<![CDATA[Disparitas pembangunan antar regional dan sektor di Indonesia menciptakan tantangan kompleks dalam mencapai pertumbuhan ekonomi yang terintegrasi. Studi ini mengembangkan model analitik terintegrasi untuk mengeksplorasi keseimbangan pembangunan melalui implementasi algoritma untuk pembelajaran mesin dalam data heterogen termasuk aspek kelautan, populasi, sosial ekonomi, dan industri. Pendekatan clustering K-Means diimplementasikan untuk menganalisis pola distribusi armada nelayan di Papua Barat dan tingkat kemiskinan di Malang, sementara algoritma klasifikasi Naive Bayes dan K-Nearest Neighbors (KNN) digunakan untuk memprediksi dinamika populasi Aceh dan mengevaluasi kinerja perusahaan. Hasilnya menunjukkan bahwa metode pengelompokan berhasil mengidentifikasi tiga kategori skala aktivitas ekonomi laut yang distinktif serta tiga lapisan kemiskinan utama, yang menunjukkan variabilitas spasial dan temporal yang signifikan. Namun, model prediktif menghasilkan tingkat akurasi sedang (33-60%), mengindikasikan keterbatasan kualitas data atau relevansi algoritma yang digunakan. Meskipun hasilnya bervariasi, pendekatan komprehensif ini memberikan perspektif komprehensif tentang hubungan antara potensi sumber daya laut, dinamika populasi, dan tingkat kesejahteraan masyarakat. Metodologi ini menawarkan fondasi empiris yang lebih komprehensif untuk formulasi kebijakan pembangunan yang berkeadilan dibandingkan dengan analisis sektoral tradisional.]]>
Copyrights © 2025
