<?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="8936">
 <titleInfo>
  <title>Machine Learning Klasifikasi Penduduk Miskin Wilayah Desa Ulak Embacang Kabupaten Musi Banyuasin Menggunakan Support Vector Machine</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Diana Novitasari</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">Universitas Sumatera Selatan</placeTerm>
   <publisher>Fakultas Ilmu Komputer USS</publisher>
   <dateIssued>2025</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code">id</languageTerm>
  <languageTerm type="text">Indonesia</languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent>xv, 87 hlm ; 30 cm</extent>
 </physicalDescription>
 <note>ABSTRAK&#13;
Kemiskinan merupakan permasalahan multidimensional yang membutuhkan&#13;
pendekatan sistematis dalam pengambilan kebijakan. Penelitian ini bertujuan&#13;
untuk mengklasifikasikan status kemiskinan penduduk Desa Ulak Embacang,&#13;
Kabupaten Musi Banyuasin dengan menggunakan metode Support Vector&#13;
Machine (SVM) dalam teknik machine learning. Data diperoleh dari dokumen&#13;
administrasi warga seperti Kartu Keluarga dan KTP yang diklasifikasikan&#13;
berdasarkan informasi pekerjaan, pendidikan, dan status sosial ekonomi. Model&#13;
diuji menggunakan berbagai rasio pembagian data training dan testing seperti&#13;
80:20 dan 70:30, dan dievaluasi menggunakan metrik confusion matrix yang&#13;
mencakup precision, recall, dan accuracy. Hasil menunjukkan bahwa SVM&#13;
mampu memberikan performa klasifikasi yang cukup baik, dengan nilai akurasi&#13;
tertinggi mencapai 80% pada rasio 70:30. Penelitian ini menunjukkan bahwa&#13;
metode SVM dapat membantu pemerintah desa dalam mengidentifikasi warga&#13;
miskin secara lebih akurat, sehingga penyaluran bantuan sosial dapat menjadi&#13;
lebih tepat sasaran dan mengurangi kecemburuan sosial di masyarakat.&#13;
Kata Kunci : Mesin Vektor Pendukung (SVM)</note>
 <note type="statement of responsibility">Diana Novitasari</note>
 <subject authority="">
  <topic>Pemrograman, Bahasa</topic>
 </subject>
 <classification>005.262</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>Perpustakaan UNIVERSITAS SUMATERA SELATAN Open Source Library Management System</physicalLocation>
  <shelfLocator>005.262 DIA m</shelfLocator>
  <holdingSimple>
   <copyInformation>
    <numerationAndChronology type="1">P0002852</numerationAndChronology>
    <sublocation>My Library</sublocation>
    <shelfLocator>005.262 DIA m</shelfLocator>
   </copyInformation>
  </holdingSimple>
 </location>
 <recordInfo>
  <recordIdentifier>8936</recordIdentifier>
  <recordCreationDate encoding="w3cdtf">2025-09-09 16:36:52</recordCreationDate>
  <recordChangeDate encoding="w3cdtf">2025-09-09 16:37:50</recordChangeDate>
  <recordOrigin>machine generated</recordOrigin>
 </recordInfo>
</mods>
</modsCollection>