Prediksi Indeks Keparahan Kemiskinan Kabupaten/Kota Di Provinsi Jawa Barat Menggunakan Algoritma Random Forest

Ririn Rusmayanti

doi:10.23960/jitet.v14i3.10699

Ririn Rusmayanti
Universitas Singaperbangsa Karawang

DOI: https://doi.org/10.23960/jitet.v14i3.10699

Keywords Indeks Keparahan Kemiskinan, Random Forest, CRISP-DM, Prediksi, Jawa Barat

Abstract Views (Last 12 Months)

7 Abstract Views

4 Downloads

Abstract

Abstrak. Kemiskinan merupakan masalah multidimensi yang tidak hanya diukur dari persentase penduduk miskin, tetapi juga ketimpangan pengeluaran di antara mereka, yang direpresentasikan oleh Indeks Keparahan Kemiskinan (P2). Penelitian ini bertujuan untuk memprediksi nilai P2 pada 27 kabupaten/kota di Provinsi Jawa Barat menggunakan algoritma Random Forest. Data yang digunakan merupakan data sekunder dari BPS Provinsi Jawa Barat periode 2015–2025 dengan 297 observasi. Tujuh variabel prediktor sosial ekonomi digunakan, termasuk persentase penduduk miskin dan PDRB. Metodologi yang digunakan adalah CRISP-DM. Proses pemodelan melibatkan hyperparameter tuning menggunakan GridSearchCV. Model terbaik (RF_Tuning_n500_depth5_feat7_split2_leaf6) menghasilkan nilai Mean Absolute Error (MAE) sebesar 0,0690, Root Mean Squared Error (RMSE) sebesar 0,0918, dan Koefisien Determinasi (R²) sebesar 0,6542. Analisis feature importance menunjukkan bahwa persentase penduduk miskin memberikan kontribusi terbesar (85,05%) terhadap model. Hasil penelitian menunjukkan bahwa algoritma Random Forest terbukti efektif dalam memprediksi tingkat keparahan kemiskinan

Downloads

Download data is not yet available.

References

P. Indah, S. I. Retno, G. Tian, D. Ari, A. Dwi, And H. M. Al, “Analisis Pengaruh Tingkat Pengangguran Terbuka Dan Indeks Pembangunan Manusia Terhadap Kemiskinan Di Provinsi Jawa Tengah,” J. Saintika Unpam J. Sains Dan Mat. Unpam, Vol. 3, No. 1, Pp. 81–88, 2020.

Bps, “Profil Kemiskinan Di Jawa Barat Maret 2025,” 2025. [Online]. Available: Https://Jabar.Bps.Go.Id [Accessed: July. 20, 2026]

D. Septiadi And M. Nursan, “Pengentasan Kemiskinan Indonesia: Analisis Indikator Makroekonomi Dan Kebijakan Pertanian,” J. Hexagro, Vol. 4, No. 1, Pp. 1–14, 2020, Doi: 10.36423/Hexagro.V4i1.371.

L. Breiman, “Random Forests,” 2001 Kluwer Acad. Publ. Manuf. Netherlands., Vol. 12343 Lncs, Pp. 5–32, 2001, Doi: 10.1007/978-3-030-62008-0_35.

M. F. M. Khalik And F. Arifin, “Klasifikasi Indeks Kedalaman Kemiskinan Provinsi Sulawesi Selatan Berbasis Decision Tree, K-Nearest Neighbor, Naive Bayes, Neural Network, Dan Random Forest,” J. Edukasi Dan Penelit. Inform., Vol. 9, No. 2, P. 282, 2023, Doi: 10.26418/Jp.V9i2.67492.

A. Heryati And T. Setiawan Saputra, “Optimizing Socioeconomic Features For Poverty Prediction In South Sumatera,” Tiers Inf. Technol. J., Vol. 6, No. 1, Pp. 16–32, 2025.

N. Valentika, K. A. Notodiputro, And B. Sartono, “Performance Study Of Prediction Intervals With Random Forest For Poverty Data Analysis,” J. Apl. Stat. Komputasi Stat., Vol. 16, No. 1, Pp. 80–88, 2024, Doi: 10.34123/Jurnalasks.V16i1.542.

S. Sobari, A. I. Purnamasari, A. Bahtiar, And K. Kaslani, “Meningkatkan Model Prediksi Kelulusan Santri Tahfidz Di Pondok Pesantren Al-Kautsar Menggunakan Algoritma Random Forest,” J. Inform. Dan Tek. Elektro Terap., Vol. 13, No. 1, 2025, Doi: 10.23960/Jitet.V13i1.5704.

M. F. Y. Herjanto And Carudin, “Analisis Sentimen Ulasan Pengguna Aplikasi Sirekap Pada Play Store Menggunakan Algoritma Random Forest Classifer,” Vol. 12, No. 2, Pp. 1204–1210, 2024.

J. Foster, T. George, J. Greer, And S. Spring, “The Foster-Greer-Thorbecke Poverty Measures : Twenty Five Years Later By,” Pp. 1–36.

E. A. F. Elmuna, T. Chamidy, And F. Nugroho, “Optimization Of The Random Forest Method Using Principal Component Analysis To Predict House Prices,” Int. J. Adv. Data Inf. Syst., Vol. 4, No. 2, Pp. 155–166, 2023, Doi: 10.25008/Ijadis.V4i2.1290.

D. N. Handayani And S. Qutub, “Penerapan Random Forest Untuk Prediksi Dan Analisis Kemiskinan,” Riggs J. Artif. Intell. Digit. Bus., Vol. 4, No. 2, Pp. 405–412, 2025, Doi: 10.31004/Riggs.V4i2.512.

C. A. Mushagalusa, A. B. Fandohan, And R. Glèlè Kakaï, “Random Forests In Count Data Modelling: An Analysis Of The Influence Of Data Features And Overdispersion On Regression Performance,” J. Probab. Stat., Vol. 2022, Pp. 1–21, 2022, Doi: 10.1155/2022/2833537.

S. Han, B. D. Williamson, And Y. Fong, “Improving Random Forest Predictions In Small Datasets From Two-Phase Sampling Designs,” Bmc Med. Inform. Decis. Mak., Vol. 21, No. 1, Pp. 1–9, 2021, Doi: 10.1186/S12911-021-01688-3.

Vibhu Verma, “A Comprehensive Framework For Residual Analysis In Regression And Machine Learning,” J. Inf. Syst. Eng. Manag., Vol. 10, No. 31s, Pp. 34–46, 2025, Doi: 10.52783/Jisem.V10i31s.4958.