Detail buku

No BukuT.ITS.2008.36
UniversitasITS
PenulisKhairil Anwar
Judul BukuSMALL AREA ESTIMATION DENGAN METODE KERNEL LEARNING UNTUK PETA KEMISKINAN DI KABUPATEN KUTAI KARTA NEGARA
PembimbingProf. Drs. H. Iriawan M. Ikom, Ph. D Dr. Dedi Walujadi
AbstrakABSTRAK INDONESIA : Penelitian ini mengkaji tentang karnel learning untuk poverty mapping. Karnel learning mengestimasi fungsi dengan support vector regression, yakni memecahkan suatu program dual quadratic yang meminumkan fungsi resiko dan nilai optimumnnya untuk menentukan koefisien pada regresi nonprametik. Dalam penelitian, karnel learning diterapkan untuk mengkonstruksi peta kemiskinan dareah perkotaan dan pedesaan kabupaten Kutai Kartanegara. Untuk daerah pedesaan, kecamatan Tenggarong mempunyai presentase penduduk miskin terbanyak dibandingkan daerah lain, tetapi kedalaman dan tingkat keparahan kemiskinannya rendah. Artinnya walaupun penduduk di wilayah itu masuk kategori miskin, tetapi nilai rata-rata konsumsi kebutuhan pokok penduduk miskin tidak terlalu jauh dengan batas kemiskinan. Tetapi kecamatan Loa Kulu dengan kemiskinan 34%, mempunyai tingkat keparahan tertinggi dibandingkan dengan daerah lain. Artinnya penduduk di Kecamatan Koa Kulu lebih memerlukan prioritas bantuan untuk pengentasan kemiskinan disbanding wilayah lain. Menurut darah perkotaan, kecamatan Muara Wis dan Marang Kayu adalah kecamatan termiskin, karena seluruh rumah tangga diwilayah itu adalah miskin. Tetapi, kedalaman kemiskinan di Muara Wis lebih tinggi dibandingkan Marang Kayu. Beberapa kecamatan lain indeks kedalaman kemiskinannya bernilai kecil, yang artinnya bahwa kemiskinan diwilayah itu berada tidak terlalu jauh dari garis kemiskinan. Selain itu, Muara Wis mempunyai tingkat keparahan kemiskinan yang lebih tinggi dibandingkan Marang Kayu. Dengan demikian, walaupun kedua daerah tersebut sama-sama miskin, tetapi penduduk di Muara Wis lebih memerlukan prioritas pengentasan kemiskinan. Dari hasil penghitungan didapat R� pedesaan sebesar 0,992139 dan R� perkotaan sebesar 0,988758. Artinnya nilai estimasi mendekati nilai sebenarnnya. Kata Kunci : Dual Quadratic Programming, Kernel Learning, Monte Carlo Integration, peta kemiskinan, support vector regression. ABSTRAK INGGRIS : This research studies kernel learning for poverty mapping. In kernel learning, a function is estimated by support vector regression, namely a dual quadratic program to minimize risk function. Its optimum value is used to determine coefficient in nonparametric regression. In this research,kernel learning is applied to construct poverty mapping for urban and rural area in Kutai Kartanegara regency. According to rural area, Tenggarong district has the highest percentage of poor people, but poverty gap and severity level is low. It means that although the people in this area are poor, but the average expenditure for basic needs of poor people is not too far from poverty line. Altough poverty rate in Loa Kulu district was 34 %, but severity level in this district is the highest. It means people in Loa Kulu district need more priority to recive aid in poverty program than the others. According to urban area, the poorest district was Muara Wis and Marang Wis higher than Marang Kayu. Some other districts have low poverty gap, it means that poverty in these regions didn’t too far from poverty line. Beside tahat, Muara Wis severity higher Marang Kayu. Threby, altough both areas were poor, but people in Muara Wis need more priority program. Based on calculation, R2 for rural area respectively were 0.992139 and 0.988758. This means that estimation near by the actual value. Keywods : Dual qudratic programming, kernel learnign, monte carlo integration, poverty mapping, support vector regression.
JenisThesis