PERBANDINGAN ALGORITMA RANDOM FOREST DAN DECISION TREE UNTUK KLASIFIKASI PERTUMBUHAN UMKM KULINER DI KOTA MANADO DENGAN MENGGUNAKAN PENDEKATAN EXPLAINABLE AI
UMKM kuliner merupakan salah satu sektor ekonomi kreatif yang berperan penting bagi perekonomian Kota Manado, namun pertumbuhannya masih menghadapi berbagai hambatan internal dan eksternal yang sulit diidentifikasi secara objektif. Penelitian ini bertujuan membangun model klasifikasi tingkat pertumbuhan UMKM kuliner di Kota Manado menggunakan algoritma Random Forest dan Decision Tree, membandingkan performa kedua algoritma berdasarkan metrik accuracy, precision, recall, dan F1-score, serta menginterpretasikan faktor-faktor paling berpengaruh terhadap hasil klasifikasi melalui pendekatan Explainable Artificial Intelligence (XAI). Data primer diperoleh dari kuesioner yang disebarkan kepada 101 pelaku UMKM kuliner, terdiri atas 16 fitur predictor dan satu variabel target tingkat pertumbuhan (Rendah, Sedang, Tinggi) yang dibentuk berdasarkan perubahan omzet. Data diproses melalui encoding, imputasi nilai hilang, pembagian data latih-uji 80:20 secara stratified. Kedua algoritma dioptimalkan melalui hyperparameter tuning dengan Grid Search dan dievaluasi menggunakan Repeated Stratified K-Fold Cross-Validation. Hasil pengujian menunjukkan Random Forest memperoleh akurasi 61,90% dengan F1-score weighted 0,5929, sedangkan Decision Tree memperoleh akurasi 52,38% dengan F1-score weighted 0,4812, sehingga Random Forest ditetapkan sebagai model terbaik. Analisis Shapley Additive Explanations (SHAP) dan Local Interpretable Model-agnostic Explanations (LIME) pada kedua model mengidentifikasi pencatatan keuangan, pendidikan, lama usaha, sumber modal, dan keaktifan promosi media sosial sebagai faktor yang secara konsisten memengaruhi tingkat pertumbuhan UMKM. Model terbaik selanjutnya diimplementasikan sebagai aplikasi web berbasis Streamlit yang di-deploy melalui Hugging Face Spaces agar dapat digunakan langsung oleh pelaku UMKM maupun pemangku kebijakan.
References
[1] C. Yolanda, U. Hasanah, and F. Zoromi, '2830-7690 peran usaha mikro, kecil dan menengah (umkm) dalam pengembangan ekonomi indonesia 1,' vol. 2, no. 3, pp. 170–186, 2024.
[2] S. Ramadani, D. A. Ramadhani, M. Ikrom, and L. Muda, 'Peran Strategis UMKM dalam Mendorong Pertumbuhan Ekonomi Berkelanjutan di Indonesia,' 2025.
[3] A. T. Novitasari, 'No Title,' vol. 9, no. 2, pp. 184–204, 2022.
[4] I. Nirwana, R. Nasrah, I. Rahmadani, S. Pengembangan, and P. Inovasi, 'STRATEGI INOVASI UMKM : BIDANG KULINER BERBASIS EKONOMI KREATIF UMKM INNOVATION STRATEGY : CULINARY FIELD BASED ON CREATIVE,' vol. X, no. 2, pp. 27–34, 2024.
[5] P. Gissela et al., 'DIGITAL TRANSFORMATION OF MANADO ' S CULINARY MSMES : MARKETING ADAPTATION AND CREATIVE LOCAL PRODUCT,' vol. 14, no. 4, pp. 4499–4516, 2025.
[6] I. G. Agung and K. Lestari, 'Tantangan akses pembiayaan umkm terhadap lembaga keuangan formal di indonesia,' vol. 4, no. 2, pp. 1–11, 2025.
[7] R. Dafitri, 'Sistem Hambatan Berlapis Digitalisasi UMKM Kuliner : Studi Kualitatif Berbasis Kerangka TOE,' vol. 21, no. 3, pp. 153–164, 2025.
[8] H. Gao and G. Kou, 'Machine learning in business and finance : a literature review and research opportunities,' Financ. Innov., 2024, doi: 10.1186/s40854-024-00629-z.
[9] A. Nola, S. Kinasih, A. Nur, J. Tri, and N. Salwa, 'Comparative analysis of decision tree and random forest classifiers for structured data classification in machine learning,' vol. 5, no. 2, pp. 13–24, 2025.
[10] M. Erkamim, M. Zidni, and E. Widarti, 'Komparasi Algoritme Random Forest dan XGBoosting dalam Klasifikasi Performa UMKM,' vol. 02, pp. 127–134, 2023.
[11] M. Haddouchi and A. Berrado, 'A survey and taxonomy of methods interpreting random forest models'.
[12] S. Ali, T. Abuhmed, S. El-sappagh, and K. Muhammad, 'Explainable Artificial Intelligence ( XAI ): What we know and what is left to attain Trustworthy Artificial Intelligence,' Inf. Fusion, vol. 99, no. April, p. 101805, 2023, doi: 10.1016/j.inffus.2023.101805.
[13] A. Nanda and T. Nasution, 'Optimasi Deteksi Intrusi Jaringan Menggunakan Hybrid Model Autoencoder dan Random Forest,' vol. 7, no. 4, pp. 2349 –2360, 2026, doi: 10.47065/bits.v7i4.9309.
[14] K. T. Refolino and W. I. Rahayu, 'ANALISIS KLASTER RASIO KEUANGAN PT PEGADAIAN DENGAN METODE K-MEANS DAN RANDOM FOREST Berdasarkan kondisi tersebut , penelitian ini diperlukan untuk mengisi celah penelitian dengan mengintegrasikan metode unsupervised learning dan supervised learning dalam,' vol. 21, pp. 1–10, 2026.