Al Maulidiyah, Wahidatul Wardah (2023) Prediksi Pengeluaran Per Kapita Jawa Timur Dari Citra Satelit Menggunakan Pendekatan Transfer Learning. Other thesis, Institut Teknologi Sepuluh Nopember.
![[thumbnail of 06211940000090-Undergraduate_Thesis.pdf]](http://repository.its.ac.id/style/images/fileicons/text.png) |
Text
06211940000090-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2025. Download (3MB) | Request a copy |
Abstract
Salah satu aspek penting untuk mendukung strategi penanggulangan kemiskinan adalah ketersediaan data kemiskinan. Menurut Badan Pusat Statistik (BPS), kemiskinan ditunjukkan dengan rata-rata pengeluaran per kapita di bawah garis kemiskinan. Pendataan kemiskinan melalui survei membutuhkan dana dan Sumber Daya Manusia (SDM) yang besar, serta waktu yang relatif lama. Oleh karena itu, perlu dilakukan prediksi kemiskinan sebelum memperoleh data resmi dari BPS untuk kebijakan pemerintah berbasis data (data driven policy) yang lebih cepat dan akurat. Citra satelit terdiri dari citra siang dan malam yang dapat menangkap cahaya malam dan infrastruktur, seperti jalan raya, gedung, dan perumahan dalam mengidentifikasi kesejahteraan sosial suatu daerah. Penelitian ini menggunakan perbandingan citra siang dan malam untuk memprediksi pengeluaran per kapita Jawa Timur sebagai provinsi dengan jumlah penduduk miskin terbanyak di Indonesia. Citra satelit diolah menggunakan pendekatan transfer learning yang menerapkan pre-trained model dari Convolutional Neural Network (CNN) dengan arsitektur VGG16 sebagai feature extractor, kemudian hasil ekstraksi fitur digunakan sebagai variabel independen untuk memprediksi pengeluaran per kapita menggunakan Support Vector Regression (SVR) dengan pengeluaran per kapita Jawa Timur sebagai variabel dependen. Prediksi menggunakan SVR dilakukan dengan membandingkan penggunaan kernel RBF dan kernel polinomial. Hasil yang didapatkan menunjukkan bahwa citra malam lebih reliabel dalam memprediksi pengeluaran per kapita Jawa Timur dibandingkan citra siang. Penggunaan kernel polinomial pada SVR juga lebih unggul dibandingkan kernel RBF. Model terbaik diperoleh dari kombinasi model transfer learning dan SVR kernel polinomial menggunakan citra malam hari. Pemetaan hasil prediksi bersifat linier dengan rata-rata intensitas cahaya malam di setiap daerah, semakin tinggi intensitas cahaya malam akan diprediksi memiliki pengeluaran per kapita yang tinggi pula.
=========================================================================================================================================
One important aspect of supporting poverty reduction strategies is the availability of poverty data. According to the Badan Pusat Statistik (BPS), poverty is indicated by the average monthly per capita expenditure below the poverty line. Poverty data collection through surveys requires large funds and Human Resources (HR) also takes a relatively long time. Therefore, it is necessary to predict poverty before obtaining official data from BPS for faster and more accurate data-driven government policies. Satellite imagery with daytime and night-time images can capture night light and infrastructures, such as roads, buildings, and settlements to determine an area’s social welfare. This study uses comparison of daytime and nighttime satellite imagery to predict per capita expenditure of East Java as the province with the highest number of poor people in Indonesia. Satellite imagery is processed using a transfer learning approach that applies a pre-trained Convolutional Neural Network (CNN) model with the VGG16 architecture as a feature extractor, then the result of feature extraction is used as an independent variable to predict expenditure per capita using Support Vector Regression (SVR) with East Java's per capita expenditure as the dependent variable. Prediction using SVR will be conducted by comparing the use of the RBF kernel and the polynomial kernel. The results show that night-time images are more reliable in predicting East Java per capita expenditure than daytime images. The use of polynomial kernel in SVR is superior to the RBF kernel. The best model was obtained using night-time satellite imagery by combining the transfer learning model and the SVR kernel polynomial. The mapping of the predicted results is linear with the average night light intensity in each area, the higher the night light intensity, the higher the predicted per capita expenditure.
Actions (login required)
 |
View Item |