PERBANDINGAN ALGORITMA LIGHTGBM DAN RANDOM FOREST UNTUK KLASIFIKASI KATEGORI INDEKS PEMBANGUNAN MANUSIA (IPM) KABUPATEN/KOTA DI INDONESIA

Indeks Pembangunan Manusia (IPM) merupakan indikator yang menggambarkan
kualitas pembangunan manusia berdasarkan aspek kesehatan, pendidikan, dan
standar hidup layak. Penelitian ini bertujuan membandingkan performa algoritma
Light Gradient Boosting Machine (LightGBM) dan Random Forest dalam
mengklasifikasikan kategori IPM kabupaten/kota di Indonesia. Data yang
digunakan merupakan data sekunder Badan Pusat Statistik (BPS) tahun 2024
sebanyak 514 kabupaten/kota dengan lima variabel prediktor, yaitu Angka
Harapan Hidup, Harapan Lama Sekolah, Rata-rata Lama Sekolah, Pengeluaran
Riil per Kapita Disesuaikan, dan Persentase Penduduk Miskin. Penentuan
hyperparameter terbaik dilakukan menggunakan Grid Search Cross Validation.
Hasil penelitian menunjukkan bahwa Random Forest memberikan performa
terbaik dengan accuracy 96,12%, precision 96,26%, recall 96,12%, F1-score
96,15%, dan AUC-ROC 99,42%, sedangkan LightGBM memperoleh accuracy
95,15%, precision 95,83%, recall 95,15%, F1-score 95,24%, dan AUC-ROC
99,26%. Dengan demikian, Random Forest merupakan model terbaik untuk
klasifikasi kategori IPM.
Kata kunci: Indeks Pembangunan Manusia, LightGBM, Random Forest,
Klasifikasi, Machine Learning.