NINETYJOURNALNINETYJOURNAL

Jurnal Kecerdasan Buatan dan Teknologi InformasiJurnal Kecerdasan Buatan dan Teknologi Informasi

Indeks Pembangunan Manusia (IPM) merupakan indikator kunci kualitas hidup yang mencerminkan pencapaian dalam kesehatan, pendidikan, dan standar kehidupan yang layak. Ketimpangan regional yang signifikan di Indonesia menunjukkan kebutuhan untuk menganalisis determinannya guna formulasi kebijakan yang efektif. Penelitian ini mengeksplorasi pengaruh faktor sosial ekonomi—tingkat kemiskinan, PDRB per kapita, harapan hidup, tahun pendidikan rata-rata, dan pengeluaran per kapita—terhadap IPM di 514 kabupaten/kota menggunakan machine learning dan Explainable AI (XAI). Data sekunder dari BPS Tahun 2021 digunakan. Variabel target (IPM_score) dibangun melalui feature engineering. Model Regresi Linear, Random Forest, dan XGBoost dilatih dengan pembagian 80:20 dan dinilai dengan MSE dan R². SHAP diterapkan untuk interpretasi kontribusi fitur. Hasil menunjukkan XGBoost mencapai kinerja terbaik (R² = 0,987), mengungguli Random Forest (R² = 0,974), sementara Regresi Linear mencapai R² = 1,000 karena linearitas sempurna. Analisis SHAP mengidentifikasi pengeluaran per kapita sebagai faktor dominan (r = 0,9996), diikuti oleh tahun pendidikan rata-rata (r = 0,667), sedangkan kemiskinan memiliki efek negatif kuat (r = -0,638). Temuan ini menekankan bahwa daya beli dan pendidikan merupakan faktor kritis dalam IPM. Penggunaan XAI meningkatkan transparansi model dan mendukung kebijakan berbasis bukti, terutama dalam mengintegrasikan pengurangan kemiskinan dengan peningkatan pendidikan dan kapasitas ekonomi.

Penelitian ini menunjukkan bahwa model XGBoost mengungguli metode lain dalam memprediksi IPM dengan akurasi tinggi.Pengeluaran per kapita dan tahun pendidikan rata-rata menjadi faktor dominan positif, sementara tingkat kemiskinan berkontribusi negatif.Disparitas spasial signifikan teramati antar provinsi, dengan wilayah barat mendominasi IPM tertinggi.Integrasi XAI memungkinkan model machine learning menjadi alat yang transparan dan dapat diinterpretasi untuk kebijakan berbasis bukti.

Penelitian lanjutan dapat mengembangkan analisis IPM dengan data resmi BPS sebagai variabel target untuk meningkatkan validitas. Selain itu, studi berbasis data panel multi-tahun dapat menggambarkan dinamika perubahan IPM secara lebih akurat. Penelitian juga dapat mengeksplorasi metode XAI alternatif seperti LIME atau Integrated Gradients untuk membandingkan efektivitas interpretasi model. Selain itu, pengembangan aplikasi web berbasis SHAP dapat memudahkan pemerintah daerah mengakses analisis real-time untuk pengambilan keputusan. Terakhir, penelitian perlu mempertimbangkan variabel tambahan seperti ketimpangan pendapatan (indeks Gini) dan infrastruktur kesehatan untuk memperkaya analisis determinan IPM.

  1. THE USE OF EXPLAINABLE AI FOR ANALYZING SOCIOECONOMIC DETERMINANTS OF THE HUMAN DEVELOPMENT INDEX IN... ojs.ninetyjournal.com/index.php/JKBTI/article/view/456THE USE OF EXPLAINABLE AI FOR ANALYZING SOCIOECONOMIC DETERMINANTS OF THE HUMAN DEVELOPMENT INDEX IN ojs ninetyjournal index php JKBTI article view 456
Read online
File size455.85 KB
Pages8
DMCAReport

Related /

ads-block-test