<![CDATA[Kemiskinan masih menjadi salah satu tantangan utama dalam pembangunan sosial dan ekonomi yang berkelanjutan di Indonesia. Mengingat kompleksitas dan sifat non-linear dari faktor-faktor yang memengaruhi kemiskinan, pendekatan statistik konvensional seringkali memiliki keterbatasan. Penelitian ini bertujuan menganalisis faktor penentu kemiskinan melalui pendekatan machine learning dengan membandingkan performa model Multiple Linear Regression, Random Forest Regression, XGBoost Regression, dan CatBoost Regression. Data yang digunakan merupakan data sekunder berstruktur panel dari 38 provinsi di Indonesia selama periode 2021–2025 yang diperoleh dari Badan Pusat Statistik (BPS) dan Bank Indonesia. Penelitian menerapkan metodologi CRISP-DM yang meliputi pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan deployment. Pada tahap persiapan data dilakukan preprocessing, mitigasi data leakage, imputasi missing value menggunakan algoritma KNN Imputer, serta normalisasi data menggunakan StandardScaler. Validasi model dilakukan menggunakan skema Repeated K-Fold Cross-Validation untuk mengantisipasi variansi pada dataset berskala kecil. Hasil penelitian menunjukkan bahwa CatBoost Regression memberikan performa terbaik dan paling stabil dengan nilai rata-rata Test R² sebesar 0.8577 dan MAPE sebesar 15,05%, secara signifikan mengungguli XGBoost, Random Forest, dan Multiple Linear Regression. Penerapan Explainable Artificial Intelligence (XAI) melalui analisis SHAP (Shapley Additive Explanations) menunjukkan bahwa pengeluaran per kapita, Indeks Pembangunan Manusia (IPM), dan PDRB per kapita merupakan tiga faktor yang paling berpengaruh terhadap tingkat kemiskinan. Penelitian ini menyimpulkan bahwa CatBoost Regression merupakan model yang sangat efektif untuk memprediksi tingkat kemiskinan regional di Indonesia, di mana integrasi XAI mampu menghasilkan analisis yang akurat, transparan, dan dapat diinterpretasikan secara langsung oleh pemangku kepentingan untuk merumuskan kebijakan pengentasan kemiskinan yang lebih tepat sasaran.]]>
