ANALISIS PEMANFAATAN MACHINE LEARNING GUNA PREDIKSI INDEKS PEMBANGUNAN MANUSIA

Abstract

Penelitian ini bertujuan untuk membandingkan akurasi dari beberapa metode machine learning dalam memprediksi Indeks Pembangunan Manusia (IPM) dengan memanfaatkan tiga indikator utama: Angka Harapan Hidup, Rata-rata Lama Sekolah, Harapan Lama Sekolah, dan Pengeluaran per Kapita. Metode yang dibandingkan meliputi K-Nearest Neighbors (KNN), Random Forest, AdaBoost, dan Support Vector Machine (SVM), yang semakin populer dalam analisis prediktif di bidang ini. Data yang digunakan adalah data sekunder dari Badan Pusat Statistik (BPS) Indonesia, mencakup berbagai kabupaten/kota di seluruh Indonesia. Hasil penelitian menunjukkan bahwa SVM, meskipun memiliki Mean Squared Error (MSE) tertinggi pada data pelatihan (9.283), menghasilkan MSE terendah pada data pengujian (4.419), sehingga memberikan prediksi yang paling akurat. Metode ini diikuti oleh AdaBoost, Random Forest, dan KNN dalam hal akurasi prediksi. Temuan ini menyoroti efektivitas SVM dalam memprediksi IPM dan memberikan wawasan berharga untuk penerapan metode pembelajaran mesin dalam analisis data pembangunan manusia.