Implementasi Metode Support Vector Machine (SVM) Untuk Klasifikasi Daerah Tertinggal di Indonesia (Studi Kasus : Data Indikator Daerah Tertinggal Di Indonesia Tahun 2022)

Abstract

Proses pembangunan yang mengutamakan pertumbuhan akan menimbulkan kesenjanagan di antara wilayah maju dan wilayah tertinggal. Kondisi tersebut dapat terjadi di kota-kota kecil maupun kota-kota besar. Kesenjangan pembangunan sendiri merupakan salah satu permasalahan yang sering terjadi di negara berkembang, tidak terkecuali Indonesia. Pemerintah biasanya menetapkan daerah tertinggal dan juga kategori ketertinggalan selama lima tahun sekali. Pada tahun 2018, Badan Pusat Statistik melakukan pendataan mengenai Potensi Desa (Podes) yang menghasilkan data jumlah desa tertinggal mengalami penurunan dari tahun 2014 hingga tahun 2018. Pembangunan desa yang telah dilakukan berkorelasi sebesar 67% terhadap hasil pembangunan di daerah-daerah tertinggal karena kedua hal tersebut memiliki hubungan yang sangat signifikan. Salah satu upaya yang dilakukan untuk mengatasi daerah tertinggal adalah dengan mengoptimalkan dana desa yang disalurkan dalam pembanguan di daerah tertinggal. Indonesia merupakan salah satu negara di Asia Tenggara yang terdiri dari 38 provinsi dengan julukan negara kepulauan terbesar di dunia. Luas wilayah Indonesia mencapai 1.916.906,77 km dengaan jumlah pulau sebanyak 16.766 pulau. Menurut Peraturan Presiden Indonesia Nomor 63 Tahun 2020, beberapa wilayah yang termasuk bagian penetapan daerah tertinggal di tahun 2020 hingga tahun 2024 berada di wilayah Sumatera, Nusa Tenggara, Sulawesi, Maluku, dan juga Papua. Support Vector Machine (SVM) merupakan suatu algoritma yang dapat digunakan untuk melakukan prediksi, baik dalam kasus klasifikasi maupun regresi. Support Vector Machine didasarkan pada prinsip klasifikasi yang dapat dipisahkan secara linear,

tetapi juga dapat dikembangkan supaya dapat mengerjakan permasalahan non- linear menggunakan konsep kernel pada ruang kerja yang berdimensi tinggi.

Dengan menggunakan metode SVM, diperoleh hasil bahwa fungsi kernel terbaik adalah fungsi kernel RBF yang mampu mlekakukan klasifikasi dengan tingkat akurasi sebesar 94.17% dan error rate sebesar 5.83%. Terdapat 6 kabupaten yang semula dikategorikan tidak tertinggal menjadi tertinggal dengan metode SVM yaitu Kabupaten Situbondo, Kabupaten Bangkalan, Kabupaten Sumba Barat Daya, Kabupaten Majene, Kabupaten Merauke, dan Kabupaten Jayawijaya. Sedangkan tidak terdapat kabupaten yang semula dikategorikan tertinggal menjadi tidak tertinggal.