Komparasi Algoritma Decision Tree dan Gradient Boosting untuk Prediksi Penerima Bantuan Sosial di Desa Kalijati Barat

Abstract

Kemiskinan masih menjadi persoalan sosial utama di Indonesia yang menghambat pemerataan kesejahteraan masyarakat. Program Bantuan Langsung Tunai Dana Desa (BLT-DD) menjadi instrumen pemerintah dalam mengatasi kemiskinan, namun penentuan penerimanya masih dilakukan secara manual dan subjektif sehingga rawan ketidaktepatan sasaran. Penelitian ini membandingkan performa algoritma Decision Tree dan Gradient Boosting dalam memprediksi penerima bantuan sosial di Desa Kalijati Barat, Kabupaten Subang, menggunakan pendekatan Knowledge Discovery in Databases (KDD). Data yang digunakan berupa Buku Induk Penduduk (BIP) Tahun 2019 dan data penerima BLT-DD Tahun 2025. Ketidakseimbangan kelas ekstrem (rasio ±101:1) ditangani menggunakan SMOTE. Model dioptimasi dengan GridSearchCV dan Stratified K-Fold Cross Validation (k=5) pada tiga skenario pembagian data. Hasil menunjukkan kedua algoritma menghasilkan accuracy tinggi (0,91–0,98), namun berdasarkan recall dan F1-score, Decision Tree lebih unggul pada skenario 80:20 (recall=0,3333; F1-score=0,1579), sedangkan Gradient Boosting gagal mendeteksi kelas minoritas pada skenario 90:10. Analisis feature importance menunjukkan tingkat pendidikan kepala keluarga, jenis pekerjaan, dan rasio tanggungan sebagai faktor paling berpengaruh.