KLASIFIKASI RUMAH TIDAK LAYAK HUNI STUDI PERBANDINGAN 9 MODEL MACHINE LEARNING

Abstract

Rumah tidak layak huni (RTLH) merupakan masalah serius yang dihadapi oleh banyak masyarakat di berbagai negara. Identifikasi rumah tidak layak huni secara efektif dapat membantu dalam upaya perbaikan dan perencanaan perumahan yang lebih baik. Dalam menentukan keluarga yang berhak menerima bantuan RTLH sering mengalami masalah, seperti kurang tepat sasaran dalam penentuan RTLH.  Dalam era kemajuan teknologi, model machine learning telah muncul sebagai alat yang kuat untuk mengatasi berbagai masalah kompleks, termasuk identifikasi rumah tidak layak huni. Tujuan dari penelitian ini adalah untuk melakukan komparasi antara beberapa model machine learning yang paling umum digunakan dalam identifikasi rumah tidak layak huni. Model-model tersebut meliputi K-Nearest Neighbors, Naïve Bayes, Support Vector Machine, pohon keputusan (Decision Tree), Logistic Regression, Random Forest, Neural Network, Gradient Boost, dan XGBoost. Data yang digunakan dalam penelitian ini berisi atribut-atribut rumah yang relevan seperti penghasilan, jumlah penghuni rumah, luas rumah, kondisi struktur bangunan, sanitasi, serta listrik. Evaluasi dilakukan dengan membandingkan performa model-model tersebut berdasarkan metrik evaluasi yang relevan, seperti akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model Neural Network menjadi model yang optimal untuk di implementasikan dengan nilai akurasi 99,24%, presisi 98,66%, recall 100% serta F1-score 99,32%.