KLASIFIKASI KEMISKINAN DI INDONESIA DENGAN DECISION TREE MENGGUNAKAN RAPIDMINER

Abstract

Kemiskinan merupakan salah satu permasalahan utama yang masih dihadapi dalam proses pembangunan, khususnya di negara-negara berkembang seperti Indonesia. Ketimpangan sosial dan ekonomi yang masih tinggi menuntut adanya kebijakan yang tepat sasaran dan berbasis pada data yang akurat. Oleh karena itu, dibutuhkan metode klasifikasi yang mampu memetakan status kemiskinan masyarakat secara efektif. Penelitian ini bertujuan untuk menganalisis klasifikasi status kemiskinan menggunakan metode Decision Tree yang diimplementasikan melalui aplikasi RapidMiner. Data yang digunakan merupakan data sintetis sebanyak 150 entri yang menggambarkan kondisi sosial ekonomi penduduk Indonesia. Variabel-variabel yang digunakan dalam analisis meliputi umur, tingkat pendidikan, status pekerjaan, pendapatan bulanan, jumlah anggota keluarga, serta tipe lokasi tempat tinggal (perkotaan atau pedesaan). Proses klasifikasi dilakukan menggunakan pendekatan pembelajaran terawasi (supervised learning), yang menghasilkan model pohon keputusan yang mudah dipahami dan diinterpretasikan. Hasil penelitian menunjukkan bahwa metode Decision Tree mampu mengklasifikasikan status kemiskinan dengan tingkat akurasi mencapai 93%. Dari hasil analisis, diketahui bahwa pendapatan bulanan dan status pekerjaan merupakan variabel yang paling berpengaruh dalam menentukan status kemiskinan. Temuan ini diharapkan dapat menjadi landasan dalam perumusan kebijakan intervensi sosial yang lebih tepat sasaran dan efektif.