PREDIKSI POTENSI DESA CERDAS MENGGUNAKAN ALGORITMA KLASIFIKASI RANDOM FOREST DAN LOGISTIC REGRESSION Eneng Tita Tosida Computer Science Dept. Pakuan Univeristy Bogor, Indonesia enengtitatosida@unpak.ac.id Erniyati Computer Science Dept. Pakuan University Bogor, Indonesia neni_erniyati@unpak.ac.id Salma Amanda Computer Science Dept. Pakuan University Bogor, Indonesia salma.065119196@unpak.ac.id Indra Permana Solihin Informatic Dept. UPN Veteran Jakarta, Indonesia indrapermana@upnvj@ac.id Abstrak— Pertumbuhan penduduk yang semakin lama meningkat menimbulkan terjadinya migrasi dari desa ke kota, karena selama ini pembangunan cenderung berorientasi dan bias sehingga menyebabkan pembangunan di desa menjadi terhambat. Hal tersebut lah yang menciptakan ketimpangan antara desa dengan kota. Salah satu cara untuk mengurangi ketimpangan antara desa dan kota yaitu dengan adanya pembangunan desa cerdas atau smart village. Oleh karena itu, dilakukan prediksi potensi desa cerdas dengan membandingkan dua algoritma klasifikasi, yaitu Random Forest dan Logistic Regression untuk mencari tahu mana algoritma yang kinerjanya lebih baik. Data penelitian ini bersumber dari Badan Pusat Statistik tahun 2021 dengan jumlah variasi data yaitu 1500, 1550, 1600, dan 1650 yang diambil secara acak dan proposional. Evaluasi pada penelitian ini menggunakan confusion matrix dengan mengambil nilai precision yang paling tinggi sebagai pengambilan kesimpulan kinerja algoritma. Pembagian dataset dari penelitian ini terdiri 90:10, 85:15, 80:20, dan 70:30. Hasil terbaik dari percobaan adalah dataset 85:15 dengan jumlah data 1500. Nilai precision yang paling tinggi dari algoritma Random Forest sebesar 92.37% dan Logistic Regression sebesar 92.30%. Karena algoritma Random Forest lebih unggul daripada algoritma Logistic Regression, maka hasil prediksi yang digunakan adalah prediksi Random Forest. Kata Kunci— Desa Cerdas, Potensi Desa, Random Forest, Logistic Regression

Amanda, Salma and Tita Tosida, Eneng and Erniyati, Erniyati (2024) PREDIKSI POTENSI DESA CERDAS MENGGUNAKAN ALGORITMA KLASIFIKASI RANDOM FOREST DAN LOGISTIC REGRESSION Eneng Tita Tosida Computer Science Dept. Pakuan Univeristy Bogor, Indonesia enengtitatosida@unpak.ac.id Erniyati Computer Science Dept. Pakuan University Bogor, Indonesia neni_erniyati@unpak.ac.id Salma Amanda Computer Science Dept. Pakuan University Bogor, Indonesia salma.065119196@unpak.ac.id Indra Permana Solihin Informatic Dept. UPN Veteran Jakarta, Indonesia indrapermana@upnvj@ac.id Abstrak— Pertumbuhan penduduk yang semakin lama meningkat menimbulkan terjadinya migrasi dari desa ke kota, karena selama ini pembangunan cenderung berorientasi dan bias sehingga menyebabkan pembangunan di desa menjadi terhambat. Hal tersebut lah yang menciptakan ketimpangan antara desa dengan kota. Salah satu cara untuk mengurangi ketimpangan antara desa dan kota yaitu dengan adanya pembangunan desa cerdas atau smart village. Oleh karena itu, dilakukan prediksi potensi desa cerdas dengan membandingkan dua algoritma klasifikasi, yaitu Random Forest dan Logistic Regression untuk mencari tahu mana algoritma yang kinerjanya lebih baik. Data penelitian ini bersumber dari Badan Pusat Statistik tahun 2021 dengan jumlah variasi data yaitu 1500, 1550, 1600, dan 1650 yang diambil secara acak dan proposional. Evaluasi pada penelitian ini menggunakan confusion matrix dengan mengambil nilai precision yang paling tinggi sebagai pengambilan kesimpulan kinerja algoritma. Pembagian dataset dari penelitian ini terdiri 90:10, 85:15, 80:20, dan 70:30. Hasil terbaik dari percobaan adalah dataset 85:15 dengan jumlah data 1500. Nilai precision yang paling tinggi dari algoritma Random Forest sebesar 92.37% dan Logistic Regression sebesar 92.30%. Karena algoritma Random Forest lebih unggul daripada algoritma Logistic Regression, maka hasil prediksi yang digunakan adalah prediksi Random Forest. Kata Kunci— Desa Cerdas, Potensi Desa, Random Forest, Logistic Regression. Skripsi thesis, Universitas Pakuan.

Text laporan skripsi - TTD.pdf Download (2MB)

Abstract

PREDIKSI POTENSI DESA CERDAS MENGGUNAKAN ALGORITMA KLASIFIKASI RANDOM FOREST DAN LOGISTIC REGRESSION Eneng Tita Tosida Computer Science Dept. Pakuan Univeristy Bogor, Indonesia enengtitatosida@unpak.ac.id Erniyati Computer Science Dept. Pakuan University Bogor, Indonesia neni_erniyati@unpak.ac.id Salma Amanda Computer Science Dept. Pakuan University Bogor, Indonesia salma.065119196@unpak.ac.id Indra Permana Solihin Informatic Dept. UPN Veteran Jakarta, Indonesia indrapermana@upnvj@ac.id Abstrak— Pertumbuhan penduduk yang semakin lama meningkat menimbulkan terjadinya migrasi dari desa ke kota, karena selama ini pembangunan cenderung berorientasi dan bias sehingga menyebabkan pembangunan di desa menjadi terhambat. Hal tersebut lah yang menciptakan ketimpangan antara desa dengan kota. Salah satu cara untuk mengurangi ketimpangan antara desa dan kota yaitu dengan adanya pembangunan desa cerdas atau smart village. Oleh karena itu, dilakukan prediksi potensi desa cerdas dengan membandingkan dua algoritma klasifikasi, yaitu Random Forest dan Logistic Regression untuk mencari tahu mana algoritma yang kinerjanya lebih baik. Data penelitian ini bersumber dari Badan Pusat Statistik tahun 2021 dengan jumlah variasi data yaitu 1500, 1550, 1600, dan 1650 yang diambil secara acak dan proposional. Evaluasi pada penelitian ini menggunakan confusion matrix dengan mengambil nilai precision yang paling tinggi sebagai pengambilan kesimpulan kinerja algoritma. Pembagian dataset dari penelitian ini terdiri 90:10, 85:15, 80:20, dan 70:30. Hasil terbaik dari percobaan adalah dataset 85:15 dengan jumlah data 1500. Nilai precision yang paling tinggi dari algoritma Random Forest sebesar 92.37% dan Logistic Regression sebesar 92.30%. Karena algoritma Random Forest lebih unggul daripada algoritma Logistic Regression, maka hasil prediksi yang digunakan adalah prediksi Random Forest. Kata Kunci— Desa Cerdas, Potensi Desa, Random Forest, Logistic Regression Eneng Tita Tosida Computer Science Dept. Pakuan Univeristy Bogor, Indonesia enengtitatosida@unpak.ac.id Erniyati Computer Science Dept. Pakuan University Bogor, Indonesia neni_erniyati@unpak.ac.id Salma Amanda Computer Science Dept. Pakuan University Bogor, Indonesia salma.065119196@unpak.ac.id Indra Permana Solihin Informatic Dept. UPN Veteran Jakarta, Indonesia indrapermana@upnvj@ac.id Abstrak— Pertumbuhan penduduk yang semakin lama meningkat menimbulkan terjadinya migrasi dari desa ke kota, karena selama ini pembangunan cenderung berorientasi dan bias sehingga menyebabkan pembangunan di desa menjadi terhambat. Hal tersebut lah yang menciptakan ketimpangan antara desa dengan kota. Salah satu cara untuk mengurangi ketimpangan antara desa dan kota yaitu dengan adanya pembangunan desa cerdas atau smart village. Oleh karena itu, dilakukan prediksi potensi desa cerdas dengan membandingkan dua algoritma klasifikasi, yaitu Random Forest dan Logistic Regression untuk mencari tahu mana algoritma yang kinerjanya lebih baik. Data penelitian ini bersumber dari Badan Pusat Statistik tahun 2021 dengan jumlah variasi data yaitu 1500, 1550, 1600, dan 1650 yang diambil secara acak dan proposional. Evaluasi pada penelitian ini menggunakan confusion matrix dengan mengambil nilai precision yang paling tinggi sebagai pengambilan kesimpulan kinerja algoritma. Pembagian dataset dari penelitian ini terdiri 90:10, 85:15, 80:20, dan 70:30. Hasil terbaik dari percobaan adalah dataset 85:15 dengan jumlah data 1500. Nilai precision yang paling tinggi dari algoritma Random Forest sebesar 92.37% dan Logistic Regression sebesar 92.30%. Karena algoritma Random Forest lebih unggul daripada algoritma Logistic Regression, maka hasil prediksi yang digunakan adalah prediksi Random Forest. Kata Kunci— Desa Cerdas, Potensi Desa, Random Forest, Logistic Regression

Item Type:	Thesis (Skripsi)
Subjects:	Fakultas Ilmu Pengetahuan Alam dan Matematika > Ilmu Komputer
Divisions:	Fakultas Matematika dan Ilmu Pengetahuan Alam > Ilmu Komputer
Depositing User:	PERPUSTAKAAN FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNPAK
Date Deposited:	14 Oct 2024 03:10
Last Modified:	14 Oct 2024 03:10
URI:	http://eprints.unpak.ac.id/id/eprint/8423

Actions (login required)

View Item