Analisis Komparatif Klasifikasi Kelayakan Aset Dinas Perumahan, Kawasan Permukiman dan Pertanahan Provinsi Kalimantan Tengah Menggunakan Random Forest dengan dan tanpa Fitur Kategori

Sari

ABSTRAK— Manajemen aset pemerintah membutuhkan mekanisme evaluasi kelayakan yang objektif, konsisten, dan berbasis data untuk mendukung pengambilan keputusan strategis. Penelitian ini bertujuan menganalisis dan membandingkan kinerja algoritma Random Forest dalam mengklasifikasikan kelayakan aset kantor pada Dinas Perumahan, Kawasan Permukiman, dan Pertanahan (Perkimtan) Provinsi Kalimantan Tengah dengan dua skenario fitur, yaitu dataset tanpa fitur kategori (numerik saja) dan dataset dengan penambahan fitur kategori. Dataset awal terdiri dari sekitar 800 data aset, yang setelah proses data cleaning—meliputi konversi tipe data, imputasi nilai hilang menggunakan median, penghapusan duplikasi, serta penanganan outlier menggunakan metode Interquartile Range (IQR) clipping—menghasilkan 190 data aset yang layak digunakan untuk pemodelan. Label kelayakan aset ditentukan menggunakan metode Simple Additive Weighting (SAW) berdasarkan lima kriteria penilaian, sehingga menghasilkan lima kelas target: Sangat Layak, Layak, Cukup Layak, Kurang Layak, dan Tidak Layak. Model Random Forest dilatih menggunakan skema stratified train–test split untuk menjaga distribusi kelas yang tidak seimbang, serta dievaluasi menggunakan metrik accuracy, precision, recall, F1-score berbobot (weighted), dan 5-fold cross-validation. Hasil eksperimen menunjukkan bahwa model tanpa fitur kategori menghasilkan performa yang lebih baik dibandingkan model dengan fitur kategori, dengan accuracy sebesar 78,95% dan F1-score sebesar 0,7879. Sebaliknya, model dengan fitur kategori menghasilkan accuracy sebesar 76,32% dan F1-score sebesar 0,7699, yang mengindikasikan bahwa penambahan fitur kategori tidak meningkatkan performa klasifikasi dan cenderung menurunkannya. Analisis feature importance menunjukkan bahwa fitur numerik finansial, khususnya NILAI BUKU dan NILAI ASET, merupakan kontributor utama dalam keputusan klasifikasi, sedangkan fitur kategori memberikan kontribusi yang sangat kecil. Temuan ini menegaskan bahwa dalam konteks data aset pemerintah yang heterogen dan tidak seimbang, fitur numerik finansial-operasional sudah cukup untuk membangun model klasifikasi yang akurat dan robust. Penelitian ini menyimpulkan bahwa penggunaan Random Forest dengan pemilihan fitur yang tepat dapat menjadi solusi praktis dan efektif dalam pengembangan sistem evaluasi kelayakan aset pemerintah yang objektif dan berbasis data.

Kata kunci— Random Forest, klasifikasi multiclass, kelayakan aset, feature engineering, machine learning, manajemen aset pemerintah.