Penerapan Extreme Gradient Boosting (XGBoost) pada Data Kemiskinan di Provinsi Papua Barat
Penulis Utama
:
Inna Imro'atu Sholiha
NIM / NIP
:
M0118036
×<p class="MsoNormal" xss=removed><span lang="EN-US">Kemiskinan merupakan masalah global yang juga dihadapi oleh
Indonesia, termasuk Provinsi Papua Barat. Papua Barat memiliki potensi kekayaan
alam yang melimpah, namun masih menempati urutan kedua sebagai provinsi dengan
persentase penduduk miskin tertinggi di Indonesia, yaitu sebesar 20.49%. Kemiskinan
dapat menjadi indikator kesejahteraan suatu daerah.</span><span lang="EN-US"> </span><span lang="EN-US">Oleh karena itu, memahami
faktor-faktor penyebab kemiskinan</span><span lang="EN-US"> </span><span lang="EN-US">dan mengklasifikasikannya perlu dilakukan agar
dapat merumuskan kebijakan yang efektif untuk mengatasi ma salah ini.
Penelitian ini bertujuan untuk menerapkan algoritme <i>Extreme Gradient
Boosting</i> (<i>XGBoost</i>) dalam mengklasifikasikan tingkat kemiskinan di
Papua Barat. Data yang digunakan bersumber dari Badan Pusat Statistik (BPS)
tahun 2017 hingga 2022 dengan lima variabel. Data tersebut dibagi menjadi 80?ta training dan 20?ta testing. Selanjutnya model dibangun menggunakan fungsi
<i>XGBClassifier</i> dan kemudian dilakukan <i>tuning hyperparameter</i>
menggunakan <i>GridSearchCV</i> untuk meningkatkan performa model. Metode yang
digunakan dalam penelitian ini adalah studi literatur dan terapan. Berdasarkan
hasil penelitian dan pembahasan, diperoleh bahwa penerapan algoritme <i>XGBoost</i>
pada data kemiskinan di Provinsi Papua barat menghasilkan model yang memiliki
performa klasifikasi yang sangat baik. Model berhasil mencapai tingkat akurasi
sebesar 94?n nilai <i>AUC</i> 0.92 dengan nilai optimal dari <i>hyperparameter</i>
yaitu <i>learning</i></span><i><span lang="IN">_</span><span lang="EN-US">rate</span></i><span lang="EN-US">: 0.1, <i>max</i></span><i><span lang="IN">_</span><span lang="EN-US">depth</span></i><span lang="EN-US">: 5, <i>n</i></span><i><span lang="IN">_</span><span lang="EN-US">estimator</span></i><span lang="EN-US">: 100. Proses <i>tuning
hyperparameter</i> berperan penting dalam meningkatkan kinerja model, karena
parameter yang tepat membantu mengurangi <i>overfitting</i> dan meningkatkan
generalisasi model terhadap data baru. Penelitian ini membuktikan bahwa <i>XGBoost</i>
dapat menjadi salah satu pendekatan alternatif yang kuat untuk klasifikasi
kemiskinan berbasis data, terutama pada skala wilayah kecil-menengah. Hasil
penelitian ini diharapkan dapat menjadi referensi bagi pemerintah daerah dalam
merancang kebijakan pengentasan kemiskinan yang lebih tepat sasaran.<b><o></o></b></span></p>
×
Penulis Utama
:
Inna Imro'atu Sholiha
Penulis Tambahan
:
-
NIM / NIP
:
M0118036
Tahun
:
2025
Judul
:
Penerapan Extreme Gradient Boosting (XGBoost) pada Data Kemiskinan di Provinsi Papua Barat
Edisi
:
Imprint
:
Surakarta - Fak. MIPA - 2025
Program Studi
:
S-1 Matematika
Kolasi
:
Sumber
:
Kata Kunci
:
Klasifikasi, XGBoost, Kemiskinan
Jenis Dokumen
:
Skripsi
ISSN
:
ISBN
:
Link DOI / Jurnal
:
-
Status
:
Public
Pembimbing
:
1. Dr. Dewi Retno Sari S., S.Si., M.Kom. 2. Dra. Purnami Widyaningsih, M.App.Sc.
Penguji
:
1. Nughthoh Arfawi K., M.Sc., Ph.D 2. Prof. Dr. Diari Indriati, M.Si.
Catatan Umum
:
Fakultas
:
Fak. MIPA
×
Halaman Awal
:
Harus menjadi member dan login terlebih dahulu untuk bisa download.
Halaman Cover
:
Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB I
:
Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB II
:
Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB III
:
Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB IV
:
Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB V
:
Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB Tambahan
:
Harus menjadi member dan login terlebih dahulu untuk bisa download.
Daftar Pustaka
:
Harus menjadi member dan login terlebih dahulu untuk bisa download.
Lampiran
:
Harus menjadi member dan login terlebih dahulu untuk bisa download.
