Komparasi Algoritma Machine Learning dalam Mengklasifikasi Tingkat Digitalisasi Kabupaten/Kota dengan Metode Random Forest dan KNN

Gideon Novrianto Hutauruk (Universitas Bina Sarana Informatika)
Ari Abdillah (Universitas Bina Sarana Informatika)
Syaif Zaedan Azis (Universitas Bina Sarana Informatika)
Sahrul Tomas (Universitas Bina Sarana Informatika)

Impression : Jurnal Teknologi dan Informasi
Vol. 5 No. 2 (2026): Juli 2026

Ketimpangan digitalisasi pemerintahan (SPBE) antarwilayah di Indonesia menjadi tantangan dalam pemerataan pelayanan publik. Penelitian ini bertujuan membandingkan kinerja algoritma Random Forest dan K-Nearest Neighbors (KNN) dalam mengklasifikasikan tingkat digitalisasi kabupaten/kota serta mengidentifikasi indikator sosial-ekonomi yang berperan dalam klasifikasi. Data mencakup 11 indikator sosial-ekonomi dari 379 wilayah yang diklasifikasikan ke dalam kategori digitalisasi tinggi dan rendah berdasarkan median. Analisis dilakukan melalui pembersihan data, eliminasi multikolinearitas, StandardScaler, optimasi hyperparameter dengan GridSearchCV, dan 5-Fold Cross-Validation. Hasil menunjukkan Random Forest memiliki kinerja lebih baik dibandingkan KNN, dengan akurasi masing-masing 61,84% dan 55,26%, serta F1-Score 61,30% dan 54,98%. PDRB menjadi indikator dengan kontribusi prediktif paling dominan. Temuan ini menunjukkan bahwa indikator sosial-ekonomi makro memiliki kemampuan klasifikasi yang masih terbatas, sehingga tingkat digitalisasi pemerintahan perlu dipahami sebagai fenomena multidimensional yang juga dipengaruhi faktor lain, khususnya infrastruktur dan kesiapan digital wilayah   Regional disparities in government digitalization (SPBE) in Indonesia remain a challenge to equitable public services. This study compares the performance of Random Forest and K-Nearest Neighbors (KNN) in classifying the digitalization levels of regencies and cities and identifies the socioeconomic indicators contributing to classification. The dataset consists of 11 socioeconomic indicators from 379 regions, classified into high and low digitalization based on the median value. The analysis involved data cleaning, multicollinearity elimination, StandardScaler normalization, GridSearchCV hyperparameter optimization, and 5-Fold Cross-Validation. Random Forest outperformed KNN, achieving an accuracy of 61.84% versus 55.26% and an F1-Score of 61.30% versus 54.98%. GRDP emerged as the most influential predictor. These findings indicate that macro socioeconomic indicators have limited predictive capacity, suggesting that government digitalization is a multidimensional phenomenon also shaped by other factors, particularly regional digital infrastructure and readiness.