UMGOUMGO

Jurnal Ilmu Komputer (JUIK)Jurnal Ilmu Komputer (JUIK)

Kekerasan terhadap perempuan dan anak merupakan isu sosial yang masih perlu mendapatkan perhatian khusus, terutama di Kabupaten Gorontalo yang memiliki angka kasus tertinggi di Provinsi Gorontalo. Penelitian ini bertujuan untuk memprediksi tingkat kekerasan terhadap perempuan dan anak menggunakan metode Machine Learning dengan algoritma Naïve Bayes dan Regresi Linier Berganda. Data yang digunakan berasal dari Dinas Pemberdayaan Perempuan dan Perlindungan Anak Kabupaten Gorontalo, dengan variabel meliputi kekerasan fisik, seksual, penelantaran, dan psikis. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes menghasilkan RMSE sebesar 0.174 untuk kasus perempuan dan 0.254 untuk kasus anak. Sementara itu, algoritma Regresi Linier Berganda menghasilkan nilai RMSE yang sangat kecil yaitu 0.000 untuk kedua kasus. Nilai tersebut terlihat sempurna, sehingga dilakukan pengujian ulang menggunakan Google Colab untuk memastikan keakuratannya. Hasil pengujian ulang menunjukkan konsistensi, yang menandakan bahwa model Regresi Linier memberikan hasil yang andal dan tidak mengalami overfitting. Dengan demikian, algoritma Regresi Linier Berganda dinilai lebih unggul dalam memprediksi tingkat kekerasan. Hasil penelitian ini diharapkan dapat membantu pemerintah dan lembaga terkait dalam mengambil langkah pencegahan serta tindakan yang lebih cepat, sehingga kasus kekerasan terhadap perempuan dan anak di Kabupaten Gorontalo dapat dicegah.

Penelitian menunjukkan bahwa Regresi Linier Berganda memberikan prediksi tingkat kekerasan yang jauh lebih akurat dibandingkan Naïve Bayes, dengan nilai RMSE mendekati nol untuk kasus perempuan dan anak.254 untuk anak, menandakan akurasi yang lebih rendah.Oleh karena itu, Regresi Linier Berganda dianggap lebih efektif dan dapat diandalkan untuk memprediksi tingkat kekerasan terhadap perempuan dan anak di Kabupaten Gorontalo.

Penelitian selanjutnya dapat mengeksplorasi algoritma pembelajaran mesin lain seperti Random Forest atau XGBoost untuk meningkatkan akurasi prediksi dibandingkan dengan Regresi Linier Berganda yang telah digunakan saat ini; peneliti dapat meneliti apakah penambahan variabel sosio‑ekonomi, seperti tingkat kemiskinan, pendidikan, dan akses layanan kesehatan, dapat memperkuat model prediksi dan memperluas cakupan data temporal meliputi periode yang lebih panjang; serta mengembangkan sistem pemantauan real‑time berbasis data streaming yang memungkinkan evaluasi kinerja model secara berkelanjutan dalam konteks operasional, sehingga dapat memberikan rekomendasi kebijakan yang lebih responsif terhadap dinamika kekerasan di wilayah Gorontalo.

  1. journal of information engineering and educational technology. nilai mahasiswa metode regresi studi mata... doi.org/10.26740/jieet.v5n1.p40-43journal of information engineering and educational technology nilai mahasiswa metode regresi studi mata doi 10 26740 jieet v5n1 p40 43
Read online
File size504.5 KB
Pages9
DMCAReport

Related /

ads-block-test