utama

Input data traning
Pengelolaan
Dana desa

Proses Klasifikasi
Naïve Bayes

 
         Gambar 5 Diagram Activity User 

http://creativecommons.org/licenses/by-nc/4.0/


P-ISSN: 2656-1743 
E-ISSN: 2656-1735 

JURNAL RISET INFORMATIKA 
Vol. 1, No. 2 Maret 2019 

 

 

76 

 

 
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional 

 
d. Penentuan Spesifikasi. 

 
a. Hadware  

1.1.  Satu unit komputer atau notbook 
1.2.  Memory ram minimal 1 giga 
1.3. Hardisk 250 giga 

b. Software  
1.1. Sublime text  
1.2. sql server 
1.3. Php  

c. Desain 
1.1. Flowchart 
1.2. UML 

 
 

HASIL PENELITIAN DAN PEMBAHASAN 
 
Sistem penilaian kinerja pemerintah desa 

dalam pengelolaan dana desa ini akan 

mengelompokan data desa yang sesuai dengan 
kreteria mana yang telah ditetap kan dalam 
pengelolaan dana desa , dalam  kasus ini hasil 
klasifikasi dibagi menjadi dua(2), yaitu klasifikasi 
desa yang baik dan buruk. 
Pengolahan data 
Setelah semua data pengelolaan dana desa diinput 
kan maka data akan diproses dengan 
menggunakan algoritma Naïve bayes classifier 
untuk menentukan hasil klasifikasi dengan 
langkah sebagai berikut : 
1. Inputkan jumlah dana desa dan anggaran 

yang telah dikeluarkan dalam setiap bidang 
yang telah ditentukan. 

2. Dalam penelitian ini titik awal ditentukan 
dari data sebelum nya dapat dilihat dari tabel 
1 training  

 

 
Tabel 1 Data Testing 

 
Tahu

n 

Nama 
Desa 

Jml 
Anggaran 

Bidang 
pemerintah

an 

Bidang 
pembangun

an 

Bidang 
pembinaan 

Bidang 
pemberday

aan 

Bidang 
tak terduga 

sisa 
anggaran 

2017 
Teluk 
Jaya 

 
Rp1,545,000,

000 
 

 
Rp440,000,

000 
 

 
Rp650,000,0

00 
 

 
Rp152,000,

000 
 

 
Rp290,000,0

00 
 

 
Rp6,000,00

0 
 

 
Rp7,000,00

0 
 

2017 
Salumpa

ga 
Rp2,100,000,

000 
Rp560,000,

000 
Rp900,000,0

00 
Rp200,000,

000 
Rp250,000,0

00 
Rp100,000,

000 
Rp90,000,0

00 

 
 
Algoritma naïve bayes classifier dalam penelitian 
menggunakan data testing yang diberikan dapat 
dilihat pada tabel 1. 

 
Langkah-langkah algoritma Naïve bayes 
classifikasi dapat dilihat pada tabel 4.2 

 
1. Menentukan prior probality(p) 
 

Tabel 2 Menentukan prior probality(p) 
Kinerja Jumlah 
Baik 12 
Buruk 28 
Jumlah 40 
 

P(Baik) = 
12

40
 = 0,3   P(Buruk) = 

28

40
 = 0,7 

 
2. Menentukan mean dan standar deviasi untuk 

attribut jumlah anggaran (x1), bidang 
pemerintahan (x2), bidang pembangunan 
(x3), bidang pembinaan (x4), bidang 
pemberdayaan (x5), bidang tak terduga (x6), 
dan sisa anggaran (x7).karna nilai atrribut 

berupa data diskrit yang nantinya akan 
dimasukkan kedalam rumus distribusi gauss. 
 

Tabel 3 Data Mean dan Stdv 
 

x1 

Baik Buruk 

Rp1,708,614,700 Rp2,604,839,000 

Rp2,540,007,900 Rp1,271,191,948 

Rp1,850,005,600 Rp1,606,981,900 

Rp1,930,000,700 Rp2,205,600,000 

Rp1,606,981,900 Rp1,589,000,400 

Rp1,850,005,600 ………………………… 

Rp1,405,600,000 Rp2,540,007,900 

Rp1,740,000,300 Rp1,850,005,600 

Rp1,708,614,700 Rp1,405,600,000 

Rp1,271,191,948 Rp1,589,000,400 

Rp1,708,614,700 Rp1,850,005,600 

Rp1,740,000,300 Rp1,405,600,000 

Rp21,059,638,348 Rp52,543,519,456 

Rp1,754,969,862 Rp1,876,554,266 

308939459.3 422878731.1 

 
 
 
 
 

http://creativecommons.org/licenses/by-nc/4.0/


JURNAL RISET INFORMATIKA 
Vol. 1, No. 2 Maret 2019 

P-ISSN: 2656-1743 
E-ISSN: 2656-1735 

 

 

77 

 

 
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional 

X2 
Baik Buruk 

Rp498,821,900 Rp600,039,000 
Rp630,000,000 Rp365,924,100 
Rp500,006,600 Rp320,800,000 
Rp520,000,000 Rp515,000,500 
Rp430,000,000 Rp320,400,000 
Rp513,000,500 ……………………. 
Rp390,400,000 Rp513,000,500 
Rp490,000,000 Rp390,400,000 
Rp498,821,900 Rp310,000,000 
Rp320,800,000 Rp490,000,000 
Rp430,000,000 Rp390,400,000 
Rp513,000,500 Rp310,000,000 

Rp5,734,851,400 Rp12,486,652,300 
Rp477,904,283 Rp445,951,868 
77346301.28 118768388.5 

 
X3 

Baik Buruk 
Rp763,698,550 Rp1,250,000,600 

Rp1,250,088,800 Rp610,000,000 
Rp800,050,000 Rp750,056,900 
Rp900,400,000 Rp1,110,000,000 
Rp720,056,900 Rp790,000,000 
Rp780,050,000 ……………………. 
Rp650,000,000 Rp763,698,550 
Rp789,500,000 Rp750,056,900 
Rp763,698,550 Rp690,000,000 
Rp590,500,000 Rp800,500,000 
Rp850,400,000 Rp750,056,900 
Rp852,400,000 Rp750,050,000 

Rp9,710,842,800 Rp22,787,936,300 
Rp809,236,900 Rp813,854,868 
163163932.8 203685445.8 

 
x4 

Baik Buruk 

Rp148,760,000 Rp221,000,500 

Rp300,002,320 Rp218,230,500 

Rp250,004,020 Rp120,060,700 

Rp210,000,000 Rp230,000,000 

Rp190,002,320 Rp148,400,230 

Rp230,000,000 ……………………. 

Rp148,400,230 Rp170,400,000 

Rp170,400,000 Rp250,004,020 

Rp230,000,000 Rp230,000,000 

Rp130,000,000 Rp148,400,230 

Rp148,400,230 Rp270,400,000 

Rp123,004,000 Rp230,000,000 

Rp2,278,973,120 Rp5,339,316,190 

Rp189,914,427 Rp190,689,890 

54718576.12 43099385.78 

 
x5 

Baik Buruk 

Rp297,334,250 Rp353,004,000 

Rp350,400,890 Rp71,507,800 

Rp270,451,000 Rp400,500,000 

Rp289,000,000 Rp318,000,000 

Rp260,400,890 Rp300,000,450 

Rp310,000,000 ……………….. 

Rp216,000,450 Rp300,500,000 

Rp289,000,000 Rp260,400,890 

Rp210,000,000 Rp160,451,000 

Rp228,000,000 Rp150,091,800 

Rp271,507,800 Rp310,500,000 

Rp250,334,250 Rp110,500,000 

Rp3,242,429,530 Rp7,427,274,530 

Rp270,202,461 Rp265,259,805 

40781329.67 83122598.17 

 
x6 

Baik Buruk 

Rp20,000,000   

   Rp2,000,000 

    

   Rp20,000,000 

    

  

  

Rp1,000,000   

Rp21,000,000 Rp22,000,000 

Rp10,500,000 Rp11,000000 

13435028.84 9000000 

 
x7 

Baik Buruk 

Rp9,515,890 Rp180,794,900 

Rp9,493,980 Rp5,529,548 

Rp10,600,700 Rp15,564,300 

Rp6,521,790 Rp32,599,500 

Rp16,955,100 ……………….. 

Rp799,320 Rp792,408,850 

Rp1,100,300 Rp199,143,790 

Rp6,094,250 Rp15,149,000 

Rp1,891,948 Rp8,370 

Rp8,306,670 Rp128,648,700 

Rp261,550 Rp5,050,000 

Rp71,541,498 Rp4,480,339,416 

Rp6,503,773 Rp160,012,122 

5190571.136 238014836.1 

 
3. Menghitung Probabilitas dari setiap 

attribute. 
a. Pengujian data testing pertama desa 

Teluk Jaya 
 
x1 : Rp1,545,000,000 
x2 : Rp440,000,000 
x3 : Rp650,000,000 
x4 : Rp152,000,000 
x5 : Rp290,000,000 
x6 : Rp6,000,000 
x7 : Rp7,000,000 
 
P(x1 = Rp1,545,000,000 / Baik) 

= 
1

√2𝜋(295787013)
𝑒

−(𝟏,𝟓𝟒𝟓,𝟎𝟎𝟎,𝟎𝟎𝟎 −1,754,969,862 )2

2(295787013)2  

http://creativecommons.org/licenses/by-nc/4.0/


P-ISSN: 2656-1743 
E-ISSN: 2656-1735 

JURNAL RISET INFORMATIKA 
Vol. 1, No. 2 Maret 2019 

 

 

78 

 

 
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional 

=      1.04835𝑥10−9 
 
P(x1 = Rp1,545,000,000 / Buruk) 

 = 
1

√2𝜋(422878731.1)
𝑒

−(𝟏,𝟓𝟒𝟓,𝟎𝟎𝟎,𝟎𝟎𝟎 −1876554266)2

2(422878731.1)2  

= 6.9376𝑥10−10 
 
P(x2 = Rp440,000,000 / Baik) 

 = 
1

√2𝜋(74053445.53)
𝑒

−(𝟒𝟒𝟎,𝟎𝟎𝟎,𝟎𝟎𝟎−477904283)2

2(74053445.53)2  

= 4.72579𝑥10−9 
 
P(x2 = Rp440,000,000 / Buruk) 

= 
1

√2𝜋(118768388.5)
𝑒

−(𝟒𝟒𝟎,𝟎𝟎𝟎,𝟎𝟎𝟎−445951868)2

2(118768388.5)2  

= 3.35478𝑥10−9 
 
P(x3 = Rp650,000,000/ Baik) 

= 
1

√2𝜋(156217572.3)
𝑒

−(𝟔𝟓𝟎,𝟎𝟎𝟎,𝟎𝟎𝟎−809236900)2

2(156217572.3)2  

= 1.519𝑥10−9 
 
P(x3 = Rp650,000,000/ Buruk) 

 = 
1

√2𝜋(203685445.8)
𝑒

−(𝟔𝟓𝟎,𝟎𝟎𝟎,𝟎𝟎𝟎−813854868)2

2(203685445.8)2  

= 1,4500614𝑥10−9 
 
P(x4 = Rp152,000,000/ Baik) 

 = 
1

√2𝜋(52389048.07)
𝑒

−(152,000,000−189914427)2

2(52389048.07)2  

= 5.86054𝑥10−9 
 
P(x4 = Rp152,000,000/ Buruk) 

 = 
1

√2𝜋(43099385.78)
𝑒

−(152,000,000−190689890)2

2(43099385.78)2  

= 6.18659𝑥10−9 
 
P(x5 = Rp290,000,000/ Baik) 

= 
1

√2𝜋(39045150.52)
𝑒

−(290,000,000−270202469)2

2(39045150.52)2  

= 8.98496𝑥10−9 
 
P(x5 = Rp290,000,000/ Buruk)  

= 
1

√2𝜋(83122598.17)
𝑒

−(290,000,000−265259805)2

2(83122598.17)2  

  = 4.5915𝑥10−9 
P(x6 = Rp6,000,000/ Baik)  

    = 
1

√2𝜋(9500000)
𝑒

−(6,000,000−10500000)2

2(9500000)2   

  = 3.75374𝑥10−8 
P(x6 = Rp6,000,000/ Buruk)  

  = 
1

√2𝜋(9000000)
𝑒

−(6,000,000−11000000)2

2(9000000)2    

  = 3.7988𝑥10−8 
P(x7 = Rp7,000,000/ Baik)  

  = 
1

√2𝜋(4949015.395)
𝑒

−(7,000,000−6503773)2

2(4949015.395)2    

 =  8.02062𝑥10−8 
 
P(x7 = Rp7,000,000/ Buruk)  

  = 
1

√2𝜋(238014836)
𝑒

−(7,000,000−160012122)2

2(238014836)2   

 = 1.36321𝑥10−9 
 
Sehingga  
Likelihood Baik  

 1.04835x10−9 x 4.72579x10−9 x 1.519x10−9 x 
5.86054x10−9 x 8.98496x10−9 x    3.75374x10−8 
x 8.02062x10−8 x  0.3  
=   3.57921x10−58 
Likelihood Buruk 

 6.9376x10−10 x 3.35478x10−9 x 1.41718x10−9 x 
6.18659x10−9 x 4.5915x10−9 x 3.7988x10−8 x 
1.36321x10−9 x 0.7 
= 3.39635x10−60 
Kesimpulan Kinerja Pemerintah = Baik karena 
nilai likelihood Baik lebih besar dari likelihood 
Buruk. 
 

 
 

Gambar 2 Hasil Klasifikasi Baik 
 
b. Pengujian data testing kedua desa Salumpaga 
 
x1 : 2,100,000,000  
x2 : 560,000,000 
x3 : 900,000,000 
x4 : 200,000,000 
x5 : 250,000,000 
x6 : 100000000 
x7 : 90,000,000 
 
P(x1 = Rp2,100,000,000 / Baik) 

  = 
1

√2𝜋(295787013)
𝑒

−(𝟐,𝟏𝟎𝟎,𝟎𝟎𝟎,𝟎𝟎𝟎 −1,754,969,862 )2

2(295787013)2  

=      6.83067𝑥10−10 
  P(x1 = Rp2,100,000,000 / Buruk) 

 = 
1

√2𝜋(422878731.1)
𝑒

−(𝟐,𝟏𝟎𝟎,𝟎𝟎𝟎,𝟎𝟎𝟎−1876554266)2

2(422878731.1)2  

http://creativecommons.org/licenses/by-nc/4.0/


JURNAL RISET INFORMATIKA 
Vol. 1, No. 2 Maret 2019 

P-ISSN: 2656-1743 
E-ISSN: 2656-1735 

 

 

79 

 

 
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional 

= 8.20478𝑥10−10 
   
P(x2 = Rp560,000,000 / Baik) 

 = 
1

√2𝜋(74053445.53)
𝑒

−(𝟓𝟔𝟎,𝟎𝟎𝟎,𝟎𝟎𝟎−477904283)2

2(74053445.53)2  

 = 2.91401𝑥10−9 
   
P(x2 = Rp560,000,000 / Buruk) 

 = 
1

√2𝜋(118768388.5)
𝑒

−(𝟓𝟔𝟎,𝟎𝟎𝟎,𝟎𝟎𝟎−445951868)2

2(118768388.5)2  

 = 2.11826𝑥10−9 
 
P(x3 = Rp900,000,000/ Baik) 

 = 
1

√2𝜋(156217572.3)
𝑒

−(𝟗𝟎𝟎,𝟎𝟎𝟎,𝟎𝟎𝟎−809236900)2

2(156217572.3)2  

= 2.15714𝑥10−9 
  
P(x3 = Rp900,000,000/ Buruk) 

= 
1

√2𝜋(203685445.8)
𝑒

−(𝟗𝟎𝟎,𝟎𝟎𝟎,𝟎𝟎𝟎−813854868)2

2(203685445.8)2  

= 1.79105𝑥10−9 
 
P(x4 = Rp 200,000,000/ Baik) 

 = 
1

√2𝜋(52389048.07)
𝑒

−(200,000,000−189914427)2

2(52389048.07)2  

= 7.47518𝑥10−9 
 
P(x4 = Rp200,000,000/ Buruk) 

 = 
1

√2𝜋(43099385.78)
𝑒

−(200,000,000−190689890)2

2(43099385.78)2  

 = 9.04287𝑥10−9 
 
P(x5 = Rp250,000,000/ Baik) 

 = 
1

√2𝜋(39045150.52)
𝑒

−(250,000,000−270202469)2

2(39045150.52)2  

 = 8.93736𝑥10−9 
 
P(x5 = Rp2500,000,000/ Buruk)  

 = 
1

√2𝜋(83122598.17)
𝑒

−(250,000,000−265259805)2

2(83122598.17)2  

 = 4.71925𝑥10−9 
 
P(x6 = Rp100,000,000/ Baik)  

 = 
1

√2𝜋(9500000)
𝑒

−(100,000,000−10500000)2

2(9500000)2     

 = 2.2388𝑥10−27 
  
P(x6 = Rp100,000,000/ Buruk)  

 = 
1

√2𝜋(9000000)
𝑒

−(100,000,000−11000000)2

2(9000000)2     

 
 =        2.58114𝑥10−29  

 
P(x7 = Rp90,000,000/ Baik)  

 = 
1

√2𝜋(4949015.395)
𝑒

−(90,000,000−6503773)2

2(4949015.395)2    

 =  1.25192𝑥10−69 
 
    P(x7 = Rp90,000,000/ Buruk)  

 = 
1

√2𝜋(238014836)
𝑒

−(90,000,000−160012122)2

2(238014836)2  

 = 1.33471𝑥10−11 
 
Sehingga  
 
Likelihood Baik  
 6.83067x10−10 x 2.91401x10−9 x 

2.15714x10−9 x 7.47518x10−9 x 
8.93736x10−9 x    2.2388x10−27 x  
1.25192x10−69 x  0.3 =   2.421x10−139 

 
Likelihood Buruk 
 8.20478x10−10 x 2.11826x10−9 x 

1.79105x10−9 x 9.04287x10−9 x 
4.71925x10−9 x 2.58114x10−29 x 
1.33471x10−11 x 0.7 =   3.20355x10−83 

 

 
Gambar 3  Hasil Klasifikasi Buruk 

 
KESIMPULAN DAN SARAN 

 
Kesimpulan 

 
Berdasarkan hasil analisis perhitungan yang 

sudah dilakukan, penerapan metode naïve bayes 
klasifikasi dalam penilaian kinerja pemerintah 
desa yang sudah di lakukan terhadap 2(dua) desa 
dengan kreteria yang digunakan adalah jumlah 
anggaran, anggaran bidang pemerintahan, 
anggaran bidang pembangunan, anggaran bidang 
pemberdayaan, anggaaran bidang pembinaan , 
anggaran tak terduga dan sisa anggaran sehingga 
hasil akhir penilaian kinerja pemerintah desa 
dalam pengelolaan dana desa yakni desa dengan 
nama desa Teluk Jaya dinyatakan baik  karena 
memiliki nilai likelihood baik 3.57921𝐸−58  > 
nilai likelihood buruk 3.39635𝐸−60   sedangkan 
desa dengan nama desa Salumpaga dinyatakan 
buruk karena memiliki nilai likelihood baik 
2.421𝐸−139 < nilai likelihood buruk 3.20355𝐸−83 . 

http://creativecommons.org/licenses/by-nc/4.0/


P-ISSN: 2656-1743 
E-ISSN: 2656-1735 

JURNAL RISET INFORMATIKA 
Vol. 1, No. 2 Maret 2019 

 

 

80 

 

 
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional 

Saran 
 
Pengembangan penelitian selanjutnya yang perlu 
dilakukan sebagai berikut: Penelitian selanjutnya 
dapat dikembangkan dengan menggunakan data 
training yang lebih banyak dan kreteria-kreteria 
yang digunakan lebih detail. Pada penerapan 
algoritma naïve bayes classifier dalam penilaian 
kinerja pemerintah desa dapat di padukan 
dengan algoritma pengklasifikasian lainnya. 

 
 

DAFTAR PUSTAKA 
 
Aminah, A., & Sari, N. (2018). PENGELOLAAN 

DAN PEMANFAATAN DANA DESA UNTUK 
PEMBERDAYAAN MASYARAKAT (Studi 
Kasus Di Gampong Gunong Meulinteung 
Kecamatan Panga Kabupaten Aceh Jaya). 
Jurnal Public Policy, 4(1), 22–32. Retrieved 
from 
http://jurnal.utu.ac.id/jppolicy/article/vie
w/238 

 
Deputi Bidang Pengawasan Penyelenggaraan 

Keuangan Daerah. (2015). Petunjuk 
Pelaksanaan Bimbingan dan Konsultasi 
Pengelolaan Keuangan Desa. Jakarta. 

 
Iskandar, D., & Suprapto, Y. K. (2016). 

PERBANDINGAN AKURASI KLASIFIKASI 
TINGKAT KEMISKINAN ANTARA 
ALGORITMA C 4.5 DAN NAÏVE BAYES. 
Network Engineering Research Operation, 
2(1). 
https://doi.org/10.28961/NERO.V2I1.42 

 
Mustafa, M. S., Ramadhan, M. R., & Thenata, A. P. 

(2017). Implementasi Data Mining untuk 
Evaluasi Kinerja Akademik Mahasiswa 
Menggunakan Algoritma Naive Bayes 
Classifier. Creative Information Technology 
Journal (CITEC Journal), 4(2). Retrieved 
from 
http://citec.amikom.ac.id/main/index.php/
citec/article/view/106 

 
Olson, D. L., & Delen, D. (2008). Advanced data 

mining techniques (1st ed.). Verlag Berlin 
Heidelberg: Springer. 
https://doi.org/10.1007/978-3-540-
76917-0 

 
Presiden Republik Indonesia. Undang-Undang 

Republik Indonesia Nomor 6 Tahun 2014 
Tentang Desa, Pub. L. No. 6, 38 (2014). 
Indonesia. Retrieved from 
http://www.dpr.go.id/dokjdih/document/
uu/UU_2014_6.pdf 

 
Ridwan, M., Suyono, H., & Sarosa, M. (2013). 

Penerapan Data Mining Untuk Evaluasi 
Kinerja Akademik Mahasiswa 
Menggunakan Algoritma Naive Bayes 
Classifier. Jurnal EECCIS (Electrics, 
Electronics, Communications, Controls, 
Informatics, Systems)., 7(1), 59–64. 
Retrieved from 
https://jurnaleeccis.ub.ac.id/index.php/eec
cis/article/view/204 

 
Romantis, P. A., & Ainurrohma, P. (2015). 

AKUNTABILITAS PENGELOLAAN ALOKASI 
DANA DESA DI KECAMATAN PANARUKAN 
KABUPATEN SITUBONDO TAHUN 2014 (No. 
65226). Kabupaten Jember. Retrieved from 
http://repository.unej.ac.id/handle/12345
6789/65226 

 
Setyaji, B., & Pujiono, P. (2015). SISTEM 

PENDUKUNG KEPUTUSAN PENENTUAN 
KELAYAKAN TENAGA KERJA 
MENGGUNAKAN METODE NAIVE BAYES 
CLASSIFICATION (No. 16562). Semarang. 
Retrieved from 
http://eprints.dinus.ac.id/16562/ 

 
Wati, M., & Hadi, A. (2017). Implementasi 

Algoritma Naive Bayesian Dalam Penentuan 
Penerima Program Bantuan Pemerintah. 
STMIK KHARISMA Makassar, 3(1), 22–26. 

 
 

http://creativecommons.org/licenses/by-nc/4.0/