Klasifikasi Indeks Kedalaman Kemiskinan Provinsi Sulawesi Selatan Berbasis Decision Tree, K-Nearest Neighbor, Naive Bayes, Neural Network, dan Random Forest

Muhammad Faozan Mulad Khalik, Fatchul Arifin

Abstract


Penelitian ini bertujuan untuk mendapatkan klasifikasi indeks kedalaman kemiskinan dengan metode terbaik untuk kabupaten/kota di Provinsi Sulawesi Selatan dengan membandingkan metode Decision Tree, K-Nearest Neighbor, Naïve Bayes, Neural Network, dan Random Forest. Penelitian ini menggunakan metode kuantitatif dengan menggunakan data sekunder yang diperoleh dari situs resmi Badan Pusat Statistik Provinsi Sulawesi Selatan. Pada penelitian ini digunakan 168 data latih yang bersumber dari data tahun 2014 sampai dengan data tahun 2021, kemudian untuk data uji yang digunakan yaitu 24 data yang bersumber dari data tahun 2022. Hasil dari penelitian ini menunjukkan bahwa metode K-NN dan Neural Network memperoleh performa paling tinggi dibandingkan dengan metode lain tingkat akurasi 79,17%, precission 85,71%, recall 80%. Namun pada penilaian parameter AUC, metode Neural Network lebih unggul dibandingkan metode K-NN dengan skor AUC 0,837. Sehingga dapat disimpulkan bahwa metode Neural Network ini dapat dijadikan sebagai metode untuk melakukan klasifikasi indeks kedalaman kemiskinan kabupaten/kota Provinsi Sulawesi Selatan.

Keywords


Decision Tree; K-Nearest Neighbor; Naïve Bayes; Neural Network; Random Forest; Klasfikasi

Full Text:

PDF

References


A. Bahauddin, A. Fatmawati, and P. F. Sari, “Analisis Clustering Provinsi Di Indonesia Berdasarkan Tingkat Kemiskinan Menggunakan Algoritma K-Means,” Jurnal Manajemen Informatika & Sistem Informasi, vol. 4, pp. 1–8, 2021.

D. Vita Ferezagia, “Analisis Tingkat Kemiskinan di Indonesia,” 2018.

P. : Amset, I. Batusangkar, I. B. Press, N. Putu, N. Hendayanti, and M. Nurhidayati, “Regresi Logistik Biner dalam Penentuan Ketepatan Klasifikasi Tingkat Kedalaman Kemiskinan Provinsi-Provinsi di Indonesia,” Sainstek : Jurnal Sains dan Teknologi, vol. 12, no. 2, pp. 63–70, Dec. 2020, Accessed: Jun. 27, 2023. [Online]. Available: https://ojs.iainbatusangkar.ac.id/ojs/index.php/sainstek/article/view/2483

D. F. Ristianti and S. Suparman, “Komparasi Algoritma Klasifikasi Data Mining,” Science, Technology, Engineering, Economics, Education, and Mathematics, vol. 1, no. 1, Feb. 2020, Accessed: Jun. 27, 2023. [Online]. Available: http://seminar.uad.ac.id/index.php/STEEEM/article/view/2877

N. M. Sukarno, P. W. Wirawan, and S. Adhy, “Perancangan dan Implementasi Jaringan Syaraf Tiruan Backpropogation Untuk Mendiagnosa Penyakit Kulit,” Jurnal Masyarakat Informatika, vol. 5, no. 10, 2014.

H. Sastypratiwi, H. Muhardi, and J. H. Hadari Nawawi, “Uji Komparasi Algoritma Naïve Bayes dan Decision Tree Classification Menggunakan Covid-19 Dataset,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 8, no. 1, pp. 1–6, Apr. 2022, Accessed: Jul. 12, 2023. [Online]. Available: https://jurnal.untan.ac.id/index.php/jepin/article/view/49841

M. A. Lusiandro, S. M. Nasution, and C. Setianingsih, “Implementation of the advanced traffic management system using k-nearest neighbor algorithm,” 2020 International Conference on Information Technology Systems and Innovation, ICITSI 2020 - Proceedings, pp. 149–154, Oct. 2020, doi: 10.1109/ICITSI50517.2020.9264952.

G. Putri, I. Rani, A. Aziz, M. Priyono, and T. Sulistyono, “IMPLEMENTASI EUCLIDEAN DAN CHEBYSHEV DISTANCE PADA K-MEDOIDS CLUSTERING,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 6, no. 2, pp. 710–715, Oct. 2022, doi: 10.36040/JATI.V6I2.5443.

R. Y. Hayuningtyas, “Penerapan Algoritma Naïve Bayes untuk Rekomendasi Pakaian Wanita,” Jurnal Informatika, vol. 6, no. 1, pp. 18–22, Apr. 2019, Accessed: Jul. 02, 2023. [Online]. Available: https://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/4685

R. Amegia Saputra, A. Ruslan Taufik, L. Saumi Ramdhani, R. Oktapiani, E. Marsusanti, and A. BSI Sukabumi, “Sistem Pendukung Keputusan Dalam Menentukan Metode Kontrasepsi Menggunakan Algoritma Naive Bayes,” SNIT 2018, vol. 1, no. 1, pp. 106–111, Jul. 2018, Accessed: Jul. 02, 2023. [Online]. Available: https://seminar.bsi.ac.id/snit/index.php/snit-2018/article/view/31

M. F. Andrijasa and M. Mistianingsih, “Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran Backpropagation,” Informatika Mulawarman : Jurnal Ilmiah Ilmu Komputer, vol. 5, no. 1, pp. 50–54, Jun. 2016, Accessed: Jun. 27, 2023. [Online]. Available: https://e-journals.unmul.ac.id/index.php/JIM/article/view/44

A. Jumarwanto, R. Hartanto, and D. Prastiyanto, “APLIKASI JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK MEMPREDIKSI PENYAKIT THT DI RUMAH SAKIT MARDI RAHAYU KUDUS,” Jurnal Teknik Elektro, vol. 1, no. 1, p. 11, 2009, Accessed: Jun. 27, 2023. [Online]. Available: https://journal.unnes.ac.id/nju/index.php/jte/article/view/1601

S. Devella, Y. Yohannes, and F. N. Rahmawati, “Implementasi Random Forest Untuk Klasifikasi Motif Songket Palembang Berdasarkan SIFT,” JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 7, no. 2, pp. 310–320, Aug. 2020, doi: 10.35957/JATISI.V7I2.289.

C. Leordeanu, C.-O. Truic, and alin Adrian LEORDEANU, “Classication of an Imbalanced Data Set using Decision Tree Algorithms CLASSIFICATION OF AN IMBALANCED DATA SET USING DECISION TREE ALGORITHMS,” U.P.B. Sci. Bull., Series C, vol. 79, 2017, [Online]. Available: https://www.researchgate.net/publication/322103560

L. Fu, P. Liang, X. Li, and C. Yang, “A machine learning based ensemble method for automatic multiclass classification of decisions,” in ACM International Conference Proceeding Series, Association for Computing Machinery, Jun. 2021, pp. 40–49. doi: 10.1145/3463274.3463325.

M. K. Hasan, M. A. Alam, D. Das, E. Hossain, and M. Hasan, “Diabetes prediction using ensembling of different machine learning classifiers,” IEEE Access, vol. 8, pp. 76516–76531, 2020, doi: 10.1109/ACCESS.2020.2989857.




DOI: http://dx.doi.org/10.26418/jp.v9i2.67492

Refbacks

  • There are currently no refbacks.