Model Prediksi Persentase Penduduk Miskin Kabupaten/Kota di Jawa Timur 2023

1 Ringkasan Eksekutif

Laporan ini membangun model prediksi persentase penduduk miskin di 38 kabupaten/kota Jawa Timur tahun 2023 menggunakan Regresi Linear dan Random Forest. Karena data bersifat cross-sectional dan terbatas, model dievaluasi menggunakan repeated 5-fold cross-validation dengan 10 kali pengulangan.

Temuan utama:

Rata-rata lama sekolah menjadi prediktor paling informatif dalam Random Forest.
IPM dan kepadatan penduduk juga muncul sebagai prediktor penting.
Random Forest menunjukkan performa prediktif lebih baik dibanding Regresi Linear pada evaluasi cross-validation.

Catatan etis: hasil ini bersifat prediktif dan asosiatif, bukan bukti kausal. Feature importance menunjukkan kontribusi variabel terhadap prediksi model, bukan bukti bahwa variabel tersebut menyebabkan kemiskinan.

2 Sumber Data

Data yang digunakan berasal dari publikasi Badan Pusat Statistik (BPS) untuk Provinsi Jawa Timur tahun 2023.

Persentase penduduk miskin menurut kabupaten/kota
Indeks Pembangunan Manusia (IPM)
Tingkat Pengangguran Terbuka (TPT)
PDRB per kapita atas dasar harga berlaku
Rata-rata lama sekolah penduduk 15 tahun ke atas
Persentase rumah tangga dengan akses sanitasi layak
Jumlah penduduk dan kepadatan penduduk

Unit analisis adalah 38 kabupaten/kota di Jawa Timur. Baris agregat Jawa Timur dikeluarkan agar model hanya belajar dari unit kabupaten/kota.

3 Persiapan dan Organisasi Kode

Pipeline analisis dijalankan melalui scripts/run_all.R. Script ini mengeksekusi seluruh tahapan secara berurutan:

Import dan penggabungan data
EDA dan visualisasi
Preprocessing dan seleksi variabel
Model Regresi Linear
Model Random Forest
Evaluasi model dan visualisasi performa

source("scripts/run_all.R")

dataset <- readr::read_csv("data/processed/dataset_final.csv", show_col_types = FALSE)
model_dataset <- readr::read_csv("data/processed/model_dataset.csv", show_col_types = FALSE)
missing_summary <- readr::read_csv("output/tables/missing_summary.csv", show_col_types = FALSE)

knitr::kable(head(dataset, 10), digits = 2, caption = "Cuplikan dataset final setelah penggabungan")

Cuplikan dataset final setelah penggabungan
wilayah	persentase_miskin	ipm	tpt	pdrb_per_kapita_ribu	rata_lama_sekolah	sanitasi_layak	jumlah_penduduk_ribu	laju_pertumbuhan_penduduk	persentase_penduduk	kepadatan_penduduk	rasio_jenis_kelamin
Bangkalan	19.35	66.82	6.18	25408	6.57	50.30	1091.8	1.07	2.63	839	97.6
Banyuwangi	7.34	73.79	4.75	58086	8.17	82.63	1743.9	0.76	4.20	485	100.1
Blitar	8.69	72.84	4.91	35812	8.04	82.50	1253.6	0.88	3.02	718	101.2
Bojonegoro	12.18	71.80	4.63	74242	7.88	92.63	1319.6	0.50	3.18	571	100.7
Bondowoso	13.34	70.56	4.15	31432	6.95	57.41	788.2	0.56	1.90	507	97.2
Gresik	10.96	78.44	6.82	130527	10.30	95.00	1350.4	1.08	3.25	1075	101.4
Jember	9.51	70.42	4.01	36837	6.97	64.47	2586.8	0.71	6.23	781	99.3
Jombang	9.15	75.16	4.66	36991	9.06	94.06	1351.3	0.91	3.25	1218	101.6
Kediri	10.72	74.68	5.79	30193	8.62	92.13	1677.2	0.92	4.04	1101	101.9
Kota Batu	3.31	79.07	4.52	93214	10.11	95.06	220.2	3.38	0.53	1134	101.3

knitr::kable(missing_summary, digits = 0, caption = "Ringkasan missing value per variabel")

Ringkasan missing value per variabel
variable	missing_count
wilayah	0
persentase_miskin	0
ipm	0
tpt	0
pdrb_per_kapita_ribu	0
rata_lama_sekolah	0
sanitasi_layak	0
jumlah_penduduk_ribu	0
laju_pertumbuhan_penduduk	0
persentase_penduduk	0
kepadatan_penduduk	0
rasio_jenis_kelamin	0

Dataset final memiliki 38 observasi dan 12 kolom. Untuk modeling, PDRB per kapita diskalakan dari ribu rupiah menjadi juta rupiah agar koefisien Regresi Linear lebih mudah dibaca.

4 Analisis Eksploratif

descriptive_stats <- readr::read_csv("output/tables/descriptive_stats.csv", show_col_types = FALSE)
knitr::kable(head(descriptive_stats, 24), digits = 2, caption = "Statistik deskriptif variabel numerik")

Statistik deskriptif variabel numerik
metric	value
persentase_miskin_mean	10.29
persentase_miskin_median	9.66
persentase_miskin_min	3.31
persentase_miskin_max	21.76
persentase_miskin_sd	4.32
ipm_mean	74.68
ipm_median	73.90
ipm_min	66.19
ipm_max	84.00
ipm_sd	4.71
tpt_mean	4.66
tpt_median	4.66
tpt_min	1.71
tpt_max	8.05
tpt_sd	1.43
pdrb_per_kapita_ribu_mean	70659.47
pdrb_per_kapita_ribu_median	37232.50
pdrb_per_kapita_ribu_min	23842.00
pdrb_per_kapita_ribu_max	541068.00
pdrb_per_kapita_ribu_sd	89451.38
rata_lama_sekolah_mean	8.71
rata_lama_sekolah_median	8.20
rata_lama_sekolah_min	5.96
rata_lama_sekolah_max	11.63

Distribusi target, wilayah dengan kemiskinan tertinggi, dan korelasi antarvariabel

Distribusi kemiskinan menunjukkan variasi antardaerah yang cukup jelas. Beberapa kabupaten memiliki persentase kemiskinan jauh lebih tinggi dibanding kota-kota besar. Pola ini memperlihatkan bahwa kemiskinan di Jawa Timur tidak merata secara spasial maupun sosial-ekonomi. Matriks korelasi membantu membaca asosiasi awal, terutama hubungan antara kemiskinan dengan indikator pembangunan manusia dan pendidikan, tetapi korelasi tersebut tidak ditafsirkan sebagai sebab-akibat.

5 Regresi Linear dan Diagnostik

Regresi Linear digunakan sebagai baseline karena hasilnya mudah diinterpretasikan. Model ini berguna untuk membaca arah hubungan linear, tetapi asumsi model tetap perlu diperiksa.

lm_coefficients <- readr::read_csv("output/tables/lm_coefficients.csv", show_col_types = FALSE)
lm_vif <- readr::read_csv("output/tables/lm_vif.csv", show_col_types = FALSE)

knitr::kable(lm_coefficients, digits = 3, caption = "Koefisien Regresi Linear")

Koefisien Regresi Linear
variable	estimate	std_error	statistic	p_value
(Intercept)	55.259	22.522	2.454	0.020
ipm	-0.460	0.446	-1.031	0.310
tpt	-0.326	0.387	-0.842	0.406
pdrb_per_kapita_juta	0.003	0.006	0.597	0.555
rata_lama_sekolah	-1.336	1.272	-1.050	0.302
sanitasi_layak	0.020	0.056	0.362	0.720
kepadatan_penduduk	0.000	0.000	0.889	0.381

knitr::kable(lm_vif, digits = 2, caption = "Variance Inflation Factor (VIF) untuk pemeriksaan multikolinearitas")

Variance Inflation Factor (VIF) untuk pemeriksaan multikolinearitas
variable	vif
ipm	23.72
tpt	1.64
pdrb_per_kapita_juta	1.37
rata_lama_sekolah	19.47
sanitasi_layak	2.50
kepadatan_penduduk	3.24

VIF digunakan untuk melihat potensi multikolinearitas. Sebagai aturan praktis, VIF di atas 5 perlu diperhatikan dan VIF di atas 10 biasanya menunjukkan masalah serius. Karena beberapa indikator sosial-ekonomi saling berkaitan, hasil Regresi Linear sebaiknya digunakan sebagai interpretasi pendukung, bukan satu-satunya dasar keputusan.

Diagnostik asumsi Regresi Linear: normalitas residual dan homoskedastisitas

Q-Q plot membantu menilai apakah residual mendekati distribusi normal, sedangkan scale-location plot membantu melihat apakah variasi residual relatif stabil pada berbagai nilai fitted. Dengan jumlah observasi hanya 38, diagnostik ini dibaca secara hati-hati.

6 Random Forest dan Feature Importance

Random Forest digunakan untuk menangkap hubungan non-linear dan interaksi antarvariabel yang mungkin tidak tertangkap oleh Regresi Linear. Tuning dilakukan pada parameter mtry, sedangkan jumlah pohon ditetapkan 500.

rf_importance <- readr::read_csv("output/tables/rf_feature_importance.csv", show_col_types = FALSE)
rf_importance <- rf_importance |>
  dplyr::mutate(share = importance / sum(importance))
top3_share <- sum(head(rf_importance$share, 3))

knitr::kable(rf_importance, digits = 3, caption = "Feature importance Random Forest berbasis permutation importance")

Feature importance Random Forest berbasis permutation importance
variable	importance	share
rata_lama_sekolah	14.669	0.279
ipm	12.277	0.234
kepadatan_penduduk	10.221	0.194
tpt	8.120	0.154
pdrb_per_kapita_juta	5.521	0.105
sanitasi_layak	1.765	0.034

Feature importance Random Forest

Rata-rata lama sekolah muncul sebagai prediktor paling informatif, diikuti oleh IPM dan kepadatan penduduk. Tiga variabel teratas menyumbang sekitar 70.7% dari total importance relatif pada model ini. Secara substantif, temuan ini menunjukkan bahwa dimensi pendidikan, pembangunan manusia, dan karakteristik kepadatan wilayah sangat membantu model dalam memprediksi tingkat kemiskinan. Namun, importance ini tetap bukan bukti kausal.

7 Evaluasi Model

7.1 Perbandingan Performa Model

model_comparison <- readr::read_csv("output/tables/model_comparison.csv", show_col_types = FALSE)
comparison_wide <- model_comparison |>
  dplyr::select(model, rmse, mae, r2) |>
  tidyr::pivot_longer(-model, names_to = "metric", values_to = "value") |>
  tidyr::pivot_wider(names_from = model, values_from = value) |>
  dplyr::mutate(metric = toupper(metric))

knitr::kable(comparison_wide, digits = 3, caption = "Perbandingan performa model berdasarkan repeated 5-fold cross-validation")

Perbandingan performa model berdasarkan repeated 5-fold cross-validation
metric	Regresi Linear	Random Forest
RMSE	3.068	2.713
MAE	2.452	2.145
R2	0.539	0.640

Perbandingan RMSE, MAE, dan R<U+00B2> antar model

Model dengan RMSE dan MAE lebih kecil memiliki error prediksi yang lebih rendah. Pada eksperimen ini, Random Forest memiliki RMSE dan MAE lebih kecil serta R² lebih tinggi dibanding Regresi Linear.

7.2 Detail Cross-Validation

cv_metric_summary <- readr::read_csv("output/tables/cv_metric_summary.csv", show_col_types = FALSE)
knitr::kable(cv_metric_summary, digits = 3, caption = "Ringkasan metrik cross-validation per resample")

Ringkasan metrik cross-validation per resample
model	rmse_mean	rmse_sd	rmse_ci_low	rmse_ci_high	mae_mean	mae_sd	mae_ci_low	mae_ci_high	r2_mean	r2_sd
Random Forest	2.713	0.635	2.533	2.894	2.145	0.541	1.991	2.299	0.544	0.177
Regresi Linear	3.068	0.881	2.818	3.319	2.452	0.650	2.267	2.637	0.404	0.352

Tabel di atas menunjukkan rata-rata, standar deviasi, dan confidence interval sederhana untuk RMSE dan MAE berdasarkan resample cross-validation. Nilai ini memberi gambaran stabilitas performa, meskipun confidence interval tetap harus dibaca hati-hati karena resample cross-validation tidak sepenuhnya independen.

7.3 Visualisasi Prediksi vs Aktual

Prediksi vs aktual dan residual out-of-fold

Scatter plot prediksi vs aktual memperlihatkan seberapa dekat prediksi model terhadap nilai sebenarnya. Residual plot membantu melihat apakah terdapat pola error sistematis. Titik yang jauh dari garis ideal atau memiliki residual besar perlu diperiksa sebagai wilayah yang sulit diprediksi oleh model.

7.4 Analisis Outlier Prediksi

model_outliers <- readr::read_csv("output/tables/model_outliers.csv", show_col_types = FALSE)
knitr::kable(model_outliers, digits = 3, caption = "Lima wilayah dengan residual cross-validation terbesar per model")

Lima wilayah dengan residual cross-validation terbesar per model
model	wilayah	actual	predicted	residual	abs_residual
Random Forest	Sampang	21.76	15.585	6.175	6.175
Random Forest	Kota Batu	3.31	8.895	-5.585	5.585
Random Forest	Probolinggo	17.19	12.141	5.049	5.049
Random Forest	Lumajang	8.93	13.969	-5.039	5.039
Random Forest	Tuban	14.91	10.154	4.756	4.756
Regresi Linear	Bangkalan	19.35	10.020	9.330	9.330
Regresi Linear	Gresik	10.96	4.478	6.482	6.482
Regresi Linear	Sampang	21.76	15.831	5.929	5.929
Regresi Linear	Lumajang	8.93	14.496	-5.566	5.566
Regresi Linear	Jember	9.51	14.409	-4.899	4.899

Wilayah dengan residual besar menunjukkan kasus yang tidak sepenuhnya dijelaskan oleh variabel yang tersedia. Ini dapat menjadi titik awal analisis lanjutan, misalnya dengan menambahkan variabel struktur ekonomi lokal, belanja sosial, harga pangan, atau indikator spasial.

8 Rekomendasi Model

Berdasarkan repeated 5-fold cross-validation, model terbaik pada eksperimen ini adalah Random Forest dengan RMSE 2.713, MAE 2.145, dan R² 0.64.

Untuk tujuan prediksi, Random Forest lebih direkomendasikan karena menangkap hubungan non-linear dan menghasilkan performa lebih baik. Untuk tujuan interpretasi arah hubungan, Regresi Linear tetap berguna sebagai model pendamping karena koefisiennya lebih mudah dijelaskan. Dengan kata lain, Random Forest digunakan untuk prioritas prediktif, sedangkan Regresi Linear digunakan untuk pemahaman awal yang lebih transparan.

9 Rekomendasi Kebijakan Berbasis Data

Rekomendasi berikut disusun dari variabel yang paling informatif dalam model dan tetap dibaca sebagai prioritas eksploratif.

Prioritaskan peningkatan pendidikan dan rata-rata lama sekolah di wilayah yang masih tertinggal.
Perkuat pembangunan manusia lintas sektor, terutama pada wilayah dengan IPM rendah.
Gunakan kepadatan penduduk sebagai konteks desain program, karena kebutuhan kota padat dan kabupaten rural dapat berbeda.
Integrasikan pemantauan kemiskinan dengan indikator ekonomi dan ketenagakerjaan, tetapi hindari menjadikan satu indikator sebagai penjelasan tunggal.
Lakukan pendalaman kualitatif atau studi lokal pada wilayah dengan residual besar, karena wilayah tersebut mungkin memiliki faktor spesifik yang belum tertangkap data.

10 Keterbatasan

Keterbatasan data: hanya 38 observasi, sehingga kompleksitas model dan kekuatan statistik terbatas.
Desain cross-sectional: data hanya satu tahun, sehingga tidak dapat menangkap dinamika waktu atau tren.
Tidak kausal: model hanya mengidentifikasi asosiasi dan pola prediktif, bukan hubungan sebab-akibat.
Variabel terbatas: model hanya memakai indikator yang tersedia dari data publik; masih mungkin ada omitted variable bias.
Generalisasi terbatas: hasil spesifik untuk Jawa Timur tahun 2023 dan belum tentu berlaku untuk provinsi atau tahun lain.
Dependensi spasial: kabupaten/kota berdekatan mungkin saling memengaruhi, tetapi model belum memasukkan autokorelasi spasial.

11 Tindak Lanjut

Perbarui dataset dengan tahun 2024 dan tahun-tahun berikutnya untuk membangun data panel.
Uji algoritma lain seperti XGBoost atau Gradient Boosting sebagai pembanding.
Tambahkan analisis spasial untuk melihat pengaruh wilayah tetangga.
Tambahkan feature engineering, misalnya interaksi pendidikan dan kepadatan penduduk.
Tambahkan variabel kebijakan dan ekonomi lokal seperti belanja sosial, inflasi, harga pangan, dan struktur pekerjaan.

12 Kesimpulan

Pipeline berhasil menggabungkan tujuh sumber data BPS, membersihkan dataset, melakukan EDA, membangun Regresi Linear dan Random Forest, mengevaluasi model dengan repeated cross-validation, serta menghasilkan interpretasi feature importance dan rekomendasi kebijakan. Hasil terbaik diperoleh Random Forest, tetapi seluruh temuan tetap ditempatkan secara etis sebagai bukti prediktif, bukan klaim kausal.