Regresi Logistik Biner dan Support Vector Machine dalam Klasifikasi Indeks Pembangunan Manusia

Abstrak

Regresi Logistik Biner dan Support Vector Machine (SVM) merupakan dua metode klasifikasi yang banyak digunakan dalam analisis data, terutama untuk permasalahan dengan variabel target kategorik. Dalam penelitian ini, kedua metode tersebut dibandingkan untuk mengklasifikasikan status Indeks Pembangunan Manusia (IPM) Indonesia tahun 2024. Data awal terdiri dari lima variabel prediktor, namun setelah dilakukan analisis korelasi untuk menghindari multikolinearitas, hanya tiga variabel yang digunakan dalam pemodelan. Teknik Synthetic Minority Over-Sampling Technique (SMOTE) diterapkan untuk menangani ketidakseimbangan kelas. Regresi Logistik Biner dipilih karena interpretabilitasnya yang baik, sedangkan SVM digunakan sebagai pembanding karena kemampuannya yang robust terhadap outliers. Hasil evaluasi menunjukkan bahwa Regresi Logistik Biner menghasilkan akurasi sebesar 87,85%, sedikit lebih tinggi dibandingkan SVM yang mencapai 86,92%. Oleh karena itu, Regresi Logistik Biner dinilai lebih optimal dalam mengklasifikasikan status IPM pada data yang telah diseimbangkan dan disederhanakan. Penelitian ini memberikan kontribusi dalam penerapan metode statistik dan pembelajaran mesin untuk mendukung analisis pembangunan manusia berbasis data.