Klasifikasi Status Rumah Tangga Miskin Provinsi
Kalimantan Timur Tahun 2023 Menggunakan Algoritma Support Vector Machine (SVM) - Submit Jurnal
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Kalimantan
Author
Isnaniah, Ukhti Nurul
Subject
H Social Sciences (General)
Datestamp
2025-01-10 04:09:57
Abstract :
Kemiskinan di Provinsi Kalimantan Timur masih menjadi tantangan, dimana 6 dari 10 kabupaten/kota memiliki tingkat kemiskinan di atas rata-rata provinsi (6.11%). Penelitian ini bertujuan mengklasifikasikan status rumah tangga miskin di Kalimantan Timur tahun 2023 menggunakan algoritma Support Vector Machine (SVM). Rawdata SUSENAS 2023 diperoleh dari Badan Pusat Statistik (BPS), mencakup aspek seperti pendidikan, kualitas tempat tinggal, dan kepemilikan aset. Penanganan data tidak seimbang dengan SMOTE menunjukkan peningkatan signifikan dalam kinerja model untuk memprediksi kelas, dengan indeks kappa meningkat drastis (dari 0.002?0.100 menjadi 0.591?0.746), meskipun akurasi keseluruhan menurun (dari 93.57?94.24% menjadi 79.55?87.31%). Model terbaik (data seimbang, kernel RBF, C=10, gamma=1) menghasilkan akurasi 87.31% dan indeks kappa 77.02%, dengan 1308 rumah tangga tepat diklasifikasikan sebagai miskin dan 1664 rumah tangga sebagai tidak miskin dari total 3404 rumah tangga. Hasil analisis menunjukkan rumah tangga miskin cenderung memiliki luas lantai lebih kecil, jumlah anggota rumah tangga lebih banyak, dan lebih mengandalkan fasilitas dasar seperti sepeda motor dan usaha mikro. Rumah tangga miskin juga cenderung menggunakan sumber energi terjangkau seperti elpiji 3 kg, kayu bakar, dan minyak tanah, serta lantai berbahan papan atau karpet. Sebaliknya, kepemilikan aset seperti laptop dan mobil lebih banyak ditemukan pada rumah tangga tidak miskin. Tingkat pendidikan kepala rumah tangga juga berperan penting, dengan pendidikan lebih tinggi terkait dengan status tidak miskin.
Kemiskinan di Provinsi Kalimantan Timur masih menjadi tantangan, dimana 6 dari 10 kabupaten/kota memiliki tingkat kemiskinan di atas rata-rata provinsi (6.11%). Penelitian ini bertujuan mengklasifikasikan status rumah tangga miskin di Kalimantan Timur tahun 2023 menggunakan algoritma Support Vector Machine (SVM). Rawdata SUSENAS 2023 diperoleh dari Badan Pusat Statistik (BPS), mencakup aspek seperti pendidikan, kualitas tempat tinggal, dan kepemilikan aset. Penanganan data tidak seimbang dengan SMOTE menunjukkan peningkatan signifikan dalam kinerja model untuk memprediksi kelas, dengan indeks kappa meningkat drastis (dari 0.002?0.100 menjadi 0.591?0.746), meskipun akurasi keseluruhan menurun (dari 93.57?94.24% menjadi 79.55?87.31%). Model terbaik (data seimbang, kernel RBF, C=10, gamma=1) menghasilkan akurasi 87.31% dan indeks kappa 77.02%, dengan 1308 rumah tangga tepat diklasifikasikan sebagai miskin dan 1664 rumah tangga sebagai tidak miskin dari total 3404 rumah tangga. Hasil analisis menunjukkan rumah tangga miskin cenderung memiliki luas lantai lebih kecil, jumlah anggota rumah tangga lebih banyak, dan lebih mengandalkan fasilitas dasar seperti sepeda motor dan usaha mikro. Rumah tangga miskin juga cenderung menggunakan sumber energi terjangkau seperti elpiji 3 kg, kayu bakar, dan minyak tanah, serta lantai berbahan papan atau karpet. Sebaliknya, kepemilikan aset seperti laptop dan mobil lebih banyak ditemukan pada rumah tangga tidak miskin. Tingkat pendidikan kepala rumah tangga juga berperan penting, dengan pendidikan lebih tinggi terkait dengan status tidak miskin.
File :
16211028_cover.pdf
16211028_statement_of_authenticity.pdf
16211028_notations.pdf
16211028_chapter_1.pdf
16211028_chapter_2.pdf
16211028_chapter_3.pdf
16211028_chapter_4.pdf
16211028_conclusions.pdf
16211028_bibliography.pdf
16211028_enclosure.pdf
16211028_paper.pdf
16211028_form020.pdf
16211028_publishing_agreement.pdf
16211028_cover1.pdf
16211028_approval_sheet.pdf
16211028_preface.pdf
16211028_abstract_id.pdf
16211028_abstract_en.pdf
16211028_table_of_content.pdf
16211028_illustrations.pdf
16211028_tables.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
