Identifikasi Keterkaitan Variabel dan Prediksi Indeks Pembangunan Manusia (IPM) Provinsi Jawa Barat Menggunakan Dynamic Bayesian Networks

Abstract

Abstrak -Indeks Pembangunan Manusia (IPM) adalah indeks yang menggambarkan kualitas pembangunan manusia di suatu daerah secara menyeluruh, yaitu sebagai konsekuensi logis dari aktivitas pembangunan di daerah tersebut. Membangun sebuah model prediksi tingkat IPM sangat dibutuhkan untuk mengetahui faktorfaktor apa saja yang berpengaruh dominan dan dijadikan sasaran fokus pengembangan dan perbaikan di daerah untuk dapat meningkatkan IPM. Penelitian ini menerapkan Dynamic Bayesian Networks (DBN) untuk memprediksi dan memodelkan lima belas variabel yang mempengaruhi IPM. Struktur Dynamic Bayesian Networks dibangun dengan software CaMML lalu dievaluasi dengan mengukur tingkat akurasi. Skenario eksperimen pada penelitian ini dibagi menjadi 4 skenario, yaitu perbedaan proposi data latih, data uji serta kategori tingkat IPM. Eksperimen menggunakan 75% data latih dan 25% data uji pada prediksi tiga kategori tingkat IPM menghasilkan tingkat akurasi yang terbaik, yaitu sebesar 88,461%. Struktur graf Dynamic Bayesian Networks bisa menunjukkan adanya hubungan antar variabel. Struktur graf Dynamic Bayesian Networks yang terbangun bisa dijadikan model prediksi di mana dapat memberikan rekomendasi faktor utama apa yang perlu diperhatikan untuk meningkatkan kategori tingkat IPM di kabupaten/kota yang ada di provinsi Jawa Barat, yaitu faktor pendidikan, faktor kependudukan, dan faktor kesehatan. Kata kunci -IPM, keterkaitan variabel, prediksi, dynamic bayesian networksAbstract -Human Development Index (HDI) is an index describing the quality of human development in a region as a whole, which is a logical consequence of the development activities in the area. Building a predictive model of HDI level is needed to determine what factors are dominant and the subject of focused development and improvement in the area in order to improve the HDI. This study applies Dynamic Bayesian Networks (DBN) to predict and model the fifteen variables that affect the HDI level. Structural Dynamic Bayesian Networks built with software CaMML then evaluated by measuring the level of accuracy. Scenario experiments in this study were divided into four scenarios, the differences in the proportion of training data, test data and levels of HDI category. Experiments using 75% and 25% training data test data to the prediction of three-level category HDI produces the best accuracy rate, which amounted to 88.461%. Dynamic Bayesian Networks graph structure may indicate a relationship between variables. Dynamic Bayesian Networks graph structure that is built can be used as a predictive model which could provide recommendations what key factors need to be considered to improve the level of HDI category in the districts/cities in West Java province, namely educational factors, demographic factors, and health factors.

Prediksi Indeks Pembangunan Manusia Menggunakan Algoritma C4.5 di Kabupaten Kampar

“…Dwi Maumere Putra dan Vita Ratnasari melakukan prediksi IPM provinsi jawa timur menggunakan metode regresi logistik ridge dengan menggunakan tiga variabel, yaitu angka kematian bayi, angka buta huruf, dan angka partisipasi sekolah dengan metode backward elimination [4]. Sementara itu Betha juga melakukan penelitian untuk prediksi ipm jawa barat dengan menggunakan algoritma dynamic bayesian networks dan mengukur keterkaitan antar variable yang terlibat didalamnya [5].…”

Prediksi Produktivitas Tanaman Padi di Kabupaten Karawang Menggunakan Bayesian Networks

“…Data yang digunakan sebagian besar berupa numerik kontinu sehingga perlu dilakukan proses transformasi menjadi data kategori numerik. Peneliti menggunakan dua skenario untuk transformasi data yaitu, a) Skenario 1 : rata-rata sebagai batas, apabila nilai kurang dari rata-rata (mean) akan diberi angka 1 dan yang lebih dari rata-rata diberi angka 2 [8]. Setelah tahap pra-pemrosesan selesai, maka dilanjutkan tahap implementasi, yaitu menerapkan algoritma Bayesian Networks, yaitu melalui proses pembelajaran struktur dan pembelajaran parameter.…”

Determinan Indeks Pembangunan Manusia Di Kabupaten Lampung Tengah, Provinsi Lampung, Indonesia

“…Kedua, para peneliti yang memosisikan IPM sebagai variabel dependen. Sebagai variabel terikat, beberapa peneliti Indonesia menunjukkan bahwa IPM dipengaruhi PDRB dan tenaga kerja (Hariwan & Swaningrum, 2015), pengeluaran pemerintah di sektor infrastruktur (Putra, 2017), belanja modal (Mirza, 2015;Sandri, Putri, & Dwirandra, 2016), rata-rata lama sekolah dan pengeluaran per kapita (Arthayanti, Srinadi, & Gandhiadi, 2017), jumlah penduduk (Sari & Priati, 2016), krisis ekonomi (Setiawan & Hakim, 2008), pendidikan (Maulana & Ariwibowo, 2013), pertumbuhan ekonomi (Hasbullah, Fauzi, Fatimah, Yuniarti, & Syarifudin, 2013;Mirza, 2015), dana alokasi khusus (Saputra & Rizki, 2014), desentralisasi fiskal dan investasi swasta (Pramartha & Dwirandra, 2018), gini ratio, pengeluaran non makanan per kapita, dan laju pertumbuhan ekonomi (Rustariyuni, 2014), total aset pemerintah daerah (Mangkunegara, 2015), rasio derajat desentralisasi fiskal dan keserasian belanja langsung (Harliyani & Haryadi, 2016), pengeluaran pemerintah di sektor pendidikan dan kesehatan (Astri, Nikensari, & W., 2013). Tetapi, sebagian peneliti menyatakan bahwa pertumbuhan ekonomi (Dwiyandari & Badera, 2018), tingkat kemiskinan (Mirza, 2015), dan pengeluaran pemerintah untuk pendidikan dan pelayanan kesehatan, belanja modal tidak berdampak signifikan terhadap IPM (Mangkunegara, 2015;Putra, 2017 1,000 ** 1,000 ** 1,000 1,000 ** 1,000 ** ,000…”