Prediksi Keberlanjutan Usaha Kecil Menengah (UKM) Menggunakan Algoritma Machine Learning

Abstrak

Usaha Kecil Menengah (UKM) berkontribusi sekitar 60% terhadap Produk Domestik Bruto (PDB) Indonesia dan menyerap lebih dari 97% tenaga kerja. Namun, UKM menghadapi tantangan yang menghambat keberlanjutan, seperti keterbatasan modal dan ketidakstabilan pasar. Penelitian ini bertujuan mengembangkan model prediksi untuk memetakan keberlanjutan UKM berdasarkan variabel-variabel yang mempengaruhi kelangsungan usaha. Metode yang digunakan mencakup klasterisasi dengan Agglomerative Clustering, K-Means, dan DBSCAN, serta klasifikasi menggunakan algoritma seperti Logistic Regression, Random Forest, dan XGBoost.

Hasil menunjukkan bahwa metode Agglomerative Clustering memberikan kinerja terbaik dengan Silhouette Score 0.68. Semua model klasifikasi awalnya mencapai akurasi 1.0 dengan standard deviation 0.0, namun menunjukkan indikasi overfitting akibat ketidakseimbangan kelas antara kategori "Berlanjut" dan "Tidak Berlanjut". Untuk mengatasi masalah ini, penerapan metode SMOTE (Synthetic Minority Over-sampling Technique) dan 5-Fold Cross-Validation dilakukan. Hasilnya menunjukkan peningkatan kemampuan model dalam mengenali pola pada kelas minoritas, sehingga akurasi model menjadi lebih representatif terhadap kedua kelas. Penelitian ini diharapkan memberikan wawasan bagi Dinas Koperasi dan UKM Kota Palembang untuk mendukung keberlanjutan sektor UKM di Palembang