Klasifikasi Kemiskinan Menggunakan Metode Decision Tree Pada Rapidminer
DOI:
https://doi.org/10.35473/jamastika.v5i1.4695Abstract
Kemiskinan adalah salah satu isu sosial yang masih menjadi tantangan di Indonesia, khususnya dalam hal pembagian bantuan sosial yang seharusnya diterima dengan layak menjadi tidak tepat. Penelitian ini memiliki tujuan untuk mengategorikan kondisi kemiskinan isi rumah dengan metode Pohon Keputusan yang dihasilkan dari pengolahan data. Prosedur dilakukan melalui serangkaian langkah pengolahan data, pemilihan atribut dengan menggunakan algoritma genetika, pengembangan model klasifikasi, serta penilaian hasil menggunakan perangkat lunak Rapidminer Studio. Data yang digunakan dari berbagai atribut sosial ekonomi seperti pendidikan, jumlah tanggungan, kepemilikan aset, dan kondisi tempat tinggal. Hasil penelitian membuktikan bahwa algoritma Decision Tree mampu menghasilkan model klasifikasi yang sangat akurat serta mudah dipahami melalui representasi pohon keputusan. Atribut energocinar2 dan overcrowding memiliki kontribusi signifikan terhadap hasil klasifikasi, sementara itu klasifikasi atribut seperti hacapo menampakkan pengaruh yang lebih rendah. Temuan ini membuktikan bahwa metode Decision Tree sangat efektif dalam mengelompokkan data serta mengidentifikasi variabel-variabel penting. Model ini berguna diterapkan sebagai penolong dalam mengambil keputusan final saat penentuan penerima bantuan sosial agar lebih menguntungkan kepada khalayak umum yang memang berhak untuk menerima
Kata Kunci: Klasifikasi , Kemiskinan , Data Mining , Decision Tree , Seleksi Atribut
Poverty is a social issue that remains a challenge in Indonesia, particularly in terms of the inaccurate distribution of social assistance. This study aims to categorize household poverty using the Decision Tree method, which is generated from data processing. The procedure involves a series of data processing steps, attribute selection using a genetic algorithm, classification model development, and evaluation of the results using Rapidminer Studio software. The data used were from various socioeconomic attributes such as education, number of dependents, asset ownership, and housing conditions. The results demonstrate that the Decision Tree algorithm is capable of producing a highly accurate and easily understood classification model through a decision tree representation. The energocinar2 and overcrowding attributes significantly contributed to the classification results, while classification attributes such as hacapo showed a lesser influence. These findings demonstrate that the Decision Tree method is highly effective in grouping data and identifying important variables. This model is useful for assisting in making final decisions when determining social assistance recipients to better benefit the general public who are truly entitled to receive it.
Kata Kunci: Classification, Poverty, Data Mining, Decision Tree, Attribute Selection
References
R. E. Nugroho, W. Y. Pamungkas, and J. H. Jaman, “Pendeteksi Penyakit Hepatitis Menggunakan Cart Decision Tree,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3S1, pp. 3690–3696, 2024, doi: 10.23960/jitet.v12i3s1.5184.
D. V. Ferezagia, “Analisis Tingkat Kemiskinan di Indonesia,” J. Sos. Hum. Terap., vol. 1, no. 1, 2018, doi: 10.7454/jsht.v1i1.6.
E. Shofi Utami and Y. Setyawan*, “Klasifikasi Kabupaten/Kota Di Indonesia Berdasarkan Tingkat Kedalaman Dan Keparahan Kemiskinan Menggunakan Naïve Bayes Classifier Dan K-Nearest Neighbor,” Pros. Snast, no. November, pp. F17-25, 2022, doi: 10.34151/prosidingsnast.v8i1.4181.
C. Fuadi Ahmad, N. Suarna, and G. Dwilestari, “Klasifikasi Data Kemiskinan Menggunakan Metode Naïve Bayes Untuk Mengetahui Tingkat Kemiskian Studi Kasus: Desa Karangasem Kecamatan Leuwimunding Majalengka,” J. Inform. dan Teknol. Inf., vol. 2, no. 2, pp. 203–208, 2023, doi: 10.56854/jt.v2i2.190.
R. Khoirudin and M. S. Nasir, “Determinan Kemiskinan Di Provinsi Daerah Istimewa Yogyakarta Tahun 2012-2019,” J. Econ. Bussines Account., vol. 5, no. 2, pp. 1407–1422, 2022, doi: 10.31539/costing.v5i2.2417.
J. Alimancon Sijabat and Z. Zakaria, “Penerapan Data Mining Untuk Pengolahan Data Siswa Dengan Menggunakan Metode Decision Tree (Studi Kasus : Yayasan Perguruan Kristen Andreas,” Maj. Ilm., vol. 5, pp. 7–12, 2015, [Online]. Available: http://www.stmik.budidarma.ac.id
A. Duwo Jiwo Saputro, A. Darmawan, and B. Nurina Sari, “Klasifikasi Persentase Kemiskinan Di Jawa Barat MenDuwo Jiwo Saputro, A., Darmawan, A., & Nurina Sari, B. (2024). Klasifikasi Persentase Kemiskinan Di Jawa Barat Menggunakan Data Mining Algoritma K-Nearest Neighbor (Knn). JATI (Jurnal Mahasiswa Teknik Inf,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 4, pp. 2718–2723, 2024.
A. Khormarudin, “Data Mining Technique: K-Means Clustering Algorithm,” J. Ilmu Komput., pp. 1–12, 2016, [Online]. Available: https://ilmukomputer.org/category/datamining/
P. Murtopo, I. Dwi Yulianto, S. Suparno, and S. Saparuddin, “Penerapan Pemodelan Konsep Dinamis dalam Keputusan Bisnis: Optimalisasi Keputusan dengan Linear Optimization, Decision Tree dan Scenario Test,” J. Account. Financ. Manag., vol. 6, no. 2, pp. 475–484, 2025, doi: 10.38035/jafm.v6i2.1815.
A. Chandra et al., “Data Mining Menggunakan Algoritma K-Means Untuk Menentukan Game Terpopuler Pada Platform Steam Dengan RapidMiner,” vol. 1, no. 1, pp. 51–56, 2025.
[11] A. Wanto and A. P. Windarto, “Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan MWanto, A. (2019). Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation. Jurnal & Penelitian Teknik Infor,” J. Penelit. Tek. Inform., vol. 2, no. 2, pp. 37–44, 2017, [Online]. Available: https://zenodo.org/record/1009223#.Wd7norlTbhQ
