coba template

.center[

#KLASIFIKASI SIKAP OPTIMISME MASYARAKAT INDONESIA
#MENGGUNAKAN METODE DECISION TREE

##oleh 
##Syaifullah Yusuf Ramadhan
]

---
class: inverse, center, middle, animated, slideInRight
# Pengantar

---
class: animated, zoomIn
## Tentang PKL

Praktik Kerja Lapangan dilaksanakan pada tanggal 26 Agustus 2020 - 26 Desember 2020. PKL bertempat di Laboratorium Riset Pendidikan Sosiologi, Fakultas Ilmu Sosial, Universitas Negeri Yogyakarta.

Desain Praktik kerja Lapangan yang telah dilaksanakan oleh mahasiswa berupa membantu penelitian kerjasama antara Ketua Laboratorium dengan Universitas Terbuka. Praktik kerja lapangan ini tidak memiliki jadwal tetap di setiap pertemuan. Pertemuan dilaksanakan kondisional mengikuti kebutuhan dan perkembangan penelitian.

---
class: animated, bounceInDown
## Kesejahteraan Subjektif

- Studi kesejahteraan subjektif telah menarik akademisi dan pembuat kebijakan dalam beberapa tahun terakhir (Clarks, 2018; Adler, 2016)
- Peningkatan luar biasa dalam publikasi akademis tentang kebahagiaan dan kesejahteraan subjektif sejak awal 2000-an (MacKerron, 2012)
- Tujuan didirikannya Negara Indonesia untuk memajukann kesejahteraan umum seperti yang tertera pada pembukaan UUD NKRI 1945 alinea ke-4
- Data kesejahteraan subjektif di tingkat individu dan negara dapat memberikan informasi yang berguna bagi pembuat kebijakan dan pemerintah

---
class: animated, lightSpeedIn
## Kesejahteraan Subjektif di Indonesia

- Data kesejahteraan individu SPTK 2014 2017
- Penelitian tentang kesejahteraan subjektif belum banyak dilakukan
- Penelitian tentang optimisme di Indonesia kerap kali dilakukan dalam lingkup kecil (Qori’ah and Ningsih, 2020;
Wulandari et al., 2020)

---
class: animated, zoomInUp

## Klasifikasi

Salah satu metode klasifikasi yang sering digunakan adalah metode decision tree. Decision tree sering kali digunakan dalam penelitian sosial terkait sikap optimis (Azouzi and Jarboui, 2018; Lagisz et al., 2020; Luban, 2015)

Oleh karena itu, pada penelitian ini akan mengklasifikasikan sikap optimis masyarakat Indonesia menggunakan Decision Tree.
---
class: animated, fadeIn
## Rumusan Masalah

- Bagaimana optimisme masyarakat Indonesia ditiap provinsi?
- Bagaimana karakteristik sikap optimis masyarakat Indonesia berdasarkan hasil klasifikasi dengan decision tree berdasarkan data SPTK 2017?

---
class: inverse, center, middle, animated, lightSpeedIn
## Data dan Metode

---
class: animated, rollIn

## Data dan Variabel

Data yang digunakan dalam penelitian ini berupa data sekunder yang diperoleh dari BPS RI yaitu hasil Survei Pengukuran Tingkat Kebahagiaan tahun 2017.

Variabel yang digunakan yaitu domain kepuasan terhadap pendidikan, pekerjaan, pendapatan, kesehatan, keluarga, waktu luang, hubungan sosial, keamanan, lingkungan, rumah, skor kebahagiaan, dan skor sikap optimis.

Variabel respon yang digunakan adalah sikap optimis, dengan mengubah skor skala 0-10 menjadi kategori optimis dan tidak optimis.

---
class: animated, tada
## Metode yang digunakan

- Synthetic Minority Over-Sampling Technique (SMOTE) untuk mengatasi data tidak seimbang

- Decision Tree untuk mengklasifikasikan data SPTK berdasarkan sikap optimis

---
class: animated, bounceInDown
## SMOTE

SMOTE berfungsi untuk menyeimbangkan data dengan membuat data sampel baru menggunakan sampel data minoritas (Siringoringo, 2018).

Cara kerja menyeimbangkan data menggunakan SMOTE dimulai dengan menghitung jarak antar data pada data minoritas, menentukan presentase SMOTE, kemudian menentukan jumlah K terdekat, dan akhirnya menghasilkan data sintetik (Chawla et al., 2002)

Penentuan nilai K pada proses SMOTE dilakukan pada proses Cross Validation menggunakan K-Nearest Neighbor (KNN).

---
class: animated, rollIn
## Decision Tree Classifier

Algoritma pohon keputusan ini yang paling umum digunakan karena kemudahan implementasi dan memahaminya dibandingkan algoritma klasifikasi lain (Yadav and Pal, 2012). Bahkan hasil klasifikasi pohon keputusan seringkali menghasilkan akurasi yang lebih baik daripada metode klasifikasi lainnya (Priyam et al., 2013)

Pohon keputusan belajar melalui sekumpulan pertanyaan jika/maka atau ya/tidak atau pertanyaan lain, yang membentuk sebuah pohon hirarki.

Quinlan mengembangkan algoritma ID3 menjadi C4.5 yang menggunakan Gain Ratio agar tidak bisa dalam penentuan atribut pemilah terbaik.

Pruning adalah metode untuk menghapus node atau sub-node dari pohon keputusan atau cutting down the tree (Purnama, 2019). Terdapat dua metode pruning yaitu pre-pruning dan post-pruning (Mohamed et al., 2012)

---
class: inverse, center, middle, animated, lightSpeedIn
# Hasil dan Pembahasan

---
class: animated, bounceInDown
## Rata-rata skor optimis masyarakat Indonesia

.center[![Wow](rata2optimis.png)]

---
class: animated, fadeIn
## Rata-rata skor optimis masyarakat Indonesia

Terdapat **enam belas** provinsi yang memiliki skor optimis diatas rata-rata nasional yaitu provinsi Sulawesi Utara, Maluku Utara, Kalimantan Utara, Kalimantan Timur, Gorontalo, Maluku, Kepulauan Riau, DKI Jakarta, Sumatera Selatan, Acaeh, Papua Barat, Sulawesi Tengah, Riau, Sulawesi Tenggara, Kalimantan Tengah, dan Nusa Tenggara Barat. Provinsi Sulawesi Utara menjadi provinsi tertinggi dalam bersikap optimis terhadap masa depan. Sementara **delapan belas** provinsi lainnya berada dibawah rata-rata nasional.

---
class: animated, bounceInUp
## Tahap awal Proses Klasifikasi

Sebelumnya, variabel optimis merupakan variabel numerik rentang 0 sampai 10 yang dikategorikan menjadi dua kategori yaitu Tidak Optimis pada rentang 0-5 dan Optimis pada rentang 6-10. Setelah variabel respon dikategorikan, maka langkah selanjutnya adalah splitting data menjadi data latih dan data uji.

---
## Distribusi Sampling

``` r
knitr::include_graphics('Distribusi sampling 1.png')
```

---
## SMOTE

``` r
#knn
ctrl <- trainControl(method = "repeatedcv", repeats = 3)
model.knn <- train(Optimis~., data = latih, method="knn", trControl=ctrl,
                   preProcess=c("center","scale"), tuneLength=20)
model.knn
#balancing data
set.seed(2022)
balanced.data <- SMOTE(latih[,-12], latih[,12], K=43)$data
```

``` r
knitr::include_graphics('Distribusi Sampling SMOTE.png')
```

<img src="Distribusi Sampling SMOTE.png" width="35%" style="display: block; margin: auto;" />
---
## Base Tree

``` r
knitr::include_graphics('base_tree.png')
```

<img src="base_tree.png" width="50%" style="display: block; margin: auto;" />
---
## Prepruning Tree

``` r
knitr::include_graphics('preprun_plot.png')
```

<img src="preprun_plot.png" width="50%" style="display: block; margin: auto;" />
---
## Postpruning Tree

``` r
knitr::include_graphics('cp_basetree.png')
```

---
## Postpruning Tree

``` r
knitr::include_graphics('post_prun.png')
```

---
## Akurasi

<table>
<caption>Akurasi Ketiga Model Tree</caption>
<tbody>
<tr class="odd">
<td style="text-align: left;">Base_tree</td>
<td style="text-align: left;">0,86</td>
</tr>
<tr class="even">
<td style="text-align: left;">Prepruning Tree</td>
<td style="text-align: left;">0,86</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Post Pruning Tree</td>
<td style="text-align: left;">0,86</td>
</tr>
</tbody>
</table>
---
## Hasil

Digunakan Pre-Pruning

terdapat empat leaf dengan empat aturan didalamnya, yaitu a) Jika bahagia `$<$` 7 maka tidak optimis; b) Jika bahagia `$\ge$` 7 dan kepuasan terhadap pendapatan `$\ge$` 7 maka optimis; c) Jika bahagia `$\ge$` 7 dan kepuasan terhadap pendapatan `$\ge$` 6,001 maka optimis; d) Jika bahagia `$\ge$` 7 dan kepuasan terhadap pendapatan `$<$` 6,001 maka tidak optimis.

---
class: inverse, center,middle, animated, rollIn
# Kesimpulan dan Saran

---
## Kesimpulan

Pada penelitian ini diketahui bahwa Provinsi Sulawesi Utara menjadi provinsi dengan tingkat optimisme tertinggi di Indonesia. Selain itu juga terdapat lima belas provinsi lain yang berada diatas rata-rata optimisme nasional yaitu provinsi Maluku Utara, Kalimantan Utara, Kalimantan Timur, Gorontalo, Maluku, Kepulauan Riau, DKI Jakarta, Sumatera Selatan, Acaeh, Papua Barat, Sulawesi Tengah, Riau, Sulawesi Tenggara, Kalimantan Tengah, dan Nusa Tenggara Barat. Sementara delapan belas provinsi lainnya berada dibawah rata-rata skor optimis nasional.

Berdasarkan hasil klasifikasi menggunakan algoritma decision tree diperoleh bahwa variabel skor kebahagiaan dan kepuasan terhadap pendapatan menjadi pembeda dalam menentukan sikap optimis seseorang. Sehingga masyarakat Indonesia yang bersikap optimis memiliki karakteristik skor kebahagiaan dan kepuasan terhadap pendapatan yang tinggi. Sebaliknya, apabila seseorang memiliki karakteristik skor kebahagiaan dan kepuasan terhadap pendapatan yang rendah maka individu tersebut tidak optimis.

---
## Saran

Saran untuk penelitian selanjutnya bisa menambahkan data SPTK pada tahun lainnya bahkan dapat menambahkan penggunaan metode lainnya seperti Naive Bayes, Neural Network, Logistic Regression, dan K-Nearest Neighbor untuk melakukan proses klasifikasi. Sementara bagi pemangku kebijakan, skor optimis provinsi yang berada dibawah rata-rata nasional dapat dijadikan sebagai evaluasi untuk meningkatkannya. Peningkatan sikap optimis ini dapat dilakukan dengan meningkatkan kebahagiaan dan kepuasan terhadap pendapatan masyarakat setempat.

---
class: inverse, center, middle, animated, fadeIn
# Terimakasih
---
class: animated, rollIn
##animation transition slide and image

- rollIn
- fadeIn
- lightSpeedIn
- bounceInDown
- slideInRight
- zoomInUp
- tada

---
##building file

``` r
library(xaringanBuilder)
xaringanBuilder::build_pptx("D:/Unorganized/Xaringan/coba template.Rmd")
```