PENGELOMPOKAN PROVINSI DI INDONESIA MENGGUNAKAN GAUSSIAN MIXTURE MODEL BERDASARKAN INDIKATOR KEMISKINAN

Alyarahma, Nyimas Nina (2024) PENGELOMPOKAN PROVINSI DI INDONESIA MENGGUNAKAN GAUSSIAN MIXTURE MODEL BERDASARKAN INDIKATOR KEMISKINAN. S1 thesis, UNIVERISTAS JAMBI.

	Text ABSTRAK.pdf Download (124kB)
	Text BAB I.pdf Download (133kB)
	Text BAB V.pdf Download (94kB)
	Text COVER.pdf Download (309kB)
	Text DAFTAR PUSTAKA.pdf Download (136kB)
	Text FULL SKRIPSI.pdf Restricted to Repository staff only Download (4MB)
	Text HALAMAN PENGESAHAN.pdf Download (318kB)

Abstract

Kemiskinan merupakan suatu konsep multidimensional yang tidak hanya dapat dilihat dari sisi ekonomi, tetapi juga dapat dilihat dari segi sosial, budaya, dan politik. Kemiskinan umumnya dinyatakan sebagai konsep yang statis dengan jumlah kemiskinan sebagai gambaran kondisi kesejahteraan pada suatu waktu tertentu. Kenyataannya kemiskinan memiliki periode waktu yang tidak pernah terpotong dan memiliki pola yang kontinu seiring berjalannya waktu. Jumlah penduduk miskin di Indonesia masih tergolong tinggi, sehingga mengakibatkan guncangan ekonomi yang mendorong masyarakat miskin berada di bawah garis kemiskinan. Hal ini dapat dilihat berdasarkan jumlah penduduk miskin pada Maret 2023 sebesar 25,90 juta orang. Jika diselisihkan, jumlah tersebut mengalami penurunan sebesar 0,46 juta orang pada bulan September 2022 yang bernilai 26,36 juta orang. Pemerintah Indonesia berkomitmen dalam upaya pengentasan kemiskinan agar dapat menekan angka kemiskinan Indonesia. Salah satu cara yang dapat dilakukan adalah alokasi bantuan untuk masyarakat. Alokasi ini tentunya perlu dilakukan identifikasi untuk mengetahui karakteristik masing-masing provinsi agar alokasi bantuan yang dilakukan tepat sasaran. Identifikasi ini dapat dilakukan dengan mengelompokkan provinsi-provinsi yang ada di Indonesia berdasarkan indikator kemiskinan masing-masing provinsi. Proses identifikasi kemiskinan masing-masing provinsi di Indonesia dapat dilakukan dengan menggunakan analisis cluster. Pengelompokan dapat dilakukan jika karakteristik yang memengaruhi kemiskinan diketahui, salah satu cara yang dapat digunakan adalah distribusi, salah distribusi peluang yaitu distribusi gaussian yang merupakan bagian dari distribusi kontinu. Analisis distribusi kontinu memiliki keterkaitan dengan permasalahan kemiskinan, yaitu periode waktu kemiskinan di Indonesia tidak pernah terpotong dan selalu memiliki pola kontinu yang berkelanjutan seiring dengan berjalannya waktu, sehingga dapat diartikan bahwa data kemiskinan mengikuti distribusi gaussian. Suatu data kemiskinan dapat memiliki lebih dari satu karakteristik distribusi. Data yang didistribusikan lebih dari satu distribusi disebut distribusi model campuran atau mixture model. Salah satu model campuran yang dapat digunakan dalam distribusi gaussian adalah Gaussian Mixture Model. Pengelompokan yang dilakukan oleh analisis cluster menggunakan metode Gaussian Mixture Model dengan algoritma Expectation-Maximization (EM). Jumlah cluster optimal pada Gaussian Mixture Model menggunakan metode Bayesian Information Criterion (BIC). Semakin kecil nilai BIC, maka cluster yang terbentuk akan semakin baik. Berdasarkan penelitian yang dilakukan diperoleh hasil analisis dari pengelompokan cluster dengan metode Gaussian Mixture Model dengan nilai BIC terkecil yaitu -397,6876 dengan jumlah cluster sebanyak 2. Cluster 1 (tingkat kemiskinan rendah) dengan anggota berjumlah 12 provinsi yaitu Aceh, Sumatera Utara, Sumatera Barat, Riau, Kepulauan Bangka Belitung, Kepulauan Riau, DKI Jakarta, Banten, Kalimantan Timur, Kalimantan Utara, Maluku dan Papua Barat. Cluster 2 (tingkat kemiskinan tinggi) dengan anggota berjumlah 22 provinsi yaitu Jambi, Sumatera Selatan, Bengkulu, Lampung, Jawa Barat, Jawa Tengah, DI Yogyakarta, Jawa Timur, Bali, Nusa Tengara Barat, Nusa Tenggara Timur, Kalimantan Barat, Kalimantan Tengah, Kalimantan Selatan, Sulawesi Utara, Sulawesi Tengah, Sulawesi Tenggara, Gorontalo, Sulawesi Barat, Sulawesi Selatan, Maluku Utara dan Papua. Poverty is a multidimensional concept which can not only be seen from an economic perspective, but can also be seen from a social, cultural and political perspective. Poverty is generally expressed as a static concept with the amount of poverty as a description of welfare conditions at a certain time. In reality, poverty has a time period that is never cut off and has a continuous pattern over time. The number of poor people in Indonesia is still relatively high, resulting in economic shocks that push poor people below the poverty line. This can be seen based on the number of poor people in March 2023 of 25.90 million people. If the difference is made, this number will decrease by 0.46 million people in September 2022, which is worth 26.36 million people. The Indonesian government is committed to efforts to eradicate poverty in order to reduce Indonesia's poverty rate. One way that can be done is by allocating aid to the community. Of course, this allocation needs to be identified to know the characteristics of each province so that the aid allocation is right on target. This identification can be done by grouping provinces in Indonesia based on the poverty indicators of each province. The process of identifying poverty for each province in Indonesia can be carried out using cluster analysis. Grouping can be done if the characteristics that influence poverty are known, one method that can be used is distribution, one of the probability distributions is the Gaussian distribution which is part of the continuous distribution. Continuous distribution analysis is related to the problem of poverty, namely that the time period of poverty in Indonesia is never cut off and always has a continuous pattern that continues over time, so it can be interpreted that poverty data follows a Gaussian distribution. Poverty data can have more than one distribution characteristic. Data that is distributed in more than one distribution is called a mixed model distribution. One of the mixture models that can be used in Gaussian distributions is the Gaussian Mixture Model. Grouping is carried out by cluster analysis using the Gaussian Mixture Model method with the Expectation-Maximization (EM) algorithm. The optimal number of clusters in the Gaussian Mixture Model uses the Bayesian Information Criterion (BIC) method. The smaller the BIC value, the better the cluster formed. Based on the research carried out, the results of the analysis of cluster grouping using the Gaussian Mixture Model method were obtained with the smallest BIC value, namely -397.6876 with a total of 2 clusters. Cluster 1 (low poverty level) with 12 provinces as members, namely Aceh, North Sumatra, West Sumatra , Riau, Bangka Belitung Islands, Riau Islands, DKI Jakarta, Banten, East Kalimantan, North Kalimantan, Maluku and West Papua. Cluster 2 (high poverty level) with members totaling 22 provinces, namely Jambi, South Sumatra, Bengkulu, Lampung, West Java, Central Java, DI Yogyakarta, East Java, Bali, West Nusa Tengara, East Nusa Tenggara, West Kalimantan, Central Kalimantan, South Kalimantan, North Sulawesi, Central Sulawesi, Southeast Sulawesi, Gorontalo, West Sulawesi, South Sulawesi, North Maluku and Papua.

Type:	Thesis (S1)
Uncontrolled Keywords:	Cluster, Gaussian Mixture Model, dan Kemiskinan
Subjects:	L Education > L Education (General)
Divisions:	Fakultas Sains dan Teknologi > Matematika
Depositing User:	ALYARAHMA
Date Deposited:	12 Jul 2024 07:04
Last Modified:	21 May 2025 07:17
URI:	https://repository.unja.ac.id/id/eprint/67540

Actions (login required)

View Item