Klasifikasi dan Klasterisasi Kemiskinan di Kabupaten Sabu Raijua Provinsi Nusa Tenggara Timur Menggunakan Machine Learning
Kata Kunci:
kemiskinan, klasterisasi data, klasifikasi data, machine learningAbstrak
Ruang lingkup tulisan ini difokuskan pada masalah kemiskinan sosial ekonomi di pedesaan. Survei pengeluaran dan pendapatan rumah tangga menyediakan data yang digunakan untuk mengidentifikasi dan mengukur status kemiskinan rumah tangga. Kontribusi dari penelitian ini adalah pendekatan machine learning untuk memetakan dengan cara klasifikasi dan klasterisiasi kemiskinan di pedesaan. Pendekatan ini memperhitungkan semua survei pengeluaran dan pendapatan rumah tangga yang dilakukan. Pendekatan machine learning lebih akurat, dan membuat identifikasi kemiskinan menjadi lebih murah dan lebih mendekati real-time. Preprocessing data dan pengolahan data kemiskinan berbasis machine learning adalah bagian utama dari penelitian ini. Model klasifikasi dan klasterisasi berbasis machine learning terbukti dapat memberikan gambaran upaya untuk melihat kemiripan ciri kemiskinan. Hasil penelitian ini menunjukkan keunggulan machine learning dalam pemetaan kemsikinan desa di wilayah rural, oleh karena itu dapat diadopsi dalam banyak domain baik di sektor swasta maupun pemerintah.
Unduhan
Referensi
Asian Development Bank. (2021). Mapping the Spatial Distribution of Poverty Using Satellite Imagery in Thailand (Issue April).
Badan Pusat Statistik. (2021). Data dan Informasi Kemiskinan Kabupaten/Kota tahun 2021.
Pemerintah Kabupaten Sabu Raijua. (2021). Rencana Pembangunan Jangka Menengah Daerah tahun 2021 - 2026.
Hahn, P. (2019). Artificial intelligence and machine learning. Handchirurgie Mikrochirurgie Plastische Chirurgie, 51(1), 62–67. https://doi.org/10.1055/a-0826-4789
Alsharkawi, A., Al-Fetyani, M., Dawas, M., Saadeh, H., & Alyaman, M. (2021). Poverty classification using machine learning: The case of Jordan. Sustainability (Switzerland), 13(3), 1–16. https://doi.org/10.3390/su13031412
Effendy, F., & Purbandini, P. (2018). Klasifikasi Rumah Tangga Miskin Menggunakan Ordinal Class Classifier. Jurnal Nasional Teknologi Dan Sistem Informasi, 4(1), 30–36. https://doi.org/10.25077/teknosi.v4i1.2018.30-36
Nofriani, N. (2020). Machine Learning Application for Classification Prediction of Household’s Welfare Status. JITCE (Journal of Information Technology and Computer Engineering), 4(02), 72–82. https://doi.org/10.25077/jitce.4.02.72-82.2020
Poreddy, D., Reddy, E. V. V., Prasad, S. V., & Reddy, K. A. (2020). Classification of Poverty Levels Using Machine Learning. Journal of Xi’an University of Architecture & Technology, 12(4), 5723–5728.
Sihombing, P. R., & Arsani, A. M. (2021). Comparison of Machine Learning Methods in Classifying Poverty in Indonesia in 2018. Jurnal Teknik Informatika (Jutif), 2(1), 51–56. https://doi.org/10.20884/1.jutif.2021.2.1.52
Rozenberg, J., & Hallegatte, S. (2016). Model and Methods for Estimating the Number of People Living in Extreme Poverty Because of the Direct Impacts of Natural Disasters. Model and Methods for Estimating the Number of People Living in Extreme Poverty Because of the Direct Impacts of Natural Disasters, November. https://doi.org/10.1596/1813-9450-7887
Mustapha Ibrahim, D., & Ren, D. (2021). Nigeria Poverty Analysis, Prediction Using Machine Learning Methods and Deep Learning. Asian Journal of Social Sciences, Arts and Humanities, 9(1), 2021. www.multidisciplinaryjournals.com
Alsharkawi, A., Al-Fetyani, M., Dawas, M., Saadeh, H., & Alyaman, M. (2021). Poverty classification using machine learning: The case of Jordan. Sustainability (Switzerland), 13(3), 1–16. https://doi.org/10.3390/su13031412
Ayush, K., Uzkent, B., Tanmay, K., Burke, M., Lobell, D., & Ermon, S. (2020). Efficient Poverty Mapping using Deep Reinforcement Learning. http://arxiv.org/abs/2006.04224
Huang, L. Y., Hsiang, S., & Gonzalez-Navarro, M. (2021). Using Satellite Imagery and Deep Learning to Evaluate the Impact of Anti-Poverty Programs. SSRN Electronic Journal, 1–37. https://doi.org/10.2139/ssrn.3897541
Jiang, Y., Zhang, L., Li, Y., Lin, J., Li, J., Zhou, G., Liu, S., Cao, J., & Xiao, Z. (2021). Evaluation of county-level poverty alleviation progress by deep learning and satellite observations. Big Earth Data, 5(4), 576–592
The SMERU Research Institute. (2016). Penetapan Kriteria dan Variabel Pendataan Penduduk Miskin yang Komprehensif dalam Rangka Perlindungan Penduduk Miskin di Kabupaten/Kota.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2022 Jurnal Inovasi Kebijakan
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Pemberitahuan Hak Cipta
Seorang penulis yang menerbitkan dalam Jurnal Inovasi Kebijakan (JIK) menyetujui persyaratan berikut:
- Penulis memiliki hak cipta dan memberikan JIK hak untuk publikasi pertama karya secara bersamaan dilisensikan di bawah Lisensi Creative Commons Attribution-ShareAlike 4.0 yang membolehkan pihak lain untuk membagi hasil publikasi ini dengan menyertakan penyebutan atas kepemilikan Penulis (acknowledgement of the work’s authorship) dan penerbitan pertama (initial publication) dalam jurnal ini;
- Penulis dapat mengadakan perjanjian kontrak tambahan yang terpisah untuk distribusi non-eksklusif versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusi atau menerbitkannya dalam sebuah buku) dengan pengakuan publikasi awal dalam jurnal ini;
- Penulis diizinkan dan didorong untuk mempostingkan karyanya secara online (misalnya, dalam repositori institusi atau di situs web mereka) sebelum dan selama proses penerbitan, untuk memperbesar peluang sitasi atas hasil penelitian yang diterbitkan.
Baca lebih lanjut tentang Lisensi Creative Commons Attribution-ShareAlike 4.0 di sini: https://creativecommons.org/licenses/by-sa/4.0/ .
