IDENTIFIKASI PENDUDUK MISKIN BERBASIS MACHINE LEARNING MENGGUNAKAN SUPPORT VECTOR MACHINE DI DESA SEREKA KECAMATAN BABAT TOMAN

ABSTRAK
Kemiskinan merupakan permasalahan multidimensional yang membutuhkan pendekatan sistematis dalam pengambilan kebijakan. Penelitian ini bertujuan untuk mengklasifikasikan status kemiskinan penduduk Desa Sereka, Kabupaten Musi Banyuasin dengan menggunakan metode Support Vector Machine (SVM) dalam teknik machine learning. Data diperoleh dari dokumen administrasi warga seperti Kartu Keluarga dan KTP yang diklasifikasikan berdasarkan informasi pekerjaan, pendidikan, dan status sosial ekonomi. Model diuji menggunakan berbagai rasio pembagian data training dan testing seperti 80:20 dan 70:30, dan dievaluasi menggunakan metrik confusion matrix yang mencakup precision, recall, dan accuracy. Hasil menunjukkan bahwa SVM mampu memberikan performa klasifikasi yang cukup baik, dengan nilai akurasi tertinggi mencapai 80% pada rasio 70:30. Penelitian ini menunjukkan bahwa metode SVM dapat membantu pemerintah desa dalam mengidentifikasi warga miskin secara lebih akurat, sehingga penyaluran bantuan sosial dapat menjadi lebih tepat sasaran dan mengurangi kecemburuan sosial di masyarakat.
Kata Kunci : Mesin Vektor Pendukung (SVM)

ABSTRACT
Poverty is a multidimensional issue that requires a systematic approach in policy-making. This study aims to classify the poverty status of residents in Sereka Village, Musi Banyuasin Regency using the Support Vector Machine (SVM) method within machine learning techniques. Data were obtained from residents’ administrative documents such as Family Cards and ID cards, and were classified based on employment, education, and socio-economic status. The model was tested using various data split ratios such as 80:20 and 70:30, and evaluated using a confusion matrix, covering metrics such as precision, recall, and accuracy. The results show that SVM can achieve good classification performance, with the highest accuracy reaching 80% at a 70:30 ratio. This research demonstrates that the SVM method can assist local governments in accurately identifying impoverished citizens, enabling more targeted distribution of social aid and reducing social jealousy in the community.
Keyword : Support Vector Machine (SVM)