Optimasi Model Machine Learning untuk Reduksi Kesalahan Klasifikasi Penerima BLT Berbasis Data Sosial-Ekonomi

Abstract

Penelitian ini bertujuan mengoptimalkan model machine learning untuk mereduksi kesalahan klasifikasi penerima Bantuan Langsung Tunai (BLT) berbasis data sosial-ekonomi di Kabupaten Soppeng. Penelitian menggunakan pendekatan kuantitatif dengan desain eksperimen komputasional. Dataset yang digunakan terdiri atas 300 data calon penerima BLT dengan 22 variabel, mencakup indikator sosial-ekonomi seperti pendapatan, pekerjaan, jumlah tanggungan, kondisi rumah, kepemilikan aset, status kerentanan, dan riwayat penerimaan bantuan sosial. Algoritma yang diuji meliputi Logistic Regression, Decision Tree, Random Forest, Support Vector Machine, K-Nearest Neighbor, Naive Bayes, dan XGBoost. Proses optimasi dilakukan melalui prapemrosesan data, one-hot encoding, normalisasi, seleksi fitur, dan hyperparameter tuning. Evaluasi model menggunakan accuracy, precision, recall, F1-score, ROC-AUC, dan confusion matrix. Hasil penelitian menunjukkan bahwa Random Forest menjadi model terbaik dengan accuracy 0,9833, precision 1,0000, recall 0,9643, F1-score 0,9818, dan ROC-AUC 0,9900. Analisis confusion matrix menunjukkan hanya terdapat satu kesalahan klasifikasi berupa false negative dan tidak terdapat false positive. Temuan ini menunjukkan bahwa model machine learning yang dioptimalkan dapat mendukung klasifikasi penerima BLT secara lebih objektif, akurat, dan berbasis data