Karen Ursa Gracia Simanjuntak

Masalah: Penyaluran program bantuan dan fasilitasi bagi UMKM sering menghadapi risiko salah sasaran akibat ketidakakuratan pemetaan profil usaha. Diperlukan model klasifikasi otomatis untuk mengelompokkan UMKM ke dalam tingkatan fasilitasi mandiri, pendampingan, atau rentan secara obyektif dan terukur.

Data: Dataset tabular profil keuangan dan operasional 950 UMKM, memuat 11 atribut numerik dan kategorikal (omzet bulanan, margin laba bersih, aset riil, rasio utang, riwayat kredit).

Metode: Supervised classification menggunakan Orange Data Mining (komparasi Decision Tree, Random Forest, Logistic Regression, dan Naïve Bayes) dengan validasi silang 10-fold cross validation.

Simpulan: Model Random Forest terbukti paling handal dalam memetakan profil risiko UMKM guna mengoptimalkan ketepatan sasaran belanja subsidi dan pendampingan pemerintah.

Masalah: Fluktuasi nilai tukar Rupiah terhadap valas berdampak langsung terhadap asumsi makro APBN, pembayaran bunga utang luar negeri, dan belanja subsidi energi. Pemodelan peramalan yang presisi dibutuhkan sebagai sistem peringatan dini (early warning) mitigasi risiko fiskal negara.

Data: Data deret waktu nilai tukar harian dan bulanan mata uang asing utama (USD, EUR, JPY) terhadap IDR periode historis berkala.

Metode: Analisis stasioneritas data, differencing tingkat pertama (D=1), pemeriksaan korelasi plot ACF dan PACF, pemodelan ARIMA/SARIMA, serta analisis residual.

Simpulan: Differencing tingkat pertama (D=1) berhasil menstasionerkan volatilitas kurs valas dan menghasilkan proyeksi nilai tukar yang sangat presisi untuk acuan belanja negara.

Masalah: Variasi kapasitas fiskal antar entitas menuntut pendekatan alokasi sumber daya yang terarah dan tidak seragam. Analisis pengelompokan tanpa supervisi dibutuhkan untuk mengidentifikasi tipologi homogen entitas secara obyektif tanpa prasangka.

Data: Dataset indikator kinerja keuangan dan kemandirian fiskal entitas publik multi-atribut.

Metode: Unsupervised Learning membandingkan algoritma K-Means, Hierarchical Clustering (AGNES), dan DBSCAN, dievaluasi menggunakan Elbow Method dan Silhouette Coefficient.

Simpulan: Klasterisasi k=3 memberikan batas segmentasi yang solid untuk penentuan prioritas alokasi dana transfer dan pendampingan kapasitas tata kelola.