Upload
lamnhi
View
233
Download
0
Embed Size (px)
Citation preview
Klasifikasi Rumah Tangga Sangat Miskin di Kabupaten Jombang Menurut Paket Bantuan Rumah Tangga yang
Diharapkan dengan Pendekatan RF-CART (Random Forests Classification and Regression Trees)
SEMINAR HASIL TUGAS AKHIR
Dian Seftiana (1310100028)DOSEN PEMBIMBING :
Dr. Bambang Widjanarko Otok, S.Si., M.Si.
1/Juli/2014 Seminar Hasil Tugas Akhir 2
AGENDA
Kemiskinan menjadi penyebab utama dari sejumlah problem sosial, politik, dan ekonomi khususnya di negara-negara
berkembang
Penanggulangan kemiskinan menjadi puncak dari solusi
program Millenium Development Goals (MDGs)
2015
Basic needs
pendidikan kesehatan
ekonomi sosial politikKemiskinan : Kondisi tidak terpenuhinya kebutuhan dasar
(Basri, 1995)
Seminar Hasil Tugas Akhir1/Juli/2014 3
JOMBANG
3,333,97
4,91 5,1 5,34 5,736,07 5,79
5,286,12
6,83 6,91
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
laju pertumbuhan ekonomi
16,43
17,53 17,58
7,5 persen
“Laju Pertumbuhan Ekonomi”“Jumlah Penduduk Miskin”
(TNP2K)
“Program penanggulangan kemiskinan” belum efektif karena bantuan tidak sesuai kebutuhan dan target belum tepat sasaran.Klasifikasi RTSM di
Kabupaten Jombang menurut paket bantuan
rumah tangga yang diharapkan
Metode Klasifikasi :Regresi logistik & analisis
diskriminan
CART
Seminar Hasil Tugas Akhir1/Juli/2014 4
• Bagaimana klasifikasi RTSM di Kabupaten Jombang menurut paket bantuan rumah tangga yang diharapkan dengan pendekatan CART?
1• Bagaimana klasifikasi RTSM di Kabupaten
Jombang menurut paket bantuan rumah tangga yang diharapkan dengan pendekatan RF-CART?
2• Bagaimana perbandingan hasil klasifikasi
dengan menggunakan CART dan RF-CART?3
Seminar Hasil Tugas Akhir1/Juli/2014 5
Mendapatkan klasifikasi RTSM di Kabupaten Jombang menurut paket bantuan rumah tangga
yang diharapkan dengan pendekatan CART.
Mendapatkan klasifikasi RTSM di Kabupaten Jombang menurut paket bantuan rumah tangga yang diharapkan dengan pendekatan RF-CART.
Memperoleh hasil perbandingan ketepatan klasifikasi antara metode CART dan RF-CART.
Seminar Hasil Tugas Akhir1/Juli/2014 6
Bagi pemerintah Kabupaten Jombang, adanya penelitian ini diharapkan dapat dijadikan sebagai bahan masukan untuk menciptakan strategi-strategi yang efektif dan efisien untuk meningkatkan kesejahteraan masyarakat melalui program penanggulangan kemiskinan. Sekaligus menjadi sumber informasi dan bahan pertimbangan yang tepat, akurat dan lebih detail mengenai penentuan kriteria objek penerima bantuan sebagai upaya peningkatan kefektifan program bantuan pemerintah yang tepat sasaran dan tepat guna.
Bagi institusi pendidikan, diharapkan dapat dijadikan sebagai bahan pengetahuan untuk penelitian selanjutnya yang lebih mendalam berkaitan dengan peningkatan kesejahteraan masyarakat melalui berbagai program penanggulangan kemiskinan dan juga kaitannya dengan metode Random Forests CART (RF-CART).
Seminar Hasil Tugas Akhir1/Juli/2014 7
• rumah tangga yang berstatus sangat miskin di Kabupaten JombangUnit Observasi
•metode CART dan metode RF-CART.Metode
Klasifikasi
• Kategori “lainnya” tidak dilibatkan dalam analisis
Kategori Variabel
• Dua kategori yaitu bantuan & perlindungan sosial serta bantuan pemberdayaan rumah tangga
Paket Bantuan
Seminar Hasil Tugas Akhir1/Juli/2014 8
CART merupakan metode eksplorasi data dengan teknik pohonkeputusan. Metode yang dikembangkan oleh Leo Breiman, Jerome H. Friedman, Richard A. Olshen, dan Charles J. Stone ini merupakan teknikklasifikasi dengan algoritma penyekatan rekursif biner (binary recursive partitioning) dimana pemilahan dilakukan pada sekelompok data yang terkumpul dalam suatu ruang yang disebut simpul/node menjadi dua
simpul anak (Lewis, 2000).
CART akan menghasilkan pohon klasifikasi jika variabelrespon berupa data kategorik, sedangkan jika variabelrespon berupa data kontinu akan dihasilkan pohonregresi (Breiman, Friedman, Olshen, & Stone, 1993).
Seminar Hasil Tugas Akhir1/Juli/2014 9
t1
t3t2
t4t6
t11
t5
t12
t8 t9
t13
t10
t7
Pemilah 1
Pemilah 2 Pemilah 3
Pemilah 4 Pemilah 5
Pemilah 6
Ilustrasi Pohon Klasifikasi
Pembentukan PohonKlasifikasi•Pemilihan pemilah•Penentuan terminal node•Penandaan label kelas
Pemangkasan pohonklasifikasi (pruning)•Kriteria cost complexity
minimum
Penentuan pohon klasifikasioptimal
•Test sample estimate•Cross validation V-fold
estimate
Ukuran Ketepatan Klasifikasi :
sensitivity, specificity, error rate (APER) dan total accuracy rate
(1-APER)
Seminar Hasil Tugas Akhir1/Juli/2014 10
Algoritma Random Forests (Muttaqin, 2013)
Seminar Hasil Tugas Akhir1/Juli/2014 11
Random Forests (RF) merupakan salah satu metode ensemble yang berguna untuk meningkatkan akurasi klasifikasi dari sebuah pemilah tunggal yang tidak stabil dengan cara mengkombinasikan banyak pemilah dari suatu metode yang
sama melalui proses voting (aturan pemilihan jumlah terbanyak) untuk memperoleh prediksi klasifikasi akhir (Wezel & Potharst, 2007).
Seminar Hasil Tugas Akhir1/Juli/2014 12
Ilustrasi Konstruksi Pohon Tunggal (a) dan Ilustrasi Konstruksi Random Forests (b)
Seminar Hasil Tugas Akhir1/Juli/2014 13
Menurut BPS (2008), terdapat tiga paket bantuan program yaitu :
Paket bantuan program I : Bantuan dan perlindungan sosial.Paket bantuan ini ditujukan untuk perlindungan dan pemenuhan hak ataspendidikan, kesehatan, pangan, sanitasi, dan air bersih. Paket bantuan initerwujud dalam bentuk beras miskin (Raskin), Jaminan KesehatanMasyarakat (Jamkesmas), BOS (Bantuan Operasional Sekolah), PKH(Program Keluarga Harapan), dan BLT (Bantuan Langsung Tunai).
Paket bantuan program II : Pemberdayaan masyarakat (PNPMMandiri). Paket bantuan ini bertujuan untuk memberikan perlindungandan pemenuhan hak atas berpartisipasi, kesempatan kerja danberusaha, tanah, SDA dan LH, dan perumahan.
Paket bantuan program III : Pemberdayaan Usaha Mikro danKecil (UMK-KUR) yang bertujuan untuk perlindungan dan pemenuhanhak atas kesempatan berusaha dan bekerja, dan SDH dan LH.
data sekunder yang diperoleh dari hasil Survei Verifikasi Rumah Tangga Miskin di
Kabupaten Jombang pada tahun 2010. Survei ini dilakukan
oleh Badan Perencanaan Pembangunan Daerah
(Bappeda) Kabupaten Jombang.
Seminar Hasil Tugas Akhir1/Juli/2014 14
RTSM sebanyak 11.763
33.120 RTHM
29.418 RTM
11.763 RTSM
VARIABEL PENELITIAN
Kategori 1 : Bantuan dan perlindungan sosial. Meliputi pemberian hak akses
kesehatan, pendidikan, pangan, sanitasi,
dan air bersih.
Perwujudan bantuan pangan dalam bentuk beras miskin (raskin) dan sembako
gratis, bantuan kesehatan seperti jaminan kesehatan masyarakat (jamkesmas), bantuan
pendidikan seperti BOS (Bantuan Operasional Sekolah) dan BSM (Bantuan Siswa Miskin), PKH
(Program Keluarga Harapan), bantuan uang tunai seperti BLT (Bantuan Langsung Tunai) dan
BLSM (Bantuan Langsung Sementara Masyarakat), dan bantuan sanitasi dan air bersih
seperti pembangunan fasilitas sanitasi gratis.
Kategori 2 : Bantuan pemberdayaan rumah tangga. Meliputi pemberian hak untuk
bekerja dan membuka usaha.
1. modal usaha seperti dana pinjaman/modal dan barang modal
2. tanah,
3. sumber daya hayati dan lingkungan hidup,
4. bantuan perumahan seperti program bedah rumah atau pemberian material bangunan rumah.
Variabel Y : Paket bantuan rumah tangga yang diharapkan
Seminar Hasil Tugas Akhir1/Juli/2014 15
Penghasilan tiap bulanJumlah aset dalam rumah yang
dimiliki
Tempat untuk berobatIjazah terakhir kepala rumah
tangga
Frekuensi mengkonsumsi daging/susu/ayam dalam
semingguFrekuensi membeli stel pakaian
baru dalam setahunFrekuensi makan dalam sehari
Sumber penerangan utamaSumber air minum
Bahan bakar memasak
Luas kavling termasuk bangunanLuas lantai bangunan
Jenis atap (terluas)Jenis dinding (terluas)Jenis lantai (terluas)
Status kepemilikan fasilitas BABTempat pembuangan air tinja
Status penguasaan bangunan
Seminar Hasil Tugas Akhir1/Juli/2014 16
indikatorkepemilikan
rumah
indikatorfisik
indikatorpenerangan/air minum/bahan bakar
indikatorkonsumsi
indikatorlayanan
dasar
indikatorpendapatan
atau kepemilikan
Seminar Hasil Tugas Akhir1/Juli/2014 17
• Pengkodingan data variabel Y.• Mengatasi Data Missingpengatasian data missing dilakukan dengan menghapus data pengamatan yang mengandung data variabel prediktor yang missing.• Menghapus Kategori Variabel “lainnya”
Setelah melakukan pra-pemrosesan data, jumlah pengamatan yang digunakan dalam analisis adalah sebanyak 5.588 rumah tangga.
Mulai
Data Bappeda Jombang
Mendeskripsikan karakteristik RTSM di Kabupaten Jombang
Melakukan pra pemrosesan data dengan mengkoding variabel penelitian berdasarkan
kategori yang ditentukan, mengatasi data missing, dan menghilangkan kategori “lainnya”
A
Seminar Hasil Tugas Akhir1/Juli/2014 18
Proporsi data learning dan testing yanag dicobakan adalah sebesar 75%:25%, 80%:20%, 85%:15%, 90%:10%, dan 95%:5%.
Analisis CART : • pemilahan dengan indeks Gini dan dievalusi dengan goodness of split• pembentukan pohon hingga hanya ada 1 pengamatan dalam terminal node•Pruning dengan kriteria cost complexity minimum•Pohon klasifikasi optimal dipilih dengan test sample estimate
Analisis RF-CART :Pemilahan dari tiga variabel prediktor acakDicobakan kobinasi jumlah pohon sebanyak 50, 100,250,500,750
A
Membagi data menjadi dua yaitu data learning dan data testing
Melakukan klasifikasi CART dengan tahapan pemilihan pemilah, pemangkasan pohon (pruning), penentuan pohon klasifikasi
optimal, dan evaluasi ketepatan klasifikasi
Melakukan klasifikasi RF-CART dengan melakukan replikasi sebanyak k kali, kemudian dilakukan majority vote untuk memperoleh hasil
prediksi klasifikasi dan evaluasi ketepatan klasifikasi
Membandingkan ketepatan klasifikasi antara CART dan RF-CART
Selesai
Seminar Hasil Tugas Akhir1/Juli/2014 19
Distribusi RTSM di Jombang menurut paket bantuanrumah tangga yang diharapkan
Bantuan & Perlindungan Sosial
2.254 ; 40,336%Bantuan Pemberdayaan RT3.334; 59,664%
5588 RTSM
paket bantuan rumah tangga yang diharapkan oleh RTSM
1/Juli/2014 20
indikatorkepemilikan
rumah
indikatorfisik
indikatorpenerangan/air minum/bahan bakar
indikatorkonsumsi
indikatorlayanan
dasar
indikatorpendapatan
atau kepemilikan
Status penguasaan bangunan tempat tinggalMayoritas milik sendiri
Luas kavling : 1 : 106,97m2; 2 : 110,88m2Luas lantai bangunan : 1 : 41,212m2 ; 2: 42,263m2Jenis atap (terluas) : gentengJenis dinding (terluas) : tembokJenis lantai (terluas) : 1 : semen ; 2 : tanahStatus kepemilikan fasilitas BAB : milik sendiriTempat pembuangan air tinja : septic tank
Sumber penerangan utama : listrik PLN bukan meteranSumber air minum : sumurBahan bakar memasak : kayu bakar
Tempat berobat : RS/puskesmas/pustuIjazah terakhir kepala rumah tangga : tidak memiliki ijazah
Konsumsi protein : 1 kalimembeli pakaian baru : 1 kaliMakan : 3 kali
Penghasilan tiap bulan1: Rp. 231.2602: Rp. 291.541Jumlah aset1: Rp.518.8842: Rp.577.077
Kombinasi Data Learning dan Testing
Total Accuracy Rate (1-APER) (dalam %) Jumlah Terminal
NodeData Learning Data Testing75% : 25% 64,6 60,3 980% : 20% * 65,5 62,8 2385% : 15% 62,1 59,2 290% : 10% 63,5 61,7 2695% : 5% 67,7 61,3 62
kombinasi data learning dan testing yang mampu memberikan ketepatankasifikasi yang tinggi dan jumlah terminal node yang tidak terlalu besar dari
pohon klasifikasi yang terbentuk adalah pada kombinasi data learning sebesar80 persen ( 4471 RTSM) dan data testing sebesar 20 persen (1118 RTSM).
Seminar Hasil Tugas Akhir1/Juli/2014 21
Seminar Hasil Tugas Akhir1/Juli/2014 22
dengan jumlah terminal nodesebanyak 618 nodes
tingkat kedalaman sebesar 38
0.758
Rela
tive
Cost
Number of Nodes
0.70
0.75
0.80
0.85
0.90
0 200 400 600 800
0,856
Seminar Hasil Tugas Akhir1/Juli/2014 23
Tree Terminal Nodes
Test Set Relative Cost Resubtitution Relative Cost
Complexity Parameter
1 618 0,856 ± 0,030 0,218 0,00062* 23 0,758 ± 0,030 0,703 0,00163 20 0,761 ± 0,030 0,712 0,00164 19 0,767 ± 0,030 0,715 0,00265 18 0,769 ± 0,030 0,719 0,00266 14 0,779 ± 0,030 0,733 0,00267 10 0,817 ± 0,030 0,749 0,00268 8 0,838 ± 0,030 0,762 0,00369 6 0,827 ± 0,030 0,778 0,00470 3 0,843 ± 0,029 0,808 0,00571 2 0,843 ± 0,027 0,844 0,01872 1 1,000 ± 0,000 1,000 0,078
Seminar Hasil Tugas Akhir1/Juli/2014 24
Pohon klasifikasi optimal
Pohon klasifikasi maksimal
Konstruksi Pohon Klasifikasi Optimal untuk Paket Bantuan RumahTangga yang Diharapkan
Tingkat kedalaman 1
Tingkat kedalaman 2
Tingkat kedalaman 10
Seminar Hasil Tugas Akhir1/Juli/2014 25
Bantuan 1: bantuan danperlindungan sosial
Bantuan 2: bantuan pemberdayaan RT
Variabel Skor VariabelX16 100,00X1 38,51X5 33,81X13 29,36X14 20,82X12 17,79X6 16,10X11 13,39X4 11,76X2 11,44X18 11,17X3 5,78X8 4,67
penghasilan tiap bulan (X16) merupakanvariabel pemilah yang utama dan paling
menentukan klasifikasi rumah tanggaberdasarkan paket bantuan rumah
tangga yang diharapkan dengan skorsebesar 100,00
Seminar Hasil Tugas Akhir1/Juli/2014 26
Penghasilan tiap bulan (x16)Luas lantai (x1)
sumber air minum (x5)ijazah terakhir kepala rumah tangga (x13)
jumlah aset (x14)
Seminar Hasil Tugas Akhir1/Juli/2014 27
X12 (tempat untuk berobat)(1) RS/puskesmas/pustu(2) Praktek dokter(3) Praktek paramedis(4) Praktek pengobatan tradisional
X2 (jenis lantai bangunan)(1) Keramik/marmer/granit(2) Ubin/tegel/teraso(3) Semen/bata merah(4) Kayu/papan(5) Bambu(6) kayu
Class 1: bantuan dan perlindungan sosialClass2 : bantuan pemberdayaan rumah tangga
Seminar Hasil Tugas Akhir1/Juli/2014 28
Bantuan dan perlindungan sosial(terminal node 5, kelas 1:74,2%, kelas 2:25,8%)
• Penghasilan tiap bulan > Rp. 5.000• luas lantai bangunan ≤ 16,5 m2
• berobat ke praktek dokter/praktek paramedis/pengobatan tradisionalBantuan pemberdayaan rumah tangga
(terminal node 18, kelas 1:7,7%, kelas 2:92,3%)• Penghasilan tiap bulan > Rp. 5.000• luas lantai bangunan > 16,5 m2
• air minum dari air dalam kemasan/pompa/sumur/air sungai• dalam setahun pernah membeli pakaian baru paling tidak satu kali • dinding rumah dari tembok • memiliki aset > Rp.2.650.000• berobat ke praktek dokter/praktek paramedis
KelasObservasi
Kelas PrediksiTotal
Sensitivity (%)
Specificity (%)
APER(%)
1-APER (%)1 2
DataLearning
1 1.117 705 1.82261,3 68,4 34,5 65,5
2 838 1.810 2.648
DataTesting
1 255 177 43259,0 65,2 37,2 62,82 239 447 686
ketepatan klasifikasi untuk bantuan & perlindungan sosial yang ditunjukkan oleh nilai sensitivity adalah sebesar 61,3 persen, sedangkan ketepatan klasifikasi untuk bantuan pemberdayaan rumah tangga yang ditunjukkan oleh nilai specificity adalah sebesar68,4 persen. Sehingga, diperoleh angka total accuracy rate (1-APER) untuk data learning sebesar 65,5 persen.
Seminar Hasil Tugas Akhir1/Juli/2014 29
Bila hasil klasifikasi divalidasi dengan data testing, maka diperoleh hasil dimana nilaikesalahan klasifikasi (APER) secara keseluruhan untuk data testing adalah sebesar 37,2persen dan total accuracy rate (1-APER) adalah sebesar 62,8 persen. Sementaraitu, nilai sensitivity yang diperoleh sebesar 59,0 persen dan nilai specificity sebesar 65,2persen.
variabel prediktor yang diambil secaraacak sebagai pembentuk pohon dalam
setiap pemilahan adalah sebanyak3 variabel
Jumlah pohon yang dibentuk akan dicobakan pada kombinasi sebanyak 50, 100, 250, 500, dan 750 pohon.
Kombinasi Jumlah PohonSensitivity
(%)Specificity
(%)APER
(%)1-APER
(%)
50Data Learning 99,0 99,9 0,5 99,5Data Testing 38,1 83,6 34,9 65,1
100Data Learning 99,7 99,8 0,2 99,8Data Testing 37,9 84,6 34,3 65,7
250*Data Learning 99,8 99,9 0,2 99,8Data Testing 39,9 84,8 33,5 66,5
500Data Learning 99,7 99,9 0,2 99,8Data Testing 39,4 84,9 33,5 66,5
750Data Learning 99,8 99,8 0,2 99,8Data Testing 39,2 85,2 33,5 66,5
Seminar Hasil Tugas Akhir1/Juli/2014 30
Klasifikasi dengan random forests menggunakan data sampel yang random untuk membangun pohon, dan dalam setiap pemilahan terdapat batasan
jumlah variabel prediktor yang diambil secara acak (Shih, 2013).
KelasObservasi
Kelas PrediksiTotal Sensitivity
(%)Specificity
(%)APER
(%)1-APER
(%)1 2
Data Learning
1 1.796 4 1.80099,8 99,9 0,2 99,82 3 2.667 2.670
Data Testing
1 181 273 45439,9 84,8 33,5 66,5
2 101 563 664Keterangan : kelas 1 adalah bantuan & perlindungan sosial
kelas 2 adalah bantuan pemberdayaan rumah tangga
Seminar Hasil Tugas Akhir1/Juli/2014 31
Ketepatan Klasifikasi RF-CART pada Kombinasi 250
Metode Klasifikasi APER (%) 1-APER (%)
CARTData Learning 34,5 65,5Data Testing 37,2 62,8
RF-CARTData Learning 0,2 99,8Data Testing 33,5 66,5
Seminar Hasil Tugas Akhir1/Juli/2014 32
metode RF-CART merupakanmetode yang lebih baik dalam
mengklasifikasikan RTSM menurutpaket bantuan rumah tangga yang diharapkan dibandingkan dengan
metode klasifikasi CART.
Peningkatan akurasi yang diperoleh bila digunakan metode
ensemble random forest yang dapat dilihat melalui nilai 1- APER adalah sebesar 34,3 persen untuk
data learning dan sebesar 3,7 persen untuk data testing.
1. Berdasarkan hasil deskripsi untuk mengetahui distribusi RTSM di Kabupaten Jombang menurut paket bantuan rumah tangga yang diharapkan diketahui bahwa terdapat sebanyak 3.334 RTSM atau sekitar 59,664 persen dari keseluruhan RTSM yang diamatiyang mengharapkan bantuan pemberda-yaan rumah tangga. Sedangkan, bantuan & perlindungan sosial dari pemerintah diharapkan oleh sekitar 40,336 persen RTSM atausebanyak 2.254 RTSM di Kabupaten Jombang.
2. Klasifikasi RTSM menurut bantuan rumah tangga yang diharapkan dengan metode CART menghasilkan total accuracy rate (1-APER) yang tinggi dengan jumlah terminal node yang tidak terlalu besar. Nilai 1-APER yang diperoleh yaitu sebesar 65,5 persen untuk data learning dan 62,8 persen untuk data testing dengan jumlah terminal nodesebesar 23. Hasil klasifikasi menunjukkan bahwa variabel yang berpengaruh besar dalam proses pembentukan pohon dan penentuan paket bantuan rumah tangga adalah penghasilan tiap bulan, luas lantai, sumber air minum, ijazah terakhir kepala rumah tangga, dan jumlah aset yang dimiliki.
Seminar Hasil Tugas Akhir1/Juli/2014 33
Seminar Hasil Tugas Akhir1/Juli/2014 34
Bantuan dan perlindungan sosial(terminal node 5, kelas 1:74,2%, kelas 2:25,8%)
• Penghasilan tiap bulan > Rp. 5.000• luas lantai bangunan ≤ 16,5 m2
• berobat ke praktek dokter/praktek paramedis/pengobatan tradisionalBantuan dan pemberdayaan rumah tangga
(terminal node 18, kelas 1:7,7%, kelas 2:92,3%)• Penghasilan tiap bulan > Rp. 5.000• luas lantai bangunan > 16,5 m2
• air minum dari air dalam kemasan/pompa/sumur/air sungai• dalam setahun pernah membeli pakaian baru paling tidak satu kali • dinding rumah dari tembok • memiliki aset > Rp.2.650.000• berobat ke praktek dokter/praktek paramedis
3. Klasifikasi RF-CART dilakukan dengan menggunakan kombinasi jumlah pohon sebesar 250 karena mampu menghasilkan total accuracy rate (1-APER) sebesar 99,8 persen untuk data learning dan sebesar 66,5 persen untuk data testing.
4. Hasil perbandingan ketepatan klasifikasi antara metode CART dan RF-CART adalah metode RF-CART memberikan peningkatan total accuracy rate (1-APER) sebanyak 34,3 persen untuk data learning dan sebesar 3,7 persen untuk data testingdibandingkan dengan metode CART.
Seminar Hasil Tugas Akhir1/Juli/2014 35
• Pada tahap pra-pemrosesan data perlu dilakukan langkah mengatasi data missingpada variabel prediktor, agar seluruh data hasil survei Bappeda dapat diolah untuk digunakan sebagai pembentuk pohon klasifikasi.
• Untuk mendapatkan hasil klasifikasi yang lebih informatif, perlu dilakukan pengklasifikasian RTSM ke dalam kelompok paket bantuan rumah tangga yang lebih banyak.
• Berdasarkan hasil deskripsi diketahui bahwa RTSM di Kabupaten Jombang lebih banyak membutuhkan bantuan pemberdayaan rumah tangga, seperti pekerjaan, uang/barang modal, atau perumahan. Oleh karena itu, pemerintah diharapkan lebih mengutamakan realisasi program penanggulangan kemiskinan dalam hal penyediaan lapangan pekerjaan yang memadai, pemberian kredit usaha untuk masyarakat miskin, dan menggalakkan program bedah rumah untuk perbaikan kondisi tempat tinggal RTSM. Sehingga, dengan adanya langkah tersebut diharapkan akan semakin meningkatkan kondisi ekonomi masyarakat miskin dan berdampak pada perbaikan status kemiskinannya.
Seminar Hasil Tugas Akhir1/Juli/2014 36
Seminar Hasil Tugas Akhir1/Juli/2014 37
[Bappeda] Badan Perencanaan Pembangunan Daerah. (2011). Profil Daerah Kabupaten/Kota di Jawa Timur Tahun 2007-2011. Jombang : Bappeda.[Bappenas] Badan Perencanaan Pembangunan Nasional. (2004). Kumpulan Bahan Latihan : Pemantauan dan Evaluasi Program-program Penanggulangan Kemiskinan. Jakarta : Bappenas.[BPS] Badan Pusat Statistik. (2008). Analisis dan Penghitungan Tingkat Kemiskinan 2008. Jakarta : BPS_____ . (2011a). Penghitungan dan Analisis Kemiskinan Makro Indonesia Tahun 2011. Jakarta : BPS._____ . (2011b). Produk Domestik Regional Bruto Kabupaten Jombang 2000-2010. Jombang : BPS.[BPS dan Depsos] Badan Pusat Statistik & Departemen Sosial. (2002). Penduduk Fakir Miskin Indonesia 2002. Jakarta : BPS.[BPS dan Kementrian Sosial RI] Badan Pusat Statistik & Kementrian Sosial RI. (2012). Analisis Data Kemiskinan Berdasarkan Data Pendataan Program Perlindungan Sosial (PPLS) 2011. Jakarta : BPS.[BPS dan World Bank Institute] Badan Pusat Statistik & World Bank Institue. (2002). Dasar-dasar Analisis Kemiskinan. Jakarta : BPSBae, C & Bickel, P. (2009). Versions of Random Forests: Properties and Performances. Berkeley : University of
California.Basri, F. (1995). Perekonomian Indonesia menjelang Abad XXI. Jakarta: Erlangga.Breiman, L. (2001). Random Forests. Machine Learning, 45, 5-32.Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1993). Classification and Regression Trees. New York : Chapman Hall.Hidayanti, A. A. (2013). Boosting Multivariate Adaptive Regression Spline (MARS) Binary Response untuk Klasifikasi Kemiskinan di Kabupaten Jombang. Tesis Statistika Institut Teknologi Sepuluh Nopember, SurabayaFaturokhman & Molo, M. (1995). Kemiskinan dan Kependudukan di Pedesaan Jawa: Analisis Data Susenas 1992. Yogyakarta : Pusat Penelitian Kependudukan Universitas Gadjah Mada.He, Yan. (2006). Missing Data Imputation for Tree Based Models. Disertasi Statistika University of California, Los Angeles.Lewis, R. J. (2000). An Introduction to Classification and Regression Trees (CART) Analysis. Annual Meeting of the Society for Academic Emergency Medicine. California, UCLA Medical Center.Liaw, A. & Wiener, M. (2002). Classification and Regression by Random Forests. R News, 2, 18-22.
Seminar Hasil Tugas Akhir1/Juli/2014 38
Lubis, M. M. (2010). Zukhriatul : Kemiskinan Puncak Solusi Program MDGs. Waspada Online. Diakses pada 20 oktober 2013 dari http://waspada.co.id/index.php?option=com_content&view=article&id=91692:kemiskinan-puncak-solusi-program-mdgs&catid=166:jurnal-puteri-indonesia&Itemid=99Muttaqin, M. J. (2013). Metode Ensemble pada CART untuk Perbaikan Klasifikasi Kemiskinan di Kabupaten Jombang. Tesis Statistika Institut Teknologi Sepuluh Nopember, Surabaya.Prakosa, H. M. G. (2011). Klasifikasi Kesejahteraan Rumah Tangga di Provinsi Jawa Timur dengan Pendekatan Bootsrap Aggregating Classification and Regression Trees. Tugas Akhir Statistika Institut Teknologi Sepuluh Nopember, Surabaya.Purwanto, A. D. (2009). Klasifikasi Rumah Tangga menurut Tempat Berbelanja Barang Kebutuhan Sandang di Kota Yogyakarta Menggunakan Metode Regresi Logistik dan Metode CART. Tesis Statistika Institut Teknologi Sepuluh Nopember, Surabaya.Rumiati, A.T & Sutikno. (2005). Studi Pembandingan Metode Klasifikasi Pohon Binary dan Regresi Logistik pada Data Kasus Kesehatan. Institut Teknologi Sepuluh Nopember, Surabaya.Shih, S. S. (2013). Class 13a: Random Forests, for Model
(and) Predictor Selection. Variation in Phonology, 251, 4.Suryadarma, D., Akhmadi, Hastuti, & Toyamah, N. (2005). Ukuran Obyektif Kesejahteraan Keluarga untuk Penargetan Kemiskinan: Hasil Uji Coba Sistem Pemantauan Kesejahteraan oleh Masyarakat di Indonesia. Jakarta : SMERU.Sutton, C. D. (2005). Classification and Regression Trees, Bagging, and Boosting. Handbook of Statistics, 24, 303-329.[TNP2K] Tim Nasional Percepatan Penanggulangan Kemiskinan. (2012). Data & Indikator. Diakses pada tanggal 20 Oktober 2013 dari http://tnp2k.go.id/data-indikator/mengenai-data-indikator/Turner, S. (2011). Split a Data Frame into Testing and Training sets in R. Diakses pada tanggal 15 Mei 2014 dari http://gettinggeneticsdone.blogspot.com/2011/02/split-data-frame-into-testing-and.html?m=0[UNDP] United Nations Development Programme (2008). Millenium Development Goals. Jakarta : UNDP.Wezel, M.V. & Potharst, R. (2007). Improved Customer Choice Predictions using Ensemble Methods. European Journal of Operational Research, 181, 436-452.
Klasifikasi Rumah Tangga Sangat Miskin di Kabupaten Jombang Menurut Paket Bantuan Rumah Tangga yang
Diharapkan dengan Pendekatan RF-CART (Random Forests Classification and Regression Trees)
SEMINAR HASIL TUGAS AKHIR
Dian Seftiana (1310100028)DOSEN PEMBIMBING :
Dr. Bambang Widjanarko Otok, S.Si., M.Si.