Identifikasi Keterkaitan Variabel dan Prediksi Indeks Pembangunan Manusia (IPM) Provinsi Jawa Barat Menggunakan Dynamic Bayesian Networks
Main Article Content
Abstract
Indeks Pembangunan Manusia (IPM) merupakan gambaran komprehensif mengenai tingkat pencapaian pembangunan manusia di suatu daerah, sebagai dampak dari kegiatan pembangunan yang dilakukan di daerah tersebut. Membangun sebuah model prediksi tingkat IPM sangat dibutuhkan untuk mengetahui faktor-faktor apa saja yang berpengaruh dominan dan dijadikan sasaran fokus pengembangan dan perbaikan di daerah untuk dapat meningkatkan IPM. Penelitian ini menggunakan metode Dynamic Bayesian Networks untuk prediksi dan pemodelan suatu sistem yang dilengkapi dengan visualisasi berupa graf. Pada penelitian ini software CaMML versi 1.4.1 digunakan untuk membangun struktur graf Dynamic Bayesian Networks dan package Netica J-API yang berbasis Java untuk memvisualisasikan serta evaluasi graf. Evaluasi dilakukan dengan mengukur nilai akurasi dengan membentuk matriks konfusi. Eksperimen menggunakan 75% data latih dan 25% data uji pada prediksi tiga kategori tingkat IPM menunjukkan hasil yang terbaik, yaitu dapat memprediksi dengan akurasi sebesar 88,461%. Identifikasi keterkaitan variabel diketahui dengan memperhatikan struktur graf Dynamic Bayesian Networks. Struktur graf Dynamic Bayesian Networks yang terbangun bisa dijadikan model prediksi di mana dapat memberikan rekomendasi faktor utama apa yang perlu diperhatikan untuk meningkatkan kategori tingkat IPM di kab/kota yang ada di provinsi Jawa Barat, yaitu faktor pendidikan, faktor kependudukan, dan faktor kesehatan.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work
References
[2] Irawan, Muhammad Ilham. Analisis Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Manusia (IPM) di Indonesia.Medan : Universitas Sumatera Utara, 2009.
[3] Melliana, Ayunanda dan Ismaini Zain. Analisis Statistika Faktor yang Mempengaruhi Indeks Pembangunan Manusia di Kabupaten/Kota Provinsi Jawa Timur dengan Menggunakan Regresi Panel.2013.
[4] Widiartha, Komang Kurniawan dan Azhari SN. Rancang Bangun Sistem Fuzzy Takagi Sugeno untuk Prediksi IPM dan Rekomendasi Anggara APBD. Yogyakarta : Universitas Gajah Mada, 2014.
[5] Nur, Citra Fatimah dan Purhadi .Pemodelan IPM Provinsi Jawa Timur, Jawa Tengah, Jawa Barat Dan Sumatera Utara dengan Metode Regresi Logistik Ordinal. Surabaya : Institut Teknologi Sepuluh Nopember, 2015.
[6] Haq, Endi Sailul dan Farisqi Panduardi. 2015. Decision Tree C 4.5, Naive Bayes, Dan Backpropagation Pada Indeks Pembangunan Manusia Di Kabupaten Banyuwangi. Seminar Nasional Teknologi Informasi dan Multimedia 2015 : 43 - 48
[7] Aminian, Minoo, et all. Predicting Mycobacterium tuberculosis Complex Clades Using Knowledge-Based Bayesian Networks. BioMed Research International, 2014.
[8] Sandri, Micol, et all. Dynamic Bayesian Networks to predict sequences of organ failures in patients admitted to ICU. Elsivier. 2014 : 48
[9] Black,Alex, Kevin Korb, Ann E. Nicholson. Learning Dynamic Bayesian Networks: Algorithms and Issues. ABNMS, 2013.
[10] Larranaga, Pedro, et all. A review on evolutionary algorithms in Bayesian networks learning and inference tasks. Elsivier,2013.
[11] Korb, K.B., Nicholson, A.E. Bayesian Artificial Intelligence, 2nd edn. Chapman & Hall/CRC, Boca Raton, 2011.