Implementasi Data Mining Dalam Prediksi Presentase Penduduk Miskin Jawa Tengah Dengan Metode Regresi Linear

Abstract

Abstract

Poverty is still a crucial problem that affects the quality of life of the community, including in Central Java Province which has diverse socio-economic conditions. This study aims to predict the percentage of poor people in Central Java in 2024 using a linear regression method based on data mining through the RapidMiner application. The data used is secondary data from the Central Statistics Agency (BPS) of Central Java which includes the variables of Adjusted Per Capita Income (PP), Human Development Index (HDI), Poverty Depth Index (P1), and Poverty Severity Index (P2). The research process includes the stages of data selection, pre-processing, transformation, model development, and evaluation. The results of the analysis showed that the HDI, P1, and P2 variables had a significant influence on the percentage of the poor population. The regression model obtained was Y = 7.198 – 0.069X2 + 8.861X3 – 15.423X4. Evaluation using Root Mean Square Error (RMSE) yielded a value of 1.125, indicating that the model had a low error rate and was able to produce estimates that were close to actual data. This research is expected to support the formulation of poverty alleviation policies and enrich studies related to the use of data mining in socio-economic analysis.

Keywords:  poverty, prediction, linear regression, rapidminer

Abstrak

Kemiskinan masih menjadi permasalahan krusial yang memengaruhi kualitas hidup masyarakat, termasuk di Provinsi Jawa Tengah yang memiliki kondisi sosial-ekonomi beragam. Penelitian ini bertujuan untuk memprediksi persentase penduduk miskin Jawa Tengah tahun 2024 menggunakan metode regresi linear berbasis data mining melalui aplikasi RapidMiner. Data yang digunakan merupakan data sekunder dari Badan Pusat Statistik (BPS) Jawa Tengah yang mencakup variabel Pendapatan Per Kapita Disesuaikan (PP), Indeks Pembangunan Manusia (IPM), Indeks Kedalaman Kemiskinan (P1), dan Indeks Keparahan Kemiskinan (P2). Proses penelitian meliputi tahap seleksi data, pra-pemrosesan, transformasi, pembangunan model, serta evaluasi. Hasil analisis menunjukkan bahwa variabel IPM, P1, dan P2 memberikan pengaruh signifikan terhadap persentase penduduk miskin. Model regresi yang diperoleh adalah Y = 7.198 – 0.069X2 + 8.861X3 – 15.423X4. Evaluasi menggunakan Root Mean Square Error (RMSE) menghasilkan nilai 1.125, yang mengindikasikan bahwa model memiliki tingkat error yang rendah dan mampu menghasilkan estimasi yang mendekati data aktual. Penelitian ini diharapkan dapat mendukung perumusan kebijakan pengentasan kemiskinan serta memperkaya kajian terkait pemanfaatan data mining dalam analisis sosial-ekonomi.

Kata kunci : kemiskinan, prediksi, regresi linier, rapidminer