Klasifikasi anggaran berdasarkan jenis belanja dan sumber dana terhadap pelaksanaan anggaran menggunakan metode Random Forest dan Support Vector Mechine

ABSTRAK

Klasifikasi anggaran memainkan peran penting terhadap perencanaan, pengelolaan serta penganggaran hingga implementasi dan akuntabilitas. Kita membuat anggaran dengan mempertimbangkan berbagai jenis pengeluaran dan sumber dana. Setiap jenis pengeluaran, seperti gaji pegawai, barang, modal, hibah, bantuan sosial, subsidi, bunga, dan pendapatan non-pajak (PNBP) atau badan pelayanan publik (BLU), memiliki seperangkat aturan dan cara pelacakan uang tersendiri. Studi ini bertujuan untuk menunjukkan bagaimana klasifikasi anggaran, berdasarkan jenis pengeluaran dan sumber dana, diterapkan dalam implementasi Anggaran Pendapatan. Penelitian ini bertujuan untuk menilai kinerja klasifikasi dengan dua model yaitu Random Forest Classifier (RFC) dan Support Vector Machine (SVM) berdasarkan data historis serta mengevaluasi kinerja masing-masing model. Uji coba menghasilkan model Random Forest secara konsisten lebih baik daripada model SVM untuk setiap proporsi data, dengan perbandingan 90:10 hingga 60:40. Model Random Forest mencapai performa terbaiknya pada pembagian data 80:20, dengan skor akurasi 94 persen, skor presisi 94 persen, skor recall 94 persen, dan skor F1 87 persen sedangakan Skor akurasi rata-rata hasil pengujian SVM adalah 80 persen.

مستخلص البحث

يلعب تصنيف الميزانية دورًا محوريًا في إدارة المالية العامة للدولة، بدءًا من التخطيط وإعداد الميزانية وصولًا إلى التنفيذ والمساءلة. يتم إعداد الميزانية مع مراعاة مختلف أنواع الإنفاق ومصادر التمويل. ولكل نوع من أنواع الإنفاق، كرواتب الموظفين، والسلع، والمشاريع الرأسمالية، والمنح، والمساعدات الاجتماعية، والإعانات، والفوائد، والإيرادات غير الضريبية، أو إيرادات هيئات الخدمات العامة، مجموعة قواعده الخاصة وآليات تتبع الأموال. تهدف هذه الدراسة إلى توضيح كيفية تطبيق تصنيف الميزانية، بناءً على أنواع الإنفاق ومصادر التمويل، في تنفيذ ميزانية الدولة. ويهدف هذا البحث إلى تقييم أداء نموذجين للتصنيف، وهما مصنف الغابات العشوائية (RFC) وآلة المتجهات الداعمة (SVM)، باستخدام تقنيات تستند إلى بيانات تاريخية لتقييم أداء كل نموذج. وتُظهر نتائج الدراسة أن نموذج الغابات العشوائية يتفوق باستمرار على نموذج آلة المتجهات الداعمة في جميع نسب البيانات، من 90:10 إلى 60:40. حقق نموذج الغابة العشوائية أفضل أداء له عند تقسيم البيانات بنسبة 80:20، حيث بلغت دقة النموذج 94%، ودقة التصنيف 94%، ودقة الاستدعاء 94%، وقيمة F1 87%. أما متوسط أداء نموذج آلة المتجهات الداعمة (SVM) فكان 80%.

ABSTRACT

Budget classification plays a crucial role in planning, management, and budgeting, from implementation to accountability. We create budgets by considering various types of expenditures and funding sources. Each type of expenditure, such as employee salaries, goods, capital, grants, social assistance, subsidies, interest, and non-tax revenue (PNBP) or public service agencies (BLU), has its own set of rules and methods for tracking money. This study aims to demonstrate how budget classification, based on expenditure types and funding sources, is applied in the implementation of the Revenue Budget. This study aims to assess the classification performance of two models, namely the Random Forest Classifier (RFC) and Support Vector Machine (SVM), based on historical data and evaluate the performance of each model. Tests show that the Random Forest model consistently outperforms the SVM model for each data proportion, with a ratio of 90:10 to 60:40. The Random Forest model achieved its best performance at the 80:20 data split, with an accuracy score of 94 percent, a precision score of 94 percent, a recall score of 94 percent, and an F1 score of 87 percent. The average accuracy score of the SVM test results was 80 percent.