PENERAPAN DATA MINING UNTUK KLASIFIKASI PENDUDUK MISKIN DI KABUPATEN LABUHANBATU MENGGUNAKAN RANDOM FOREST (RF) DAN K-NEAREST NEIGHBORS (KNN)

PENERAPAN DATA MINING UNTUK KLASIFIKASI PENDUDUK MISKIN DI KABUPATEN LABUHANBATU MENGGUNAKAN RANDOM FOREST (RF) DAN K-NEAREST NEIGHBORS (KNN), Data Mining, Random Forest, K-Nearest Neighbors, Klasifikasi Kemiskinan, Labuhanbatu....

Author: ANDI ERNAWATI
Date: 2025
Keywords: Data Mining, Random Forest, K-Nearest Neighbors, Klasifikasi Kemiskinan, Labuhanbatu.
Type: Thesis
Category: penelitian

Kemiskinan merupakan salah satu permasalahan sosial yang kompleks dan membutuhkan pendekatan berbasis data dalam proses penanggulangannya. Penelitian ini bertujuan untuk menerapkan metode data mining guna mengklasifikasikan status kemiskinan penduduk di Kabupaten Labuhanbatu dengan menggunakan algoritma Random Forest (RF) dan K-Nearest Neighbors (KNN). Dataset yang digunakan berjumlah 24.249 data, yang mencakup variabel pekerjaan, penghasilan, tempat tinggal, pendidikan, jenis kelamin, dan status kawin. Proses penelitian mencakup tahap eksplorasi data, pembersihan, transformasi variabel, pelatihan model, optimasi, dan evaluasi performa. Hasil evaluasi menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan nilai akurasi sebesar 99,98%, precision 99,95%, recall 100%, F1-score 99,97%, dan AUC 0,9998. Sementara itu, algoritma K-Nearest Neighbor juga menunjukkan hasil kompetitif dengan akurasi 99,81?n AUC 0,9981. Berdasarkan hasil tersebut, Random Forest dipilih sebagai model klasifikasi akhir karena memiliki ketahanan terhadap variabilitas data dan mampu menjaga keseimbangan antara presisi dan sensitivitas. Penelitian ini diharapkan dapat memberikan kontribusi bagi instansi pemerintah dalam mempercepat proses identifikasi penduduk miskin secara objektif, efisien, dan berbasis data, sehingga mendukung kebijakan sosial yang lebih tepat sasaran.

Files:
LEMBAR JUDUL 1
DAFTAR PUSTAKA
ABSTRAK

Collections:
Digital Library UNPAB