Hyperparameter Tuning Algoritma Supervised Learning untuk Klasifikasi Keluarga Penerima Bantuan Pangan Beras

Abstract

Indonesia memiliki berbagai macam program untuk menekan kemiskinan, salah satunya adalah program bantuan pangan beras. Namun, berdasarkan temuan di lapangan, program bantuan ini tidak tepat sasaran. Melalui klasifikasi supervised learning dengan hyperparameter tuning, penelitian ini bertujuan untuk mengetahui algoritma klasifikasi umum yang paling optimal dan akurat dalam menentukan keluarga penerima bantuan pangan beras. Algoritma Support Vector Machine (SVM), decision tree, naïve bayes, dan K-nearest neighbor (Knn) serta metode hyperparameter tuning grid search, random search, dan optimasi bayesian digunakan dalam penelitian. Data pada penelitian ini bersumber dari IFLS. Berdasarkan hasil analisis, penerapan hyperparameter tuning memiliki dampak yang signifikan dalam meningkatkan kinerja algoritma KNN, decision tree, dan SVM. Algoritma Knn dengan random search serta optimasi bayesian dan SVM dengan optimasi bayesian memberikan nilai akurasi yang sama, yakni sebesar 74%.Oleh karena itu, model tersebut memiliki kinerja yang setara dan sama baiknya dalam mengklasifikasikan keluarga penerima bantuan pangan beras.