KLASIFIKASI DAERAH TERTINGGAL KABUPATEN/KOTA DI INDONESIA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) DENGAN INTERPRETASI MODEL BERBASIS SHAPLEY ADDITIVE EXPLANATIONS (SHAP)

Penelitian ini bertujuan untuk mengklasifikasikan daerah tertinggal kabupaten/kota
di Indonesia menggunakan metode Support Vector Machine (SVM) serta
menginterpretasikan hasil klasifikasi melalui pendekatan Shapley Additive
Explanations (SHAP). Data yang digunakan terdiri atas 514 kabupaten/kota dengan
lima variabel prediktor, yaitu Indeks Kedalaman Kemiskinan, Rata-Rata Lama
Sekolah, Tingkat Pengangguran Terbuka, Harapan Lama Sekolah, dan Umur
Harapan Hidup. Data dibagi menjadi data pelatihan dan data pengujian dengan
proporsi 80% dan 20%. Model SVM dibangun menggunakan kernel Radial Basis
Function (RBF) dengan parameter terbaik yang diperoleh melalui proses tuning.
Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi sebesar
89,32% pada data pengujian, sehingga memiliki kemampuan yang baik dalam
mengklasifikasikan daerah tertinggal dan tidak tertinggal. Analisis SHAP
menunjukkan bahwa Indeks Kedalaman Kemiskinan merupakan variabel yang
paling berpengaruh terhadap hasil klasifikasi. Temuan ini diharapkan dapat menjadi
dasar dalam mendukung perumusan kebijakan pembangunan daerah yang lebih
tepat sasaran dan berbasis data.
Kata kunci: Support Vector Machine, SHAP, Daerah Tertinggal, Klasifikasi,

Pembangunan Daerah.