<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="151367">
 <titleInfo>
  <title></title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>RIZQA RIDAJANI</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas MIPA Statistika</publisher>
   <dateIssued>2025</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Kesenjangan pembangunan antarwilayah menimbulkan tantangan dalam pemerataan kesejahteraan dan pembangunan. Berdasarkan Peraturan Presiden Nomor 63 Tahun 2020, sebanyak 55 (88,71%) dari total 62 kabupaten yang ditetapkan sebagai daerah tertinggal di Indonesia berada di Kawasan Timur Indonesia (KTI). Penelitian ini menggunakan data sekunder tahun 2023 dengan metode Random Forest untuk melakukan klasifikasi status kabupaten/kota di KTI. Metode ini memungkinkan untuk sekaligus menganalisis kepentingan variabel melalui nilai Mean Decrease in Impurity (MDI). Hasil penelitian menunjukkan bahwa Random Forest dengan parameter default menunjukkan kinerja model terbaik pada rasio 70:30 yaitu dengan akurasi sebesar 87,50%, presisi 86%, recall 82%, dan f1-score 84%. Sementara itu, Random Forest dengan tuning hyperparameter menggunakan metode random search dengan pengaturan jumlah n_estimators adalah 352, dengan max_features adalah “auto”, max_depth adalah 69, min_samples_split adalah 7, dan min_samples_leaf adalah 1 menunjukkan peningkatan kinerja model pada rasio 90:10 dengan akurasi mencapai 89,47%, presisi 92%, recall 88%, dan f1-score 89%, sehingga menjadikannya sebagai Random Forest terbaik untuk melakukan prediksi status daerah tertinggal di KTI. Berdasarkan hasil klasifikasi, 182 dari 185 kabupaten/kota berhasil diklasifikasikan dengan benar, sisanya 3 kabupaten yaitu Belu, Sigi, dan Nabire diprediksi berubah status menjadi tidak tertinggal untuk periode 2025-2029. Faktor-faktor yang memiliki kontribusi signifikan terhadap status daerah tertinggal adalah persentase penduduk miskin, persentase rumah tangga dengan sumber penerangan utama listrik PLN, indeks kedalaman kemiskinan, umur harapan hidup, pengeluaran per kapita, indeks keparahan kemiskinan, persentase rumah tangga dengan sanitasi layak, Produk Domestik Regional Bruto (PDRB) dan persentase rumah tangga dengan air minum layak. Penelitian ini diharapkan dapat menjadi informasi tambahan dalam perencanaan dan pembangunan wilayah.</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>151367</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2025-03-17 11:22:00</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2025-03-17 12:04:45</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>