Publisher

UKRIMUKRIM

Journal Infact: International Journal of ComputersInfact: International Journal of Computers Abstract

Penelitian ini mengeksplorasi penggunaan algoritma K-Nearest Neighbor (KNN) untuk mengklasifikasi status kemiskinan di Indonesia menggunakan data publik yang tersedia. Metode klasifikasi kemiskinan tradisional seringkali tidak efisien dan kurang detail. Dengan memanfaatkan proses Knowledge Discovery in Databases (KDD), termasuk pra-pemrosesan data, normalisasi, dan reduksi dimensi melalui PCA, penelitian ini membangun model klasifikasi yang kuat. Dataset mencakup indikator seperti pendidikan, kesehatan, dan tingkat pengeluaran dari 514 kabupaten/kota. Model KNN optimal, yang ditentukan melalui validasi silang, mencapai akurasi uji sebesar 95,15%, dengan presisi, recall, dan skor ROC AUC yang kuat. Analisis pentingnya fitur melalui Random Forest pada data PCA-transformed menunjukkan pengaruh prediktif dari kombinasi komponen tertentu. Hasil penelitian menunjukkan potensi machine learning untuk mendukung penargetan kebijakan yang lebih akurat dan berbasis data dalam upaya mengurangi kemiskinan. Peningkatan di masa depan mungkin melibatkan integrasi data time-series atau satelit untuk meningkatkan relevansi dan presisi.

Conclusion

Penelitian ini menunjukkan efektivitas algoritma K-Nearest Neighbors (KNN) dalam mengklasifikasi status kemiskinan di Indonesia menggunakan indikator socio-economic yang tersedia secara publik.Melalui proses komprehensif yang melibatkan normalisasi, reduksi dimensi melalui Principal Component Analysis (PCA), dan optimisasi hyperparameter, model KNN mencapai akurasi tinggi sebesar 95,15% pada set uji.Model juga menunjukkan kinerja yang kuat pada metrik evaluasi lainnya, termasuk presisi (76,92%), recall (83,33%), dan F1-score (80,00%).Skor ROC AUC sebesar 90,02% lebih lanjut mengkonfirmasi kemampuan model untuk membedakan antara kabupaten/kota miskin dan tidak miskin.Hasil ini menunjukkan bahwa pendekatan ini tidak hanya akurat tetapi juga andal dalam menangani tugas klasifikasi yang tidak seimbang, di mana kelas minoritas (kabupaten/kota miskin) sangat penting dalam aplikasi dunia nyata.Selain mengevaluasi kinerja model, analisis pentingnya fitur menggunakan Random Forest pada data PCA-transformed mengungkapkan bahwa sejumlah kecil komponen, terutama PCI, membawa porsi signifikan dari kekuatan prediktif model.Temuan ini menunjukkan bahwa kombinasi fitur tertentu (seperti tingkat pendidikan, akses sanitasi, dan pengeluaran per kapita) sangat berpengaruh dalam membedakan status kemiskinan.Penelitian ini sejalan dengan penelitian sebelumnya yang menunjukkan bahwa machine learning dapat menjadi alat yang berharga untuk kebijakan sosial, memberikan wawasan objektif yang berbasis data untuk melengkapi metode penilaian kemiskinan tradisional.Ke depan, integrasi sumber data tambahan, seperti citra satelit atau indikator time-series, dapat lebih meningkatkan presisi model dan relevansi kebijakan.Penelitian ini mendukung potensi machine learning untuk meningkatkan penargetan kemiskinan dan mempromosikan hasil pembangunan yang lebih adil.

Future Research

Untuk penelitian lanjutan, disarankan untuk mengintegrasikan data time-series atau satelit untuk meningkatkan relevansi dan presisi model. Selain itu, penelitian dapat dilakukan untuk mengidentifikasi kombinasi fitur tertentu yang paling berpengaruh dalam membedakan status kemiskinan. Dengan memahami dimensi yang paling berkontribusi, upaya pengumpulan data dan desain program di masa depan dapat menjadi lebih fokus dan efisien. Penelitian juga dapat dilakukan untuk mengeksplorasi potensi machine learning dalam memberikan wawasan objektif yang berbasis data untuk kebijakan sosial, khususnya dalam konteks penilaian kemiskinan tradisional.

References

1. A simple classification and clustering of poverty in rural areas using machine learning-EnPress Publisher... enpress-publisher.com/journal/JIPD/8/8/10.24294/jipd.v8i8.5938A simple classification and clustering of poverty in rural areas using machine learning EnPress Publisher enpress publisher journal JIPD 8 8 10 24294 jipd v8i8 5938
2. Indonesian Journal of Information Systems. machine learning clustering regencies cities based inflation... doi.org/10.24002/ijis.v5i1.5682Indonesian Journal of Information Systems machine learning clustering regencies cities based inflation doi 10 24002 ijis v5i1 5682
3. Rural and urban poverty models on Sumatra Island | Jurnal Perspektif Pembiayaan dan Pembangunan Daerah.... online-journal.unja.ac.id/JES/article/view/10684Rural and urban poverty models on Sumatra Island Jurnal Perspektif Pembiayaan dan Pembangunan Daerah online journal unja ac JES article view 10684
4. COMPARISON OF MACHINE LEARNING METHODS IN CLASSIFYING POVERTY IN INDONESIA IN 2018 | Jurnal Teknik Informatika... jutif.if.unsoed.ac.id/index.php/jurnal/article/view/52COMPARISON OF MACHINE LEARNING METHODS IN CLASSIFYING POVERTY IN INDONESIA IN 2018 Jurnal Teknik Informatika jutif if unsoed ac index php jurnal article view 52

Metadata

File size	361.24 KB
Pages	7
DMCA	Report