Klasifikasi Kemiskinan Menggunakan Metode Decision Tree Pada Rapidminer

Kemiskinan adalah salah satu isu sosial yang masih menjadi tantangan di Indonesia, khususnya dalam hal pembagian bantuan sosial yang seharusnya diterima dengan layak menjadi tidak tepat. Penelitian ini memiliki tujuan untuk mengategorikan kondisi kemiskinan isi rumah dengan metode Pohon Keputusan yang dihasilkan dari pengolahan data. Prosedur dilakukan melalui serangkaian langkah pengolahan data, pemilihan atribut dengan menggunakan algoritma genetika, pengembangan model klasifikasi, serta penilaian hasil menggunakan perangkat lunak Rapidminer Studio. Data yang digunakan dari berbagai atribut sosial ekonomi seperti pendidikan, jumlah tanggungan, kepemilikan aset, dan kondisi tempat tinggal. Hasil penelitian membuktikan bahwa algoritma Decision Tree mampu menghasilkan model klasifikasi yang sangat akurat serta mudah dipahami melalui representasi pohon keputusan. Atribut energocinar2 dan overcrowding memiliki kontribusi signifikan terhadap hasil klasifikasi, sementara itu klasifikasi atribut seperti hacapo menampakkan pengaruh yang lebih rendah. Temuan ini membuktikan bahwa metode Decision Tree sangat efektif dalam mengelompokkan data serta mengidentifikasi variabel-variabel penting. Model ini berguna diterapkan sebagai penolong dalam mengambil keputusan final saat penentuan penerima bantuan sosial agar lebih menguntungkan kepada khalayak umum yang memang berhak untuk menerima Kata Kunci: Klasifikasi , Kemiskinan , Data Mining , Decision Tree , Seleksi Atribut   Poverty is a social issue that remains a challenge in Indonesia, particularly in terms of the inaccurate distribution of social assistance. This study aims to categorize household poverty using the Decision Tree method, which is generated from data processing. The procedure involves a series of data processing steps, attribute selection using a genetic algorithm, classification model development, and evaluation of the results using Rapidminer Studio software. The data used were from various socioeconomic attributes such as education, number of dependents, asset ownership, and housing conditions. The results demonstrate that the Decision Tree algorithm is capable of producing a highly accurate and easily understood classification model through a decision tree representation. The energocinar2 and overcrowding attributes significantly contributed to the classification results, while classification attributes such as hacapo showed a lesser influence. These findings demonstrate that the Decision Tree method is highly effective in grouping data and identifying important variables. This model is useful for assisting in making final decisions when determining social assistance recipients to better benefit the general public who are truly entitled to receive it.  Kata Kunci: Classification, Poverty, Data Mining, Decision Tree, Attribute Selection