Ramadhan, Riansyah Fazar (2024) Perbandingan Metode Klaster K-medoids dan K-means Terhadap Hasil Peramalan Kemiskinan di Indonesia Menggunakan Backpropagation Neural Network. Other thesis, Institut Teknologi Sepuluh Nopember.
![[thumbnail of 5006201003-Undergraduate_Thesis.pdf]](http://repository.its.ac.id/style/images/fileicons/text.png) |
Text
5006201003-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (4MB) | Request a copy |
Abstract
Kemiskinan masih menjadi masalah utama yang terus diperangi oleh pemerintah Indonesia. Visi Indonesia Emas 2045 yang tertuang pada Rencana Pembangunan Jangak Panjang Nasional (RPJPN) 2025-2045 telah menetapkan sasaran tingkat kemiskinan menuju nol persen di 2045. Sementara itu, saat ini masih terdapat 25,90 juta penduduk yang hidup di bawah garis kemiskinan, atau sekitar 9,36% per Maret 2023. Angka tersebut tidak berbeda jauh jika dibandingkan dengan 10 tahun terakhir, dimana persentase penduduk miskin stagnan pada kisaran 9-12 persen. Hal ini menunjukkan bahwa perlu adanya percepatan laju penurunan kemiskinan di Indonesia apabila negara sungguh ingin mencapai visi Indonesia Emas 2045. Alasan lain mengapa percepatan ini diperlukan adalah untuk meminimalisir risiko yang ditimbulkan oleh kemiskinan. Salah satu risiko tersebut adalah stunting atau gizi buruk pada balita. Hal ini menjadi ancaman serius bagi perwujudan visi Indonesia Emas 2045, karena visi tersebut tidak akan bisa tercapai dengan baik apabila cikal bakal bonus demografi Indonesia 2045 nanti banyak mengalami stunting. Berdasarkan permasalahan tersebut, solusi yang dapat ditawarkan untuk membantu pemerintah mempercepat laju penurunan kemiskinan adalah dengan melakukan peramalan dan klasterisasi sebagai landasan ilmiah dalam mengambil kebijakan. Pada penelitian ini, akan dilakukan peramalan tingkat kemiskinan 34 provinsi di Indonesia. Peramalan akan menggunakan variabel terikat tingkat kemiskinan dan empat variabel bebas, yaitu PDRB, Tingkat Pengangguran Terbuka, Rasio Gini, dan data masa lalu Tingkat Kemiskinan. Metode peramalan yang digunakan adalah Backpropagation Neural Network (BPNN). Hasil peramalan tersebut kemudian akan dikelompokkan menggunakan dua algoritma klaster, yaitu K-means dan K-medoids. Dari hasil klaster kedua algoritma tersebut kemudian akan dipilih klaster dan algoritma terbaik berdasarkan Davies-Bouldin Index (DBI). Pemodelan arsitektur BPNN menghasilkan model terbaik dengan konfigurasi (4-3-1) dan nilai MSE sebesar 0,00067431. Hasil analisis peramalan menunjukkan tren penurunan tingkat kemiskinan secara menyeluruh di Indonesia. Evaluasi DBI terhadap klaster menunjukkan bahwa klaster terbaik diraih menggunakan K-means dengan nilai sebesar 0,828406641 dan membentuk empat klaster dengan rincian klaster 1 sebanyak 4 provinsi, klaster 2 sebanyak 13 provinsi, klaster 3 sebanyak 9 provinsi, dan klaster 4 sebanyak 8 provinsi.
==================================================================================
Poverty remains one of the main problems the Indonesian government continues to tackle. The vision of a Golden Indonesia 2045, which is stated in the National Long-Term Development Plan (RPJPN) 2025-2045, has set a target for the poverty rate to reach zero percent in 2045. Meanwhile, there were currently 25.90 million people living below the poverty line, or around 9.36% as of March 2023. This figure is not much different when compared to the last 8 years, where the percentage of poor people stagnated in the range of 9-12 percent. This shows that there is a need to accelerate the rate of poverty reduction in Indonesia if we truly want to achieve the vision of a Golden Indonesia 2045. Another reason why this acceleration is needed is to minimize the risks caused by poverty. One such risk is stunting or malnutrition among infants. Based on these problems, one of the solutions that can be offered to help the government accelerate the rate of poverty reduction is to conduct forecasting and clustering as a scientific basis for policy making. In this research, we will conduct poverty rate forecasting for 34 provinces in Indonesia. Forecasting will use the dependent variable Poverty Rate and four independent variables, namely Gross Regional Domestic Product (GRDP), Unemployment Rate, Gini Ratio, and Poverty Rate past data. The forecasting method used is Backpropagation Neural Network (BPNN). The forecasting results will then be clustered using two clustering algorithms, namely K-means and K-medoids. From the cluster results of the two algorithms, the best cluster and algorithm will then be selected based on the Davies-Bouldin Index (DBI). BPNN architecture modeling produced best model with 4-3-1 configuration and MSE value of 0,00067431. The results of the forecasting analysis show a downward trend in the overall poverty rate in Indonesia. DBI cluster evaluation showed that the best cluster was achieved using K-means with a value of 0,828406641 and formed four clusters with the following details: Cluster 1 with 4 provinces, Cluster 2 with 13 provinces, Cluster 3 with 9 provinces, and Cluster 4 with 8 provinces.
Actions (login required)
 |
View Item |