Aplikasi Untuk Memprediksi Kemiskinan Berbasis Data E-commerce Menggunakan Algoritma Logistic Regression Dan Sparse Learning Based Feature Selection

Abstract

Abstrak Kemiskinan adalah keadaan dimana terdapat ketidakmampuan untuk memenuhi suatu kebutuhan serta keperluan mulai dari kebutuhan makan, pakaian, tempat tinggal, pendidikan, kesehatan serta yang lainnya, suatu tingkat kemiskinan dapat diukur oleh BPS. Secara konsep, untuk mengukur tingkat kemiskinan yaitu dengan cara perhitungan kemampuan seseorang untuk memenuhi kebutuhan dasar atau basic needs approach yang diukur dari sisi pengeluaran oleh BPS. Metode lain untuk melengkapi hasil survei dan sensus yang diusulkan peneliti untuk memprediksi kemiskinan adalah dengan mengunakan machine learning logistic regression dengan metode sparse learning based feature selection baerbasis data e-commerce. Dari hasil percobaan ini, menghasilkan nilai yang cukup relevan antara nilai prediksi jumlah fitur dengan nilai asli, tetapi sejumlah kecil fitur tidak selalu menunjukkan hasil yang buruk dan sebaliknya, di mana penggunaan yang besar jumlah fitur tidak selalu mendapatkan hasil yang baik. Kata Kunci: Kemiskinan, BPS, machine learning logistic regression , sparse learning based feature selection, data e-commerce. Abstract Poverty is a condition where there is an inability to meet a need and needs ranging from food, clothing, shelter, education, health and other needs, a poverty level can be measured by BPS. Conceptually, to measure poverty, that is by calculating a person's ability to meet basic needs or basic needs approach, which is measured in terms of expenditure by BPS. Another method to supplement survey and census results proposed by researchers to predict poverty is to use machine learning logistic regression with sparse learning based features selection methods based on e- commerce data. From the results of these experiments, produce a value that is quite relevant between the predicted value of the number of features with the original value, but the small number of features does not always show poor results and vice versa, where the use of a large number of features does not always get good results. Keywords: Poverty, BPS, machine learning logistic regression, sparse learning based on feature selection, e-commerce data.