PENDEKATAN MACHINE LEARNING UNTUK ANALISIS KEMISKINAN EKSTREM DALAM PERENCANAAN  DAERAH PERBATASAN RI - RDTL

Rya Wardani; Budiman Baso

doi:10.64626/jmbo.v5i1.742

Penulis

Rya Wardani BAPPERIDA Kabupaten Timor Tengah Utara
Budiman Baso Universitas Timor

DOI:

https://doi.org/10.64626/jmbo.v5i1.742

Kata Kunci:

Kemiskinan Ekstrem, K-Nearest Neighbors, SHapley Additive exPlanations, Ekonomi, Perencanaan Daerah

Abstrak

Penelitian ini bertujuan untuk memetakan faktor kunci penyebab kemiskinan ekstrem dan membangun model prediksi berbasis kecerdasan buatan (machine learning) di Kabupaten Timor Tengah Utara. Menggunakan data Pensasaran Percepatan Penghapusan Kemiskinan Ekstrem (P3KE), penelitian ini dirancang untuk membantu pemerintah daerah dalam menyusun perencanaan pembangunan yang presisi di wilayah perbatasan Indonesia–Timor Leste. Data awal terlebih dahulu dibersihkan dan diselaraskan agar siap diolah secara statistik. Pengujian model dilakukan secara berulang untuk memastikan keakuratannya, sementara analisis kontribusi variabel dilakukan menggunakan metode interpretasi khusus (SHAP) untuk melihat sejauh mana tiap indikator berpengaruh terhadap status kemiskinan. Hasil analisis menunjukkan model prediksi mencapai tingkat akurasi sebesar 70,73%. Faktor-faktor sosial-ekonomi yang paling dominan memengaruhi kemiskinan ekstrem meliputi Risiko Stunting, Akses Listrik/Penerangan, Kepemilikan Aset Simpanan (Tabungan/Ternak), Mata Pencaharian Kepala Keluarga, Kualitas Dinding Rumah, Status Kepemilikan Rumah, Sumber Air Bersih, dan Kualitas Lantai Rumah. Hasil ini membuktikan bahwa pemanfaatan data digital dan analitik modern dapat menghasilkan basis data yang objektif untuk mendukung kebijakan penanggulangan kemiskinan berbasis bukti (evidence-based policy) yang lebih efektif dan tepat sasaran.

Referensi

(2025). Comparative Analysis of Random Forest and XGBoost Models for Cervical Cancer Risk Prediction using SHAP-based Explainable AI. 9(6), 3198–3211.

Baso, B. (2026). Komparasi Performa Algoritma K-Nearest Neighbor Dan Support Vector Machine Untuk Klasifikasi Citra Tekstur Tenun. 5(2), 356–368.

Baso, B., & Risald. (2023). Perbandingan distance space pada k-nearest neighbors dalam klasifikasi citra biji kopi timor berdasarkan ekstraksi fitur gray level co-occurrence matrix. 6, 491–498. https://doi.org/10.37600/tekinkom.v6i2.727

Cipta, H. (2025). Integrasi Data Kemiskinan Menuju Cilegon Sejahtera. 9(1), 61–76. https://doi.org/10.56945/jkpd.v9i1.367

Faujan, L. O., & Agustina, N. (2024). Analisis Faktor-Faktor yang Memengaruhi Status Kemiskinan Ekstrem Rumah Tangga di Provinsi Maluku Tahun 2021. 2021, 343–352.

Fauziah, Tiro, M. A., & Ruliana. (2022). Comparison of k-Nearest Neighbor ( k-NN ) and Support Vector Machine ( SVM ) Methods for Classification of Poverty Data in Papua. 2(2), 83–91.

Herawati, T., Saksono, M. S., Silitonga, F., Sopiin, F, L., & R, M. A. N. (2024). Pengelolaan Perbatasan Kabupaten Timor Tengah Dan Utara Pasca Lepasnya Timor-Timur Dari Indonesia Dalam Mendukung Kedaulatan NKRI. 11(2), 130–146.

Isnanto, B., & Sulaiman, R. (2026). Optimalisasi Pembangunan Desa: Prediksi Kebutuhan Intervensi Ekonomi di Jawa Barat Menggunakan Algoritma Machine Learning. 12(April), 80–86.

Juanuari, Manzis, I., Musyaffa, A., Ngara, S. M., Syahla, H., & Putra, J. L. (2026). Implementasi K-Nearest Neighbor Untuk Klasifikasi Tingkat Kemiskinan Sebagai Pendukung Pengambilan Keputusan Sosial Di Indonesia. 28, 1–10. https://doi.org/10.23969/infomatek.v28i1.26866

Meylano, N. H., Fatmawati, M., Barbara, M. G., Elisabeth, L., Verni, N., Muda, O. L., Infoni, M. Y., Dhi, T., & Ndare, K. S. (2025). Analisis Faktor-Faktor Yang Mempengaruhi Kemiskinan Ekstrim Di Desa Darat Pantai. 96–101.

Muliani, S., Negara, B. S., Irsyad, M., & Iskandar, I. (2025). Application of Shapley Additive Explanations ( SHAP ) in Deep Learning for Lung Disease Detection Using X-ray Images. 5(2), 709–719. https://doi.org/10.30811/jaise.v5i2.7044

Rachmatsyah, A. D., Amir, A., Kodri, A., & Wijaya, B. (2026). Analisis Komparatif Decision Tree , K-Nearest Neighbor , Support Vector Machine , dan Random Forest untuk Prediksi Objek Berbasis Fitur Numerik. 14(1).

Raihan, N. A., & Shiroth, S. F. (2026). Analisis Faktor Kinerja Penjualan Harian UMKM Menggunakan Metode Feature Engineering dan XAI Berbasis Gradient Boosting Regressor. 6(2), 693–703. https://doi.org/10.47065/bulletincsr.v6i2.1005

Rizki, C. A., Khodijah, S., & Hasanuddin, M. (2026). Peran Kecerdasan Buatan dalam Meningkatkan Efisiensi Pemrosesan Data. 1(2), 49–55.

Sarwanti, R. T., & Umaidah, Y. (2025). Perbandingan Convolutional Neural Network Dan Algoritma Machine Learning Konvensional Untuk Klasifikasi Kemiskinan Multidimensional Di Indonesia. 9(2), 275–281.

Talasari, R. A. D., Wahyuni, A., Diva, C., & Rajab, M. N. A. (2026). Fitur Penting dan Explainable AI dalam Deteksi Penyakit Jantung berbasis Machine Learning Feature Selection and Explainable AI for Heart Disease Detection using Machine Learning. 15, 2328–2341.

Utiarahman, S. A., Dalai, H., & Sabudi, A. S. (2025). Jurnal Teknologi dan Manajemen Informatika Optimasi K-Nearest Neighbor Dengan Particle Swarm Optimization Pada Klasifikasi Pelanggan Listrik Rumah Tangga Bersubsidi. 11(1), 1–13.