Main Article Content

Abstract

Indeks Pembangunan Manusia (IPM) merupakan ukuran kunci untuk mengukur keberhasilan upaya peningkatan kualitas hidup penduduk. IPM dapat menentukan peringkat atau tingkat perkembangan suatu wilayah/negara. Indeks Pembangunan Manusia (IPM) mengukur kinerja pembangunan manusia berdasarkan banyak komponen dasar kualitas hidup. Indeks Pembangunan Manusia (IPM) juga merupakan indikator penting untuk mengukur keberhasilan upaya peningkatan kualitas hidup. Penelitian ini menggunakan metode regresi random forest dengan tingkat kepentingan peubah prediktor diukur menggunakan nilai Shapley Addictive Explanation (SHAP). Hasil penelitian menunjukkan bahwa dari keempat faktor-faktor yang mempengaruhi IPM, peubah pengeluaran per kapita (X1) memiliki tingkat kepentingan tertinggi dan yang terendah adalah peubah angka harapan lama sekolah (X3). Sementara rata-rata lama sekolah (X2) dan umur harapan hidup saat lahir (X4) memiliki tinkat kepentingan berturut-turut kedua dan ketiga terhadap IPM di Indonesia.

Keywords

Indeks Pembangunan Manusia Random Forest Tingkat Kepentingan SHAP

Article Details

References

  1. [1] Badan Pusat Statistik, "Indeks Pembangunan Manusia 2021," Jakarta: Badan Pusat Statistik, 2021.
  2. [2] Nicodemus KK, "Letter to the Editor: On the stability and ranking of predictors from random forest variable importance measures. Brief Bioinformatics," 12(4):369−373, 2011.
  3. [3] Lundberg SM, Erion GG, Lee SI, "Consistent individualized feature attribution for tree ensembles" arXiv:1802.03888,2018.
  4. [4] Breiman, L., "Random forest, Machine Learning, Kluwer Academic Publishers," 45, 5-32, 2001.
  5. [5] Lingga P, R. D, “Deteksi Gempa Berdasarkan Data Twitter Menggunakan Decision Tree, Random Forest, dan SVM”, Jurnal Teknik ITS, 160, 2017.
  6. [6] Samudra, A. Y, “Pendekatan Random Forest untuk Model Peramalan Harga Tembakau Rajangan Di Kabupaten Temanggung,” Universitas Sanata Dharma, Yogyakarta, 2019.
  7. [7] Lundberg SM, Lee SI, “A Unified Approach to Interpreting Model Predictions, Neural Inf Process Syst2017.” Decem Section 2:4766–4775, 2017.
  8. [8] Fisher A, Rudin C, Dominici F, “Model Class Reliance: Variable Importance Measures for any Machine Learning Model Class, from the "Rashomon" Perspective,” 2018.