Estimasi Pengeluran Per Kapita Menggunakan Pendekatan Transfer Learning Dan Citra Google Maps

Rouhan, Asva Abadila (2022) Estimasi Pengeluran Per Kapita Menggunakan Pendekatan Transfer Learning Dan Citra Google Maps. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6003201033-Master_Thesis.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Kemiskinan dapat didefinisikan sebagai ketidakmampuan seseorang atau suatu rumah tangga dalam memenuhi kebutuhan pokoknya yaitu sandang, papan, dan pangan. Untuk memberantas kemiskian, diperlukan suatu ukuran kemiskinan yang dapat dijadikan dasar pengambilan keputusan. Kebanyakan negara menggunakan pendapatan rumah tangga atau konsumsi rumah tangga sebagai dasar penentuan kesejahteraan penduduk miskin. Sayangnya, pengumpulan data mendetail secara langsung dari rumah ke rumah merupakan hal yang memakan waktu, biaya dan rawan kesalahan peng-input-an data. Dalam beberapa tahun terakhir muncul metode alternatif seperti data ponsel dan citra satelit. Penelitian ini menggunakan citra satelit malam hari dan siang hari Provinsi Jawa Tengah dan Daerah Istimewa Yogyakarta untuk mengestimasi pengeluaran per kapita. Data citra diolah dengan Convolutional Neural Network (CNN) menggunakan arsitektur Visual Geometric Group Network (VGGNet). Pendekatan transfer learning memungkinkan VGG16 untuk menghasilkan output regresi dengan atau tanpa optimasi. Mula-mula, dengan input citra siang hari, VGG16 dilatih untuk mengenali dan mengklasifikasikan tingkat cahaya malam yang berasal dari citra malam hari. Kemudian, citra siang hari diekstrak dengan arsitektur ini. Terakhir, data hasil ekstraksi yang disebut feature akan diregresikan menggunakan Support Vector Regression (SVR). Penelitian ini membandingkan data hasil ekstraksi VGG16 tanpa optimasi (base VGG16) dan hasil ekstraksi VGG16 dengan optimasi (finetuned- VGG16). Kombinasi terbaik Fine-tuned VGG16 dan SVR menghasilkan model dengan kinerja RMSE 1554,203, sedangkan base VGG16 dengan SVR menghasilkan RMSE terendah sebesar 1716,343. Namun ditemukan juga finetuned VGG16 yang menghasilkan kinerja lebih buruk daripada base VGG16. Model terbaik memberikan hasil estimasi dengan R2 0,938, MAPE 3,334%, dan RMSE 569,377. Hasil estimasi yang diperoleh dari model terbaik ini divisualisasikan menggunakan peta tematik.
====================================================================================================================================
Poverty can be defined as the inability of a person or a household to satisfy their primary needs. To eradicate poverty, a poverty measurement is needed that can be used as a basis of decision making. Most countries use household income or household consumption as a standard measurement of population wealth. However, a comprehensive door-to-door data collection such as survey is time-consuming, costly, and vulnerable to human error. Recently, passively collected data such as cell phone data and satellite images. This study used nighttime and daytime satellite imagery of Central Java and Special Region of Yogyakarta to estimate per capita expenditure. Satellite imageries are processed by Convolutional Neural Network (CNN) using Visual Geometric Group Network (VGGNet) architecture. Transfer learning approach allows VGG16 to produce regression output. At first, with daytime imageries, VGG16 is trained to classify night lights intensities coming from nighttime imagery. Daytime images are then extracted by this network. Finally, the extracted data are used to train Support Vector Regression (SVR). The best combination of fine-tuned VGG16 and SVR produced a model with RMSE of 1554,203 while the most optimal combination of base VGG16 and SVR gave RMSE of 1716,343. However, it was also found that the fine-tuned VGG16 resulted in worse performance than the base VGG16. The best model gives estimation results with R2 0,938, MAPE 3,334%, dan RMSE 569,377. These estimations are visualized with choropleth maps.

Item Type:	Thesis (Masters)
Additional Information:	RTSt 519.544 Rou e-1 2022
Uncontrolled Keywords:	Citra Satelit, Convolutional Neural Network, Pengeluaran Per Kapita,Support Vector Regression, VGG16, Convolutional Neural Network, Per Capita Expenditure, Satellite Imagery, Support Vector Regression
Subjects:	H Social Sciences > HA Statistics > HA31.7 Estimation
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	30 Apr 2026 05:33
Last Modified:	30 Apr 2026 05:33
URI:	http://repository.its.ac.id/id/eprint/132943

Actions (login required)

View Item