Prediksi Kemiskinan di Wilayah Papua Menggunakan Data Citra Satelit dan Point of Interest Dengan Pendekatan Deep Learning

Bramandika, Bramandika (2023) Prediksi Kemiskinan di Wilayah Papua Menggunakan Data Citra Satelit dan Point of Interest Dengan Pendekatan Deep Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06211940000059-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (3MB) | Request a copy

Abstract

Kemiskinan hidup dan penurunan kualitas kehidupan merupakan masalah kritis di seluruh dunia, terutama di negara berkembang seperti Indonesia. Provinsi Papua dan Papua Barat tercatat sebagai dua provinsi yang memiliki persentase tingkat kemiskinan tertinggi di Indonesia. Oleh karena itu untuk memberantas kemiskinan ini diperlukan data yang lengkap dan akurat guna menciptakan kebijakan yang tepat. Pengambilan data dengan sensus atau survei sangat mahal dan memakan waktu, dan tidak dapat dilakukan ketika situasi kesehatan dan keamanan tidak memungkinkan. Dengan menggunakan data citra satelit dan data Point Of Interest dapat menggunakan biaya yang lebih murah dan waktu yang relatif lebih singkat sehingga masalah kemiskinan dapat diatasi. Penggunaan metode deep learning dalam metode regresi memiliki kelebihan yaitu tidak perlu adanya asumsi dalam melakukannya. Penggunaan MLP dan CNN-1D merupakan metode deep learning yang emmiliki keunggulan komputasi yang cepat dan sering digunakan pada data tabular.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 Nighttime Light (NTL), Normalized Difference Vegetation Index (NDVI), Built-up Index (BUI), Normalized Difference Water Index (NDWI), Land Surface Temperature (LST), CO, SO2, NO2, dan POI density. Feature extraction yang digunakan adalah zonal statistik dengan bantuan ArcGIS. Dengan hasil ekstraksi akan dijadikan variabel prediktor untuk memprediksi persentase kemiskinan di Provinsi Papua dan Papua Barat pada tahun 2021 dengan membandingkan metode antara MLP dan CNN-1D pada data training dan testing. Metode terbaik yang terpilih adalah MLP dengan nilai MAPE dan RMSE pada data keseluruhan adalah : 2,95% dan 2,40.
====================================================================================================================================
Poverty and the decline in quality of life are critical issues worldwide, especially in developing countries like Indonesia. The provinces of Papua and West Papua are recorded as the two provinces with the highest poverty rates in Indonesia. Therefore to exterminate poverty a complete and accurate data is needed to create apporopriate policies. Collecting data through census or surveys is expensive and time-consuming, and it cannot be carried out when health and security situations are unfavorable. By using satellite imagery and Point Of Interest (POI) data, a cheaper and relatively faster solution can be implemented to address poverty-related issues. The use of deep learning methods in regression has the advantage of not requiring assumptions to be made. Multilayer Perceptron (MLP) and 1D Convolutional Neural Network (CNN-1D) are deep learning methods that excel in fast computation and are often used with tabular data. Therefore, this research aims to obtain an optimal model for predicting poverty. Satellite imagery and POI data are used as independent variables, including Nighttime Light (NTL), Normalized Difference Vegetation Index (NDVI), Built-up Index (BUI), Normalized Difference Water Index (NDWI), Land Surface Temperature (LST), CO, SO2, NO2, and POI density. Zonal statistics feature extraction is employed with the assistance of ArcGIS. The extracted features are then used as predictor variables to predict the poverty percentage in the provinces of Papua and West Papua in 2021, comparing the performance of MLP and CNN-1D methods on the training and testing data. The selected best method is MLP, with MAPE and RMSE values for the overall data as follows: 2,95% and 2,40 respectively

Item Type:	Thesis (Other)
Additional Information:	RSSt 006.31 BRA p 2023
Uncontrolled Keywords:	Poverty, Sattelite Imagery,MLP,CNN-1D,Kemiskinan, Citra Satelit, Point of lnterest, MLP,CNN-1D; Poverty, Sattelite Imagery,MLP,CNN-1D
Subjects:	G Geography. Anthropology. Recreation > G Geography (General) > G70.5.I4 Remote sensing H Social Sciences > H Social Sciences (General) > H61.4 Forecasting in the social sciences H Social Sciences > HA Statistics H Social Sciences > HA Statistics > HA30.6 Spatial analysis Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Bramandika Bramandika
Date Deposited:	11 Aug 2023 08:57
Last Modified:	25 Oct 2024 06:31
URI:	http://repository.its.ac.id/id/eprint/104576

Actions (login required)

View Item