Pemodelan Klasifikasi Tingkat Kemiskinan di Indonesia
Penerapan algoritma Supervised Machine Learning untuk menganalisis data sosio-ekonomi dan memetakan kluster tingkat kemiskinan wilayah di Indonesia berbasis indikator kesejahteraan.
PythonPandasScikit-LearnMatplotlibSeabornMachine Learning
Dokumentasi & Ringkasan Teknis
Ringkasan Riset
Kemiskinan adalah tantangan multidimensional yang dipengaruhi oleh berbagai faktor sosio-ekonomi seperti akses pendidikan, fasilitas kesehatan, daya beli, dan infrastruktur regional. Proyek data science ini memanfaatkan dataset makro indikator kesejahteraan di Indonesia untuk mengidentifikasi fitur-fitur kunci yang paling berpengaruh terhadap disparitas kemiskinan.
Pendekatan Analitik
- Eksplorasi Data (EDA): Analisis korelasi antar fitur ekonomi daerah serta identifikasi outlier.
- Feature Engineering & Imbalanced Data: Standardisasi skala variabel numerik dan penanganan ketidakseimbangan kelas data.
- Komparasi Algoritma: Melakukan perbandingan performa antara Random Forest, Support Vector Machine (SVM), dan Logistic Regression untuk menemukan model dengan daya generalisasi terbaik.