Penulis Utama | : | Isma Fitria Arta |
Penulis Tambahan | : | - |
NIM / NIP | : | M0719055 |
Tahun | : | 2023 |
Judul | : | Klasifikasi Indeks Pembangunan Manusia Kabupaten/Kota di Indonesia dengan Metode Random Forest dan Support Vector Machine |
Edisi | : | |
Imprint | : | Surakarta - Fak. MIPA - 2023 |
Kolasi | : | |
Sumber | : | |
Subyek | : | - |
Jenis Dokumen | : | Skripsi |
ISSN | : | |
ISBN | : | |
Abstrak | : | Indeks Pembangunan Manusia (IPM) adalah indikator yang digunakan untuk melihat keberhasilan pengembangan sumber daya manusia. Capaian pembangunan manusia di suatu daerah pada waktu tertentu dapat dikelompokkan menjadi empat kelas: sangat tinggi, tinggi, sedang, dan rendah. IPM terdiri dari komponen-komponen pembangunan manusia, yaitu umur panjang dan sehat, pengetahuan, dan standar hidup yang layak. Umur panjang dan hidup sehat diukur dari harapan hidup saat lahir, indeks pengetahuan didasarkan pada jumlah rata-rata tahun sekolah dan harapan lama sekolah, dan standar hidup yang layak diukur dengan pendapatan per kapita yang disesuaikan. Random Forest dan Support Vector Machine (SVM) merupakan metode yang dapat digunakan dalam klasifikasi. Penelitian ini bertujuan melihat kinerja Random Forest dan SVM dalam mengklasifikasikan IPM kabupaten/kota di Indonesia serta membandingkan keakuratan dari keduanya. Pembagian sampel data training dan testing dilakukan secara acak sehingga dalam penelitian ini dilakukan sebanyak 3 kali pembagian sampel training dan testing. Nilai rata-rata akurasi dan F1-score dari 3 sampel data digunakan untuk menentukan metode yang lebih akurat. Ketidakseimbangan data IPM diatasi dengan metode Synthetic Minority Over Sampling Technique (SMOTE). Random Forest menghasilkan rata-rata akurasi sebesar 0,89 dan F1-score 0,89 dengan hasil klasifikasi terbaik 5 daerah benar diklasifikasikan sangat tinggi, 32 daerah benar diklasifikasikan tinggi, 53 daerah benar diklasifikasikan sedang, dan 4 daerah benar diklasifikasikan rendah. Sementara itu, SVM dengan kernel linear sebagai kernel terbaik menghasilkan rata-rata akurasi sebesar 0,95 dan F1-score 0,94 dengan hasil klasifikasi terbaik 9 daerah benar diklasifikasikan sangat tinggi, 32 daerah benar diklasifikasikan tinggi, 51 daerah benar diklasifikasikan sedang, dan 7 daerah benar diklasifikasikan rendah. Hasil analisis menunjukkan bahwa metode yang lebih akurat dalam mengklasifikasikan IPM adalah metode SVM dengan kernel linear dengan nilai rata-rata akurasi sebesar 0,95 dan F1-score 0,94. |
File Dokumen Tugas Akhir | : |
Harus menjadi member dan login terlebih dahulu untuk bisa download. Cover pisah.pdf BAB I.pdf BAB II.pdf BAB III.pdf BAB IV.pdf BAB V.pdf Daftar Pustaka.pdf LAMPIRAN.pdf |
File Dokumen Karya Dosen | : | - |
Status | : | Public |
Pembimbing | : |
1. Dr. Hasih Pratiwi S.Si., M.Si. 2. Dra. Etik Zukhronah M.Si. |
Catatan Umum | : | |
Fakultas | : | Fak. MIPA |