Komparasi Algoritma Random Forest dan XGBoost dalam Klasifikasi Risiko Perizinan Usaha pada UMKM

Rinda Fitriana Azmi; Galih Hendro Martono; Neny Suliastianingsih

doi:10.31004/riggs.v5i2.12016

Authors

Rinda Fitriana Azmi Universitas Bumigora
Galih Hendro Martono Universitas Bumigora
Neny Suliastianingsih Universitas Bumigora

DOI:

https://doi.org/10.31004/riggs.v5i2.12016

Keywords:

UMKM, Risiko Usaha, Random Forest, XGBoost, Klasifikasi

Abstract

Tingkat risiko perizinan usaha merupakan aspek penting dalam menentukan legalitas dan kewajiban perizinan yang harus dipenuhi oleh pelaku UMKM. Penelitian ini bertujuan membandingkan kinerja algoritma Random Forest dan XGBoost dalam mengklasifikasikan tingkat risiko perizinan usaha UMKM. Dataset yang digunakan berjumlah 4.081 data dengan variabel investasi, omset, jumlah tenaga kerja, skala usaha, luas tanah, dan risiko usaha sebagai label klasifikasi. Tahapan penelitian meliputi pengumpulan data, eksplorasi data, preprocessing, pembagian data, pemodelan menggunakan Random Forest dan XGBoost , evaluasi model, serta pengujian teknik resampling untuk menangani ketidakseimbangan kelas. Pengujian dilakukan pada model dengan parameter default dan model yang telah dioptimasi melalui hyperparameter tuning. Hasil evaluasi menunjukkan bahwa Random Forest dengan hyperparameter tuning memperoleh performa terbaik dengan accuracy sebesar 94%, precision macro sebesar 87%, recall macro sebesar 78%, dan F1-score macro sebesar 82%. Sementara itu, XGBoost dengan hyperparameter tuning memperoleh accuracy sebesar 91%, precision macro sebesar 81%, recall macro sebesar 79%, dan F1-score macro sebesar 79%. Hasil tersebut menunjukkan bahwa Random Forest dengan hyperparameter tuning tanpa resampling menjadi model paling stabil dalam mengklasifikasikan tingkat risiko perizinan usaha UMKM. Penelitian ini diharapkan dapat mendukung proses identifikasi risiko usaha secara lebih sistematis, objektif, dan berbasis data.

Downloads

Download data is not yet available.

References

[1] M. Purgianto, C. D. Massie, and R. M. S. Sarapun, “Konsekuensi Hukum Bagi Penyimpangan Terhadap Kewajiban Persetujuan Lingkungan Hidup Terkait Dengan Perizinan Berusaha,” Fak. Huk. Lex Priv., vol. XII, no. I, 2023.

[2] H. Amalia Febrianti, K. Iskandar, N. Aisyah, M. Dini Adita Pembuatan Nomor Induk Berusaha, and M. Dini Adita, “Pembuatan Nomor Induk Berusaha (NIB) dan Kesadaran Legalitas Usaha di Usaha Mikro, Kecil, dan Menengah (UMKM) Desa Tegalreja,” Era Abdimas J. Pengabdi. dan Pemberdaya. Masy. Multidisiplin, vol. 1, no. 4, pp. 54–61, 2023.

[3] I. M. Faiza and W. Andriani, “Tinjauan Pustaka Sistematis : Penerapan Metode Machine Learning untuk Deteksi Bencana Banjir,” vol. 11, no. September, pp. 59–63, 2022.

[4] M. Erkamim, S. Suswadi, M. Z. Subarkah, and E. Widarti, “Komparasi Algoritme Random Forest dan XGBoost ing dalam Klasifikasi Performa UMKM,” J. Sist. Inf. Bisnis, vol. 13, no. 2, pp. 127–134, 2023.

[5] H. He and E. A. Garcia, “Learning from imbalanced data,” IEEE Trans. Knowl. Data Eng., vol. 21, no. 9, pp. 1263–1284, Sep. 2009.

[6] K. Afane and Y. Zhao, “Selecting Classifiers and Resampling Techniques for Imbalanced Dataset s: A New Perspective,” Procedia Comput. Sci., vol. 246, no. C, pp. 1150–1159, Jan. 2024.

[7] T. A. Hasibuan, K. N. Simatupang, Z. Arbiah, and M. K. Gibran, “Evaluasi Kinerja Algoritma Machine Learning pada Data Administratif Warga Binaan,” J. Nas. Komputasi dan Teknol. Inf., vol. 9, no. 1, pp. 154–161, 2026.

[8] M. N. Musyafa, E. K. Silalahi, I. A. Berutu, K. R. Azis, and F. Ramadhani, “Prediksi Churn Nasabah Bank Menggunakan Algoritma Random Forest,” J. Nas. Komputasi dan Teknol. Inf., vol. 8, no. 4, pp. 1801–1807, 2025.

[9] R. S. Hidayana et al., “Sistem Prediksi Risiko Penyakit Jantung Berbasis Machine Learning dan Framework Streamlit,” vol. 8, no. 6, pp. 3672–3680, 2025.

[10] C. A. Sugianto and P. N. Sari, “Klasifikasi Kelayakan Penerima Bantuan Langsung Tunai Bagi UMKM di Kota Cimahi Menggunakan Algoritma Naïve Bayes,” J. Informatics Electron. Eng., vol. 4, no. 2, p. 64, 2024.

[11] G. I. Royani, N. S. Amelia, Marlina, and F. N. Cahya, “Studi Komparatif Algoritma C4.5 Dan Random Forest Pada Digitalisasi UMKM Kabupaten Tegal,” LPPM Universitas Nusa Mandiri, p. VOL.20, 2026.

[12] A. Saepuloh, P. A. Sanusi, E. Rilvani, U. P. Bangsa, and K. Bekasi, “Analisis Komparatif Prediksi Keberhasilan Usaha Kecil Menengah Menggunakan Credal C4.5 dan Credal Decision Tree,” J. Nas. Komputasi dan Teknol. Inf., vol. 3, no. 7, 2025.

[13] E. Danuarta and D. Alita, “Perbandingan Algoritma Naïve Bayes dan Random Forest untuk Melakukan Analisis Sentimen Cyberbullying Generasi Z Pada Twitter,” Build. Informatics, Technol. Sci., vol. 6, no. 4, pp. 2448–2458, 2025.

[14] E. I. Muhammad Radhi, Amalia,Daniel Ryan Hamonangan Sitompul,Stiven Hamonangan Sinurat, “Analisis Big Data Dengan Metode (EDA) menggunakan jupyter notebook,” vol. 4, no. 2, pp. 2–6, 2022.

[15] Stacyana Jesika, S. Ramadhani, and Yohanna Permata Putri, “Implementasi Model Machine Learning dalam Mengklasifikasi Kualitas Air,” J. Ilm. Dan Karya Mhs., vol. 1, no. 6, pp. 382–396, 2023.

[16] I. made budi Adnyana, “Prediksi Lama Studi Mahasiswa STIKOM ,” pp. 201–208, Aug. 2015.

[17] P. Ishakar, Andika, and M. I. R. Ihsan, “Aplikasi Prediksi Churn Pelanggan Menggunakan Algoritma Random Forest pada Perusahaan Telekomunikasi,” J. Teknol. Inf., vol. 8, 2025.

[18] T. Chen and C. Guestrin, “XGBoost : A Scalable Tree Boosting System,” Assoc. Comput. Mach., vol. 42, no. 8, p. 665, 2016.

[19] Karfindo, R. Turaina, and R. Saputra, “Optimalisasi Deteksi Malware pada Platform Android dengan Pendekatan Ensemble Machine Learning,” J. Nas. Komputasi dan Teknol. Inf., vol. 7, no. 3, pp. 394–403, 2024.

[20] N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, “SMOTE: Synthetic Minority Over-sampling Technique,” J. Artif. Intell. Res., vol. 16, pp. 321–357, 2002.

[21] H. He, Y. Bai, E. A. Garcia, and S. Li, “ADASYN: Adaptive synthetic sampling approach for imbalanced learning,” Proc. Int. Jt. Conf. Neural Networks, pp. 1322–1328, 2008.

[22] A. F. Azmi and A. Voutama, “Prediksi Churn Nasabah Bank Menggunakan Klasifikasi Random Forest Dan Decision Tree Dengan Evaluasi Confusion Matrix,” Komputa J. Ilm. Komput. dan Inform., vol. 13, no. 1, pp. 111–119, 2024.