Klasifikasi Kabupaten Tertinggal di Kawasan Timur Indonesia dengan Support Vector Machine

Esa Anindika Sari, Meilani Thereza Br. Saragih, Ilhamsyah Ali Shariati, Sabiq Sofyan, Rakai Al Baihaqi, Rani Nooraeni

Abstract


Kesenjangan pembangunan antar wilayah tampak dari adanya istilah daerah maju dan daerah tertinggal. Pengentasan daerah tertinggal masih menjadi persoalan khususnya di Kawasan Timur Indonesia (KTI). Dari 122 kabupaten yang ditetapkan sebagai daerah tertinggal pada RPJMN 2015-2019, terdapat 54 kabupaten yang menjadi daerah prioritas. Mayoritas wilayah yang terkategori sebagai daerah prioritas ini berada di KTI. Adanya perbedaan karakteristik pada setiap wilayah Indonesia membuat perlunya analisis tersendiri. Salah satu perbedaan karakteristik wilayah dapat dilihat melalui aspek utama ketertinggalan antar kawasan. Pada Kawasan Barat Indonesia (KBI), aspek ketertinggalan wilayah berfokus pada infrastruktur. Sementara, aspek ekonomi dan Sumber Daya Manusia (SDM) merupakan fokus aspek ketertinggalan wilayah di KTI. Sehingga dalam penelitian ini akan dilakukan analisis klasifikasi kabupaten tertinggal di KTI dengan menggunakan metode Support Vector Machine (SVM) berdasarkan indikator ketertinggalan daerah. Hasil dari penelitian ini secara umum kabupaten tertinggal di Kawasan Timur Indonesia memiliki level pembangunan yang lebih rendah dibandingkan kabupaten tidak tertinggal. Dengan menggunakan metode SVM dan fungsi kernel terbaiknya yaitu fungsi kernel linier, kabupaten di KTI mampu diklasifikasikan secara benar sebesar 87,23%. Berdasarkan kurva ROC diperoleh nilai AUC sebesar 0,862 yang artinya kinerja model sudah bagus. Sehingga metode SVM dengan kernel linier dapat menjadi salah satu rekomendasi dalam pengklasifikasian kabupaten tertinggal atau tidak tertinggal

References


S. I. Oktora. 2015. “Analisis Multivariate Adaptive Regression Splines (MARS) pada Prediksi Ketertinggalan Kabupaten Tahun 2014â€., Jurnal Aplikasi Statistika & Komputasi Statistik, vol. 7(2), pp. 115-128

V. Vapnik dan C. Cortes. 1995. “Support-vector networksâ€. Machine learning, vol. 20(3), pp. 273-297.

M. S. Sari, D. Safitri., dan S. Sugito. 2014. “Klasifikasi Wilayah Desa-Perdesaan dan Desa-Perkotaan Wilayah Kabupaten Semarang dengan Support Vector Machine (SVM)â€., Jurnal Gaussian, vol.3(4), pp. 751-760

H. Situmorang. 2015. “Klasifikasi Wilayah Demam Berdarah dengan Metode SVM di Kota Medanâ€. Tesis, Universitas Sumatera Utara, Indonesia.

J. Han dan M. Kamber. 2006. Data Mining: Concept and Techniques Second Edition. United State of America: Morgan Kaufman Publishers

R. Septiani, I. P. A. Citra., dan A. S. A. Nugraha. 2019. “Perbandingan Metode Supervised Classification dan Unsupervised Classification terhadap Penutup Lahan di Kabupaten Bulelengâ€., Jurnal Geografi, vol. 16(2), pp. 91-96.

J.P. Maulana dan Irhamah. 2018. “Klasifikasi Kabupaten di Provinsi Jawa Timur Berdasarkan Indikator Daerah Tertinggal dengan metode Support Vector Machine (SVM) dan Entropy Based Fuzzy Support Vector Machine (EFSVM)â€., Inferensi, vol. 1(1), pp. 9-15

M. Affandes. 2015. “Penerapan Metode Support Vector Machine (SVM) Menggunakan Kernel Radial Basis Faunction (RBF) Pada Klasifikasi Tweetâ€., Jurnal Sains dan Teknologi Industri, vol. 12(2), pp. 189-197

N. R. Feta dan A. R. Ginanjar. 2019. “Komparasi Fungsi Kernel Metode Support Vector Machine Untuk Pemodelan Klasifikasi Terhadap Penyakit Tanaman Kedelaiâ€., BRITech, Jurnal Ilmiah Ilmu Komputer, Sains dan Teknologi Terapan, vol.1(1), pp. 33-39

A. H. Baksir., A. Fuad., F. Tempola., R. Rosihan. 2020. “Prediksi Tingkat Kualitas Kesuburan Pria Dengan Jaringan Saraf Tiruan Backpropagationâ€. JIKO (Jurnal Informatika dan Komputer). Vol. 3 no. 2, pp. 107-112.

F. Gorunescu, 2011. “Data Mining: Concepts, Models and Techniques.New York: Springer-Verlag.




DOI: https://doi.org/10.33387/jiko.v3i3.2364

Refbacks

  • There are currently no refbacks.