ARISTAWIDYA, Sarah (2025) Perbandingan Random Forest dan Gradient Boosting dalam Klasifikasi Status Desa di Jawa Tengah. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. Cover.pdf Download (62kB)
	Text 3. Halaman Pengesahan I.pdf Download (571kB)
	Text 4. Halaman Pengesahan II.pdf Download (486kB)
	Text 5. Kata Pengantar.pdf Restricted to Repository staff only Download (228kB) | Request a copy
	Text 6. Abstrak.pdf Download (8kB)
	Text 7. Abstract.pdf Download (7kB)
	Text 8. Daftar Isi.pdf Download (235kB)
	Text 12. BAB I.pdf Download (150kB)

Abstract

ABSTRAK
Ketimpangan pembangunan antarwilayah menciptakan tantangan besar dalam
mewujudkan pemerataan pembangunan di Indonesia. Indeks Desa Membangun
(IDM) digunakan oleh Kementerian Desa, Pembangunan Daerah Tertinggal, dan
Transmigrasi
untuk
mengukur
status
perkembangan
desa
serta
mengklasifikasikannya ke dalam lima kategori yang meliputi Mandiri, Maju,
Berkembang, Tertinggal, dan Sangat Tertinggal. Perbandingan kinerja algoritma
Random Forest dan Gradient Boosting dilakukan untuk mengklasifikasikan status
desa di Provinsi Jawa Tengah berdasarkan data IDM tahun 2024.
Ketidakseimbangan distribusi kelas ditangani menggunakan teknik Random
Oversampling. Dataset mencakup 7.810 desa dengan tiga variabel prediktor, yaitu
Indeks Ketahanan Sosial, Ekonomi, dan Lingkungan. Evaluasi kinerja algoritma
dilakukan pada tiga skenario pembagian data: 90:10, 80:20, dan 70:30. Algoritma
Random Forest menghasilkan performa terbaik pada pembagian data 90:10
dengan akurasi sebesar 98,97% dan G-Mean sebesar 98,91%. Algoritma Gradient
Boosting mencatatkan akurasi sebesar 96,69% dan G-Mean sebesar 74,38% pada
skenario 80:20. Random Forest juga menunjukkan keunggulan pada nilai presisi
sebesar 98,78%, sensitivitas sebesar 98,91%, dan F1-score sebesar 98,85% yang
lebih tinggi dibandingkan Gradient Boosting. Hasil tersebut menunjukkan bahwa
Random Forest efektif dalam mengatasi klasifikasi multikelas pada data tidak
seimbang. Temuan ini merekomendasikan penggunaan model berbasis machine
learning untuk mendukung kebijakan pembangunan desa yang lebih objektif dan
tepat sasaran.
Kata Kunci: Ketimpangan Pembangunan Wilayah, Indeks Desa Membangun,
Random Forest, Gradient Boosting, Random Oversampling, Klasifikasi
Multikelas

Actions (login required)

View Item