Variable Importance Kesehatan dan Pendidikan dalam Pembentukan IPM dengan Algoritme Machine Learning

Abstract

Pembelajaran mesin adalah bidang studi yang menggunakan algoritma komputasi untuk mengubah data empiris menjadi model yang dapat digunakan. Pada penelitian ini akan membandingkan lima pembelajaran mesin supervised, yaitu forward selection, LASSO, random forest, gradient boosting, dan extra trees dengan studi kasus mengetahui faktor-faktor infrastruktur kesehatan dan pendidikan di tingkat desa/kelurahan yang mempengaruhi skor IPM kabupaten/kota di Pulau Jawa. Pada penentuan variable importance, metode forward-selection dan LASSO menggunakan nilai absolut koefisien regresi, sedangkan random forest, extra trees dan gradient boosting menggunakan nilai Mean Decrease in Impurity (MDI). Metode bootstrap akan diterapkan pada semua metode pembelajaran mesin dengan tujuan untuk memperluas ruang sampel dan menghasilkan indikator yang lebih akurat. Berdasarkan hasil pemodelan dari lima pembelajaran mesin, jumlah dokter dan dokter gigi per 1000 penduduk merupakan faktor yang paling mempengaruhi besaran nilai IPM di Pulau Jawa karena memiliki koefisien tertinggi atau nilai MDI terbesar. Extra Trees merupakan pembelajaran mesin supervised terbaik karena menghasilkan nilai RMSE yang paling kecil serta interval yang juga lebih pendek dibandingkan model lainnya.