<![CDATA[ Salah satu masalah yang tidak ada habisnya di Indonesia adalah kemiskinan. Pemerintah saat ini sedang gencar melakukan upaya penanggulangan kemiskinan melalui berbagai kebijakan dan terobosan yang cepat. Sehingga diperlukan data mining untuk mengolah data kemiskinan agar dapat memberikan infromasi yang akurat tentang tingkat kemiskinan di setiap provinsi di Indonesia. Penelitian ini membahas tentang algoritma fast and fit dalam klasifikasi pada tingkat penduduk miskin di Indonesia khususnya berdasarkan tingkat kemiskinan. Beberapa algoritma yang diuji yaitu K-Nearest Neighbors, Decision Tree (C4.5), Naive Bayes, Random Forest, dan Decision Stump. Pengujian akan dilakukan di 35 provinsi di Indonesia. Hasil yang diperoleh menunjukkan bahwa metode algoritma C4.5 merupakan metode yang tepat dalam klasifikasi angka kemiskinan penduduk di Indonesia. Algoritma k-NN ini tepat dan memiliki tingkat akurasi 100% dalam pengelompokkan kategori tingkat kemiskinan penduduk dengan tiga kategori yakni tingkat rendah, sedang, dan tinggi. One of the endless problems in Indonesia is poverty. The government is currently intensively making efforts to reduce poverty through various policies and rapid breakthroughs. So that data mining is needed to process poverty data in order to provide accurate information about the poverty level in each province in Indonesia. This study discusses the fast and fit algorithm in classification at the level of the poor in Indonesia, especially based on the poverty level. Some of the algorithms tested are K-Nearest Neighbors, Decision Tree (C4.5), Naive Bayes, Random Forest, and Decision Stump. The test will be conducted in 35 provinces in Indonesia. The results obtained indicate that the C4.5 algorithm method is the right method in classifying the poverty rate of the population in Indonesia. The k-NN algorithm is precise and has an accuracy rate of 100% in grouping the poverty level of the population into three categories, namely low, medium, and high levels. ]]>
Copyrights © 2023
