@phdthesis{digilib74201,
           month = {August},
           title = {PERBANDINGAN PEMBELAJARAN KERNEL LINEAR, POLINOMIAL DAN RBF UNTUK KLASIFIKASI KONDISI KESEJAHTERAAN MASYARAKAT KECAMATAN MLATI KABUPATEN SLEMAN},
          school = {UIN SUNAN KALIJAGA YOGYAKARTA},
          author = {NIM.: 21106010069 Visca Tiara Malinda},
            year = {2025},
            note = {Muchammad Abrori, S.Si., M.Sc.},
        keywords = {pemetaan kesejahteraan; machine learning; Support Vector Machine (SVM)},
             url = {https://digilib.uin-suka.ac.id/id/eprint/74201/},
        abstract = {Kesejahteraan masyarakat merupakan indikator penting dalam pembangunan daerah yang memerlukan pemetaan yang akurat untuk mendukung kebijakan penanggulangan kemiskinan. Penelitian ini bertujuan untuk membandingkan metode pemebelajaran kernel linear, polynomial dan RBF untuk klasifikasi kondisi kesejahteraan masyarakat Kecamatan Mlati, Kabupaten Sleman. Kernel dalam konteks machine learning adalah fungsi matematis yang digunakan dalam Support Vector Machine (SVM) untuk mentransformasikan data dari ruang berdimensi rendah ke ruang berdimensi lebih tinggi, sehingga pola data yang kompleks dapat dipisahkan secara lebih efektif. Dataset penelitian diperoleh dari SIMNANGKIS (Sistem Informasi Manajemen Penanggulangan Kemiskinan) Dinas Sosial Kabupaten Sleman pada bulan Juli 2023 yang kemudian dipublikasikan kembali di website www.kaggle.com. Data yang digunakan adalah data status kesejahteraan masyarakat Kecamatan Mlati, Kabupaten Sleman yang berjumlah 10.699 observasi dengan 38 variabel independen dan 1 variabel dependen. Status kesejahteraan masyarakat diklasifikasikan menjadi dua kategori, yaitu miskin dan rentan miskin. Metodologi penelitian menggunakan pendekatan machine learning dengan membandingkan performa tiga kernel SVM yang berbeda. Hasil penelitian menunjukkan bahwa kernel polinomial memberikan performa terbaik dengan akurasi tertinggi sebesar 88,72\%, diikuti oleh kernel RBF 88,14\% dan kernel linear 86,70\%. Temuan ini menunjukkan bahwa kernel polinomial lebih efektif dalam menangkap pola kompleks dalam data kesejahteraan masyarakat.}
}