Perbandingan Linear Regression Dan Random Forest Dalam Prediksi Tingkat Kemiskinan Di Indonesia Berdasarkan Provinsi

Donna Nur Tamara, Shafa Syahida, Arif Mulya Putra, Diah Septiani

Abstract


Kemiskinan merupakan salah satu permasalahan utama dalam pembangunan nasional yang dipengaruhi oleh berbagai faktor sosial dan ekonomi. Penelitian ini bertujuan membandingkan kinerja metode Linear Regression dan Random Forest Regression dalam memprediksi tingkat kemiskinan provinsi di Indonesia periode 2026-2025. Tahapan penelitian meliputi EDA, preprocessing, rekayasa fitur, serta pembagian data. Model dievaluasi menggunakan metrik MSE, RMSE, MAE, dan . Hasil penelitian menunjukkan bahwa kedua model berkinerja sangat baik dengan nilai  di atas 0,99. Namun, Linear Regression memberikan performa terbaik secara konsisten dengan nilai  sebesar 99,68% (MSE 0,1764) dibandingkan Random Forest sebesar 99,65% (MSE 0,1968), mengindikasikan pola hubungan antar-variabel makro terhadap kemiskinan pada dataset ini cenderung linier. Hasil prediksi periode 2026-2028 menunjukkan tren penurunan rata-rata kemiskinan nasional dari 10,20% menjadi 9,69%. Hasil penelitian ini diharapkan menjadi rujukan ilmiah bagi pemerintah dalam merumuskan kebijakan penanganan kemiskinan yang tepat sasaran.

Keywords


kemiskinan; machine learning; prediksi; random forest; regresi linear.

Full Text:

PDF

References


D. B. Wiranatakusuma and G. Primambudi, “Determinants of Poverty in Indonesia,” Sociología y Tecnociencia, vol. 11, no. 2, pp. 243-267, 2021.

D. E. Nurjati, “The Socioeconomic Determinants of Poverty Dynamics in Indonesia,” MIMBAR: Jurnal Sosial dan Pembangunan, vol. 37, no. 2, pp. 420-431, 2021. S. Kharisma, S.

S. Kharisma, S. P. Maulida, and Y. Caesarani, “Determinant of Poverty Rates in Indonesia: A Panel Data Regression Analysis,” Journal of Policy and Sustainable Development Studies, vol. 2, no. 3, pp. 1-12, 2025.

I. Wardhana, “Determinants of Poverty in Central Kalimantan, Indonesia: Evidence from Panel Data Analysis,” GROWTH: Journal Magister Ilmu Ekonomi, vol. 11, no. 2, pp. 89-101, 2025.

W. Fhaldian and A. Fahmi, “Explainable Machine Learning for Poverty Prediction in Central Java Regencies and Cities,” Sinkron: Jurnal dan Penelitian Teknik Informatika, vol. 9, no. 4, pp. 2500-2512, 2024.

S. Bhahri, Renny, and Rachmat, “Machine Learning for Predicting Poverty and Educational Outcomes: A Comparative Simulation Study for Evidence-Based Social Policy,” Journal of Embedded Systems, Security and Intelligent Systems, vol. 6, no. 1, pp. 45-59, 2025.

I. W. Prastiyo and A. Febriandirza, “Analisis Perbandingan Prediksi Tingkat Kemiskinan Menggunakan Metode XGBoost dan Random Forest Regression,” Jurnal Media Informatika Budidarma, vol. 8, no. 3, pp. 1694-1702, 2024.

M. Muth, M. Lingenfelder, and G. Nufer, "The application of machine learning for demand prediction under macroeconomic volatility: a systematic literature review," Management Review Quarterly, vol. 75, pp. 2759-2802, 2025.

I. G. Ritonga, Hartono, and P. S. P. Sitorus, "Analisis regresi linear terhadap tingkat pengangguran terbuka menurut provinsi periode 2021-2025," Juktisi: Jurnal Komputer Teknologi Informasi Sistem Komputer, vol. 4, no. 3, pp. 2217-2223, Feb. 2026.

M. B. S. Qolbi, T. N. Puteh, Rivandi, and C. Rozikin, "Prediksi harga rumah di Jakarta Pusat menggunakan algoritma machine learning," Jurnal Ilmu Komputer dan Bisnis (JIKB), vol. 16, no. 1, pp. 16-24, Mei 2025.

I. W. Prastiyo and A. Febriandirza, “Analisis Perbandingan Prediksi Tingkat Kemiskinan Menggunakan Metode XGBoost dan Random Forest Regression,” Jurnal Media Informatika Budidarma, vol. 8, no. 3, pp. 1694-1702, 2024.

D. Chicco, M. J. Warrens, and G. Jurman, "The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation," PeerJ Comput. Sci., vol. 7, p. e623, Jul. 2021.


Refbacks

  • There are currently no refbacks.


Editorial Office :

Prosiding SENDIKO (Seminar Nasional Hasil Penelitian & Pengabdian Masyarakat Bidang Ilmu Komputer)
Published by Universitas PGRI Madiun
Managed by Program Studi Sistem Informasi Fakultas Teknik Universitas PGRI Madiun
Address Jl. Auri 14-16 Kota Madiun Kampus III Universitas PGRI Madiun 63118
Website http://prosiding.unipma.ac.id/index.php/sendiko/index
Email [email protected]

e-ISSN:  3025-4604