Klasifikasi Tingkat Kemiskinan Di Indonesia Menggunakan Metode Naive Bayes

Kemiskinan merupakan permasalahan yang masih menjadi tantangan besar di Indonesia. Untuk mendukung upaya penanggulangan kemiskinan, dibutuhkan sistem yang mampu mengklasifikasikan tingkat kemiskinan masyarakat secara akurat dan efisien. Penelitian ini bertujuan untuk mengklasifikasikan tingkat kemiskinan di Indonesia berdasarkan data sosial ekonomi menggunakan metode Naive Bayes yang diimplementasikan dalam software Orange Data Mining. Data yang digunakan mencakup variabel seperti pengeluaran per kapita, rata rata lama sekolah penduduk, indeks pembangunan manusia, umur harapan hidup, presentase rumah tangga yang memiliki akses terhadap sanitasi layak, presentase rumah tangga yang memiliki akses terhadap air minum layak, tingkat pengangguran terbuka, tingkat partisipasi angkatan kerja. Metode Naive Bayes dipilih karena kemampuannya dalam menangani data kategorikal dan memberikan hasil yang baik meskipun asumsi independensi antar fitur tidak sepenuhnya terpenuhi. Hasil penelitian menunjukkan bahwa model Naive Bayes mampu mengklasifikasikan tingkat kemiskinan dengan kinerja yang cukup baik. Pengujian pada data training sebesar 60% menghasilkan akurasi sebesar 86,1%, F1 Score 87,8%, Precision 91,9%, dan Recall 86,1%. Meskipun terjadi sedikit penurunan akurasi pada pengujian dengan 70% dan 80% data training (masing-masing 85,9% dan 85,1%), model tetap mempertahankan tingkat presisi di atas 91%. Dengan memanfaatkan 514 data kabupaten/kota dan 10 indikator sosial ekonomi, metode ini terbukti efektif dalam mendukung klasifikasi wilayah miskin dan tidak miskin secara efisien. Temuan ini menunjukan potensi penerapan metode machine learning dalam mendukung kebijakan berbasis data untuk penanggulangan kemiskinan di Indonesia.