Klasifikasi Tingkat Kemiskinan Tangerang Selatan Menggunakan Model Support Vector Machine dan K-Nearest Neighbours

Abstract

Kemiskinan merupakan fenomena multidimensional yang memerlukan pemetaan akurat sebagai dasar perumusan kebijakan publik yang tepat sasaran,. Dinas Sosial Kota Tangerang Selatan mengelola data verifikasi skala besar yang membutuhkan pengolahan objektif untuk menghindari inclusion dan exclusion error,. Penelitian ini bertujuan melakukan analisis komparatif performa algoritma Support Vector Machine (SVM) dan K-Nearest Neighbours (KNN) menggunakan dataset operasional hasil verifikasi sosial-ekonomi masyarakat Kota Tangerang Selatan Tahun 2024 berjumlah 5.644 data,. Metodologi penelitian mencakup tahap preprocessing sistematis melalui data cleaning, label encoding, StandardScaler, serta penyeimbangan kelas menggunakan Synthetic Minority Over-sampling Technique (SMOTE),. Hasil eksperimen menunjukkan performa yang sangat superior dari kedua model, di mana algoritma SVM dengan kernel Radial Basis Function (RBF) mencapai tingkat akurasi global sebesar 99%, mengungguli KNN yang memperoleh akurasi 97%,,. Temuan ini mengonfirmasi bahwa model komputasi yang dibangun sangat valid untuk diintegrasikan sebagai Decision Support System (DSS) guna otomatisasi validasi status kemiskinan secara transparan dan objektif di lingkungan pemerintah daerah.