PENERAPAN ANALISIS ORDINAL CLASS CLASSIFIER UNTUK KLASIFIKASI KEMISKINAN RUMAH TANGGA DENGAN MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (Studi Kasus : Badan Pusat Statistik Kabupaten Bima, Nusa Tenggara Barat)

HIDAYAH, NURUL (2022) PENERAPAN ANALISIS ORDINAL CLASS CLASSIFIER UNTUK KLASIFIKASI KEMISKINAN RUMAH TANGGA DENGAN MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (Studi Kasus : Badan Pusat Statistik Kabupaten Bima, Nusa Tenggara Barat). Other thesis, UPN "Veteran" Yogyakarta.

	Text ABSTRAK.pdf Download (85kB)
	Text Cover.pdf Download (273kB)
	Text DAFTAR ISI.pdf Download (93kB)
	Text DAFTAR PUSTAKA.pdf Download (183kB)
	Text scan lembar pengesahan pembimbing dan penguji.pdf Download (1MB)
	Text SKRIPSI_123160008_NURULHIDAYAH_FULL.pdf Restricted to Repository staff only Download (3MB)

Abstract

Terdapat indikasi adanya permasalahan dalam implementasi program bantuan
penanggulangan kemiskinan dalam pemerintah. Berdasarkan hal tersebut, berbagai program
bantuan pemerintah perlu dikaji lebih mendalam agar realisasinya program bantuan tersebut
berdampak positif bagi peningkatan kesejahteraan masyarakat miskin. Sehingga dilakukan
analisis klasifikasi rumah tangga miskin di Kabupaten Bima menurut paket bantuan rumah
tangga yang diharapkan dengan didasarkan pada faktor-faktor yang menjadi indikator
kemiskinan meliputi aspek kesehatan, sosial dan ekonomi (Inayah et.al, 2014). Badan Pusat
Statistik (BPS) mengklasifikasikan rumah tangga sasaran menjadi tiga kategori yaitu Rumah
Tangga Sangat Miskin (RTSM), Rumah Tangga Miskin (RTM), dan Rumah Tangga Hampir
Miskin (RTHM) (effendy, et.al, 2018).
Pada penelitian ini menggunakan algoritma support vector machine dengan menerapkan
analisis Ordinal Class Classifier (OCC). Analisis OCC digunakan dalam proses seleksi fitur
untuk menghilangkan atribut yang tidak diperlukan. Konsep penerapan algoritma SVM
sebagai metode klasifikasi dengan kernel Radial Basis Function (RBF) yang digunakan untuk
pembuatan model serta pengujian metode dengan melakukan input data baru. Algoritma
SVM menggunakan konsep penerapan multiclass dengan 3 kategori.
Hasil pada penelitian ini menunjukan bahwa penggunaan kernel RBF mampu
mengoptimasi algoritma SVM dengan mengubah ruang dimensi data menjadi lebih tinggi dan
struktur yang lebih baik sehingga memudahkan SVM dalam menentukan batas permisah
(hyperplane). Keberhasilan metode SVM dilihat dari hasil pengujian menggunakan confusion
matrix dengan rata-rata nilai akurasi sebesar 88%, presisi 80%, recall 82% dan f1-score 81%.
Kata kunci : Kemiskinan Rumah Tangga, Klasifikasi, Analisis OCC, SVM, Kernel RBF

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Kemiskinan Rumah Tangga, Klasifikasi, Analisis OCC, SVM, Kernel RBF
Subjek:	Q Science > Q Science (General)
Divisions:	x. Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md Apriliani Kusuma Wardhani
Date Deposited:	19 Sep 2022 06:58
Last Modified:	19 Sep 2022 06:58
URI:	http://eprints.upnyk.ac.id/id/eprint/30961

Actions (login required)

View Item