Klasifikasi Algoritma Decision Tree Untuk Tingkat Kemiskinan Di Indonesia

Mifta Wilda Al -Aluf; Zaehol Fatah

doi:10.59435/jocstec.v3i1.440

Authors

Mifta Wilda Al -Aluf ¹ Universitas Ibrahimy
Zaehol Fatah ² Universitas Ibrahimy

DOI:

https://doi.org/10.59435/jocstec.v3i1.440

Keywords:

Decision Tree, Kemiskinan Indonesia, Data Mining

Abstract

Kemiskinan merupakan salah satu masalah sosial yang terus menjadi tantangan bagi pemerintah di berbagai negara, termasuk Indonesia. Dalam upaya mengidentifikasi faktor-faktor yang memengaruhi tingkat kemiskinan, analisis data yang tepat diperlukan untuk mendukung pengambilan kebijakan yang efektif. Penelitian ini bertujuan untuk mengklasifikasikan tingkat kemiskinan di Indonesia dengan menggunakan algoritma Decision Tree, salah satu metode pembelajaran mesin yang populer. Data yang digunakan dalam penelitian ini mencakup indikator ekonomi, demografi, dan sosial yang relevan dengan kemiskinan di Indonesia. Dengan menggunakan algoritma Decision Tree, kami dapat mengidentifikasi variabel-variabel kunci yang berperan dalam klasifikasi tingkat kemiskinan serta membangun model prediksi yang dapat membantu dalam pengambilan keputusan. Hasil penelitian menunjukkan bahwa algoritma Decision Tree memiliki kinerja yang baik dalam mengklasifikasikan data kemiskinan dan memberikan wawasan mendalam tentang faktor-faktor yang memengaruhi kemiskinan di Indonesia. Temuan ini diharapkan dapat berkontribusi dalam upaya penanggulangan kemiskinan melalui pendekatan berbasis data.

Downloads

Download data is not yet available.

References

Penanggulangan Kemiskinan Di Indonesia,” J. Regist., vol. 5, no. 2, pp. 87–103, 2023, doi: 10.33701/jurnalregistratie.v5i2.3554.

[2] T. Agus Triono and R. C. Sangaji, “Faktor Mempengaruhi Tingkat Kemiskinan di Indonesia: Studi Literatur Laporan Data Kemiskinan BPS Tahun 2022,” J. Soc. Bridg., vol. 1, no. 1, pp. 59–67, 2023, doi: 10.59012/jsb.v1i1.5.

[3] A. Hardana, “Hubungan antara Kemiskinan dan Pendidikan di Indonesia dengan Pertumbuhan Ekonomi,” Stud. Ekon. dan Kebijak. Publik, vol. 2, no. 1, pp. 7–19, 2023, doi: 10.35912/sekp.v2i1.1945.

[4] R. F. Putra et al., DATA MINING : Algoritma dan Penerapannya. PT. Sonpedia Publishing Indonesia, 2023. [Online]. Available: https://books.google.co.id/books?id=zLHGEAAAQBAJ

[5] Ahmad Afif, Muhamad Fuat Asnawi, Muslim Hidayat, Muslim Hidayat, Rina Mahmudati, and Sukowiyono, “Implementasi Metode Decision Tree Untuk Manajemen Bandwidth Berbasis Web,” STORAGE J. Ilm. Tek. dan Ilmu Komput., vol. 2, no. 4, pp. 188–196, 2023, doi: 10.55123/storage.v2i4.2867.

[6] D. Sayhidin, G. Haris, and C. Juliane, “Implementasi Data Mining Tingkat Kepemimpinan Siswa dengan K-Nearest Neighbor, Decision Tree, dan Naïve Bayes,” J. Media Inform. Budidarma, vol. 7, no. 1, p. 199, 2023, doi: 10.30865/mib.v7i1.5351.

[7] Y. Ardilla et al., DATA MINING DAN APLIKASINYA. Penerbit Widina, 2021. [Online]. Available: https://books.google.co.id/books?id=53FXEAAAQBAJ

[8] Nurhidayah, “Peguruang: Conference Series,” vol. 3, no. November, pp. 10–14, 2021.

[9] F. D. Pratama and H. D. Bhakti, “Implementasi Aplikasi Prediksi Ketepatan Pembayaran Customer Perusahaan Dengan Metode Decision Tree,” Indexia, vol. 5, no. 01, p. 72, 2023, doi: 10.30587/indexia.v5i01.5082.

[10] T. Santhi, “https://ejurnal.umri.ac.id/index.php/SEIS/index e-ISSN: 2809-0950,” J. Softw. Eng. Inf. Syst., vol. 3, no. 2, pp. 66–73, 2023.

[11] A. Wasik et al., “Implementasi data mining untuk memprediksi penjualan accessoris handphone dan handphone terlaris menggunakan metode k-nearest neighbor (k-nn) 1,” vol. 1, no. 2, pp. 469–479, 2024.