Klasifikasi Kesejahteraan Rumah Tangga di Provinsi Papua dengan Metode Regresi Logistik dan Support Vector Machine
| Main Authors: | Sahitayakti, Riska Prakasita; Jurusan Statistika Institut Teknologi Sepuluh Nopember, Fithriasari, Kartika; Jurusan Statistika Institut Teknologi Sepuluh Nopember |
|---|---|
| Format: | Article info application/pdf eJournal |
| Bahasa: | eng |
| Terbitan: |
Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS
, 2015
|
| Subjects: | |
| Online Access: |
http://ejurnal.its.ac.id/index.php/sains_seni/article/view/10842 http://ejurnal.its.ac.id/index.php/sains_seni/article/view/10842/2418 |
Daftar Isi:
- Provinsi Papua dalam lima tahun terakhir ini menunjukkan bahwa presentase penduduk miskin di Provinsi Papua menempati peringkat pertama dibandingkan ke-32 provinsi lainnya di Indonesia. Klasifikasi kesejahteraan rumah tangga ditujukan untuk mengkategorikan suatu rumah tangga, kedalam kategori keluarga miskin ataupun tidak miskin berdasarkan faktor-faktor yang mencirikan suatu kemiskinan. Dalam rangka meningkatkan kesejahteraan masyarakat di Provinsi Papua, salah satu upaya yang dilakukan adalah dijalankannya program pengentasan kemiskinan, dimana dalam pelaksanaannya perlu dalam mengkategorikan suatu rumah tangga kedalam kategori miskin atau tidak miskin untuk mengetahui layak atau tidaknya mendapatkan bantuan dari program tersebut. Analisis klasifikasi dilakukan menggunakan metode regresi logistik dan support vector machine. Karakteristik kesejahteraan rumah tangga di Papua menunjukkan sebanyak 27% rumah tangga dikategorikan rumah tangga miskin dan sebanyak 73% rumah tangga dikategorikan rumah tangga tidak miskin. Klasifikasi menggunakan metode regresi logistik biner menunjukkan bahwa ketepatan klasifikasi tertinggi sebesar 81.20%. Klasifikasi menggunakan metode support vector machine menunjukkan bahwa ketepatan klasifikasi tertinggi yakni sebesar 82.05% menggunakan variabel prediktor yang signifikan pada analisis regresi logistik biner. Model klasifikasi yang menghasilkan ketepatan klasifikasi tertinggi tersebut menggunakan fungsi kernel Radial Basis Function (RBF) dengan parameter σ=2 dan C=10