KLASIFIKASI DAN PREDIKSI PENANGANAN ANAK TERLANTAR BERBASIS CART DAN RANDOM FOREST
DOI:
https://doi.org/10.24076/joism.2026v8i1.2607Keywords:
Anak Terlantar, Machine Learning, CART, Random Forest, Dashboard InteraktifAbstract
Permasalahan anak terlantar memerlukan penanganan berbasis data yang sistematis. Penelitian ini membangun model klasifikasi status penanganan anak terlantar menggunakan Decision Tree (CART) dan Random Forest yang diimplementasikan dalam dashboard interaktif. Data sintetis dihasilkan dari distribusi agregat UPTD PPSGRA Dinas Sosial Jawa Barat periode 2020-2025 menggunakan Distribution-based Synthetic Data Generator. Dataset terdiri dari 5 variabel input (lembaga, jenis kelamin, tingkat pendidikan, kondisi ekonomi, usia) untuk memprediksi status penanganan (Berhasil, Proses, Gagal). Metode supervised learning dengan pembagian 80% training dan 20% testing menghasilkan Random Forest unggul dengan accuracy 74.6%, lebih baik dari Decision Tree (71.5%). Analisis feature importance mengidentifikasi usia sebagai faktor paling dominan (48.53%), diikuti oleh lembaga penanganan (21.46%) dan tingkat pendidikan (17.86%), sementara kondisi ekonomi (6.70%) dan jenis kelamin (5.46%) menunjukkan kontribusi yang lebih rendah. Temuan bahwa usia mendominasi feature importance mengindikasikan pentingnya pendekatan age-specific dalam program intervensi anak terlantar. Dashboard berbasis Streamlit menyediakan visualisasi perbandingan model, confusion matrix, feature importance, dan prediksi real-time dengan interpretasi otomatis. Penelitian ini berkontribusi pada penerapan machine learning untuk kesejahteraan sosial dengan pendekatan privacy-preserving, menyediakan decision support system untuk Dinas Sosial dalam pengambilan keputusan berbasis data.
References
[1] K. Miyeki, S. I. Bonjol, and S. I. Bonjol, “Implementasi Penanganan Antar (Anak Terlantar) Di Dinas Sosial Kabupaten Lima Puluh Kota,” vol. 1, no. 2, 2023.
[2] S. J. Yanca and L. C. Johnson, Generalist social work practice with families. Princeton, N.J.: Recording for the Blind & Dyslexic, 2008.
[3] G. I. P. Nastia, S. Sulastri, and E. Nuriyah, “UPAYA PENINGKATAN KAPASITAS KELUARGA DALAM PENGASUHAN ANAK (Studi Kasus Pada Proses Perlindungan Anak Terlantar oleh Rumah Perlindungan Sosial Asuhan Anak (RPSAA) Ciumbuleuit Kota Bandung),” sswj, vol. 11, no. 2, p. 81, Feb. 2022, doi: 10.24198/share.v11i2.37040.
[4] M. Salidyn, H. A. Kadir, and W. Wahba, “Analisis Sistem Pengelolaan Penanganan Anak Terlantar Pada Dinas Sosial Kota Palu,” J Sin Man, vol. 7, no. 2, pp. 95–104, Aug. 2020, doi: 10.56338/jsm.v7i2.1229.
[5] D. S. Nurfadhilah, A. Setiawan, and R. Zulkifli, “Implementasi Geospatial Clustering Menggunakan Algoritma K–Means Untuk Penentuan Lokasi Strategis Promosi Kampus Universitas Langlangbuana,” vol. 5, no. 2, 2025.
[6] E. Susilowati, “PRAKTIK PERLINDUNGAN ANAK TERLANTAR DI LEMBAGA KESEJAHTERAAN SOSIAL ANAK”.
[7] “Child Protection,” Child Protection Keeping children safe from violence, neglect and exploitation. [Online]. Available: https://www.unicef.org/indonesia/child-protection
[8] F. Hilmi, K. Taqiyassar, N. R. P. Pratama, S. C. Kusuma, H. R. Nurwachid, and T. N. Fatyanosa, “ANALISIS PERBANDINGAN MODEL MACHINE LEARNING TREE-BASED DAN NON-TREE-BASED UNTUK TUGAS KLASIFIKASI”.
[9] H. Helmy, A. Nursyahid, and T. A. Setyawan, “Penerapan Machine Learning untuk Mengendalikan Parameter Budidaya Tanaman Hidroponik Berbasis Edge dan Cloud Computing,” JTIIK, vol. 11, no. 4, pp. 827–836, Aug. 2024, doi: 10.25126/jtiik.1148631.
[10] S. F. Damanik, A. Wanto, and I. Gunawan, “Penerapan Algoritma Decision Tree C4.5 untuk Klasifikasi Tingkat Kesejahteraan Keluarga pada Desa Tiga Dolok,” JKDN, vol. 1, no. 2, pp. 21–32, Jan. 2022, doi: 10.58982/krisnadana.v1i2.108.
[11] Eka Wulansari Fidayanthie, Asep Sayfulloh, Mardiana Rafa Alzena, and Nilam Kurnia Sari, “Analisis Perbandingan Algoritma Random Forest dan Algoritma Naive Bayes untuk Memprediksi Penyakit Paru-Paru di Indonesia,” Saturnus, vol. 3, no. 3, pp. 123–135, Jul. 2025, doi: 10.61132/saturnus.v3i3.956.
[12] A. H. Mubarok, P. Pujiono, D. Setiawan, D. F. Wicaksono, and E. Rimawati, “Parameter Testing on Random Forest Algorithm for Stunting Prediction,” SinkrOn, vol. 9, no. 1, pp. 107–116, Jan. 2025, doi: 10.33395/sinkron.v9i1.14264.
[13] E. R. Susanto, M. R. Inzaghi, A. Amarudin, and N. Neneng, “Evaluasi Kinerja Model Random Forest Dalam Memprediksi Diabetes Berdasarkan Dataset Kesehatan di Indonesia,” Jurnal Pendidikan dan Teknologi Indonesia, vol. 5, no. 7, pp. 1857–1866, Jul. 2025, doi: 10.52436/1.jpti.871.
[14] F. Rizki, S. Zahra, N. C. N. B. Tarigan, K. Ramadani, A. Alawiah, and T. S. Tambunan, “Analisis Faktor Penyebab Anak Terlantar di Kota Medan,” jishs, vol. 3, no. 3, pp. 915–919, Dec. 2024, doi: 10.62379/jishs.v3i3.2478.
[15] Ekin Adhi Guna, M. Davin Diza Ghifary, Esra Fransiska Sihombing, and Age Pius Datubara, “Implementasi Algoritma Decision Tree untuk Klasifikasi Data Evaluation Car Menggunakan Python,” jusiik-widyakarya, vol. 1, no. 4, pp. 167–177, Nov. 2023, doi: 10.59581/jusiik-widyakarya.v1i4.1830.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Journal of Information System Management (JOISM)
This work is licensed under a Creative Commons Attribution 4.0 International License.
