ANALISIS PREDIKTIF TINGKAT KEMISKINAN KABUPATEN/KOTA DI PROVINSI JAWA BARAT MENGGUNAKAN ALGORITMA CATBOOST DAN RANDOM FOREST

Ilham, Muhammad (2026) ANALISIS PREDIKTIF TINGKAT KEMISKINAN KABUPATEN/KOTA DI PROVINSI JAWA BARAT MENGGUNAKAN ALGORITMA CATBOOST DAN RANDOM FOREST. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (1MB)
	Text BAB I.pdf Download (184kB)
	Text BAB II.pdf Download (299kB)
	Text BAB III.pdf Download (855kB)
	Text BAB IV.pdf Download (1MB)
	Text BAB V.pdf Download (168kB)
	Text LAMPIRAN.pdf Download (245kB)

Abstract

Kemiskinan merupakan permasalahan multidimensional yang dipengaruhi oleh
berbagai faktor sosial ekonomi, demografi, dan kondisi infrastruktur dasar. Provinsi
Jawa Barat menunjukkan variasi tingkat kemiskinan yang cukup signifikan
antarwilayah, sehingga diperlukan pendekatan analisis prediktif yang mampu
menangkap hubungan nonlinier antarvariabel. Penelitian ini bertujuan untuk
menganalisis serta memprediksi persentase penduduk miskin pada tingkat
kabupaten/kota di Provinsi Jawa Barat menggunakan metode machine learning,
dengan CatBoost sebagai model utama dan Random Forest sebagai model
pembanding. Penelitian menggunakan data panel sekunder tahun 2018–2024
sebanyak 189 observasi, dengan empat belas variabel prediktor yang mencakup
besaran upah minimum, PDRB atas dasar harga berlaku (ADHB) per kapita,
kepadatan penduduk, jumlah penduduk, pengeluaran per kapita, Indeks
Pembangunan Manusia (IPM), Rata-rata Lama Sekolah (RLS), Tingkat
Pengangguran Terbuka (TPT), Tingkat Partisipasi Angkatan Kerja (TPAK), gini
ratio, jumlah penerima bantuan sosial, akses air minum layak, tahun pengamatan,
serta kategori wilayah kabupaten/kota.
Proses pemodelan meliputi praproses data, pemisahan data pelatihan dan pengujian,
pengembangan model, serta evaluasi kinerja menggunakan Mean Absolute Error
(MAE), Root Mean Squared Error (RMSE), dan koefisien determinasi (R²). Hasil
penelitian menunjukkan bahwa CatBoost memberikan performa prediksi terbaik
dengan nilai MAE sebesar 0,592, RMSE sebesar 0,802, dan R² sebesar 0,914,
mengungguli Random Forest yang memperoleh MAE sebesar 0,832, RMSE
sebesar 1,161, dan R² sebesar 0,820. Analisis interpretabilitas menggunakan SHAP
mengungkapkan bahwa pengeluaran per kapita, IPM, besaran upah minimum,
PDRB per kapita, kepadatan penduduk, dan variabel ketenagakerjaan merupakan
faktor yang paling berpengaruh dalam membentuk tingkat kemiskinan wilayah.
Temuan ini diharapkan dapat menjadi dasar pengambilan keputusan berbasis data
untuk perumusan kebijakan penanggulangan kemiskinan yang lebih efektif dan
tepat sasaran di Provinsi Jawa Barat.

Item Type:	Thesis (Diploma)
Subjects:	H Social Sciences > H Social Sciences (General) H Social Sciences > HC Economic History and Conditions
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Delvy Aplirizani -
Date Deposited:	26 May 2026 02:56
Last Modified:	26 May 2026 02:56
URI:	https://repository.unas.ac.id/id/eprint/16295

Actions (login required)

View Item