PREDIKSI JUMLAH PENDUDUK MISKIN DENGAN METODE DOUBLE EXPONENTIAL SMOOTHING DAN MULTIPLE LINEAR REGRESSION

Jurnal Elektronik Nasional Teknologi dan Ilmu Komputer (JENTIK)

PREDIKSI JUMLAH PENDUDUK MISKIN DENGAN METODE DOUBLE EXPONENTIAL SMOOTHING DAN MULTIPLE LINEAR REGRESSION Putra Angga Nugraha1, Fatma Indriani2, Irwan Budiman3 1,2,3 Prodi Ilmu Komputer FMIPA ULM Jl. A. Yani Km 36 Banjarbaru, Kalimantan selatan Email: [email protected] Abstract Prediction is an activity in estimating what will happen in the future, or rather prediction is the activity of trying to guess the changes that will happen. The slow pace of information on the survey results of the poor makes researchers want to predict the number of poor people in the district / city of South Kalimantan province. With this forecasting, it helps to provide rapid information to the provincial government of South Kalimantan to reduce poverty rates in the province of South Kalimantan. The Double Exponential Smoothing (DES) method is a method used to predict the number of poor people based on data in the previous year, while the Multiple Linear Regression (MLR) method is used to predict the number of poor people based on the variables that influence it. This research was conducted to combine the two different methods, so that the comparative analysis was done. The mean absolute error result in the 2014 prediction obtained for the Double Exponential Smoothing method is 960,201 and the error obtained for the Multiple Linear Regression method is 1992,575. Thus the method with the smallest mean absolute error is the Double Exponential Smoothing method. Keywords: Double Exponential Smoothing (DES), Multiple Linier Regression (MLR). Abstrak Prediksi merupakan kegiatan dalam memperkirakan apa yang akan terjadi pada masa yang akan datang, atau lebih tepatnya prediksi adalah kegiatan mencoba menduga perubahan yang akan terjadi. Lambatnya informasi hasil survey penduduk miskin menjadikan peneliti ingin memprediksi jumlah penduduk miskin yang ada pada kabupaten/kota provinsi Kalimantan Selatan. Dengan adanya peramalan ini, membantu untuk memberikan informasi yang cepat kepada pemerintah provinsi Kalimantan Selatan agar menekan angka kemiskinan yang ada pada provinsi Kalimantan Selatan. Metode Double Exponential Smoothing (DES) merupakan metode yang digunakan untuk prediksi jumlah penduduk miskin berdasarkan data pada tahun sebelumnya, sedangkan metode Multiple Linear Regression (MLR) digunakan untuk prediksi jumlah penduduk miskin berdasarkan variabel yang mempengaruhinya. Penelitian ini dilakukan untuk mengkombinasi dua metode yang berbeda tersebut, sehingga dilakukan analisis perbandingan. Hasil mean absolute

Prediksi Jumlah Penduduk Miskin Dengan Metode DES dan MLR (Putra Angga Nugraha) | 102


error pada prediksi tahun 2014 yang didapat untuk metode Double Exponential Smoothing yaitu 960,201 dan hasil error yang didapat untuk metode Multiple Linear Regression adalah 1992,575. Dengan demikian metode yang memiliki mean absolute error terkecil adalah metode Double Exponential Smoothing. Kata kunci: Double Exponential Smoothing (DES), Multiple Linier Regression (MLR). 1. PENDAHULUAN Kementerian komunikasi dan informasi RI kemiskinan merupakan permasalahan utama yang harus dipecahkan. Penanggulangan kemiskinan secara sinergis dan sistematis harus dilakukan agar seluruh warganegara mampu menikmati kehidupan yang bermartabat. Oleh karena itu, sinergi seluruh pemangku kepentingan sangat diperlukan. Pada era Kabinet Indonesia Bersatu (KIB) I, pemerintah menetapkan penanggulangan kemiskinan sebagai salah satu prioritas pembangunan. Prioritas pada penanggulangan kemiskinan dilanjutkan oleh KIB II [6]. Badan Pusat Statistik melakukan penghitungan jumlah dan persentase penduduk miskin secara rutin setiap tahun. Data Dasar yang digunakan adalah Survei Sosial Ekonomi Nasional (SUSENAS) yang dilaksanakan setiap bulan Juli. Untuk mengukur kemiskinan, BPS menggunakan konsep kemampuan memenuhi kebutuhan dasar. Dengan pendekatan ini, kemiskinan dipandang sebagai ketidakmampuan dari sisi ekonomi untuk memenuhi kebutuhan dasar makanan dan bukan makanan yang diukur dari sisi pengeluaran [2]. Time Series adalah analisis untuk memahami masa lalu dan untuk memprediksi masa depan, memungkinkan manajer atau pembuat kebijakan untuk membuat keputusan yang benar. Sebuah analisis time series mengkuantifikasi fitur utama dalam data dan acak variasi [3]. Data mining dapat diartikan sebagai upaya untuk menggali informasi yang berharga dan berguna pada database yang sangat besar [4]. Prediksi jumlah penduduk miskin pada provinsi Kalimantan Selatan sangatlah berperan penting dalam memberantas kemiskinan yang ada pada provinsi Kalimantan Selatan. Prediksi ini dapat membantu dalam membuat sistem penanggulangan pertambahan jumlah penduduk miskin sehingga pemerintah dapat setempat dapat memangkas alur pertumbuhan penduduk miskin di masa yang akan datang. Pada saat ini prediksi jumlah penduduk miskin pada kabupaten/ kota Kalimantan Selatan tergolong lambat. Data yang ada pada Badan Pusat Statistik (BPS) saja hanya sampai tahun 2014. Oleh karena itu peneliti ingin memprediksi jumlah penduduk miskin menggunakan metode yang ada pada bidang ilmu komputer untuk mengetahui prediksi jumlah penduduk miskin sekaligus untuk mengetahui apakah metode yang ada pada bidang ilmu komputer cocok untuk prediksi jumlah penduduk miskin [7]. Berdasarkan penelitian Titania Dwi Anjani, peramalan stok barang pada UD Achmad Jaya menggunakan data stok bulan sebelumnya untuk prediksi stok barang yang akan datang menggunakan metode Double Exponential Smoothing [1] Pada penelitian Ali Fikri , memprediksi tingkat kekuatan beton menggunakan variabel yang mempengaruhi tingkat kekuatan beton tersebut menggunakan metode multiple linier regression [4]. Oleh karena itu pada penelitian ini metode Double Exponential Smoothing digunakan untuk prediksi jumlah penduduk miskin berdasarkan pada data sebelumnya, sedangkan metode Multiple Linier Regression



digunakan untuk prediksi jumlah penduduk miskin berdasarkan variabel yang mempengaruhinya. 2. METODOLOGI PENELITIAN Dalam penelitian ini metode yang digunakan adalah metode Knowledge Discovery Database (KDD). Berdasarkan buku Jiawei Han, Micheline Kamber dan Jian Pei, tahapan dalam metode ini yaitu Data cleaning, Data integration, Data Selection, Data transformation, Data mining, pattern evaluation dan knowledge presentation [5]. Data training yang digunakan untuk metode Double Exponential Smoothing adalah data jumlah penduduk miskin pada tahun 2007-2013, sedangkan data testing yang digunakan adalah data jumlah penduduk miskin kabupaten/kota provinsi Kalimantan Selatan pada tahun 2014. Data training yang digunakan adalah data jumlah penduduk suatu kabupaten, data nilai dari pengeluaran perkapita suatu kabupaten, data nilai dari angka melek huruf, data jumlah pengangguran,dan data angka harapan hidup pada tahun 2007-2013, sedangkan data testing yang digunakan adalah data yang sama tetapi data pada tahun 2014. 2.1 Penentuan Dataset Dataset yang digunakan pada penelitian ini adalah data jumlah penduduk miskin dan data jumlah penduduk suatu kabupaten, data nilai dari pengeluaran perkapita suatu kabupaten, data nilai dari angka melek huruf, data jumlah pengangguran,data angka harapan hidup kabupaten/kota provinsi Kalimantan Selatan. Data ini diperoleh dari Badan Pusat Statistik Kalimantan Selatan. 2.2 Data Cleaning Data cleaning adalah sebuah proses dalam metode KDD yang bertujuan untuk menghilangkan noise data yang tidak konsisten. Dalam tahap ini penulis akan memeriksa data yang digunakan apakah ada data yang hilang atau data yang bernilai nol. Karena data yang didapat tidak ada yg bernilai nol dan inkonsisten maka tahapan data cleaning tidak dilakukan karena data sudah siap untuk dipakai. 2.3 Data Integration Data Integration adalah proses dimana pengintegrasian antar data. Dalam tahap ini peneliti mengintegrasi data penduduk miskin pertahun dari tahun 2007 sampai 2013 untuk memprediksi jumlah penduduk miskin pada metode Double Exponential Smoothing seperti pada tabel 2. Sedangkan untuk memprediksikan menggunakan Multiple Linier Regression peneliti mengintegrasikan antara data jumlah penduduk, angka melek huruf, pengeluaran perkapita, jumlah pengangguran dan angka harapan hidup, seperti yang terdapat pada tabel 1 yaitu contoh integrasi pada kabupaten Tanah Laut. Pada metode multiple linear regression yang terdapat pada tabel 1 peneliti akan membandingkan antara data real jumlah penduduk miskin dengan data prediksi nya. Sehingga akan didapat selisih error yang ada pada suatu kabupaten/kota.



Tabel 1. Hasil Integrasi pada metode Multiple Linier Regression Tahun 2007 2008 2009 2010 2011 2012 2013

Jumlah Jumlah pengangguran penduduk 8072 6828 7992 7981 7962 6519 4589

265629 270091 274526 297814 303190 308510 313725

Pengeluaran Angka per kapita melek huruf 627,65 93,18 632,18 93,18 632,86 93,28 633,74 93,89 634,93 95,12 638,23 96,44 641,54 96,77

Angka Jumlah Harapan Penduduk Hidup Miskin 67,62 19828 67,9 16146 68,14 13856 68,39 15218 68,75 14698 69,11 14104 69,29 13654

Sumber : Analisis Perbandingan Metode Double Exponential Smoothing Dan Metode Multiple Linear Regression Untuk Prediksi Jumlah Penduduk Miskin . 2017

Tabel 2. Hasil Integrasi pada metode Double Exponential Smoothing Tahun 2007 2008 2009 2010 2011 2012 2013

Jumlah Penduduk Miskin 19828 16146 13856 15218 14698 14104 13654


Dari tabel 1 peneliti mengintegrasikan data jumlah penduduk, angka melek huruf, pengeluaran perkapita, jumlah pengangguran dan angka harapan hidup untuk proses pada metode Multiple Linier Regression. Pada tabel 2 peneliti mengintegrasikan antara jumlah penduduk miskin pada masing-masing tahun. Tabel 1 dan tabel 2 adalah hasil integrasi pada kabupaten Tanah Laut. 2.4 Data Selection Data selection merupakan sebuah tahap pengamatan dan pemilihan data yang lebih mendalam untuk mengetahui seperti apa bentuk data yang akan digunakan sebelum dimasukkan kedalam algoritma sehingga dapat meminimalisir kesalahan dalam algorima. Dalam tahap ini penulis memilih data data jumlah penduduk, angka melek huruf, pengeluaran perkapita, jumlah pengangguran dan angka harapan hidup yang menjadi variabel yang mempengaruhi jumlah penduduk miskin karena pada data tersebut tidak ada data yang noise dan dapat digunakan dalam penelitian. 2.5 Data Mining Pada tahap data mining peneliti melakukan dua tahap yaitu memprediksi menggunakan metode Double Exponential Smoothing dan metode Multiple Linear Regression. Pada penelitian ini prediksi Double Exponential Smoothing



menggunakan metode yang dikemukakan oleh Brown menggunakan persamaan berikut: S’t= αXt + (1-αp)S’t-1

...(1)

S’’t= αS’t + (1-αp)S’’t-1

...(2)

Persamaan berbeda dengan single exponential smoothing, X’t dapat dipakai untuk mencari Ft peramalan dilakukan dengan persamaan : Ft+m = αt+btm

...(3)

αt = 2S’t-S’’t

...(4) ...(5)

α

bt = 1−α (𝑆 ′ 𝑡 − 𝑆 ′′ 𝑡)

Pada tabel 3 adalah hasil dari prediksi menggunakan metode Double Exponential Smoothing. Tabel 3. Hasil prediksi menggunakan metode Double Exponential Smoothing Kabupaten Tanah Laut Kota Baru Banjar Barito Kuala Tapin Hulu Sungai Selatan Hulu Sungai Tengah Hulu Sungai Utara Tabalong Tanah Bumbu Balangan Kota Banjarmasin Kota Banjarbaru

Alpha Terbaik

Hasil Prediksi

Selisih Perhitungan

0,3 0,8 0,5 0,4 0,2 0,4

Jumlah penduduk miskin 14039 15050 15719 15318 6518 15233

12937 14356 14628 13744 7233 14167

1102 694 1091 1574 715 1066

0,3

14557

13451

1106

0,8 0,7 0,1 0,2 0,9 0,3

15623 14709 16563 7664 28537 9965

15103 14395 16156 7414 26315 11392

520 314 407 250 2222 1427


Dalam algoritma double exponential smoothing peneliti akan menggunakan rumus yang dikemukakan oleh Brown. Data yang digunakan adalah data jumlah penduduk miskin kabupaten Kalimantan Selatan. Dalam algoritma ini peneliti akan mencari alpha terbaik dan MAE terkecil yang dihasilkan dari peramalan seluruh kabupaten. Untuk memilih nilai alpha terbaik adalah dengan cara menghitung nilai alpha dari 0,1 sampai 0,9 kemudian dilihat nilai MAE terkecil diantara nilai alpha tersebut. Pada proses selanjutnya dilakukan proses prediksi menggunakan metode multiple linier regression. Pada metode multiple linier regression menggunakan 5 variabel yang mempengaruhi jumlah penduduk miskin. Pada penentuan prediksi menggunakan metode multiple linier regression menggunakan persamaan :



...(6)

Y= a +b1X1 + b2X2 + … + bnXn

dimana : - Y = variabel tak bebas/ variabel dependent (nilai yang diprediksi) - a, b1, b2, bn adalah koefisien regresi - X1, X2, …., Xn adalah variabel bebas Ketika terdapat 3 persamaan dengan 3 atau lebih variabel yang tidak diketahu nilainya, yaitu a, b1, b2, b3, …, bn, persamaan tersebut dapat dinyatakan dalam persamaan matriks sebagai berikut : 𝑁 ∑𝑋1 ∑𝑋2 ∑𝑋3 ∑𝑋1 ∑(𝑋1. 𝑋1) ∑(𝑋1. 𝑋2) ∑(𝑋1. 𝑋3) a=[ ] ∑𝑋2 ∑(𝑋2. 𝑋1) ∑(𝑋2. 𝑋2) ∑(𝑋2. 𝑋3) ∑𝑋3 ∑(𝑋3. 𝑋1) ∑(𝑋3. 𝑋2) ∑(𝑋3. 𝑋3)

...(7)

𝑎 𝑏1 b =[𝑏2] 𝑏3

...(8)

∑(𝑌) ∑(𝑋1. 𝑌) H=[ ] ∑(𝑋2. 𝑌) ∑(𝑋3. 𝑌)

...(9)

𝑁 ∑𝑋1 ∑𝑋2 ∑𝑋3 ∑(𝑋1. 𝑋1) ∑(𝑋1. 𝑋2) ∑(𝑋1. 𝑋3) ∑𝑋1 [ ] ∑𝑋2 ∑(𝑋2. 𝑋1) ∑(𝑋2. 𝑋2) ∑(𝑋2. 𝑋3) ∑𝑋3 ∑(𝑋3. 𝑋1) ∑(𝑋3. 𝑋2) ∑(𝑋3. 𝑋3)

𝑎 𝑏1 [𝑏2] = 𝑏3

∑(𝑌) ∑(𝑋1. 𝑌) [ ] ∑(𝑋2. 𝑌) ∑(𝑋3. 𝑌)

...(10)

Maka matriks A0, A1, A2 dan A3 : ∑(𝑌) ∑𝑋1 ∑𝑋2 ∑𝑋3 ∑(𝑋1. 𝑌) ∑(𝑋1. 𝑋1) ∑(𝑋1. 𝑋2) ∑(𝑋1. 𝑋3) A0 =[ ] ∑(𝑋2. 𝑌) ∑(𝑋2. 𝑋1) ∑(𝑋2. 𝑋2) ∑(𝑋2. 𝑋3) ∑(𝑋3. 𝑌) ∑(𝑋3. 𝑋1) ∑(𝑋3. 𝑋2) ∑(𝑋3. 𝑋3)

...(11)

𝑁 ∑𝑋1 A1= [ ∑𝑋2 ∑𝑋3

∑(𝑌) ∑𝑋2 ∑𝑋3 ∑(𝑋1. 𝑌) ∑(𝑋1. 𝑋2) ∑(𝑋1. 𝑋3) ] ∑(𝑋2. 𝑌) ∑(𝑋2. 𝑋2) ∑(𝑋2. 𝑋3) ∑(𝑋3. 𝑌) ∑(𝑋3. 𝑋2) ∑(𝑋3. 𝑋3)

...(12)

𝑁 ∑𝑋1 A3= [ ∑𝑋2 ∑𝑋3

∑𝑋1 ∑𝑋2 ∑(𝑌) ∑(𝑋1. 𝑋1) ∑(𝑋1. 𝑋2) ∑(𝑋1. 𝑌) ] ∑(𝑋2. 𝑋1) ∑(𝑋2. 𝑋2) ∑(𝑋2. 𝑌) ∑(𝑋3. 𝑋1) ∑(𝑋3. 𝑋2) ∑(𝑋3. 𝑌)

...(13)

Kemudian dapat dilakukan perhitungan untuk determinasi matriks A, A0, A1, A2 dan A3 sebagai berikut :



Det(A) = {N. ∑(X1.X1). ∑(X2.X2). ∑(X3.X3)}+{ ∑X1. ∑(X1.X2). ∑(X2.X3). ∑X3}+{∑X2.

∑(X1.X3). ∑X2. ∑(X3.X1)}+{ ∑X3. ∑X1. ∑(X2.X1). ∑(X3.X2)}-{ ∑X3. ∑(X1.X2). ∑(X2.X1). ∑X3}-{∑X2. ∑(X1.X1). ∑X2. ∑(X3.X3)}-{ ∑X1. ∑X1. ∑(X3.X3)}-{ N. ...(14)

∑(X1.X3). ∑(X2.X2). ∑(X3.X1)}

Dengan cara yang sama seperti menghitung Det(A), dapat diperoleh pula Det(A0), Det(A1), Det(A2) dan Det(A3). Kemudian dapat diperoleh nilai a, b1, b2, b3 sebagai berikut : a=

...(15)

𝐷𝑒𝑡 (𝐴0) 𝐷𝑒𝑡(𝐴)

b1 =


...(16)

b2 =


...(17)

b3 =


...(18)

b4 =


...(19)

b5 =


...(20)

Untuk menghitung mean absolute error dari kedua metode diatas digunakan persamaan sebagai berikut : MAE =

∑ │𝑋𝑡−𝐹│

...(21)

𝑛

dimana : - Xt = data sebenarnya - Ft = data ramalan - n = banyak data hasil ramalan Pada tabel 4 adalah hasil prediksi menggunakan metode multiple linier regression. Tabel 4. Hasil prediksi menggunakan metode Multiple Linier Regression Kabupaten Tanah Laut Kota Baru Banjar Barito Kuala Tapin Hulu Sungai Selatan Hulu Sungai Tengah Hulu Sungai Utara Tabalong

Jumlah penduduk miskin 14039 15050 15719 15318 6518 15233 14557 15623 14709

Hasil Prediksi MLR 11366.64 15021.71 20058,58 14700,78 8468,74 13137,16 12867,86 13477,39 14500,15

Selisih perhitungan 2672,356 28,29023 4339,583 617,2171 1950,74 2095,843 1689,137 2145,613 208,8544



Tabel 4 Lanjutan Hasil Prediksi menggunakan metode Multiple Linear Regression Kabupaten Jumlah penduduk Hasil Prediksi Selisih miskin MLR perhitungan Tanah Bumbu 16563 14777,15 1785,849 Balangan 7664 10900,6 3236,602 Kota Banjarmasin 28537 24830,33 3706,668 Kota Banjarbaru 9965 11391,73 1426,727 Sumber : Analisis Perbandingan Metode Double Exponential Smoothing Dan Metode Multiple Linear Regression Untuk Prediksi Jumlah Penduduk Miskin . 2017

Pada tabel 4 terdapat selisih dari data real dan Hasil perhitungan MAE padakabupaten Kalimantan Selatan pada tahun 2014. Hasil prediksi tersebut ternyata cukup mendekati dari data asli jumlah penduduk miskin kabupaten Kalimantan Selatan. Selisih prediksi yang paling besar terdapat pada kabupaten Banjar, sedangkan selisih prediksi yang paling kecil terdapat pada kabupaten Kotabaru yaitu sebesar 28,29023. 3. HASIL DAN PEMBAHASAN 3.1 Pattern Evaluation Pada tabel 5 adalah hasil dari perhitungan rata-rata mean absolute error yang dihitung dari kedua metode double exponential smoothing dan multiple linier regression, hasil perhitungan pada tabel 5 dilakukan dari hasil mean absolute error perkabupaten pada tiap tahun. Tabel 5 Hasil mean absolute error per tahun Tahun 2007 2008 2009 2010 2011 2012 2013 2014 Rata-rata

MAE Double Exponential Smoothing 0 4507,038 4087,615 1401,773 499,6086 234,8099 840,2472 960,2018 2238,056

MAE Multiple Linier Regression 4507,038 2514,278 1866,314 1568,6615 1587,177 1800,676 2067,731 1992,575 1353,576


Dapat dilihat pada tabel 5 perbandingan hasil mean absolute error antara metode multiple linier regression dan double exponential smoothing. Perbandingan tersebut menunjukkan penurunan error yang cukup dominan pada metode double exponential smoothing dan pada metode multiple linier regression penurunan error tidak tampak signifikan . Hal ini mungkin dipengaruhi oleh variabel X1,X2,X3,X4 dan X5 yang tidak akurat jika dibandingkan dengan varibel yang mempengaruhi pada metode double exponential smoothing yang lebih akurat. Penurunan atau kenaikan hasil error dipengaruhi oleh data yang didapat untuk melakukan prediksi. Secara



keseluruhan metode yang terbaik untuk prediksi jumlah penduduk miskin adalah metode double exponential smoothing. 3.2 Knowledge Presentasion Pada tabel 6 terdapat hasil dari perbandingan error pada tahun 2014 pada kabupaten Kalimantan Selatan. Hasil perbandingan pada tahun 2014 menghasilkan error terkecil terdapat pada metode double exponential smoothing. Hasil yang didapat untuk menentukan prediksi pada metode double exponential smoothing menggunakan data jumlah penduduk miskin pada tahun sebelumnya, sedangkan untuk metode multiple linear regression menggunakan 5 data yaitu jumlah penduduk, angka melek huruf, pengeluaran perkapita, jumlah pengangguran dan angka harapan hidup. Tabel 6 Hasil error pada tahun 2014 Kabupaten Tanah Laut Kota Baru Banjar Barito Kuala Tapin Hulu Sungai Selatan Hulu Sungai Tengah Hulu Sungai Utara Tabalong Tanah Bumbu Balangan Kota Banjarmasin Kota Banjarbaru Rata-rata

Error DES 1101,377 693,127 1090,218 1573,352 715,408 1065,284 1105,981 519,022 313,557 406,458 249,828 2221,086 1427,919 960,201

Error MLR 2672,35 28,290 4339,582 617,217 1950,739 2095,842 1689,137 2145,613 208,854 1785,848 3236,601 3706,667 1426,726 1992,575


Pada tabel 6 dapat dilihat hasil error rata-rata yang diperoleh dari masingmasing perhitungan adalah 1992,57 berbanding 960,201. Hasil perhitungan tersebut adalah hasil dari multiple linier regression dan double exponential smoothing. Hasil perhitungan error pada tabel 6 menunjukkan perbedaan yang cukup besar pada kabupaten Hulu Sungai Utara, hal ini membuktikan bahwa variabel sangat mempengaruhi pada perhitungan error untuk prediksi jumlah penduduk miskin. Variabel yang berupa tahun sebelumnya pada kabupaten Hulu Sungai Utara ternyata cukup mendekati dengan hasil sebelumnya. 4. SIMPULAN Prediksi penduduk miskin menggunakan metode double exponential smoothing tahun 2014 pada kabupaten Tanah Laut adalah 12937 untuk kabupaten Kota Baru adalah 14356, untuk kabupaten Banjar adalah 14628, untuk kabupaten Barito Kuala adalah 13744, untuk kabupaten Tapin adalah 7233, untuk kabupaten Hulu Sungai Selatan adalah 14167, untuk kabupaten Hulu Sungai Tengah adalah 13451, untuk



kabupaten Hulu Sungai Utara 15103, untuk kabupaten Tabalong, 14395, untuk kabupaten Tanah Bumbu adalah 16156, untuk kabupaten Balangan adalah 7414, untuk kota Banjarmasin adalah 26315, untuk kota Banjarbaru adalah 11392 . Prediksi penduduk miskin menggunakan metode multiple linier regression tahun 2014 pada kabupaten Tanah Laut adalah 11366 untuk kabupaten Kota Baru adalah 15021, untuk kabupaten Banjar adalah 15719, untuk kabupaten Barito Kuala adalah 14700, untuk kabupaten Tapin adalah 8468, untuk kabupaten Hulu Sungai Selatan adalah 13137, untuk kabupaten Hulu Sungai Tengah adalah 12867, untuk kabupaten Hulu Sungai Utara 13477, untuk kabupaten Tabalong adalah 14500 , untuk kabupaten Tanah Bumbu adalah 14777, untuk kabupaten Balangan adalah 10900, untuk kota Banjarmasin adalah 24830, untuk kota Banjarbaru adalah 11391. Hasil mean absolute error yang terkecil pada prediksi tahun 2014 diantara metode double exponential smoothing dan multiple linier regression adalah metode double exponential smoothing dengan hasil error 960,201. DAFTAR PUSTAKA [1] Andini, T. D. (2016). "Peramalan Jumlah Stok Alat Tulis Kantor di UD Achmad Jaya Menggunakan Metode Double Exponential Smoothing". 10(1). [2] Badan Pusat Statistik (BPS).2015. “Profil Kemiskinan Kalimantan Selatan”. Kota Banjarmasin. [3] Cowperwait, Paul S.P.2009. “Introductory Time Series with R (Use R)”.New York:Springer Science+Business Media. [4] Fikri, Ali. 2009. “Penerapan Data Mining Untuk Mengetahui Tingkat Kekuatan Beton yang Dihasilkan dengan Metode Estimasi Menggunakan Linear Regression”. Semarang: Universitas Dian Nuswantoro. [5] Han, Jiawei dan Kamber, Micheline. 2006. “Data mining: Concepts and Techniques Second Edition”. Elsevier. [6] Kementerian Komunikasi dan Informatika RI Direktorat Jenderal Informasi Dan Komunikasi Publik. 2011. “Program Penanggulangan Kemiskinan Kabinet Indonesia Bersatu II”. [7] Nugraha, P. A. 2017. “ Analisis Perbandingan Metode Double Exponential Smoothing dan Metode Multiple Linear Regression Untuk Prediksi Jumlah Penduduk Miskin (Studi Kasus : Kabupaten/Kota Provinsi Kalimantan Selatan)”. Banjarbaru: Universitas Lambung Mangkurat.


PREDIKSI JUMLAH PENDUDUK MISKIN DENGAN METODE DOUBLE EXPONENTIAL SMOOTHING DAN MULTIPLE LINEAR REGRESSION

Recommend Documents