Seminar Tugas Akhir. Analisis Klasifikasi Kesejahteraan Rumah Tangga di Propinsi Jawa Timur dengan Pendekatan CART ARCING. Surabaya, Juli 2011

Transkripsi

1 Surabaya, Juli 2011 Seminar Tugas Akhir Analisis Klasifikasi Kesejahteraan Rumah Tangga di Propinsi Jawa Timur dengan Pendekatan CART ARCING Ibrahim Widyandono Pembimbing : Dr. Bambang Widjanarko Otok, M.Si Co Pembimbing : Jerry Dwi Trijoyo Purnomo, M.Si Institut Teknologi Sepuluh Nopember Surabaya

2 Latar Belakang Kesejahteraan Rumah Tangga World Bank institute (2002) mengkategorikan karakteristik penduduk miskin. Tuti rumiati (1998) Indikator Kesejahteraan Masyarakat

3 Rumusan Masalah Bagaimana identifikasi karakteristik kesejahteraan rumah tangga di Jawa Timur dari pengeluaran rumah tangga berdasarkan pada konsumsi makanan dan non makanan? Bagaimana klasifikasi kesejahteraan rumah tangga di Jawa Timur dengan pendekatan CART? Bagaimana ketepatan klasifikasi kesejahteraan rumah tangga di Jawa Timur dengan pendekatan dan CART ARCING?

4 Tujuan Mendapatkan gambaran mengenai kondisi masalah kesejahteraan rumah tangga kabupaten dan kota di Jawa Timur. Mendapatkan pengelompokan kesejahteraan rumahtangga di Jawa Timur dengan menggunakan metode klasifikasi CART. Mengkaji ketepatan klasifikasi kesejahteraan rumah tangga di Jawa Timur dengan menggunakan pendekatan CART ARCING.

5 Manfaat Memberikan masukkan kepada Dinas Sosial Propinsi Jawa Timur dalam mengambil kebijakan terhadap penanganan masalah Penyandang Masalah Kesejahteraan Sosial untuk meningkatkan kesejahteraan sosial masyarakat di Jawa Timur

6 Batasan Metode yang digunakan untuk meningkatkan akurasi dari metode CART, yaitu dengan metode ARCING dimana dengan banyaknya kombinasi pohon (K) yang dicobakan adalah 50, 100, 300 dan 500.

7 Tinjauan Statistika Classification and Regression Trees (CART) CART adalah metode statistik nonparametrik yang dapat menggambarkan hubungan antara variabel respon dengan satu atau lebih variabel prediktor. Variabel Respon Data Kontinu Data Kategorik (Breiman dkk, 1984) Hasil Model Pohon Regresi Model Pohon Klasifikasi

8 Tinjauan Statistika Pembentukan Klasifikasi Pohon Menurut Breiman dkk. (1993), proses pembentukan klasifikasi pohon meliputi 3 tahapan yaitu : 1. Pemilihan pemilah a. Fungsi keheterogenan simpul Tujuan : mengurangi keheterogenan pada simpul utama dan memaksimumkan kehomogenan pada simpul anak. b. Pemilahan simpul c. Kriteria Goodness of Split 2. Penentuan simpul terminal 3. Penandaan label kelas

9 Tinjauan Statistika Penghentian Pembentukan Klasifikasi Pohon Menurut Lewis (2000), proses pembentukan pohon dilakukan sampai tidak memungkinkan lagi untuk dilanjutkan. Pemangkasan Klasifikasi Pohon Pemangkasan yaitu suatu penilaian ukuran sebuah pohon tanpa mengorbankan kebaikan ketepatan melalui pengurangan simpul pohon, untuk mendapatkan ukuran pohon yang layak dan berdasarkan pada ukuran cost complexity pruning

10 Tinjauan Statistika Klasifikasi Pohon yang Optimum Klasifikasi pohon yang optimum memiliki ukuran yang sederhana dan nilai penduga pengganti yang cukup kecil. Ada 2 jenis penduga pengganti yaitu (Breiman et. al., 1993) : 1. Penduga sampel uji (test sample estimate). 2. Penduga validasi silang lipat V (cross validation V-fold estimate).

11 Tinjauan Statistika Adaptive resampling and combining (ARcing) Breiman menyebut metode ARCING dengan arc-x4 dimana sebagai cara lain dari AdaBoost yang disebut juga dengan arc-fs. Perbedaan arc-x4 dan arc-fs dalam bagaimana bobot dibangun pada tiap langkah tahapan. Algoritma ARCING menurut breiman (1998).

12 Tinjauan Non Statistika Pengertian penyandang masalah kesejahteraan sosial Penyandang Masalah Kesejahteraan Sosial adalah adanya sesuatu hambatan yang membuat tidak dapat melaksanakan fungsi sosial, sehingga tidak dapat memenuhi kebutuhan hidupnya secara memadai dan wajar

13 Tinjauan Non Statistika Menurut sutaat (2006) Permasalahan kesejahteraan sosial yang menjadi sasaran, terdapat lima sasaran signifikan yaitu: 1. masalah kemiskinan 2. kecacatan 3. keterlantaran 4. ketunaan sosial 5. korban bencana dan pengungsi.

14 Tinjauan Non Statistika Pengertian kemiskinan Kemiskinan menurut BPS adalah ketidakmampuan untuk memenuhi standar dari kebutuhan dasar, baik makanan maupun bukan makanan. Bappenas (2004) mendefinisikan kemiskinan sebagai kondisi di mana seseorang atau sekelompok orang, laki-laki dan perempuan, tidak mampu memenuhi hak dasarnya untuk mempertahankan dan mengembangkan kehidupan yang bermartabat.

15 Tinjauan Non Statistika Faktor-faktor yang mempengaruhi pengeluaran rumah tangga tentang konsep kemiskinan Rochaeni dan Lokollo (2005) yang meneliti tentang Faktor-faktor Yang Mempengaruhi Keputusan Ekonomi Rumah Tangga Petani di Kelurahan Setugede Bogor dan menghasilkan kesimpulan bahwa jumlah anggota rumah tangga berpengaruh positif terhadap konsumsi pangan dan konsumsi nonpangan.

16 Sumber Data Data yang digunakan adalah Survei Sosial Ekonomi Nasional (SUSENAS-2009) Provinsi Jawa Timur.

17 Variabel Penelitian Y= Pengeluaran rumah tangga. X 1 :Jenis kelamin KRT (Kepala Rumah Tangga) X 2 :Umur KRT. X 3 :Status perkawinan KRT X 4 :Ijazah tertinggi oleh KRT. X 5 :Jumlah anggota rumah tangga X 6 :Lapangan usaha utama KRT X 7 :Status pekerjaan utama KRT X 8 :Kegiatan utama KRT

18 Alur Penelitian Mulai Identifikasi metode Analisis Pembuatan Proposal Data SUSENAS Eksplorasi Data Dilakukan permodelan Clasification & Regression Tree (CART) Data Learning Melakukan metode Adaptive Resampling and Combining (Arcing) yaitu melakukan perulangan sebanyak k kali pada permodelan CART yang sudah terbentuk yang nantinya diperoleh pohon optimal Jalankan data testing pada pohon klasifikasi dan hitung ketepatan klasifikasinya Data Testing Kesalahan Klasifikasiny a terkecil? A Ya Tidak Bukan Pohon Klasifikasi terbaik

19 Alur Penelitian A Pohon Klasifikasi terbaik Interpretasi Analisis Kesimpulan dan Saran Selesai

20 Deskripsi Umum Persebaran Penduduk Miskin di Jawa Timur 2001

21 Deskripsi Umum Persebaran Penduduk Miskin di Jawa Timur 2009

22 Deskripsi Umum No. Nama Variabel Kategori Variabel Jumlah 1 Jenis Kelamin (X 1 ) Laki-laki Perempuan Status Pernikahan (X 3 ) Nikah Lainnya Ijazah Tertinggi (X 4 ) Belum Sekolah Tidak Punya Ijazah 6.89 SD SMP SMA Diatas SMA Jenis Pekerjaan (X 6 ) Tidak Bekerja Pertanian Industri Pengolahan Perdagangan Jasa-jasa Lainnya 316

23 Deskripsi Umum No. Nama Variabel Kategori Variabel Jumlah 5 Umur (X 2 ) Umur tahun 120 umur tahun 556 umur tahun umur tahun umur tahun umur tahun umur tahun umur tahun umur tahun umur tahun umur tahun umur tahun umur tahun 760 umur tahun 379 umur tahun 133 umur tahun 29 umur tahun 19

24 Deskripsi Umum No. Nama Variabel Kategori Variabel Jumlah 6 Banyak Anggota Rumah Tangga (X 5 ) 1 Orang Orang Orang Orang Orang Orang Orang Orang Orang Orang Orang Orang 4 14 Orang 2

25 Deskripsi Umum No. Nama Variabel Kategori Variabel Jumlah 7 Status Pekerjaan Utama KRT (X 7 ) Tidak Bekerja Buruh/Karyawan/Pegawai Pengusaha Lainnya Kegiatan Utama Kepala Rumah Tangga (X 8 ) Bekerja Tidak Bekerja 4.583

26 CART Analisis Klasifikasi Pohon / CART Pada penelitian ini data yang digunakan sebanyak pengamatan, yang akan dicoba untuk proporsi dengan pembagian data learning dan Testing antara lain 95%:5%, 90%:10%, 85%:15%, 80%:20%, dan 75%:25%. Kemudian diperoleh data learning yang diambil sebanyak 95% atau pengamatan sedangkan data testing diambil sebanyak 5% atau pengamatan dengan tingkat akurasi terbaik.

27 CART Kemungkinan pemilah pada variabel prediktor: Nama Variabel Kategori Data Banyaknya Kategori Jenis Kelamin KRT (X1) Nominal 2 Usia KRT (X2) Kontinu 84 Status Perkawinan KRT (X3) Ijazah tertinggi KRT (X4) Nominal 2 Nominal 6 Jumlah ART (X5) Kontinu 13 Kegiatan Utama KRT (X6) Lapangan Usaha Utama KRT (X7) Status Pekerjan Utama KRT (X8) Nominal 2 Nominal 5 Nominal 4 Kemungkinan Pemilah = 1 pemilahan 83-1 = 82 pemilah = 1 pemilahan = 31 pemilahan 13-1 = 12 pemilah = 1 pemilahan = 15 pemilahan = 7 pemilahan

28 CART Klasifikasi Pohon Maksimal Klasifikasi pohon maksimal yang terbentuk terdiri atas simpul terminal. Hasil klasifikasi dengan simpul terminal ini menujukkan bahwa pohon maksimal memiliki pengertian yang kompleks sehingga perlu untuk dilakukan pemangkasan.

29 CART Tabulasi Silang antara Klasifikasi rumah tangga dan Prediksi Klasifikasi rumah tangga pada Pohon Maksimal Prediksi Observasi Tidak Total Miskin Miskin Tidak Data Miskin Learning Miskin Tidak Data Miskin Testing Miskin Sensitivity (%) Specifity (%) Jumlah Tingkat Akurasi (%) 72,2% 89,3% 74,7% 68,4% 65,1% 67,9%

30 CART Pemangkasan Pohon Nilai relative cost pohon maksimal adalah sedangkan nilai relative cost pohon optimal adalah sebesar

31 CART Klasifikasi Pohon Optimal

32 CART Tabulasi silang antara klasifikasi rumah tangga dan prediksi klasifikasi rumah tangga pada pohon optimal Data Learning Data Testing Observasi Tidak Miskin Prediksi Total Persentase Kesalahan/ Misklasifik asi (%) Miskin Tidak Miskin ,1% Miskin ,4% Tidak Miskin % Miskin ,4% Jumlah Tingkat Akurasi (%) 70,2% 70,8%

33 CART ARCING Analisis Klasifikasi Pohon / CART dengan ARCING Pada langkah sebelumnya telah dilakukan analisis menggunakan CART untuk mengetahui proporsi ideal dalam pembagian data learnig dan data testing, dimana diperoleh pembagian data dengan kondisi data learning sebesar 95% dan data testing 5%. Selanjutnya dengan proporsi pembagian data learning dan testing akan dibentuk pohon, dengan jumlah pohon yang akan dikombinasikan yaitu 50, 100, 250 dan 500 pohon.

34 CART ARCING Evaluasi Kombinasi Pohon Sensitivity 86,8% 85,8% 85,6% 85,7% Specifity 33,6% 34% 36,6% 36,1% Total akurasi rate 78,4% 77,6% 77,9% 77,9%

35 Perbandingan Perbandingan hasil Klasifikasi CART dengan CART ARCING Ketepatan Klasifikasi CART Data Testing Metode CART ARCING Total Akurasi Rate 70,8% 78,4% 77,6% 77,9% 77,9% Total Error Rate 29,2% 21,6% 22,4% 22,1% 22,1%

36 Kesimpulan Gambaran mengenai kependudukan di provinsi Jawa Timur yaitu Sekitar 80% sampel kepala rumah tangga yang terambil oleh BPS berjenis kelamin laki-laki Sebagian besar berusia produktif yaitu tahun Rata-rata banyak anggota per-rumah tangga 3-4 orang. Pendidikan kepala rumah tangga terlihat rata-rata penduduk Jawa Timur lulusan dari SD dan SMP dengan proporsi terbesar berpendidikan SD. Aspek ketanagakerjaan terdapat 85% kepala rumah tangga memiliki pekerjaan dengan status pekerjaan sebagai pengusaha sebesar 48% untuk lapangan usaha terbesar yaitu pertanian dan jasa-jasa.

37 Kesimpulan CART Model Classification and Regression Trees (CART) menggunakan proporsi data learning 95% dan data testing 5% Variabel pemilah utama yaitu ijazah pendidikan yang dimiliki kepala rumah tangga. Diduga sebanyak 34 simpul terminal untuk rumah tangga miskin dan 36 simpul terminal untuk rumah tangga tidak miskin dari 70 simpul terminal. Metode klasifikasi pohon menghasilkan pohon optimal dengan ketepatan klasifikasi data learning dan testing yaitu sebesar 70,2% dan 70,8%.

38 Kesimpulan CART ARCING Diperoleh tingkat akurasi yang paling tinggi adalah pada kombinasi 50 yaitu sebesar 78,4%. Selain itu ketepatan hasil klasifikasi nilai persentase tingkat akurasi hasil klasifikasi CART ARCING kombinasi 50 sebesar 78,4%, lebih tinggi daripada metode CART dengan persentase tingkat akurasi hasil klasifikasi sebesar 70,8%. Terjadi peningkatan sebesar 7,4%.

39 Saran Untuk menentukan hasil klasifikasi menggunakan CART pada data yang besar seperti kasus kesejahteraan rumah tangga di Jawa Timur ada kemungkinan menghasilkan pohon yang besar dan kompleks, maka sebaiknya di pecah menjadi wilayah administrasi seperti kabupaten/kota dengan data yang relative kecil dari hasil survei SUSENAS dan setiap wilayah memiliki karakteristik sosial ekonomi dan kependudukan yang berbeda.

40

41 3. Penghentian pembentukan pohon klasifikasi. 4. Pemangkasan Pohon Klasifikasi. 5. Pemilihan pohon klasifikasi optimal. 2. Pembentukan pohon klasifikasi yang dibentuk dari masingmasing data learning. 6. Pemilihan model pohon klasifikasi terbaik, menggunakan kriteria test relative cost. 1. Melakukan pemisahan data menjadi dua bagian yaitu data learning dan data testing. Tahapan Pembentukan CART 7. Tahap validasi dengan menggunakan data testing sebanyak 5%, 10%, 15%, 20%, 25% dan 30%.

42 Banyaknya kombinasi pohon (K) yang dicobakan adalah 50, 100, 300 dan 500 Bagi data menjadi 2, data learning (L) dan data testing Ambil sampel dengan pengembalian dari L sebanyak N observasi untuk learning baru L (1) Melihat tingkat akurasi. Menggunakan metode Arcing pada CART Terbentuk model pohon G 1 dari L (1) ). Setelah lengkap, hasil prediksi pada model G 1,,G K di kombinasikan. Jika k < K kembali ke langkah awal. Ulangi langkah pada pengambilan sampel. melihat observasi yang misklasifikasi