Penerapan Random Forest Untuk Prediksi Dan Analisis Kemiskinan

Abstract

Penelitian ini bertujuan untuk menerapkan algoritma Random Forest dalam memprediksi persentase kemiskinan di Kabupaten Bogor. Dengan menggunakan data deret waktu tahun 2019–2024, model dibangun berdasarkan fitur lag (Lag 1 dan Lag 2) untuk menangkap pola historis fluktuasi kemiskinan. Proses pra-pemrosesan melibatkan normalisasi data dan pembuatan fitur temporal guna meningkatkan akurasi prediksi. Model Random Forest yang dikembangkan memberikan hasil yang cukup baik dengan nilai Mean Absolute Error (MAE) sebesar 0,22%, Root Mean Squared Error (RMSE) sebesar 0,28%, serta koefisien determinasi (R²) sebesar 0,87, menunjukkan bahwa sekitar 87% variasi kemiskinan dapat dijelaskan oleh model. Analisis feature importance mengungkapkan bahwa akses ke layanan kesehatan menjadi faktor terpenting yang memengaruhi tingkat kemiskinan (skor 0,25), diikuti oleh tingkat pendidikan (0,20), pertanian subsisten (0,15), kepadatan penduduk (0,10), dan program bantuan sosial (0,05). Hasil penelitian ini membuktikan bahwa Random Forest efektif sebagai alat prediksi dalam konteks sosial-ekonomi dan dapat mendukung perencanaan kebijakan publik yang lebih tepat sasaran dan berbasis data. Meskipun dataset yang digunakan relatif kecil, penelitian ini memberikan dasar bagi pengembangan model prediksi kemiskinan yang lebih komprehensif di masa depan.