Prediksi Tingkat Kemiskinan Provinsi Gorontalo Menggunakan Metode Gabungan K-Means dan Generalized Regression Neural Network

Abstract

Penurunan tingkat kemiskinan menjadi hal penting dan menjadi fokus utama pemerintah Provinsi Gorontalo, karena merupakan salah satu daerah termiskin di Indonesia. Provinsi Gorontalo memiliki data persentasi penduduk miskin yang bersifat non linear. Salah satu aspek penting untuk mendukung strategi penanggulangan kemiskinan adalah tersedianya data kemiskinan yang akurat dan tepat sasaran. Sistem pengukuran yang diusulkan dalam penelitian ini menggunakan metode yang sangat cocok untuk data non linear. Generalized Regression Neural Network (GRNN) merupakan metode prediksi probabilistic neural network yang bersifat stabil dan cocok diterapkan pada data kemiskinan penduduk yang memiliki karakteristik yang beragam dan bersifat non linear. Peningkatan penggunaan jumlah data latih pada GRNN dapatmengakibatkan masalah overfitting sehingga berdampak pada penurunan performa hasil Prediksi. Dalam mengatasi hal tersebut, penelitian ini menggunakan metode K-Means dalam proses pemilihan data latih yang sesuai sehingga akan menghasilkan struktur jaringan yang lebih efisien atau model  GRNN dengan kinerja performa yang bagus. Uji coba dilakukan  dengan  membandingkan model  prediksi GRNN dengan model prediksi K-Means dan GRNN yang menggunakan data tingkat kemiskinan pada tahun 2016. Hasil uji coba menunjukkan bahwa besarnya nilai MAPE dari hasil uji coba prediksi tingkat kemiskinan pada tahun 2016 menghasilkan nilai MAPE sebesar 2.3%, sedangkan prediksi tingkat kemiskinan menggunakan metode GRNN saja memiliki nilai MAPE sebesar 2.9%.

Kata Kunci  : prediksi, tingkat kemiskinan, GRNN, K-Means