STUDI PERBANDINGAN PREDIKSI TINGKAT KEMISKINAN DI INDONESIA MENGGUNAKAN METODE SUPPORT VEKTOR MACHINE (SVM) DAN METODE REGRESI LOGISTIK

FATONI, AGUNG, 52204113033 and Zahara, Soffa, 0704079101 and Sukmaningtyas, Yanuarini Nur, 0714018304 (2025) STUDI PERBANDINGAN PREDIKSI TINGKAT KEMISKINAN DI INDONESIA MENGGUNAKAN METODE SUPPORT VEKTOR MACHINE (SVM) DAN METODE REGRESI LOGISTIK. Bachelor thesis, Universitas Islam Majapahhit.

	Text ABSTRAK.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB I.pdf Download (149kB)
	Text BAB II.pdf Restricted to Registered users only Download (643kB) | Request a copy
	Text BAB III.pdf Restricted to Registered users only Download (83kB) | Request a copy
	Text BAB IV.pdf Restricted to Registered users only Download (769kB) | Request a copy
	Text BAB V.pdf Download (182kB)
	Text DAFTAR PUSTAKA.pdf Download (121kB)
	Text LamPiran.pdf Restricted to Registered users only Download (1MB) | Request a copy

Abstract

Kemiskinan merupakan permasalahan sosial dan ekonomi yang kompleks di Indonesia. Studi ini dilakukan untuk mengevaluasi dan membandingkan performa metode Support Vector Machine (SVM) dan Logistic Regression dalam melakukan prediksi terhadap status kemiskinan kabupaten/kota di Indonesia memanfaatkan data sosial ekonomi yang tersedia. Penelitian ini menggunakan data sekunder yang digunakan berasal dari Badan Pusat Statistik (BPS) tahun 2023 yang mencakup 514 kabupaten/kota. Proses analisis dilakukan melalui tahapan preprocessing, normalisasi, penanganan ketidakseimbangan data dengan perintah Smote, dan pelatihan model menggunakan Python. Peneliti menggunakan beberapa model metrik seperti akurasi, precision, recall, F1-score, Receiver Operating Characteristic (ROC) Curve, dan Area Under the Curve (AUC). Hasilnya, metode SVM mencapai akurasi 99% dengan AUC maksimum, sedangkan Regresi Logistik mencatat akurasi 97% dengan nilai AUC juga mencapai 1.00 menunjukkan prediksi sempurna. SVM dinilai lebih baik dalam klasifikasi kategori miskin. Penelitian ini menyarankan agar model ini dikembangkan lebih lanjut dan ditambah variabel sosial lainnya untuk hasil prediksi yang lebih optimal.

Actions (login required)

View Item