Komparasi Skenario Fitur dan Model Machine Learning untuk Klasifikasi Risiko Perizinan DPMPTSP Kota Banjarmasin

Abstract

Tingginya beban kerja verifikasi manual perizinan di DPMPTSP Kota Banjarmasin mendorong kebutuhan terhadap sistem klasifikasi otomatis berbasis data historis OSS-RBA. Penelitian ini membandingkan enam algoritma klasifikasi machine learning — Decision Tree, Random Forest, Naive Bayes, K-Nearest Neighbor, Support Vector Machine, dan XGBoost — melalui tiga percobaan dengan skenario fitur yang berbeda. Percobaan 1 menggunakan empat parameter resmi PP No. 5/2021, Percobaan 2 memperluas fitur dengan menambahkan variabel KL/Sektor Pembina, Jenis Perusahaan, dan Jenis Proyek, serta Percobaan 3 melakukan optimasi hyperparameter menggunakan Grid Search pada model terbaik. Dataset terdiri dari 1.100 data perizinan dengan empat kelas risiko, dievaluasi menggunakan 10-Fold Stratified Cross Validation dan pengujian pada data uji terpisah (80:20). Model terbaik yang dihasilkan adalah XGBoost dengan parameter diperluas dan hyperparameter teroptimasi, mencapai akurasi 84,55% dan F1 Macro 0,7728. Analisis feature importance pada model final mengungkap bahwa KL/Sektor Pembina berkontribusi 48,94% terhadap prediksi — jauh melampaui seluruh parameter resmi PP seperti Jumlah Investasi (3,98%) dan Skala Usaha (2,94%) — mengindikasikan bahwa regulasi yang berlaku belum mengoptimalkan seluruh variabel yang relevan secara empiris dalam penentuan tingkat risiko perizinan berusaha. Model XGBoost teroptimasi yang dihasilkan berpotensi diimplementasikan sebagai sistem rekomendasi klasifikasi risiko otomatis di lingkungan DPMPTSP Kota Banjarmasin, guna mendukung verifikasi data perizinan secara lebih efisien, konsisten, dan terstruktur.