Prediksi Korupsi Menggunakan Indikator tata Kelola Publik (Public Governance) Berbasis Machine Learning

Korupsi merupakan permasalahan global yang dihadapi oleh hampir seluruh negara dan memiliki dampak signifikan terhadap pembangunan. Korupsi diketahui dapat menghambat pertumbuhan ekonomi dengan mengganggu efisiensi proses produksi serta menurunkan tingkat inovasi. Oleh karena itu, deteksi dini terhadap potensi korupsi menjadi sangat penting. Penelitian ini bertujuan untuk melakukan prediksi tingkat korupsi dengan menggunakan indikator tata kelola publik (public governance) melalui pendekatan machine learning. Model yang digunakan dalam penelitian ini meliputi Random Forest Regression, Decision Tree Regression, XGBoost Regression, dan Gradient Boosting Regression. Hasil penelitian menunjukkan bahwa Random Forest Regression memiliki kinerja prediksi terbaik, yang ditunjukkan oleh nilai R² sebesar 0,9802, lebih tinggi dibandingkan model lainnya. Selain itu, hasil analisis feature importance menunjukkan bahwa dimensi control of corruption merupakan faktor yang paling dominan dalam menentukan nilai Indeks Persepsi Korupsi (CPI). Model prediktif memungkinkan pemberian peringatan dini terhadap potensi peningkatan korupsi serta membantu memfokuskan perbaikan tata kelola pemerintahan melalu