Analisis Perbandingan Klasifikasi Status Kemiskinan Rumah Tangga Surabaya dengan Metode Support Vector Machine dan Extreme Gradient Boosting

Afiyah, Nabila Luky Zalfa Afiyah (2024) Analisis Perbandingan Klasifikasi Status Kemiskinan Rumah Tangga Surabaya dengan Metode Support Vector Machine dan Extreme Gradient Boosting. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5006201070_Undergraduate-Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (2MB) | Request a copy

Abstract

Kemiskinan merupakan masalah utama yang masih dihadapi oleh banyak negara di dunia, termasuk Indonesia. Kota Surabaya, sebagai salah satu kota metropolitan di Indonesia ternyata masih memiliki total kawasan kumuh yang tinggi yaitu sebesar 145,89 hektar yang menandakan adanya ketimpangan sosial. Salah satu indikator dalam mengukur besarnya tingkat ketimpangan sosial dengan menggunakan tingkat ketimpangan distribusi pendapatan yang sering diukur menggunakan indeks gini. Gini rasio Kota Surabaya pada tahun 2023 berada di angka 0,423 yang tergolong sedang dan didukung dengan PDRB Kota Surabaya yang naik secara signifikan. Kenaikan tersebut mengindikasikan tingginya ketimpangan distribusi pendapatan yang berpengaruh terhadap kesejahteraan masyarakat Kota Surabaya. Peneliti melakukan analisis klasifikasi kemiskinan dengan model machine learning yang diharapkan mampu memberikan gambaran kondisi status kemiskinan rumah tangga di Kota Surabaya. Status kemiskinan tersebut dikelompokkan berdasarkan dua kategori yaitu miskin dan tidak miskin yang mengacu terhadap garis kemiskinan Kota Surabaya yaitu sebesar Rp718.370,00. Data yang akan digunakan pada penelitian ini adalah data survei ekonomi nasional (SUSENAS) Kota Surabaya Bulan Maret 2023 sejumlah 1.198 rumah tangga. Penelitian ini akan membandingkan metode Support Vector Machine dan Extreme Gradient Boosting untuk mengetahui klasifikasi kemiskinan melalui perbandingan tingkat akurasi yang terbentuk. Model Support Vector Machine melakukan prediksi dengan menggunakan empat kernel dan diperoleh penggunaan kernel terbaik adalah menggunakan kernel Linear. Support Vector Machine dengan kernel Linear menggunakan parameter C=1, kemudian menghasilkan nilai akurasi,

Item Type:	Thesis (Other)
Uncontrolled Keywords:	akurasi, accuracy, F1 Score, Specitifity, Kernel, linear, rbf, polynomial, extreme gradient boosting, xgboost, kemiskinan, poverty, status, gini rasio, rasio gini, classification, klasifikasi, SVM, Support vector machine, poor, miskin
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Faculty of Mathematics, Computation, and Data Science > Actuaria > 94203-(S1) Undergraduate Thesis
Depositing User:	Nabila Luky Zalfa Afiyah
Date Deposited:	01 Aug 2024 01:58
Last Modified:	01 Aug 2024 01:58
URI:	http://repository.its.ac.id/id/eprint/110663

Actions (login required)

View Item