OPTIMALISASI DECISION TREE UNTUK PENENTUAN KELAYAKAN PENERIMA BANTUAN KESEJAHTERAAN

Abstract

Penentuan kelayakan penerima bantuan kesejahteraan (KESRA) merupakan proses penting untuk memastikan bahwa bantuan diberikan secara tepat sasaran dan adil, namun dalam praktiknya penilaian yang dilakukan secara manual sering menghadapi kendala berupa subjektivitas, keterbatasan analisis data, serta potensi kesalahan dalam pengambilan keputusan. Penelitian ini bertujuan untuk menerapkan metode data mining menggunakan algoritma Decision Tree dalam mengklasifikasikan kelayakan penerima bantuan KESRA berdasarkan karakteristik sosial dan ekonomi masyarakat. Metode penelitian yang digunakan adalah supervised learning melalui beberapa tahapan, yaitu data preprocessing untuk membersihkan dan menyiapkan data, transformasi data agar sesuai dengan kebutuhan pemodelan, pembentukan model Decision Tree baseline sebagai pembanding awal, serta optimasi model menggunakan GridSearchCV dan teknik pruning guna meningkatkan performa dan menghindari overfitting. Dataset dibagi menjadi data latih dan data uji dengan rasio 80:20 untuk memastikan evaluasi yang objektif. Kinerja model dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score, serta dianalisis menggunakan confusion matrix untuk mengidentifikasi kesalahan klasifikasi. Hasil penelitian menunjukkan bahwa model Decision Tree baseline mampu mencapai tingkat akurasi sebesar 90%, sedangkan model hasil optimasi menunjukkan peningkatan performa dengan struktur pohon keputusan yang lebih sederhana dan mudah diinterpretasikan. Selain itu, analisis feature importance menunjukkan bahwa variabel pendapatan merupakan faktor paling dominan dalam menentukan kelayakan penerima bantuan KESRA. Berdasarkan hasil tersebut, dapat disimpulkan bahwa algoritma Decision Tree yang telah dioptimasi dapat digunakan secara efektif sebagai sistem pendukung keputusan dalam penentuan kelayakan penerima bantuan kesejahteraan secara objektif, akurat, dan berbasis data.