dian seftiana (1310100028) -...

Klasifikasi Rumah Tangga Sangat Miskin di Kabupaten Jombang Menurut Paket Bantuan Rumah Tangga yang

Diharapkan dengan Pendekatan RF-CART (Random Forests Classification and Regression Trees)

SEMINAR HASIL TUGAS AKHIR

Dian Seftiana (1310100028)DOSEN PEMBIMBING :

Dr. Bambang Widjanarko Otok, S.Si., M.Si.

http://www.google.co.id/url?sa=i&source=images&cd=&cad=rja&uact=8&docid=EghmR_zYe4jyHM&tbnid=9XoRAN9Z3j_kHM:&ved=0CAgQjRw4Vw&url=http://www.ninthcircle.net/2012/the-airplane-tree/&ei=B9auU7zvMdCPuASP8oCgCg&psig=AFQjCNHk93qACqdjwZ3XbLq06rOx4fkgJg&ust=1404053383984679

1/Juli/2014 Seminar Hasil Tugas Akhir 2

AGENDA

Kemiskinan menjadi penyebab utama dari sejumlah problem sosial, politik, dan ekonomi khususnya di negara-negara

berkembang

Penanggulangan kemiskinan menjadi puncak dari solusi

program Millenium Development Goals (MDGs)

2015

Basic needs

pendidikan kesehatan

ekonomi sosial politikKemiskinan : Kondisi tidak terpenuhinya kebutuhan dasar

(Basri, 1995)

Seminar Hasil Tugas Akhir1/Juli/2014 3

JOMBANG

3,333,97

4,91 5,1 5,34 5,736,07 5,79

5,286,12

6,83 6,91

2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012

laju pertumbuhan ekonomi

16,43

17,53 17,58

7,5 persen

“Laju Pertumbuhan Ekonomi”“Jumlah Penduduk Miskin”

(TNP2K)

“Program penanggulangan kemiskinan” belum efektif karena bantuan tidak sesuai kebutuhan dan target belum tepat sasaran.Klasifikasi RTSM di

Kabupaten Jombang menurut paket bantuan

rumah tangga yang diharapkan

Metode Klasifikasi :Regresi logistik & analisis

diskriminan

CART


• Bagaimana klasifikasi RTSM di Kabupaten Jombang menurut paket bantuan rumah tangga yang diharapkan dengan pendekatan CART?

1• Bagaimana klasifikasi RTSM di Kabupaten

Jombang menurut paket bantuan rumah tangga yang diharapkan dengan pendekatan RF-CART?

2• Bagaimana perbandingan hasil klasifikasi

dengan menggunakan CART dan RF-CART?3


Mendapatkan klasifikasi RTSM di Kabupaten Jombang menurut paket bantuan rumah tangga

yang diharapkan dengan pendekatan CART.

Mendapatkan klasifikasi RTSM di Kabupaten Jombang menurut paket bantuan rumah tangga yang diharapkan dengan pendekatan RF-CART.

Memperoleh hasil perbandingan ketepatan klasifikasi antara metode CART dan RF-CART.


Bagi pemerintah Kabupaten Jombang, adanya penelitian ini diharapkan dapat dijadikan sebagai bahan masukan untuk menciptakan strategi-strategi yang efektif dan efisien untuk meningkatkan kesejahteraan masyarakat melalui program penanggulangan kemiskinan. Sekaligus menjadi sumber informasi dan bahan pertimbangan yang tepat, akurat dan lebih detail mengenai penentuan kriteria objek penerima bantuan sebagai upaya peningkatan kefektifan program bantuan pemerintah yang tepat sasaran dan tepat guna.

Bagi institusi pendidikan, diharapkan dapat dijadikan sebagai bahan pengetahuan untuk penelitian selanjutnya yang lebih mendalam berkaitan dengan peningkatan kesejahteraan masyarakat melalui berbagai program penanggulangan kemiskinan dan juga kaitannya dengan metode Random Forests CART (RF-CART).


• rumah tangga yang berstatus sangat miskin di Kabupaten JombangUnit Observasi

•metode CART dan metode RF-CART.Metode

Klasifikasi

• Kategori “lainnya” tidak dilibatkan dalam analisis

Kategori Variabel

• Dua kategori yaitu bantuan & perlindungan sosial serta bantuan pemberdayaan rumah tangga

Paket Bantuan


CART merupakan metode eksplorasi data dengan teknik pohonkeputusan. Metode yang dikembangkan oleh Leo Breiman, Jerome H. Friedman, Richard A. Olshen, dan Charles J. Stone ini merupakan teknikklasifikasi dengan algoritma penyekatan rekursif biner (binary recursive partitioning) dimana pemilahan dilakukan pada sekelompok data yang terkumpul dalam suatu ruang yang disebut simpul/node menjadi dua

simpul anak (Lewis, 2000).

CART akan menghasilkan pohon klasifikasi jika variabelrespon berupa data kategorik, sedangkan jika variabelrespon berupa data kontinu akan dihasilkan pohonregresi (Breiman, Friedman, Olshen, & Stone, 1993).


t1

t3t2

t4t6

t11

t5

t12

t8 t9

t13

t10

t7

Pemilah 1

Pemilah 2 Pemilah 3

Pemilah 4 Pemilah 5

Pemilah 6

Ilustrasi Pohon Klasifikasi

Pembentukan PohonKlasifikasi•Pemilihan pemilah•Penentuan terminal node•Penandaan label kelas

Pemangkasan pohonklasifikasi (pruning)•Kriteria cost complexity

minimum

Penentuan pohon klasifikasioptimal

•Test sample estimate•Cross validation V-fold

estimate

Ukuran Ketepatan Klasifikasi :

sensitivity, specificity, error rate (APER) dan total accuracy rate

(1-APER)


Algoritma Random Forests (Muttaqin, 2013)


Random Forests (RF) merupakan salah satu metode ensemble yang berguna untuk meningkatkan akurasi klasifikasi dari sebuah pemilah tunggal yang tidak stabil dengan cara mengkombinasikan banyak pemilah dari suatu metode yang

sama melalui proses voting (aturan pemilihan jumlah terbanyak) untuk memperoleh prediksi klasifikasi akhir (Wezel & Potharst, 2007).


Ilustrasi Konstruksi Pohon Tunggal (a) dan Ilustrasi Konstruksi Random Forests (b)


Menurut BPS (2008), terdapat tiga paket bantuan program yaitu :

Paket bantuan program I : Bantuan dan perlindungan sosial.Paket bantuan ini ditujukan untuk perlindungan dan pemenuhan hak ataspendidikan, kesehatan, pangan, sanitasi, dan air bersih. Paket bantuan initerwujud dalam bentuk beras miskin (Raskin), Jaminan KesehatanMasyarakat (Jamkesmas), BOS (Bantuan Operasional Sekolah), PKH(Program Keluarga Harapan), dan BLT (Bantuan Langsung Tunai).

Paket bantuan program II : Pemberdayaan masyarakat (PNPMMandiri). Paket bantuan ini bertujuan untuk memberikan perlindungandan pemenuhan hak atas berpartisipasi, kesempatan kerja danberusaha, tanah, SDA dan LH, dan perumahan.

Paket bantuan program III : Pemberdayaan Usaha Mikro danKecil (UMK-KUR) yang bertujuan untuk perlindungan dan pemenuhanhak atas kesempatan berusaha dan bekerja, dan SDH dan LH.

data sekunder yang diperoleh dari hasil Survei Verifikasi Rumah Tangga Miskin di

Kabupaten Jombang pada tahun 2010. Survei ini dilakukan

oleh Badan Perencanaan Pembangunan Daerah

(Bappeda) Kabupaten Jombang.


RTSM sebanyak 11.763

33.120 RTHM

29.418 RTM

11.763 RTSM

VARIABEL PENELITIAN

Kategori 1 : Bantuan dan perlindungan sosial. Meliputi pemberian hak akses

kesehatan, pendidikan, pangan, sanitasi,

dan air bersih.

Perwujudan bantuan pangan dalam bentuk beras miskin (raskin) dan sembako

gratis, bantuan kesehatan seperti jaminan kesehatan masyarakat (jamkesmas), bantuan

pendidikan seperti BOS (Bantuan Operasional Sekolah) dan BSM (Bantuan Siswa Miskin), PKH

(Program Keluarga Harapan), bantuan uang tunai seperti BLT (Bantuan Langsung Tunai) dan

BLSM (Bantuan Langsung Sementara Masyarakat), dan bantuan sanitasi dan air bersih

seperti pembangunan fasilitas sanitasi gratis.

Kategori 2 : Bantuan pemberdayaan rumah tangga. Meliputi pemberian hak untuk

bekerja dan membuka usaha.

1. modal usaha seperti dana pinjaman/modal dan barang modal

2. tanah,

3. sumber daya hayati dan lingkungan hidup,

4. bantuan perumahan seperti program bedah rumah atau pemberian material bangunan rumah.

Variabel Y : Paket bantuan rumah tangga yang diharapkan


Penghasilan tiap bulanJumlah aset dalam rumah yang

dimiliki

Tempat untuk berobatIjazah terakhir kepala rumah

tangga

Frekuensi mengkonsumsi daging/susu/ayam dalam

semingguFrekuensi membeli stel pakaian

baru dalam setahunFrekuensi makan dalam sehari

Sumber penerangan utamaSumber air minum

Bahan bakar memasak

Luas kavling termasuk bangunanLuas lantai bangunan

Jenis atap (terluas)Jenis dinding (terluas)Jenis lantai (terluas)

Status kepemilikan fasilitas BABTempat pembuangan air tinja

Status penguasaan bangunan


indikatorkepemilikan

rumah

indikatorfisik

indikatorpenerangan/air minum/bahan bakar

indikatorkonsumsi

indikatorlayanan

dasar

indikatorpendapatan

atau kepemilikan


• Pengkodingan data variabel Y.• Mengatasi Data Missingpengatasian data missing dilakukan dengan menghapus data pengamatan yang mengandung data variabel prediktor yang missing.• Menghapus Kategori Variabel “lainnya”

Setelah melakukan pra-pemrosesan data, jumlah pengamatan yang digunakan dalam analisis adalah sebanyak 5.588 rumah tangga.

Mulai

Data Bappeda Jombang

Mendeskripsikan karakteristik RTSM di Kabupaten Jombang

Melakukan pra pemrosesan data dengan mengkoding variabel penelitian berdasarkan

kategori yang ditentukan, mengatasi data missing, dan menghilangkan kategori “lainnya”

A


Proporsi data learning dan testing yanag dicobakan adalah sebesar 75%:25%, 80%:20%, 85%:15%, 90%:10%, dan 95%:5%.

Analisis CART : • pemilahan dengan indeks Gini dan dievalusi dengan goodness of split• pembentukan pohon hingga hanya ada 1 pengamatan dalam terminal node•Pruning dengan kriteria cost complexity minimum•Pohon klasifikasi optimal dipilih dengan test sample estimate

Analisis RF-CART :Pemilahan dari tiga variabel prediktor acakDicobakan kobinasi jumlah pohon sebanyak 50, 100,250,500,750

A

Membagi data menjadi dua yaitu data learning dan data testing

Melakukan klasifikasi CART dengan tahapan pemilihan pemilah, pemangkasan pohon (pruning), penentuan pohon klasifikasi

optimal, dan evaluasi ketepatan klasifikasi

Melakukan klasifikasi RF-CART dengan melakukan replikasi sebanyak k kali, kemudian dilakukan majority vote untuk memperoleh hasil

prediksi klasifikasi dan evaluasi ketepatan klasifikasi

Membandingkan ketepatan klasifikasi antara CART dan RF-CART

Selesai


Distribusi RTSM di Jombang menurut paket bantuanrumah tangga yang diharapkan

Bantuan & Perlindungan Sosial

2.254 ; 40,336%Bantuan Pemberdayaan RT3.334; 59,664%

5588 RTSM

paket bantuan rumah tangga yang diharapkan oleh RTSM

1/Juli/2014 20

indikatorkepemilikan

rumah

indikatorfisik

indikatorpenerangan/air minum/bahan bakar

indikatorkonsumsi

indikatorlayanan

dasar

indikatorpendapatan

atau kepemilikan

Status penguasaan bangunan tempat tinggalMayoritas milik sendiri

Luas kavling : 1 : 106,97m2; 2 : 110,88m2Luas lantai bangunan : 1 : 41,212m2 ; 2: 42,263m2Jenis atap (terluas) : gentengJenis dinding (terluas) : tembokJenis lantai (terluas) : 1 : semen ; 2 : tanahStatus kepemilikan fasilitas BAB : milik sendiriTempat pembuangan air tinja : septic tank

Sumber penerangan utama : listrik PLN bukan meteranSumber air minum : sumurBahan bakar memasak : kayu bakar

Tempat berobat : RS/puskesmas/pustuIjazah terakhir kepala rumah tangga : tidak memiliki ijazah

Konsumsi protein : 1 kalimembeli pakaian baru : 1 kaliMakan : 3 kali

Penghasilan tiap bulan1: Rp. 231.2602: Rp. 291.541Jumlah aset1: Rp.518.8842: Rp.577.077

Kombinasi Data Learning dan Testing

Total Accuracy Rate (1-APER) (dalam %) Jumlah Terminal

NodeData Learning Data Testing75% : 25% 64,6 60,3 980% : 20% * 65,5 62,8 2385% : 15% 62,1 59,2 290% : 10% 63,5 61,7 2695% : 5% 67,7 61,3 62

kombinasi data learning dan testing yang mampu memberikan ketepatankasifikasi yang tinggi dan jumlah terminal node yang tidak terlalu besar dari

pohon klasifikasi yang terbentuk adalah pada kombinasi data learning sebesar80 persen ( 4471 RTSM) dan data testing sebesar 20 persen (1118 RTSM).



dengan jumlah terminal nodesebanyak 618 nodes

tingkat kedalaman sebesar 38

0.758

Rela

tive

Cost

Number of Nodes

0.70

0.75

0.80

0.85

0.90

0 200 400 600 800

0,856


Tree Terminal Nodes

Test Set Relative Cost Resubtitution Relative Cost

Complexity Parameter

1 618 0,856 ± 0,030 0,218 0,00062* 23 0,758 ± 0,030 0,703 0,00163 20 0,761 ± 0,030 0,712 0,00164 19 0,767 ± 0,030 0,715 0,00265 18 0,769 ± 0,030 0,719 0,00266 14 0,779 ± 0,030 0,733 0,00267 10 0,817 ± 0,030 0,749 0,00268 8 0,838 ± 0,030 0,762 0,00369 6 0,827 ± 0,030 0,778 0,00470 3 0,843 ± 0,029 0,808 0,00571 2 0,843 ± 0,027 0,844 0,01872 1 1,000 ± 0,000 1,000 0,078


Pohon klasifikasi optimal

Pohon klasifikasi maksimal

Konstruksi Pohon Klasifikasi Optimal untuk Paket Bantuan RumahTangga yang Diharapkan

Tingkat kedalaman 1

Tingkat kedalaman 2

Tingkat kedalaman 10


Bantuan 1: bantuan danperlindungan sosial

Bantuan 2: bantuan pemberdayaan RT

Variabel Skor VariabelX16 100,00X1 38,51X5 33,81X13 29,36X14 20,82X12 17,79X6 16,10X11 13,39X4 11,76X2 11,44X18 11,17X3 5,78X8 4,67

penghasilan tiap bulan (X16) merupakanvariabel pemilah yang utama dan paling

menentukan klasifikasi rumah tanggaberdasarkan paket bantuan rumah

tangga yang diharapkan dengan skorsebesar 100,00


Penghasilan tiap bulan (x16)Luas lantai (x1)

sumber air minum (x5)ijazah terakhir kepala rumah tangga (x13)

jumlah aset (x14)


X12 (tempat untuk berobat)(1) RS/puskesmas/pustu(2) Praktek dokter(3) Praktek paramedis(4) Praktek pengobatan tradisional

X2 (jenis lantai bangunan)(1) Keramik/marmer/granit(2) Ubin/tegel/teraso(3) Semen/bata merah(4) Kayu/papan(5) Bambu(6) kayu

Class 1: bantuan dan perlindungan sosialClass2 : bantuan pemberdayaan rumah tangga


Bantuan dan perlindungan sosial(terminal node 5, kelas 1:74,2%, kelas 2:25,8%)

• Penghasilan tiap bulan > Rp. 5.000• luas lantai bangunan ≤ 16,5 m2

• berobat ke praktek dokter/praktek paramedis/pengobatan tradisionalBantuan pemberdayaan rumah tangga

(terminal node 18, kelas 1:7,7%, kelas 2:92,3%)• Penghasilan tiap bulan > Rp. 5.000• luas lantai bangunan > 16,5 m2

• air minum dari air dalam kemasan/pompa/sumur/air sungai• dalam setahun pernah membeli pakaian baru paling tidak satu kali • dinding rumah dari tembok • memiliki aset > Rp.2.650.000• berobat ke praktek dokter/praktek paramedis

KelasObservasi

Kelas PrediksiTotal

Sensitivity (%)

Specificity (%)

APER(%)

1-APER (%)1 2

DataLearning

1 1.117 705 1.82261,3 68,4 34,5 65,5

2 838 1.810 2.648

DataTesting

1 255 177 43259,0 65,2 37,2 62,82 239 447 686

ketepatan klasifikasi untuk bantuan & perlindungan sosial yang ditunjukkan oleh nilai sensitivity adalah sebesar 61,3 persen, sedangkan ketepatan klasifikasi untuk bantuan pemberdayaan rumah tangga yang ditunjukkan oleh nilai specificity adalah sebesar68,4 persen. Sehingga, diperoleh angka total accuracy rate (1-APER) untuk data learning sebesar 65,5 persen.


Bila hasil klasifikasi divalidasi dengan data testing, maka diperoleh hasil dimana nilaikesalahan klasifikasi (APER) secara keseluruhan untuk data testing adalah sebesar 37,2persen dan total accuracy rate (1-APER) adalah sebesar 62,8 persen. Sementaraitu, nilai sensitivity yang diperoleh sebesar 59,0 persen dan nilai specificity sebesar 65,2persen.

variabel prediktor yang diambil secaraacak sebagai pembentuk pohon dalam

setiap pemilahan adalah sebanyak3 variabel

Jumlah pohon yang dibentuk akan dicobakan pada kombinasi sebanyak 50, 100, 250, 500, dan 750 pohon.

Kombinasi Jumlah PohonSensitivity

(%)Specificity

(%)APER

(%)1-APER

(%)

50Data Learning 99,0 99,9 0,5 99,5Data Testing 38,1 83,6 34,9 65,1


250*Data Learning 99,8 99,9 0,2 99,8Data Testing 39,9 84,8 33,5 66,5




Klasifikasi dengan random forests menggunakan data sampel yang random untuk membangun pohon, dan dalam setiap pemilahan terdapat batasan

jumlah variabel prediktor yang diambil secara acak (Shih, 2013).

KelasObservasi

Kelas PrediksiTotal Sensitivity

(%)Specificity

(%)APER

(%)1-APER

(%)1 2

Data Learning

1 1.796 4 1.80099,8 99,9 0,2 99,82 3 2.667 2.670

Data Testing

1 181 273 45439,9 84,8 33,5 66,5

2 101 563 664Keterangan : kelas 1 adalah bantuan & perlindungan sosial

kelas 2 adalah bantuan pemberdayaan rumah tangga


Ketepatan Klasifikasi RF-CART pada Kombinasi 250

Metode Klasifikasi APER (%) 1-APER (%)

CARTData Learning 34,5 65,5Data Testing 37,2 62,8

RF-CARTData Learning 0,2 99,8Data Testing 33,5 66,5


metode RF-CART merupakanmetode yang lebih baik dalam

mengklasifikasikan RTSM menurutpaket bantuan rumah tangga yang diharapkan dibandingkan dengan

metode klasifikasi CART.

Peningkatan akurasi yang diperoleh bila digunakan metode

ensemble random forest yang dapat dilihat melalui nilai 1- APER adalah sebesar 34,3 persen untuk

data learning dan sebesar 3,7 persen untuk data testing.

1. Berdasarkan hasil deskripsi untuk mengetahui distribusi RTSM di Kabupaten Jombang menurut paket bantuan rumah tangga yang diharapkan diketahui bahwa terdapat sebanyak 3.334 RTSM atau sekitar 59,664 persen dari keseluruhan RTSM yang diamatiyang mengharapkan bantuan pemberda-yaan rumah tangga. Sedangkan, bantuan & perlindungan sosial dari pemerintah diharapkan oleh sekitar 40,336 persen RTSM atausebanyak 2.254 RTSM di Kabupaten Jombang.

2. Klasifikasi RTSM menurut bantuan rumah tangga yang diharapkan dengan metode CART menghasilkan total accuracy rate (1-APER) yang tinggi dengan jumlah terminal node yang tidak terlalu besar. Nilai 1-APER yang diperoleh yaitu sebesar 65,5 persen untuk data learning dan 62,8 persen untuk data testing dengan jumlah terminal nodesebesar 23. Hasil klasifikasi menunjukkan bahwa variabel yang berpengaruh besar dalam proses pembentukan pohon dan penentuan paket bantuan rumah tangga adalah penghasilan tiap bulan, luas lantai, sumber air minum, ijazah terakhir kepala rumah tangga, dan jumlah aset yang dimiliki.



Bantuan dan perlindungan sosial(terminal node 5, kelas 1:74,2%, kelas 2:25,8%)

• Penghasilan tiap bulan > Rp. 5.000• luas lantai bangunan ≤ 16,5 m2

• berobat ke praktek dokter/praktek paramedis/pengobatan tradisionalBantuan dan pemberdayaan rumah tangga

(terminal node 18, kelas 1:7,7%, kelas 2:92,3%)• Penghasilan tiap bulan > Rp. 5.000• luas lantai bangunan > 16,5 m2

• air minum dari air dalam kemasan/pompa/sumur/air sungai• dalam setahun pernah membeli pakaian baru paling tidak satu kali • dinding rumah dari tembok • memiliki aset > Rp.2.650.000• berobat ke praktek dokter/praktek paramedis

3. Klasifikasi RF-CART dilakukan dengan menggunakan kombinasi jumlah pohon sebesar 250 karena mampu menghasilkan total accuracy rate (1-APER) sebesar 99,8 persen untuk data learning dan sebesar 66,5 persen untuk data testing.

4. Hasil perbandingan ketepatan klasifikasi antara metode CART dan RF-CART adalah metode RF-CART memberikan peningkatan total accuracy rate (1-APER) sebanyak 34,3 persen untuk data learning dan sebesar 3,7 persen untuk data testingdibandingkan dengan metode CART.


• Pada tahap pra-pemrosesan data perlu dilakukan langkah mengatasi data missingpada variabel prediktor, agar seluruh data hasil survei Bappeda dapat diolah untuk digunakan sebagai pembentuk pohon klasifikasi.

• Untuk mendapatkan hasil klasifikasi yang lebih informatif, perlu dilakukan pengklasifikasian RTSM ke dalam kelompok paket bantuan rumah tangga yang lebih banyak.

• Berdasarkan hasil deskripsi diketahui bahwa RTSM di Kabupaten Jombang lebih banyak membutuhkan bantuan pemberdayaan rumah tangga, seperti pekerjaan, uang/barang modal, atau perumahan. Oleh karena itu, pemerintah diharapkan lebih mengutamakan realisasi program penanggulangan kemiskinan dalam hal penyediaan lapangan pekerjaan yang memadai, pemberian kredit usaha untuk masyarakat miskin, dan menggalakkan program bedah rumah untuk perbaikan kondisi tempat tinggal RTSM. Sehingga, dengan adanya langkah tersebut diharapkan akan semakin meningkatkan kondisi ekonomi masyarakat miskin dan berdampak pada perbaikan status kemiskinannya.



[Bappeda] Badan Perencanaan Pembangunan Daerah. (2011). Profil Daerah Kabupaten/Kota di Jawa Timur Tahun 2007-2011. Jombang : Bappeda.[Bappenas] Badan Perencanaan Pembangunan Nasional. (2004). Kumpulan Bahan Latihan : Pemantauan dan Evaluasi Program-program Penanggulangan Kemiskinan. Jakarta : Bappenas.[BPS] Badan Pusat Statistik. (2008). Analisis dan Penghitungan Tingkat Kemiskinan 2008. Jakarta : BPS_____ . (2011a). Penghitungan dan Analisis Kemiskinan Makro Indonesia Tahun 2011. Jakarta : BPS._____ . (2011b). Produk Domestik Regional Bruto Kabupaten Jombang 2000-2010. Jombang : BPS.[BPS dan Depsos] Badan Pusat Statistik & Departemen Sosial. (2002). Penduduk Fakir Miskin Indonesia 2002. Jakarta : BPS.[BPS dan Kementrian Sosial RI] Badan Pusat Statistik & Kementrian Sosial RI. (2012). Analisis Data Kemiskinan Berdasarkan Data Pendataan Program Perlindungan Sosial (PPLS) 2011. Jakarta : BPS.[BPS dan World Bank Institute] Badan Pusat Statistik & World Bank Institue. (2002). Dasar-dasar Analisis Kemiskinan. Jakarta : BPSBae, C & Bickel, P. (2009). Versions of Random Forests: Properties and Performances. Berkeley : University of

California.Basri, F. (1995). Perekonomian Indonesia menjelang Abad XXI. Jakarta: Erlangga.Breiman, L. (2001). Random Forests. Machine Learning, 45, 5-32.Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1993). Classification and Regression Trees. New York : Chapman Hall.Hidayanti, A. A. (2013). Boosting Multivariate Adaptive Regression Spline (MARS) Binary Response untuk Klasifikasi Kemiskinan di Kabupaten Jombang. Tesis Statistika Institut Teknologi Sepuluh Nopember, SurabayaFaturokhman & Molo, M. (1995). Kemiskinan dan Kependudukan di Pedesaan Jawa: Analisis Data Susenas 1992. Yogyakarta : Pusat Penelitian Kependudukan Universitas Gadjah Mada.He, Yan. (2006). Missing Data Imputation for Tree Based Models. Disertasi Statistika University of California, Los Angeles.Lewis, R. J. (2000). An Introduction to Classification and Regression Trees (CART) Analysis. Annual Meeting of the Society for Academic Emergency Medicine. California, UCLA Medical Center.Liaw, A. & Wiener, M. (2002). Classification and Regression by Random Forests. R News, 2, 18-22.


Lubis, M. M. (2010). Zukhriatul : Kemiskinan Puncak Solusi Program MDGs. Waspada Online. Diakses pada 20 oktober 2013 dari http://waspada.co.id/index.php?option=com_content&view=article&id=91692:kemiskinan-puncak-solusi-program-mdgs&catid=166:jurnal-puteri-indonesia&Itemid=99Muttaqin, M. J. (2013). Metode Ensemble pada CART untuk Perbaikan Klasifikasi Kemiskinan di Kabupaten Jombang. Tesis Statistika Institut Teknologi Sepuluh Nopember, Surabaya.Prakosa, H. M. G. (2011). Klasifikasi Kesejahteraan Rumah Tangga di Provinsi Jawa Timur dengan Pendekatan Bootsrap Aggregating Classification and Regression Trees. Tugas Akhir Statistika Institut Teknologi Sepuluh Nopember, Surabaya.Purwanto, A. D. (2009). Klasifikasi Rumah Tangga menurut Tempat Berbelanja Barang Kebutuhan Sandang di Kota Yogyakarta Menggunakan Metode Regresi Logistik dan Metode CART. Tesis Statistika Institut Teknologi Sepuluh Nopember, Surabaya.Rumiati, A.T & Sutikno. (2005). Studi Pembandingan Metode Klasifikasi Pohon Binary dan Regresi Logistik pada Data Kasus Kesehatan. Institut Teknologi Sepuluh Nopember, Surabaya.Shih, S. S. (2013). Class 13a: Random Forests, for Model

(and) Predictor Selection. Variation in Phonology, 251, 4.Suryadarma, D., Akhmadi, Hastuti, & Toyamah, N. (2005). Ukuran Obyektif Kesejahteraan Keluarga untuk Penargetan Kemiskinan: Hasil Uji Coba Sistem Pemantauan Kesejahteraan oleh Masyarakat di Indonesia. Jakarta : SMERU.Sutton, C. D. (2005). Classification and Regression Trees, Bagging, and Boosting. Handbook of Statistics, 24, 303-329.[TNP2K] Tim Nasional Percepatan Penanggulangan Kemiskinan. (2012). Data & Indikator. Diakses pada tanggal 20 Oktober 2013 dari http://tnp2k.go.id/data-indikator/mengenai-data-indikator/Turner, S. (2011). Split a Data Frame into Testing and Training sets in R. Diakses pada tanggal 15 Mei 2014 dari http://gettinggeneticsdone.blogspot.com/2011/02/split-data-frame-into-testing-and.html?m=0[UNDP] United Nations Development Programme (2008). Millenium Development Goals. Jakarta : UNDP.Wezel, M.V. & Potharst, R. (2007). Improved Customer Choice Predictions using Ensemble Methods. European Journal of Operational Research, 181, 436-452.

Klasifikasi Rumah Tangga Sangat Miskin di Kabupaten Jombang Menurut Paket Bantuan Rumah Tangga yang

Diharapkan dengan Pendekatan RF-CART (Random Forests Classification and Regression Trees)

SEMINAR HASIL TUGAS AKHIR

Dian Seftiana (1310100028)DOSEN PEMBIMBING :

Dr. Bambang Widjanarko Otok, S.Si., M.Si.

http://www.google.co.id/url?sa=i&source=images&cd=&cad=rja&uact=8&docid=EghmR_zYe4jyHM&tbnid=9XoRAN9Z3j_kHM:&ved=0CAgQjRw4Vw&url=http://www.ninthcircle.net/2012/the-airplane-tree/&ei=B9auU7zvMdCPuASP8oCgCg&psig=AFQjCNHk93qACqdjwZ3XbLq06rOx4fkgJg&ust=1404053383984679

dian seftiana (1310100028) -...

Documents