Prediksi Persentase Kemiskinan Berdasarkan Citra Satelit dan Point of Interest (POI) Menggunakan Support Vector Regression dan Random Forest Regression (Studi Kasus Provinsi Jawa Tengah)

Putra, I Komang Pande Prajadhita Wibawa (2023) Prediksi Persentase Kemiskinan Berdasarkan Citra Satelit dan Point of Interest (POI) Menggunakan Support Vector Regression dan Random Forest Regression (Studi Kasus Provinsi Jawa Tengah). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06211940000027-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (6MB) | Request a copy

Abstract

Kemiskinan merupakan salah satu tujuan dari SDGs yang harus dientaskan oleh Indonesia. Persentase kemiskinan di Indonesia cukup tinggi, pada pulau jawa sendiri beberapa provinsi memiliki persentase di atas 10% dengan provinsi Jawa Tengah memiliki persentase tertinggi kedua di pulau Jawa. Permasalahan ini terjadi karena pengumpulan data yang dilakukan secara konvensional dengan survei dan sensus. Kedua metode tersebut memerlukan SDM, waktu, dan biaya yang besar. Dengan remote sensing yang menggunakan data citra satelit dan Point of Interest (POI) dapat memberikan biaya yang lebih rendah dan waktu yang lebih singkat. Penggunaan machine learning sering digunakan dalam memprediksi kemiskinan dengan menggunakan Support Vector Regression (SVR) dan Random Forest Regression (RFR) dapat mengatasi overfitting dan cocok untuk data jumlah sedikit. Oleh karena itu, penelitian ini bertujuan untuk mendapatkan model optimum dalam memprediksi kemiskinan. Data citra satelit dan POI yang digunakan sebagai variabel independen, terdiri dari data NTL, NDVI, NDBI, NDWI, LST, CO, SO2, NO2, dan POI density. Hasil ekstraksi menggunakan zonal statistik akan digunakan untuk memprediksi persentase kemiskinan di Jawa Tengah tahun 2021 dengan metode SVR dan RFR dengan prosedur 10-fold cross validation. Daerah di Jawa Tengah memiliki persentase kemiskinan terendah adalah kota Semarang dan Salatiga. Jika dibandingkan dengan daerah lainnya, terdapat 7 daerah dengan persentase kemiskinan yang tinggi, seperti Kebumen, Brebes, dan Wonosobo. Variabel independent memiliki hubungan secara indirect pada persentase kemiskinan. Model terbaik untuk mengestimasi kemiskinan di Jawa Tengah adalah model SVR dengan nilai MAPE, MAE, dan RMSE terendah. Hasil prediksi persentase kemiskinan di Jawa Tengah mendapatkan 19 kota/kabupaten dengan benar terprediksi. Nilai korelasi antara data aktual dengan data prediksi didapatkan cukup tinggi dan nilai rata-rata persentase error cukup rendah sehingga model yang didapatkan telah optimal.
=================================================================================================================================
Poverty is one of the goals of the SDGs that Indonesia must eradicate. The percentage of poverty in Indonesia is quite high, on the island of Java alone several provinces have a percentage above 10% with Central Java province having the second highest percentage on the island of Java. This problem occurs because data collection is done conventionally with surveys and censuses. Both methods require a lot of human resources, time and money. Remote sensing using satellite imagery and Point of Interest (POI) data can provide lower costs and shorter time. The use of machine learning is often used in predicting poverty using Support Vector Regression (SVR) and Random Forest Regression (RFR) can overcome overfitting and is suitable for small amounts of data. Therefore, this study aims to obtain the optimum model in predicting poverty. Satellite image and POI data used as independent variables consist of NTL, NDVI, NDBI, NDWI, LST, CO, SO2, NO2, and POI density. The extraction results using zonal statistics will be used to predict the percentage of poverty in Central Java in 2021 using the SVR and RFR methods with a 10-fold cross validation procedure. The regions in Central Java with the lowest poverty percentage are Semarang City and Salatiga. When compared to other regions, there are 7 regions with a high percentage of poverty, such as Kebumen, Brebes, and Wonosobo. The independent variables have an indirect relationship on the poverty percentage. The best model to estimate poverty in Central Java is the SVR model with the lowest MAPE, MAE, and RMSE values. The prediction results of poverty percentage in Central Java get 19 regions correctly predicted. The correlation value between actual data and predicted data is quite high and the average percentage error value is quite low so that the model obtained is optimal.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	poverty, satellite imagery, kemiskinan, citra satelit, POI, SVR, RFR
Subjects:	G Geography. Anthropology. Recreation > G Geography (General) > G70.5.I4 Remote sensing H Social Sciences > HA Statistics H Social Sciences > HA Statistics > HA30.6 Spatial analysis H Social Sciences > HA Statistics > HA31.3 Regression. Correlation Q Science > Q Science (General) > Q325.5 Machine learning. T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	I Komang Pande Prajadhita Wibawa Putra
Date Deposited:	07 Dec 2023 02:51
Last Modified:	07 Dec 2023 02:51
URI:	http://repository.its.ac.id/id/eprint/104311

Actions (login required)

View Item