Publisher

UIGMUIGM

Journal Jurnal Ilmiah Informatika GlobalJurnal Ilmiah Informatika Global Abstract

Kemiskinan merupakan permasalahan sosial yang kompleks di Provinsi Sumatera Selatan. Meskipun mengalami penurunan, persentase kemiskinan masih berada di atas rata-rata nasional, sehingga diperlukan analisis yang lebih mendalam terhadap faktor-faktor yang memengaruhinya. Dalam era digital, analisis kemiskinan tidak cukup hanya dengan mengandalkan metode tradisional, tetapi perlu melibatkan pendekatan berbasis teknologi informasi dan analisis data untuk mengungkap pola ekonomi sosial yang mendasarinya. Penelitian ini bertujuan untuk menganalisis faktor dominan yang memengaruhi kemiskinan. Data yang digunakan bersumber dari Badan Pusat Statistik (BPS) Provinsi Sumatera Selatan periode 2020 hingga 2024 dengan total 85 data dari 17 kabupaten/kota, mencakup indikator pendidikan, kesehatan, ekonomi, dan demografi. Analisis dilakukan melalui tahapan pra-pemrosesan data, analisis korelasi, serta pemodelan prediktif menggunakan algoritma Machine Learning. Algoritma XGBoost digunakan pada tahap awal pemodelan, namun hasil evaluasi menunjukkan kinerja yang kurang optimal. Oleh karena itu, dilakukan perbandingan dengan algoritma Random Forest yang menghasilkan performa lebih baik dibandingkan XGBoost dengan nilai R² sebesar 0.654, sehingga ditetapkan sebagai model akhir. Interpretasi menggunakan metode SHAP mengidentifikasi bahwa peningkatan Umur Harapan Hidup (UHH), PDRB per kapita, Rata-rata Lama Sekolah, Harapan Lama Sekolah, dan Indeks Pembangunan Manusia (IPM) berkontribusi menurunkan prediksi kemiskinan, sedangkan variabel Jumlah Penduduk dan Pengeluaran per kapita berkontribusi meningkatkan prediksi kemiskinan. Temuan ini diharapkan dapat menjadi bahan pertimbangan bagi pemerintah daerah dalam merancang kebijakan serta program yang lebih tepat sasaran.

Conclusion

Penelitian ini bertujuan menganalisis faktor-faktor dominan yang mempengaruhi kemiskinan di Provinsi Sumatera Selatan menggunakan pendekatan Machine Learning, yaitu HDBSCAN untuk Clustering dan XGBoost yang diinterpretasikan dengan SHAP.Hasil penelitian menunjukkan bahwa algoritma HDBSCAN kurang efektif dalam membentuk klaster wilayah karena struktur data tidak menghasilkan pemisahan yang jelas berdasarkan kepadatan.Pada tahap pemodelan, XGBoost menghasilkan performa yang kurang optimal sehingga Random Forest dipilih sebagai model akhir dengan nilai R² sebesar 0,654.Analisis SHAP menunjukkan bahwa faktor-faktor yang berperan dalam menurunkan kemiskinan adalah Umur Harapan Hidup (UHH), PDRB per Kapita, Lama Sekolah, Harapan Lama Sekolah, dan Indeks Pembangunan Manusia (IPM).Sebaliknya, Jumlah Penduduk dan Pengeluaran per Kapita berkontribusi meningkatkan risiko kemiskinan.Hasil ini menegaskan bahwa peningkatan kualitas hidup, pendidikan, kesehatan, dan pertumbuhan ekonomi menjadi dasar utama dalam pengentasan kemiskinan.Temuan lain menunjukkan bahwa tingginya pengeluaran per kapita dapat berkorelasi dengan meningkatnya kemiskinan, yang kemungkinan dipengaruhi oleh tingginya biaya hidup, inflasi, atau pengeluaran yang kurang produktif.

Future Research

Berdasarkan hasil penelitian, peneliti selanjutnya disarankan menggunakan periode data yang lebih panjang agar hasil analisis lebih stabil dan relevan untuk kebijakan jangka panjang. Selain itu, metode Clustering lain seperti K-Means dapat digunakan untuk menghasilkan pengelompokan wilayah yang lebih terstruktur, serta dilakukan perbandingan Random Forest dengan model Machine Learning lain yang lebih kompleks untuk memperoleh performa yang lebih optimal. Bagi Bappeda Provinsi Sumatera Selatan, program pembangunan dan alokasi anggaran perlu difokuskan pada peningkatan IPM, UHH, pendidikan, dan PDRB per Kapita dalam jangka panjang untuk mengurangi kemiskinan. Selain itu, diperlukan strategi pengelolaan jumlah penduduk yang sejalan dengan kapasitas ekonomi dan lingkungan daerah agar tidak menambah beban kemiskinan.

References

1. Pemodelan CEEMDAN LSTM, CEEMDAN GRU dan Metode Dasarnya untuk Peramalan Emisi Karbon Dioksida di Indonesia... doi.org/10.26740/mathunesa.v13n1.p25-33Pemodelan CEEMDAN LSTM CEEMDAN GRU dan Metode Dasarnya untuk Peramalan Emisi Karbon Dioksida di Indonesia doi 10 26740 mathunesa v13n1 p25 33
2. Analisis Heatmap Korelasi dan Scatterplot untuk Mengidentifikasi Faktor-Faktor yang Mempengaruhi Pelabelan... jurnal.umsu.ac.id/index.php/RMME/article/view/13133Analisis Heatmap Korelasi dan Scatterplot untuk Mengidentifikasi Faktor Faktor yang Mempengaruhi Pelabelan jurnal umsu ac index php RMME article view 13133
3. Analisis Kesulitan Mahasiswa dalam Menyelesaikan Soal Statistik pada Prodi Teknik Informasi di Universitas... edu.pubmedia.id/index.php/ppm/article/view/852Analisis Kesulitan Mahasiswa dalam Menyelesaikan Soal Statistik pada Prodi Teknik Informasi di Universitas edu pubmedia index php ppm article view 852
4. Prediksi Harga Rumah di Bandung 2024 Menggunakan Ensemble Learning: Analisis Komparatif dan Interpretabilitas... ejournal.poltekharber.ac.id/index.php/informatika/article/view/8200Prediksi Harga Rumah di Bandung 2024 Menggunakan Ensemble Learning Analisis Komparatif dan Interpretabilitas ejournal poltekharber ac index php informatika article view 8200

Metadata

File size	1.1 MB
Pages	9
DMCA	Report