PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK PENENTUAN KLASIFIKASI KEMISKINAN MULTIDIMENSI DI PROVINSI NUSA TENGGARA TIMUR

Kristanto Setyo Utomo

doi:10.5300/jstar.v2i01.24

Penulis

Kristanto Setyo Utomo Fungsi Neraca Wilayah dan Analisis Statistik, Badan Pusat Statistik Provinsi NTT

DOI:

https://doi.org/10.5300/jstar.v2i01.24

Kata Kunci:

Machine Learning, Kemiskinan, Kemiskikan Multidimensi

Abstrak

Pandemi Covid-19 terbukti memberikan dampak secara langsung terhadap persentase kemiskinan di Provinsi Nusa Tenggara Timur. Namun penentuan ukuran kemiskinan selama ini dilakukan dengan pendekatan dimensi ekonomi yaitu garis kemiskinan. Kajian ini mengklasifikasikan kemiskinan secara multidimensi, yaitu dimensi kesehatan, pendidikan, ekonomi, dan kelayakan hidup. Pengklasifikasian kemiskinan multidimensi pada penelitian ini memanfaatkan algoritma machine learning. Hasil pengujian menunjukkan bahwa algoritma Decision Tree merupakan algoritma terbaik untuk mengklasifikasikan kemiskinan multidimensi di Provinsi Nusa Tenggara Timur dengan tingkat akurasi 82,69 persen, presisi 84,08 persen, dan recall 97,56 persen. Algoritma ini menunjukkan bahwa indikator penolong persalinan pada dimensi kesehatan dan pendidikan dasar pada dimensi pendidikan memiliki nilai gain yang tinggi. Kedua indicator ini menjadi simpul keputusan utama di algoritma Decision Tree untuk menentukan kemiskinan multidimensi yang perlu mendapat perhatian serius oleh pemerintah Provinsi Nusa Tenggara Timur.

Referensi

Alfista, M. (2019). Analisis Tingkat Kemiskinan di Indonesia tahun 2012–2017, Universitas Muhammadiyah Surakarta

Alkire, S., & Santos, M. E. (2013). A multidimensional approach: poverty measurement & beyond. Social indicators research, 112(2), 239-257.

Ayudhitama, A. P., & Pujianto, U. (2020). Analisa 4 Algoritma Dalam Klasifikasi Liver Menggunakan Rapidminer. Jurnal Informatika Polinema, 6(2), 1-9.

BPS, (2022). Berita Resmi Statistik: Profil Kemiskinan di Provinsi Nusa Tenggara Timur September 2021. Kupang, BPS Provinsi Nusa Tenggara Timur.

Budiantoro, S., Fanggidae, V., Saputra, W., Maftuchan, A., & Artha, D. R. P. (2013). Multidimensional Poverty Index (MPI): Konsep dan Pengukurannya di Indonesia.

Djunawan, A. (2019). Benarkah Subsidi Jaminan Kesehatan Meningkatkan Pemanfaatan Pelayanan Kesehatan Primer oleh Penduduk Miskin Perkotaan. Jurnal Kebijakan Kesehatan Indonesia: JKKI, 8(1), 18-24.

Fadlillah, N., Dewi, A.S., & Sukiman. (2016). Analisis Pengaruh Pendapatan Per Kapita, Tingkat Pengangguran, IPM dan Pertumbuhan Penduduk terhadap Kemiskinan di Jawa Tengah Tahun 2009-2013. Jurnal Pembangunan Ekonomi Wilayah Eko-Regional, 11(1)

Ferezagia, D. V. (2018). Analisis tingkat kemiskinan di Indonesia. Jurnal Sosial Humaniora Terapan, 1(1)

Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.

Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260.

Kaunang, F. J. (2019). Penerapan Algoritma J48 Decision Tree Untuk Analisis Tingkat Kemiskinan di Indonesia. Cogito Smart Journal, 4(2), 348-357.

Rahajeng, A. S., Muljaningsih, S., & Asmara, K. (2021). Pengaruh Pertumbuhan Ekonomi, Investasi, Pendidikan, dan Kesehatan terhadap Kemiskinan di Provinsi Jawa Timur. Jurnal Syntax Admiration, 2(5), 774-784.

Sani, N. S., Rahman, M. A., Bakar, A. A., Sahran, S., & Sarim, H. M. (2018). Machine learning approach for bottom 40 percent households (B40) poverty classification. Int. J. Adv. Sci. Eng. Inf. Technol, 8(4-2), 1698.

Sari, A. C. D. M., & Purwanti, E. Y. (2012). Pengaruh Kepemilikan Aset, Pendidikan, Pekerjaan dan Jumlah Tanggungan terhadap Kemiskinan Rumah Tangga di Kecamatan Bonang Kabupaten Demak, Fakultas Ekonomika dan Bisnis.

Sartika, D., & Sensuse, D. I. (2017). Perbandingan algoritma klasifikasi Naïve Bayes, Nearest Neighbour, dan Decision Tree pada studi kasus pengambilan keputusan pemilihan pola pakaian. JATISI (Jurnal Teknik Informatika dan Sistem Informasi), 3(2), 151-161.

Setyadi, S., & Indriyani, L. (2021). Dampak Pandemi Covid-19 Terhadap Peningkatan Resiko Kemiskinan di Indonesia. Pareto: Jurnal Ekonomi Dan Kebijakan Publik, 4(1), 53-66. doi:10.32663/pareto.v4i1.1891

Sumargo, B., & Simanjuntak, N. M. M. (2019). Deprivasi Utama Kemiskinan Multidimensi Antarprovinsi di Indonesia. Jurnal Ekonomi dan Pembangunan Indonesia, 19(2), 160-172.

Tarigan, H., Sinaga, J. H., & Rachmawati, R. R. (2020). Dampak pandemi Covid-19 terhadap kemiskinan di indonesia. Pusat Sosial Ekonomi dan Kebijakan Pertanian, 3, 457-479.

Watratan, A. F., & Moeis, D. (2020). Implementasi Algoritma Naive Bayes Untuk Memprediksi Tingkat Penyebaran Covid-19 Di Indonesia. Journal of Applied Computer Science and Technology, 1(1), 7-14.

Yunita, D. (2017). Perbandingan Algoritma K-Nearest Neighbor dan Decision Tree untuk Penentuan Risiko Kredit Kepemilikan Mobil. Jurnal Informatika Universitas Pamulang, 2(2), 103-107.