Implementasi Support Vektor Machine Pada Klasifikasi Penduduk Miskin Wilayah Desa Taraju Kabupaten Tasikmalaya

Chalifa Chazar; Hendra Gunawan; Sumpena

doi:10.37424/informasi.v14i1.150

Chalifa Chazar stmik im
Hendra Gunawan STMIK IM
Sumpena STMIK IM

DOI: https://doi.org/10.37424/informasi.v14i1.150

Keywords: Support Vector Machine, Machine Learning, Klasifikasi, Penduduk Miskin

Abstract

Kemiskinan adalah kondisi sebuah penduduk atau sebuah keluarga di masyarakat yang ditinjau dari segi ekonomi, pendapatan, pekerjaan, tingkat pendidikan, kepemilikan barang dan tempat tinggal. Penduduk miskin memiliki rata-rata pengeluaran per kapita per bulan di bawah Garis Kemiskinan. Garis Kemiskinan merupakan suatu representasi dari jumlah rupiah minimum yang dibutuhkan untuk memenuhi kebutuhan pokok minimum makanan dan kebutuhan pokok bukan makanan. Berbagai bentuk upaya kebijakan dan program pemerintah dilakukan untuk menurunkan persentase penduduk miskin. Upaya yang dilakukan untuk memperhatikan pemerataan kesejahteraan penduduknya adalah dengan menyediakan data penduduk miskin yang terbaru, akurat dan obyektif, sehingga segala bentuk bantuan dari pemerintah, baik dari pemerintah daerah maupun pusat dapat sampai kepada penerimanya. Pendataan secara konvensional dirasakan kurang cepat dan efektif, dibuktikan dengan banyaknya kesalahan pendataan penduduk miskin. Hal ini dapat menyebabkan proses penyebaran bantuan pemerintah menjadi tidak tepat saasaran. Penelitian ini bertujuan mengimplementasikan Metode Support Vektor Machine untuk klasifikasi penduduk miskin berdasarkan variable-variabel yang telah ditentukan berdasarkan sample data penduduk dan hasil observasi dengan pihak-pihak terkait. Hasil penelitian ini berupa implementasi dalam bentuk aplikasi Machine Learning dengan menggunakan Metode Support Vektor Machineuntuk mengklasifikasikan penduduk miskin sehingga dapat membantu aparatur Perangkat Desa Taraju Kabupaten Tasikmalaya dalam pengadaan data penduduk miskin, sebagai sumber data untuk penyebaran bantuan pemerintah. Berdasarkan hasil pengujian dengan membandingkan data set penelitian dengan keluaran aplikasi, menghasilkan tingkat akurasi yang rendah. Hal ini dapat disebabkan oleh tidak seimbangnya sumber data sebagai bahan utama proses training dan adanya perbedaan nilai indikator setiap variable data.

References

Badan Pusat Statistik. (2021). Perkembangan Tingkat Kemiskinan Provinsi Jawa Barat. In Bps.Go.Id: Vol. Https://Jabar.Bps.Go.Id/Publication/2019/08/29/A494f46c41b1efada30b448b/Perkembangan-Tingkat-Kemiskinan-Provinsi-Jawa-Barat-Maret-2019

Chazar, C., & Widhiaputra, B. E. (N.D.). INFORMASI (Jurnal Informatika Dan Sistem Informasi) Machine Learning Diagnosis Kanker Payudara Menggunakan Algoritma Support Vector Machine.

Munawarah, R., Soesanto, O., Reza Faisal, M., Yani Km, J. A., & Selatan, K. (N.D.). Penerapan Metode Support Vector Machine Pada Diagnosa Hepatitis.

Pratama, A., Cahya Wihandika, R., & Ratnawati, D. E. (2018). Implementasi Algoritme Support Vector Machine (SVM) Untuk Prediksi Ketepatan Waktu Kelulusan Mahasiswa (Vol. 2, Issue 4). Http://J-Ptiik.Ub.Ac.Id

Ratnawati, D. E., & Widodo, A. W. (2018). Klasifikasi Penyakit Gigi Dan Mulut Menggunakan Metode Support Vector Machine. Https://Www.Researchgate.Net/Publication/324038271

Ritonga, A. S., & Purwaningsih, E. S. (2018). Penerapan Metode Support Vector Machine (SVM) Dalam Klasifikasi Kualitas Pengelasan SMAW (Shield Metal Arc Welding). In Jurnal Ilmiah Edutic (Vol. 5, Issue 1).