BOOSTING MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) BINARY RESPONSE UNTUK KLASIFIKASI KEMISKINAN DI KABUPATEN JOMBANG

BOOSTING MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) BINARY RESPONSE UNTUK KLASIFIKASI KEMISKINAN DI KABUPATEN JOMBANG Anna Apriana Hidayanti Dosen Sekolah Tinggi Ilmu Ekonomi AMM Mataram Email : [email protected]

Abstratc Poverty is one of the main problems faced by the people of Indonesia since ancient to the present so that a variety of planning, policy and program development has been and will be held on the point is to reduce the number of poor households. Family expectations, conditional cash assistance program, launched of Indonesia Government In 2007, first time in Indonesia. This Program aims to improve the quality of human beings by providing conditional cash assistance in accessing health and education services.The determination of the target family expectations, conditional cash assistance program done by BPS, for the first time used data of year 2005 owned ( based on the name and address ) subsequently in 2008 PPLS use 14 metric of poverty if household certain worthy relief. Virtue of analysis descriptive verification of data about households in the county of Jombang done by BAPEDA Jombang in 2010 that analysis needs desired or expected by majority of poverty in the county of Jombang expects direct aid, aid and assistance of venture capital, cattle the average who expects blt is worth 35,73 and as much as 28,16 % households in the county of Jombang hope for the help of livestock 17,99 hope for the help of venture capital, physical relief house at 8.28 %, aid daily needs 6.51 % and help or health education by 2,03 %.In this study of predictor variables have a lot then the MARS method can be used as tools that are expected to get the proper classification accuracy levels and to improve the accuracy of classification models and resampling methods used boosting where boosting is one method of ensemble used to improve the accuracy of classification by means of models generate a combination of a model get the best models and the variables that affect the best model with the method of binary response and MARS get accuracy classification needs help households with very poor and poor status of the method of binary response and boosting MARS. Households needs help is in the form of money and not in the form of money. Results of the research there were show by the method of MARS seven variables that affect household models are very poor ownership of residential buildings has the greatest influence on the model and the reduction of the value of the General Cross Validation (GCV), then a variable that has the most influence on models and substractiongcv to the poor is household income every month. Total accuracy classifications MARS and boosting MARS for households with the status of very poor is 70,50 % and 61,93 %, Results with total accuracy classifications MARS and boosting MARS to poor households with status is 64,30 % and 46,34 %. Kata kunci :Multivariate Adaptive Regrression Spline, Boosting, Binary Response, Poverty 1. PENDAHULUAN 1.1 Latar Belakang Kemiskinan merupakan masalah klasik yang belum tuntas terselesaikan terutama di Negara berkembang, artinya kemiskinan menjadi masalah yang dihadapi dan menjadi perhatian di setiap Negara. Persoalan kemiskinan merupakan salah satu permasalahan pokok yang dihadapi bangsa Indonesia sejak dahulu hingga sekarang, sehingga berbagai perencanaan, kebijakan, serta program pembangunan yang telah dan akan dilaksanakan pada intinya adalah untuk mengurangi jumlah rumah tangga miskin.

Jurnal Valid Vol. 12 No. 4, Oktober 2015 : 388 - 398

389

Pada tahun 2007 pemerintah Indonesia meluncurkan Program KeluargaHarapan (PKH), program bantuan dana tunai bersyarat pertama di Indonesia. Program ini bertujuan meningkatkan kualitas manusia dengan memberikan bantuan dana tunai bersyarat dalam mengakses layanan kesehatan dan pendidikan tertentu. Penetapan sasaran PKH dilakukan oleh BPS untuk pertama kalinya menggunakan data tahun 2005 yang dimiliki (berdasarkan nama dan alamat) BPS melakukan survey pendidikan dan survey pelayanan kesehatan dan pendidikan guna mengidentifikasi rumah tangga miskin serta fasilitas pendidikan dan kesehatan. Daftar tahun 2005 memuat berada pada sebaran penghasilan terendah dan digunakan sebagai daftar untuk program Bantuan Langsung Tunai (BLT) , kemudian pada tahun 2008 pendataan Program Perlindungan Sosial (PPLS) menggunakan 14 indikator kemiskinan apakah rumah tangga tertentu layak mendapatkan bantuan (Nazara, 2013). Dalam penelitian ini akan digunakan data sekunder yang diperoleh dari Badan Perencanaan Pembangunan Daerah (BAPPEDA) Kabupaten Jombang 2010. Kabupaten Jombang memiliki luas wilayah 1.159,50 Km2. Kabupaten Jombang terbagi menjadi 21 kecamatan yang terdiri dari 302 desa dan 4 Kelurahan serta 1.258 dusun. Apabila ditinjau dari komposisi jumlah desa/kelurahan maka Kecamatan Sumobito memiliki jumlah desa terbanyak yaitu 21 buah. Kabupaten Jombang berdasarkan data BPS 2011 (hasil SUSENAS Juli 2010) diketahui persentase penduduk miskin sebesar 13,845 atau sebesar 166.287 jiwa dari total jumlah penduduk Jombang 1.348.199 jiwa, dengan persentase tersebut Kabupaten Jombang masih diatas garis kemiskinan yang ditetapkan jika didasarkan pada tingkat kemiskinan Provinsi yang sebesar 15,26% dan tingkat kemiskinan nasional 13,33% (Indikator Kesejahteraan Provinsi Jawa Timur, TNP2K, 2011). Berdasarkan analisis deskriptif verifikasi data tentang RTM di Kabupaten Jombang yang dilakukan oleh BAPEDA Jombang pada tahun 2010 bahwa analisis kebutuhan yang diingingkan atau diharapkan oleh sebagian besar RTM di Kabupaten Jombang mengharapkan bantuan langsung (BLT), bantuan ternak dan bantuan modal usaha, Rata-rata yang mengharapkan BLT adalah sebesar 35,73 dansebesar 28,16% RTM di Kabupaten Jombang mengharapkan bantuan ternak, kemudian sebesar 17,99 mengharapkan bantuan modal usaha, bantuan fisik rumah sebesar 8,28%, bantuan kebutuhan sehari-hari 6,51% dan bantuan pendidikan /kesehatan sebesar 2,03%. Maka untuk mengetahui apakah tingkat keakurasian klasifikasi dari pemberian bantuan yang diharapkan penduduk miskin tersebut sudah tepat atau tidak maka dilakukan uji keakuratan klasifikasi, diketahui bahwa untuk menguji tingkat akurasi klasifikasi dapat menggunakan regresi parametric dan regresi nonparametrik , karena pada penelitian ini diasumsikan bahwa hubungan variaabel respon dan variabel prediktor memiliki hubungan yang tidak diketahui maka digunakaan regresi non parametrik dimana dalam penelitian ini memiliki variabel yang berjumlah banyak maka metode MARS dapat digunakan sebagai tools. MARS adalah salah satu model regresi nonparametrik, yaitu model yang tidak mengasumsikan bentuk hubungan fungsional antara variabel respon dan prediktor, dan mempunyai bentuk fungsional yang fleksibel, MARS baik digunakan ketika variabel prediktor yang digunakan berjumlah banyak dan data yang digunakan bersifat tidak linier (Munoz dan Felicimo, 2004 dalam Jalaluddin,2009). Pada model MARS sendiri akan dilakukan tahap pengklasifikasian untuk mengetahui ketepatan atau tingkat akurasi klasifikasi dari model MARS. Tingkat akurasi dari suatu metode klasifikasi dapat ditingkatkan dengan tujuan memberikan hasil klasifikasi yang lebih baik dan menurunkan tingkat kesalahan klasifikasi maka dilakukan metode resampling dalam penyusunan modelnya untuk menurunkan tingkat kesalahan klasifikasi. Metode resampling yang digunakan adalah boosting. Boosting berasal dari kata boost yang berarti menaikan atau menurunkan, boosting merupakan salah satu metode ensemble Boosting Multivariate Adaptive ... (Anna Apriana Hidayanti)


390

yang digunakan untuk meningkatkan akurasi dari model klasifikasi dengan cara membangkitkan kombinasi dari suatu model. Dalam penelitian, diharapkan mampu menjelaskan dan mendapatkan tingkat keakurasian klasifikasi secara lebih tepat dan spesifik untuk rumah tangga dengan status sangat miskin dan rumah tangga dengan status miskin dengan metode MARS respon biner maupun dengan metode boosting MARS. 1.2 Rumusan Masalah Berdasarkan latar belakang yang telah dikemukakan, maka permasalahan dalam penelitian ini dapat dirumuskan sebagai berikut : 1. Bagaimana mendapatkan model terbaik bantuan yang diharapkan rumah tangga miskin berdasarkan indikator-indikator kemiskinan di Kabupaten Jombang ? 2. Bagaimana perbandingan tingkat akurasi klasifikasi dari metode MARS respon biner dan Boosting MARS respon biner ? 1.3 Tujuan Penelitian Berdasarkan rumusan masalah di atas, maka tujuan yang ingin dicapai dalam penelitian ini adalah sebagai berikut : 1. Mendapatkan model terbaik bantuan yang diharapkan rumah tangga miskin berdasarkan indikator-indikator kemiskinan di Kabupaten Jombang 2. Membandingankan tingkat akurasi klasifikasi dari metode MARS respon biner dan Boosting MARS respon biner 1.4 Manfaat Penelitian Manfaat yang ingin dicapai dari hasil penelitian ini adalah sebagai berikut : 1. Memberikan kontribusi dengan pengembangan metode boosting MARS respon biner. 2. Sebagai informasi tambahan yang dapat digunakan BAPPEDA dalam pemberian bantuan terhadap rumah tangga miskin di Kabupaten Jombang II. TINJAUAN PUSTAKA 2.1 Multivariate Adaptive Regrression Spline (MARS) MARS adalah salah satu metode regresi nonparametik yang diperkenalkan oleh Friedman (1991). Model MARS digunakan untuk mengatasi kelemahan Recursive Partitioning Regression (RPR) yaitu menghasilkan model yang kontinu pada knot.RPRdigunakan untuk mengatasi kesulitan yang timbul saat penentuan knot pada regresi dummy untuk dimensi data yang rendah, penentuan knot tidak akan mengalami kesulitan, tetapi untuk data yang berdimensi tinggi terdapat kesulitan. Untuk mengatasi hal tersebut digunakan model RPR karena penentuan knot tergantung (otomatis) dari data. Tetapi model ini masih terdapat kelemahan yaitu model yang dihasilkan tidak kontinu pada knot, dan untuk mengatasinya digunakan model MARS. 2.2 Klasifikasi pada MARS Respon Biner Pada model MARS, masalah klasikasi didasarkan pada pendekatan analisis regresi logistik. Jika variabel respon terdiri dari dua nilai , maka dikatakan sebagai regresi dengan respon biner, sehingga dapat digunakan model probabilitas dengan persamaan berikut (Otok, 2010) : P(Y  1 X  x )  π x  

e f(x) 1  e f(x)

P(Y  0 X  x )  (1  π x  ) 

1 1  e f(x)

Boosting Multivariate Adaptive ... (Anna Apriana Hidayanti)

(2.1)

Jurnal Valid Vol. 12 No. 4, Oktober 2015 : 388 - 398 Lemma

1

:

(Otok,

2008)

Jika

 e  maka  L :R  0,1  L   x    z   1  e 

hubungan

z

inver

dari

dengan  L dapat

391 model

logistik

dikatakan

,

sebagai

 x   transformasi logit, log it x   ln  z 1  x  

Selanjutnya jika Lemma 1 terpenuhi dan z  f x  yaitu,

z  f x  yaitu ^

z  f x   a0   a m  S km .xv k,m   t Km  

M

km

m 1

k 1

Variabel respon Y merupakan variabel respon biner (0 dan 1) dengan p banyaknya variabel prediktor x x1, x2 ,..., x p sehingga model MARS untuk klasifikasi dapat dinyatakan dapat ditulis dalam model : km M  x     a 0   a m  S Km .x vk ,m   t Km  log itx   ln m 1 k 1  1  x   dan dalam bentuk matriks, (2.2) log itx   Ba dengan a  (a0 ,a1 ...,an ):T ; dan matriks pada persamaan (2.9) 2.3 Ketepatan Klasifikasi Untuk menghitung ketepatan klasikasi pada hasil pengelompokan digunakan Apparent Error Rate (APER). Nilai APER menyatakan reresentasi proporsi sampel yang salah diklasikasikan. Dalam penelitian kali ini digunakan respon biner sehingga penentuan kesalahan klasikasi dapat dihitung dari tabel klasikasi berikut : Tabel 2.1 Tabel Klasifikasi



Hasil Observasi y1 y2



Taksiran y1 n11 n21

y2 n12 n22

Keterangan : n11= jumlah observasi dari y1 yang tepat diklasifikasikan sebagai y1 n22 = jumlah observasi dari y2 yang tepat diklasifikasikan sebagai y2 n21 = jumlah observasi dari y2 yang salah diklasifikasikan sebagai y1 n12 = jumlah observasi dari y1 yang salah diklasifikasikan sebagai y2 n = jumlah observasi jumlah prediksi salah n21 n12 APER(%)=   100% jumlah total prediksi n

Total accuracy rate (100%)=

jumlah prediksi benar n11 n22   100% . jumlah total prediksi n

(2.3) (2.4)

2.4 Boosting Bosting merupakan salah satu metode ensamble yang digunakan dalam meningkatkan akurasi pada proses klasifikasi dan prediksi dengan cara membangkitkan kombinasi dari suatu model, Ide dasar dari bosting adalah pada bobot pada proses learning dimana setiap sampel pada proses training diatur memiliki bobot nonnegative (Okun, 2011) . Boosting Multivariate Adaptive ... (Anna Apriana Hidayanti)


392

Berikut ini adalah langkah-langkah dari algoritma Adaboost: Input:  D, suatu himpunan yang terdiri dari sebanyak d class-labeled training tuple  T, banyaknya classifier yang akan dibangkitkan  Suatu classification learning scheme Output:  Suatu model komposit M* 2.5 Kemiskinan Badan Pusat Statistik (BPS) menetapkan indikator kemiskinan di Indonesia. Indikator tersebut adalah sebagai berikut : 1) Luas lantai rumah; 2) Jenis lantai rumah; 3) Jenis dinding rumah; 4) Fasilitas tempat buang air besar; 5) Sumber air minum; 6) Penerangan yang digunakan; 7) Bahan bakar yang digunakan; 8) Frekuensi makan dalam sehari; 9) Kebiasaan membeli daging/ayam/susu; 10) Kemampuan membeli pakaian; 11) Kemampuan berobat ke puskesmas/poliklinik; 12) Lapangan pekerjaan kepala rumah tangga; 13) Pendidikan kepala rumah tangga; dan 14) Kepemilikan aset III. METODE PENELITIAN 3.1 Data dan Variabel Penelitian Data yang digunakan dalam penelitian adalah data sekunder yang diperoleh dari Badan Perencanaan Pembangunan Daerah (BAPPEDA) Kabupaten Jombang tahun 2010. Dalam penelitian sebagai unit observasi adalah unit rumah tangga dengan status sangat miskin dan miskin di Kabupaten/Kecamatan Jombang . Variabel respon (Y) merupakan variabel yang berisi kelas yang terdiri dari dua kategori ialah kategori (-1) yaitu, kebutuhan yang diperlukan rumah tangga miskin berupa uang dimana bantuan berupa uang berdasarkan jumlah rumah tangga yang mengharapkan bantuan berupa : uang, BLT, dan modal usaha dan kategori (1) yaitu, kebutuhan yang diperlukan rumah tangga miskin berupa non uang dimana bantuan berupa tidak dalam bentuk uang (non uang) : hewan ternak, alat pertanian dan bantuan kesehatan, sedangkan variabel-variabel prediktor menyangkut semua indikator yang termaksud kedalam indikator kesehatan, SDM, dan ekonomi. Variabel-variabel prediktor dijelaskan dalamTabel 3.2 3.2 Variabel Penelitian Variabel yang digunakan dalam penelitian ini terbagi menjadi 2 yaitu variabel respon (Y) dan variabel prediktor (X). Tabel 3.1 : Variabel Prediktor Penelitian Variabel X1

Definisi Operasional Status penguasaan bangunan tempat tinggal

Kategori a: milik sendiri b: kontrak/sewa c: bebas sewa d: rumah dinas



2

X2 X3

Luas kavling termasuk bangunan (m ) 2 Luas lantai (m )

X4

Jenis atap terluas

X5

Jenis dinding terluas

X6

Jenis lantai terluas

X7

Tempat buang air besar (jamban)

X8

Tempat pembuangan air tinja

X9

Sumber penerangan utama

X10

Sumber air minum

X11

Bahan bakar yang digunakan dalam memasak

X12

Tempat pengobatan

X13

Ijazah terakhir kepala keluarga

X14

Penghasilan tiap bulan

e: rumah milik orang tua/saudara f: rumah milik orang tua g: lainnya a: beton b: genteng c: kayu sirap d: seng e: asbes f: ijuk/rumbia a: tembok b: kayu c: bambu d: lainnya a: keramik/marmer/granit b: ubin/tegel/teraso c: semen/bata merah d: kayu/papan e: bambu f: tanah g: lainnya a: milik sendiri b: milik bersama c: umum d: tidak ada a: septictank b: kolam/sawah c: sungai/waduk d: lubangt anah e: tanah lapang/kebun f: lainnya a: listrik PLN meteran b: listrik PLN bukan meteran (menumpang, dsb.) c: listrik non PLN d: bukan listrik a: air dalam kemasan b: ledeng c: pompa d: sumur e: mata air f: air sungai g: lainnya a: listrik b: gas/elpiji c: minyak tanah d: arang kayu/tempurung e: kayu bakar f: lainnya a: RS/puskesmas/pustu b: praktik dokter c: praktik paramedik d: praktik pengobatan tradisional e: lainnya 1: tidak punya 2: SD/setara 3: SLTP/setara 4: SLTA/setara 5: diplomaI/II -


393

Jurnal Valid Vol. 12 No. 4, Oktober 2015 : 388 - 398 X15

Kepemilikan aset dalam rumah

X16

Konsumsi daging/susu/ayam satu kali dalam seminggu

X17

Membeli satu set pakaian baru dalam setahun

X18

Frekuensi makan dalam sehari

1. 2.

Rp 500.000

1. 2.

Makan 0-1 kali dalam seminggu Makan lebih atau sama dengan 2 kali seminggu

1. 2. 1. 2.

Membeli hanya 1 set 1x setahun Membelil ebih 1 set 1x setahun Makan sebanyak 1x 2x dalam sehari Makan lebih banya k dari 2x dalam sehari

394

3.3 Teknik Analisis Secara garis besar, langkah-langkah yang ditempuh dalam penelitian ini adalah: Pada penelitian ini, data yang digunakan adalah BAPPEDA Kabupaten Jombang tahun 2010, sebelum melakukan deskriptif dan analisis data terlebih dahulu: 1. Menentukan status kemiskinan di Kabupaten Jombang yang digunakan sebagai sampel. 2. Menentukan bantuan apa saja yang masuk dalam kategori variabel bantuan harapan berupa uang dan non uang dengan memperhatikan indikator-indikator kemiskinan penduduk Kabupaten Jombang 3. Mengumpulkan data-data semua variabel yang akan digunakan dalam pembentukan model. 4. Selanjutnya dilakukan tahap analisis deskriptif dan analisis data dengan menentukan banyaknya unit rumah tangga yang dijadikan sampel, sampel minimal yang dapat diambil sebesar 352 unit rumah tangga berstatus sangat miskin akan dipilih secara acak IV. ANALISIS DAN PEMBAHASAN 4.1 Deskripsi Variabel yang Mempengaruhi Bantuan Yang Diharapkan Penduduk Miskin Kabupaten Jombang Sebelum memodelkan bantuan yang diharapkan untuk rumah tangga dengan status sangat miskin dan miskin terlebih dahulu akan didiskripsikan tentang variabel yang diteliti. Variabel respon (Y) yang digunakan adalah bantuan yang diharapkan yang terdiri dari dua kategori, yaitu bantuan berupa uang dan non uang yang ditunjukkan pada Tabel 4.1 untuk rumah tangga dengan status sangat miskin. Gambaran variabel prediktor dengan skala data kontinu dengan nilai minimum, maksimum, rata-ratanya serta variabel prediktor yang datanya kategorik dengan persentase frekuensi kelompokkelompok tertentu. Tabel 4.1 Jumlah Dan Persentase Bantuan Yang Diharapkan Rumah Tangga Dengan Status Sangat Miskin Bantuan Yang Diharapkan Berupa Uang Non Uang Total

RT Sangat Miskin Frekuensi 180 172 352

Persentase 51,1 48,9 100,0

Dari 352 unit rumah tangga dengan status sangat miskin yang dijadikan sampel, bahwa 51,1 persen rumah tangga mengharapkan bantuan berupa uang, sedangkan 48,9 persen rumah tangga megharapkan bantuan berupa non uang Boosting Multivariate Adaptive ... (Anna Apriana Hidayanti)


395

4.2 Pemodelan Bantuan yang Diharapakan Rumah Tangga dengan Status Sangat Miskin Dengan MARS Pemodelan bantuan yang diharapkan untuk unit rumah tangga dengan status sangat miskin menggunakan pendekatan MARS sesuai langkah-langkah yang telah dijelaskan pada bab 3. Pengolahan dengan Trial and error yang dilakukan merujuk darai Friedman (1991) dengan mengkombinasikan banyaknya basis fungsi (BF), maksimum interaksi (MI), dan minimum observasi (MO), banyaknya fungsi basis yang digunakan dalam pengolahan ini adalah 2 sampai dengan 4 kali banyaknya variabel prediktor yang diduga berpengaruh terhadap variabel respon. Maksimum interaksi 1,2 atau 3 dengan pertimbangan jika lebih dari 3 akan menghasilkan model yang sangat kompleks, sedangkan jarak minimum antar knot atau observasi minimum (MO) antar knot sebanyak 0, 1, 2 atau 3. Maka pada Tabel 4.2 adalah model-model hasil kombinasi pemilihan model terbaik yang dilihat dari GCV terkecil, namun bila GCV bernilai sama maka pertimbangan selanjutnya dengan melihat R2 terbesar, namun bila beberapa model masih memiliki nilai R2 yang sama maka dilihat pada model yang memiliki ketapatan klasifikasi terbesar, jika masih memiliki nilai yang sama maka pertimbangan selanjutnya adalah dengan melihat kombinasi BF, MI dan MO terkecil. Tabel.4.2 Trial And Error Penentuan Model Terbaik MARS Rumah Tangga Dengan Status Sangat Miskin Kombinasi BF MI 36 1 36 1 36 1 36 1 36 2 36 2 36 2 36 2 36 3 36 3 36 3 36 3 54 1 54 1 54 1 54 2 54 2 54 2 54 2 54 3 54 3 54 3 54 3 72 1 72 1 72 1 72 1 72 2 72 2 72 2 72 2 72* 3* 72 3 72 3 72 3

MO 0 1 2 3 0 1 2 3 0 1 2 3 1 2 3 0 1 2 3 0 1 2 3 0 1 2 3 0 1 2 3 0* 1 2 3

GCV

MSE

R2

0,236 0,237 0,237 0,237 0,238 0,239 0,239 0,238 0,232 0,227 0,228 0,225 0,237 0,237 0,237 0,237 0,239 0,240 0,239 0,233 0,226 0,223 0,228 0,237 0,237 0,237 0,237 0,238 0,238 0,235 0,239 0,222 0,225 0,224 0,229

0,223 0,226 0,226 0,226 0,216 0,216 0,216 0,216 0,212 0,197 0,195 0,200 0,230 0,230 0,226 0,216 0,216 0,216 0,213 0,212 0,193 0,196 0,194 0,230 0,230 0,230 0,230 0,216 0,215 0,225 0,216 0,203 0,187 0,190 0,209

0,061 0,058 0,058 0,058 0,051 0,050 0,048 0,052 0,078 0,098 0,092 0,105 0,057 0,057 0,058 0,056 0,048 0,047 0,050 0,074 0,102 0,114 0,093 0,056 0,057 0,057 0,056 0,055 0,054 0,067 0,050 0,115 0,105 0,108 0,087

Keterangan : *: kombinasi model terbaik


Keakuratan Klasifikasi 63,92 65,63 65,63 65,63 67,33 68,75 67,33 67,33 66,48 71,31 73,01 64,77 62,50 62,50 65,63 67,33 68,75 67,33 68,18 66,48 72,73 73,30 72,44 62,50 62,50 62,50 62,50 67,33 55,11 63,64 67,33 70,45 74,15 70,45 69,32


396

Berdasarkan kriteria pemilihan model terbaik MARS maka yang terpilih adalah dengan model BF: 72, MI: 3 dan MO: 0 dengan bentuk model :

f  x  = 0.291 + 0.677 . BF11 + 0.364 . BF13 - 0.383 . BF19 + 0.078 . BF61 + 0.373 . BF68 (4.1) Interpretasi variabel-variabel dalam setiap basis fungsi adalah sebagai berikut : 1. BF11 : memuat interaksi antara varaiabel status kepemilikan bangunan tempat tinggal (X1), bahan bakar memasak (X11) dan jenis dinding tempat tinggal (X5) 2. BF13 : memuat interaksi antara varaiabel ijazah terakhir kepala keluarga (X13), tempat buang air besar (X7) dan jenis dinding tempat tinggal (X5) 3. BF19 : memuat interaksi antara varaiabel tempat buang air besar (X7), bahan bakar memasak (X11) dan jenis dinding tempat tinggal (X5) 4. BF61 : memuat interaksi antara varaiabel luas lantai (X3), bahan bakar memasak (X11) dan jenis atap tempat tinggal (X4) 5. BF68 : memuat interaksi antara varaiabel status kepemilikan bangunan tempat tinggal (X1), jenis dinding tempat tinggal (X5) dan jenis atap tempat tinggal (X4) ^

Pada Tabel 4.3 menampilkan variabel-variabel yang mempengaruhi nilai GCV Tabel 4.3 Variabel-Variabel Yang Mempengaruhi Pengurangan Nilai GCV Pada RT Dengan Status Sangat Miskin No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

Variabel Status Kepemilikan Bangunan Tempat Tinggal (X1) Jenis Dinding Tempat Tinggal (X5) Jenis Atap Tempat Tinggal (X4) Bahan Bakar Memasak (X11) Tempat Buang Air Besar (X7) Ijazah Terakhir Kepala Keluarga (X13) 2 Luas Lantai (M )(X3) Luas Kavling M2 (X2) Jenis Lantai (X6) Tempat Pembuangan Tinja (X8) Sumber Penerangan Utama (X9) Sumber Air Minum (X10) Tempat Pengobatan (X12) Penghasilan Tiap Bulan (X14) Kepemilikan Aset (X15) Konsumsi Daging atau Susu atau Ayam (X16) Membeli 1 set pakaian dalam setahun (X17) Frekuensi makan dalam sehari (X18)

Pengurangan Nilai GCV 0,257 0,253 0,249 0,240 0,232 0,228 0,223 0,222 0,222 0,222 0,222 0,222 0,222 0,222 0,222 0,222 0,222 0,222

Pada Tabel di atas dapat terlihat hanya 7 variabel yang memiliki tingkat kepentingan dalam model dari 18 variabel yang digunakan dalam penelitian ini, maka dapat dijelaskan : Variabel status kepemilikan bangunan tempat tinggal memiliki pengaruh paling besar dalam mengurangi nilai GCV sebesar 0,257. 4.3 Evaluasi Keakuratan Klasifikasi pada Model Rumah Tangga dengan Status Sangat Miskin dengan Metode MARS Evaluasi klasifikasi unit rumah tangga yang mengharapakan bantuan berupa uang (-1) dan berupa non uang (1) berdasarkan model MARS yang diperoleh pada persamaan (4.1), dihitung dengan menggunakan nilai keakuratan klasifikasi dapat dilihat pada Tabel 4.4.



397

Tabel 4.4 Hasil Klasifikasi dengan Metode MARS RT Sangat Miskin Prediksi Kelas Bantuan Bantuan Non_Uang Uang(-1) (1) Bantuan Uang(-1) 132 48 Bantuan Non_Uang (1) 56 116 Keakuratan Klasifikasi Total (%) 70,50 Kelas Aktual

Aper (100% 70,50 %)

Keakuratan Klasifikasi (%) 73,30 67,44

29,50

Pada Tabel di atas dapat dijelaskan bahwa dari 180 unit rumah tangga sangat miskin yang mengharapkan bantuan uang yang diteliti, sebanyak 132 atau 73,30% unit rumah tangga terklasifikasi dengan tepat, untuk 172 unit rumah tangga sangat miskin yang , mengharapkan bantuan berupa non uang sebanyak 116 atau 67,44% unit rumah tangga terklasifikasi dengan benar, maka secara keseluruhan keakuratan klasifikasi untuk unit rumah tangga sangat miskin dengan metode MARS sebesar 70,50% dengan tingkat kesalahan klasifikasi sebesar 29,50% dan sebesar 73,30 % dari 180 unit rumah tangga yang mengharapkan bantuan uang masuk dalam klasifikasi yang benar (Sensitivity) kemudian sebesar 67,44% dari 152 unit rumah tangga yang mengharapkan bantuan Non uang masuk dalam klasifikasi yang benar (Specificity). 4.4 Keakuratan Klasifikasi pada Metode Boosting MARS RT Sangat Miskin Pada tahap ini dilakukan boosting dari model terbaik yang dapat dilihat pada persamaan (4.1) dengan 5, 10,25 dan 50 replikasi dan untuk tiap replikasi tersebut akan dihitung keakuratan klasifikasinya yang dapat dilihat pada Tabel (4.5) Tabel 4.5 Keakuratan Klasifikasi Metode Boosting MARS RT Sangat Miskin Replikasi 5 10 25 50

KeakuratanKlasifikasi Total (%) 61,93 60,79 60,79 60,79

Pada Tabel di atas terlihat bahwa keakuratan klasifikasi pada 5 replikasi sebesar 61,93% kemudian untuk 10, 25 sampai 50 replikasi keakuratan klasifikasinya sama sebesar 60,79 % hal ini dapat diartikan bahwa pada saat replikasi 10 keakuratan klasifikasi sudah konvergen dan stabil sehingga penambahan replikasi tidak mempengaruhi tingkat keakuratan klasifikasi dan akan menghasilkan keakuratan klasifikasi yang sama maka keakuratan klasifikasi yang paling baik terjadi 5 replikasi. Untuk tingkat kesalahan klasifikasi dengan metode boosting MARS adalah sebesar 38,07%, sehingga jika dibandingkan dengan tingkat kesalahan pada klasifikasi dengan model MARS 29,50% maka kesalahan klasifikasi pada metode MARS boosting lebih besar sehingga dapat disimpulkan pada penelitian bantuan yang diharapkan untuk Kabupaten Jombang metode yang lebih baik digunakan adalah metode MARS klasifikasi terlihat dari tingkat keakuratan klasifikasi keseluruhan sebesar 70,50% . V. KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan pembahasan yang telah dibahas, maka kesimpulan dalam penelitian ini adalah: Dilihat dari tingkat keakurasian klasifikasi maupun tingkat kesalahan klasifikasi pada metode MARS klasifikasi dan boosting MARS pada rumah tangga dengan status sangat Boosting Multivariate Adaptive ... (Anna Apriana Hidayanti)


398

miskin dapat disimpulkan bahwa pada penelitian bantuan yang diharapkan pada Kabupaten Jombang maka metode MARS klasifikasi lebih baik dibandingkan metode boosting MARS, hal ini ditunjukkan dengan tingkat tingkat keakurasian klasifikasi keseluruhan sebesar 70,50% dan tingkat kesalahan pada klasifikasi dengan model MARS sebesar 29,50%. 5.2 Saran Beberapa saran untuk penelitian selanjutnya, dalam pengambilan sampel diharapkan lebih banyak apabila variabel prediktornya berskala kategorik, dan untuk lebih memahami pemilihan sampel yang digunakan, perlunya keseriusan dari pihak BAPPEDA dalam pengambilan data sehingga data yang digunakan lengkap agar hasil klasifikasi yang diperoleh dengan metode MARS klasifikasi maupun boosting MARS lebih akurat sehingga mampu mendapatkan tingkat keakuratan klasifikasi lebih tinggi. Beberapa saran untuk pemerintah adalah dalam pemberian bantuan terhadap rumah tangga miskin sebaiknya lebih memperhatikan faktor-faktor yang mempengaruhi tingkat kebutuhan bantuan rumah tangga tersebut agar pemberian bantuan sesuai dengan kebutuhan dan diharapkan pemerintah lebih terfokus memberikan bantuan untuk perbaikan infrastrukstur kategori-kategori dalam variabel terkait. DAFTAR PUSTAKA Badan Pusat Statistik, (2010), Survei Sosial Ekonomi Juli 2010, Buku 3, Pedoman Pencacahan Kor (Untuk Pencacah dan Kortim), BPS, Jakarta. Bappenas, (2010,)Laporan Pencapaian Tujuan Pembangunan Millenium Indonesia2010, Kementrian Perencanaan Pembangunan Nasional/Badan Perencanaan Pembangunan Nasional (Bappenas). Fernanda W.J, (2013), Boosting Neural Network Dan Boosting Cart Pada Klasifikasi Diabetes Militus Tipe II .Thesis .Surabaya : Program Pasca Sarjana, Institute Teknologi Sepuluh Nopember. Friedman, J.H., (1991), Multivariate Adaptive Regression Spline (With Discussion),The Annals of Statistics, Vol. 19, hal. 1-141. Friedman, J.H., (2001). Greedy function approximation: a gradient boosting machine. Ann. Statist. 29, 1189–1232. Jalaluddin, M,( 2009), Pemodelan Partisipasi Anak Dalam Kegiatan Ekonomi di Sumatera Barat Menggunakan Regresi Logistik dan MARS.: Tesis Institut Teknologi Sepuluh Nopember, Serabaya. Okun, O.(2011). Feature Selection and Ensemble in Machine Learning Bioinformatics: Algoritmic Classification and Implementations. United States of America: IGI Global Otok, B.W. (2010),Pendekatan Multivariate Daptive Regression Spline (MARS) Pada Pengelompokan Zona Musim Suatu Wilayah. Jurnal statistik Vol 10.Nopember 2010. FMIPA ITS Surabaya Otok, B.W. (2008), Pendekatan Bootstrap Pada Model Multivariate AdaptiveRegression Splines (MARS), Desertasi, Universitas Gadjah Mada,Yogyakarta. Otok, B.W. Guritno, S., Subanar, Haryatmi, S. (2006), Bootstrap dalam MARS untukKlasifikasi Perbankan. Inferensi Jurnal Statistik, Volume 2, N0. 1, Januari2006.FMIPA ITS Surabaya.


BOOSTING MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) BINARY RESPONSE UNTUK KLASIFIKASI KEMISKINAN DI KABUPATEN JOMBANG

Recommend Documents