PREDIKSI ANTUSIASME MASYARAKAT DALAM MEMBUAT SERTIFIKAT PADA PROGRAM PENDAFTARAN TANAH SISTEMATIS LENGKAP (PTSL) BERBASIS MACHINE LEARNING (Studi Kasus: Kementerian Agraria dan Tata Ruang / Badan Pertanahan Nasional – Kantor Pertanahan Kabupaten Cilacap)

Program yang direncanakan oleh Presiden Joko Widodo yang dimulai sejak tahun 2017 dan ditargetkan selesai tahun 2025 untuk ditindak lanjuti oleh Kementerian ATR/BPN adalah PTSL merupakan program percepatan bagi masyarakat yang belum membuat sertifikat dan pelaksanaanya secara serentak di seluruh Indonesia. Dalam kegiatan PTSL terdapat target yang harus dipenuhi setiap tahunnya oleh masing-masing KANTAH. Di KANTAH KAB. Cilacap dalam mencapai target yang ditentukan mengalami kendala karena belum adanya aplikasi untuk memprediksi antusiasme masyarakat. Prediksi yang akurat mengenai antusiasme masyarakat untuk membuat sertifikat sangat penting untuk merencanakan strategi sosialisasi dan alokasi sumber daya yang tepat, sehingga target yang diberikan dapat terpenuhi.Dari permasalahan diatas dibuatlah solusi berupa software tujuanya untuk memprediksi antusiasme masyarakat pada program PTSL menggunakan machine learning. Metode yang digunakan adalah SVM, KNN, random forest dan decision tree (C5.0). Dataset yang digunakan adalah data partisipasi masyarakat Tahun 2023. Untuk dataset yang diambil adalah umur, pekerjaan, penggunaan tanah dan keterangan. Dari program yang dibuat berjalan dengan baik. Akurasi dengan pengujian 0.1 s/d 0.9 metode KNN tidak mencapai 80% sedangkan metode SVM, random forest dan decision tree (C5.0) sebesar 100%. Hasil kecepatan metode yang diperoleh dengan empat percobaan yaitu percobaan pertama diperoleh metode SVM waktu 6.866455078125e-05, percobaan kedua diperoleh metode decision tree (C5.0) waktu 0.0002961158752441406, percobaan ketiga diperoleh metode random forest waktu 6.4849853515625e-05 dan percobaan keempat diperoleh metode SVM waktu 0.0004057884216308594. Dari keempat metode diatas diperoleh hasil metode SVM memiliki performa speed komputasi yang paling baik dan tingkat akurasi 100%.