Prediksi Indeks Pembangunan Manusia (ipm) Berdasarkan Jumlah Pengguna Internet, Produk Domestik Regional Bruto (pdrb), Jumlah Pekerja, Jumlah Penduduk Miskin Dan Populasi Penduduk Pada Tahun 2010
Abstract
Indeks Pembangunan Manusia adalah mengukur capaian pembangunan manusia berbasis sejumlah komponen dasar kualitas hidup. Penyediaan data IPM ditujukan sebagai alat perencanaan dan evaluasi kebijakan pemerintah sedangkan indikator IPM menggambarkan keberhasilan target pembangunan pemerintah. Sehingga dapat dikatakan, data IPM menjadi data yang dapat digunakan dalam membuat kebijakan oleh pemerintah. Namun menurut Idris [1], Menteri Perdagangan (Mendag), Thomas Trikasih Lembong menyebut, validitas data masih menjadi persoalan klasik yang menghambat dalam membuat kebijakan, sejumlah instansi pemerintah pun memiliki data yang berbeda sehingga menciptakan kebingungan antar kementerian dalam membuat kebijakan. Tujuan dari penelitian ini yaitu untuk mengetahui skenario model klasifikasi Indeks Pembangunan Manusia berdasarkan data Jumlah Pengguna Internet, PDRB, Jumlah Pekerja, Jumlah Penduduk Miskin dan Populasi Penduduk pada tahun 2010 menggunakan metode decision tree dan artificial neural network serta untuk mengetahui tingkat akurasi prediksi Indeks Pembangunan Manusia menggunakan metode decision tree dan artificial neural network. Variabel pada penelitian ini adalah jumlah pengguna internet, Produk Domestik Regional Bruto (PDRB), jumlah pekerja, jumlah penduduk miskin dan populasi penduduk pada tahun 2010. Teknik analisis yang digunakan adalah teknik klasifikasi dengan membandingkan metode Decision Tree Classification (Pohon Keputusan) dan Artificial Neural Network (ANN). Kata Kunci: Artificial Neural Network; Back Propagation; CART; Data Mining; Decision Tree; IPM.References
Idris, Muhammad. (2016). Mendag Sebut Banyak Kebijakan Gagal Akibat Data Berantakan. [Online]. http://finance.detik.com/read/2016/01/27/134707/3128357/4/mendag-sebut-banyak-kebijakan-gagal-akibatdata-berantakan [Diakses 24 Maret 2016]
Pratama, Ahmad Raf'ie dan Al-Shaik, Moneer. (2012). Relation and Growth of Internet Penetration Rate with Human Development Level from 2000 to 2010 (Volume 2012). Jurnal pada Communications of the IBIMA.
Sujana, Aprianti Putri. (2013). Memanfaatkan Big Data untuk Mendeteksi Emosi – Jurnal Teknik Komputer Unikom, 2 (2), 1-4. Retrieved from Academia.
Sathi, Arvind. (2012). Big Data Analytics: Disruptive Technologies for Changing the Game. Boise: MC Press.
Han et al. (2012). Data Mining Concepts and Techniques Third Edition. Waltham: Elsevier.
Larose, Daniel T., dan Larose, Chantal D. (2014). Discovering Knowledge in Data: An Introduction to Data Mining Second Edition. New Jersey: John Wiley & Sons Inc.
Mujiasih, Subekti. (2011). Pemanfaatan Data Mining untuk Prakiraan Cuaca - Jurnal Meteorologi dan Geofisika, 12(2), 189-195. Retrieved from Badan Meteorologi, Klimatologi, dan Geofisika Pusat Penelitian dan Pengembangan.
Gibert et al. (2010). Choosing the Right Data Mining Technique: Classification of Methods and Intelligent Recommendation – International Congress on Environmental Modelling and Software Modelling for Environment’s Sake, 1-9. Retrieved from http://www.iemss.org/.
Bharathi, A., & Deepankumar, E. (2014). Survey on Classification Techniques in Data Mining -International Journal of Recent and Innovation Trends in Computing and Communication (IJRITCC), 2(7), 1983-1986. Retrieved from http://www.ijritcc.org.
Timofeev, Roman. (2004). Clasification and Regresion Trees (CART) Teory and Applications. Tesis pda Humboldt University: tidak diterbitkan.
Suyanto. (2007). Artificial Intelligence: Searching, Reasoning, Planning, dan Learning. Bandung: Informatika Bandung.
Iskandar. (2008). Metodologi Penelitian Pendidikan dan Sosial (Kuantitatif dan Kualitatif). Jakarta: Gaung Persada Press
