PERBANDINGAN KINERJA ALOGARITMA K-NEAREST NEIGHBOUR DAN DECISION TREE DALAM MENGKLASIFIKASIKAN GARIS KEMISKINAN BERDASARKAN FAKTOR SOSIAL EKONOMI DI KABUPATEN/KOTA PROVINSI ACEH TAHUN 2024

Abstrak

Kemiskinan masih menjadi isu utama dalam pembangunan nasional, termasuk di Provinsi Aceh yang memiliki tingkat kemiskinan di atas rata-rata nasional. Untuk mendukung pengambilan keputusan yang lebih tepat sasaran, diperlukan pendekatan berbasis data dalam mengidentifikasi dan mengklasifikasikan kabupaten/kota berdasarkan garis kemiskinan. Penelitian ini bertujuan untuk mengidentifikasi dinamika garis kemiskinan beserta faktor sosial ekonomi di Provinsi Aceh tahun 2024, serta menyajikan hasil visualisasi fitur kepentingan pada model algoritma terbaik berdasarkan hasil akurasi tertinggi. Metode yang digunakan adalah pendekatan kuantitatif dengan teknik klasifikasi supervised learning. Pemilihan metode ini didasarkan pada sifat data yang numerik dan terstruktur, sehingga dapat diolah secara objektif dan akurat. Dataset bersumber dari publikasi Badan Pusat Statistik (BPS) Provinsi Aceh tahun 2024, yang merepresentasikan kondisi sosial ekonomi terkini pasca pandemi. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, sensitivitas, dan spesifisitas untuk mengetahui efektivitas masing-masing algoritma dalam melakukan klasifikasi terhadap status garis kemiskinan. Hasil penelitian menunjukkan bahwa rata-rata jumlah penduduk miskin di Provinsi Aceh mencapai 34.980.000 jiwa per kabupaten/kota di atas rata-rata nasional sebesar 24.060.000 jiwa. Nilai rata-rata indeks pembangunan manusia (IPM) Provinsi Aceh sebesar 73,46 masih berada di bawah capaian nasional sebesar 75,02, sedangkan rata-rata lama sekolah (RLS) sebesar 9,74 tahun lebih tinggi dari rata-rata nasional 8,85 tahun. Rata-rata pengeluaran per kapita Provinsi Aceh sebesar Rp10.785.170,00 per tahun lebih rendah dibandingkan estimasi nasional sekitar Rp12.340.000,00 per tahun. Hasil visualisasi fitur kepentingan pada kedua model terbaik, yaitu K-Nearest Neighbor (KNN) dan Decision Tree, menunjukkan bahwa IPM dan RLS merupakan dua variabel yang paling berpengaruh dalam klasifikasi status garis kemiskinan, sedangkan jumlah penduduk miskin dan pengeluaran per kapita tidak memberikan kontribusi signifikan. Kedua model ini sama-sama menghasilkan akurasi sebesar 65,2%, namun kombinasi kedua algoritma ini berpotensi digunakan secara komplementer untuk mendukung perumusan kebijakan publik berbasis bukti dalam penanggulangan kemiskinan di Provinsi Aceh. Penelitian ini menegaskan bahwa IPM dan RLS merupakan indikator kunci dalam klasifikasi status garis kemiskinan di Provinsi Aceh. Dengan demikian, strategi pengentasan kemiskinan di Provinsi Aceh sebaiknya difokuskan pada peningkatan kualitas pendidikan dan pembangunan manusia, karena kedua faktor tersebut terbukti sebagai penentu utama dalam status kerentanan kabupaten/kota terhadap kemiskinan. Selain itu, penggunaan model klasifikasi berbasis machine learning ini dapat dijadikan dasar dalam pengembangan sistem pendukung keputusan  yang lebih terarah, cepat, dan berkelanjutan. Dampak dari penerapan sistem ini diharapkan mampu mempercepat respon pemerintah daerah dalam menyalurkan bantuan, menyusun prioritas program, dan meningkatkan efisiensi intervensi sosial secara menyeluruh.