UBUB

Journal of Information Technology and Computer ScienceJournal of Information Technology and Computer Science

Pemerintah Kota Surabaya meluncurkan Program Rehabilitasi Sosial Rumah Tidak Layak Huni (RTLH) pada tahun 2022. Namun, pemilihan penerima manfaat selama periode 2022-2024 dilakukan secara manual, yang dapat menyebabkan keputusan yang subjektif dan kurang terarah. Penelitian ini menerapkan pendekatan berbasis data dengan prosedur terstruktur: membangun pipeline pra-pemrosesan untuk dataset dengan 1700 rekaman dan 11 fitur, menerapkan empat model pembelajaran mesin terawasi (DT, RF, SVM, KNN), melakukan validasi silang 10-lipat, serta melakukan penyesuaian hiperparameter dengan validasi silang 10-lipat untuk 2, 4, dan 5 tugas klasifikasi. RF konsisten menunjukkan kinerja terbaik di semua skenario, sementara SVM menunjukkan kinerja baseline yang kompetitif. Setelah penyesuaian, DT melampaui SVM pada tugas 5-kelas dan menyamai RF pada tugas 2-kelas, sehingga DT yang disesuaikan menjadi alternatif yang dapat dipertanggungjawabkan dan dapat dijelaskan. KNN konsisten menunjukkan kinerja di bawah rata-rata karena kutukan dimensionalitas. Kinerja keseluruhan menurun seiring dengan meningkatnya kompleksitas klasifikasi, yang dikaitkan dengan variasi dalam standar penilaian lapangan. Temuan ini menunjukkan bahwa RF dan DT yang disesuaikan dapat mendukung pemilihan penerima manfaat RTLH yang lebih terstandar dan objektif. Studi lanjutan direkomendasikan untuk mengidentifikasi fitur input yang berpengaruh untuk meningkatkan kinerja model sambil mempertahankan keterjelasan.

Penelitian ini menunjukkan bahwa model pembelajaran mesin, khususnya RF dan DT yang disesuaikan, menawarkan solusi berbasis data yang layak untuk mengstandarkan proses pemilihan penerima manfaat RTLH.Di semua skenario (2, 4, dan 5 kelas rehabilitasi), RF konsisten menunjukkan kinerja terbaik, sedangkan DT yang disesuaikan muncul sebagai alternatif ketika interpretabilitas dan pertanggungjawaban keputusan menjadi kritis untuk transparansi kebijakan publik.Hasil juga menunjukkan bahwa kesulitan klasifikasi meningkat dengan kelas rehabilitasi yang lebih granular, terutama karena tumpang tindih fitur dan ketidakkonsistenan penandaan yang disebabkan oleh subjektivitas surveyor.Secara keseluruhan, meskipun pembelajaran mesin dapat mengurangi bias manusia secara signifikan, restandarisasi kriteria input dan variabel target di masa depan direkomendasikan sebagai peningkatan kualitas data yang akan menghasilkan peningkatan lebih besar daripada optimasi algoritma saja.

Berdasarkan temuan penelitian ini, saran penelitian lanjutan dapat difokuskan pada tiga aspek utama. Pertama, mengidentifikasi fitur input yang berpengaruh untuk meningkatkan kinerja model sambil mempertahankan keterjelasan. Kedua, mere-standarisasi protokol penilaian lapangan untuk meningkatkan kualitas data. Ketiga, mengintegrasikan validasi manusia sebagai langkah keputusan akhir ketika menerapkan DT atau RF ke dalam sistem pengambilan keputusan yang sudah ada. Dengan menggabungkan saran-saran ini, penelitian lanjutan dapat lebih jauh meningkatkan akurasi dan objektivitas dalam pemilihan penerima manfaat RTLH, serta memastikan transparansi dan pertanggungjawaban dalam kebijakan publik.

  1. Analysis K-Nearest Neighbor Method in Classification of Vegetable Quality Based on Color | Journal of... doi.org/10.37385/jaets.v3i2.763Analysis K Nearest Neighbor Method in Classification of Vegetable Quality Based on Color Journal of doi 10 37385 jaets v3i2 763
  2. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... link.springer.com/article/10.1007/s10479-018-2945-5Client Challenge client challenge javascript disabled browser please enable proceed required part site link springer article 10 1007 s10479 018 2945 5
  3. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... link.springer.com/10.1007/978-3-031-02363-7_8Client Challenge client challenge javascript disabled browser please enable proceed required part site link springer 10 1007 978 3 031 02363 7 8
Read online
File size487.52 KB
Pages12
DMCAReport

Related /

ads-block-test