<![CDATA[Penentuan prioritas penerima bantuan Rumah Tidak Layak Huni (RTLH) di Kabupaten Jombang masih dilakukan secara manual melalui survei lapangan dan verifikasi berjenjang, sehingga rentan terhadap subjektivitas dan ketidakkonsistenan dalam pengambilan keputusan. Penelitian ini mengusulkan penerapan algoritma Light Gradient Boosting Machine (LightGBM) yang dioptimasi menggunakan Bayesian Optimization, serta membandingkan performanya dengan Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk mengklasifikasikan prioritas penerima bantuan RTLH secara otomatis dan objektif. Dataset yang digunakan berjumlah 9.173 data dari Dinas Perumahan dan Permukiman Kabupaten Jombang, mencakup 36 variabel yang meliputi karakteristik sosial-ekonomi keluarga dan kondisi fisik bangunan, dengan dua kelas target yaitu Prioritas dan Non-Prioritas. Tahap preprocessing meliputi data cleaning dengan penghapusan missing values, transformasi data kategorikal menggunakan label encoding, dan normalisasi Min-Max Scaler. Bayesian Optimization digunakan untuk menentukan konfigurasi hyperparameter optimal pada LightGBM. Hasil optimasi menghasilkan konfigurasi terbaik dengan n_estimators=446, learning_rate=0,3, num_leaves=75, max_depth=7, min_child_samples=26, dan reg_lambda=6,12. Model LightGBM dengan Bayesian Optimization berhasil mencapai akurasi 95%, presisi 96%, recall 96%, dan F1-Score 96% pada kelas Prioritas. Sementara itu, model ANFIS yang menggunakan 15 fitur terpilih menghasilkan akurasi 91%, presisi 93%, recall 92%, dan F1-Score 92%. Validasi pada data lapangan menunjukkan akurasi LightGBM sebesar 90,88%, membuktikan bahwa model layak diimplementasikan sebagai sistem pendukung keputusan.]]>
Copyrights © 2026
