Evaluasi Support Vector Machine dan Random Forest untuk Klasifikasi Kemiskinan di Indonesia

Abstract

Kemiskinan merupakan persoalan multidimensi yang menuntut pendekatan analitik presisi. Penelitian ini mengevaluasi kinerja algoritma Support Vector
Machine (SVM) dan Random Forest (RF) untuk mengklasifikasikan status kemiskinan kabupaten/kota di Indonesia. Menggunakan dataset sekunder indikator sosialekonomi dari Kaggle (514 observasi, 9 fitur) dengan distribusi kelas tidak seimbang (87,94% "Tidak Miskin" dan 12,06% "Miskin"), penelitian ini menerapkan Synthetic Minority Oversampling Technique (SMOTE) untuk menangani ketidakseimbangan kelas. Evaluasi dilakukan melalui skenario pembagian data (90:10, 80:20, 70:30, 50:50) dan hyperparameter tuning. Hasil menunjukkan model terbaik SVM adalah pendekatan baseline pada skenario 70:30 (Akurasi 0,9419; F1 0,7273), sedangkan RF terbaik pada baseline 80:20 (Akurasi 0,9417; F1 0,7273; PR-AUC 0,7628). Analisis feature importanceRF menunjukkan IPM dan pengeluaran per kapita sebagai indikator paling dominan.
Kata kunci—Kemiskinan, Klasifikasi, Support Vector Machine, Random Forest, SMOTE, Confusion Matrix, Feature Importance.