Abstract
Latar belakang penelitian ini berangkat dari kebutuhan akan sistem yang mampu menentukan kelayakan penerima bantuan secara lebih objektif, cepat, dan akurat dibandingkan metode manual yang rawan subjektif. Dari total 2.304 data masyarakat, penelitian ini menetapkan N Sampel (Data Latih) sebanyak 300 data yang dilabeli secara manual oleh peneliti sebagai Ground Truth (kunci jawaban), yang terdiri dari 78 label "Layak" dan 222 label "Tidak Layak". Data ini kemudian melalui tahap pre-processing (Feature Encoding) untuk mengubah atribut kategorikal menjadi numerik, bukan pembobotan skor. Model Random Forest dilatih menggunakan 300 N Sampel ini sebelum digunakan untuk memprediksi sisa 2004 data uji. Hasil klasifikasi model terhadap keseluruhan 2.304 data menunjukkan 395 masyarakat diprediksi "Layak" dan 1.909 masyarakat diprediksi "Tidak Layak". Evaluasi performa model, yang dihitung dari 20% data uji internal (60 data dari 300 N Sampel), menghasilkan Akurasi 88,33%, Presisi 90,91%, Recall 62,50%, dan F1-Score 74,07%. Hasil ini menunjukkan bahwa model memiliki tingkat presisi yang tinggi (efektif menghindari salah sasaran), meskipun dengan trade-off pada recall yang lebih rendah (masih melewatkan beberapa kasus yang layak). Dengan demikian, sistem ini diharapkan dapat membantu pihak Dinas Sosial dalam meningkatkan akurasi, transparansi, dan efisiensi penentuan penerima bantuan di lapangan.
