Page 1
Model Sistem Informasi Geografis (SIG) dan Prediksi Tingkat
Kemiskinan Menggunakan Metode Triple Exponential Smoothing
: Brown’s One-Parameter Quadratic
(Studi Kasus : Jawa Tengah)
Artikel Ilmiah
Peneliti:
Asni Valentina (672013143)
Dr. Kristoko Dwi Hartomo, M. Kom.
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INFORMASI
UNIVERSITAS KRISTEN SATYA WACANA SALATIGA
September 2016
Page 7
vi
Model Sistem Informasi Geografis (SIG) dan Prediksi Tingkat
Kemiskinan Menggunakan Metode Triple Exponential Smoothing
: Brown’s One-Parameter Quadratic
(Studi Kasus : Jawa Tengah)
1)Asni Valentina 2)Kristoko Dwi Hartomo
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Jl. Diponegoro 52-60 Salatiga
Email : 1)[email protected] , 2)[email protected]
Abstract
Poverty is a quite a complex problem in Central Java. Each year, the poverty rate
continues to decline but the decline can be quite slow. At the end of the “Rencana
Pembangunan Jangka Menengah Daerah”, which will end in 2018, Central Java has a
poverty reduction target of 6.84%, which means 1,36% per year, but until today the
achievement of poverty reduction was below 1%. This study conducted to predict the
poverty index numbers using the Triple Exponential Smoothing: Brown's One –
Parameter Quadratic. This study will also map the poverty rate in Central Java, data using
Poverty Gap Index (P1), Poverty Severity Index (P2) and Head Count Index (P0), both
the actual data and prediction data by using Geographic Information System (GIS) to
visualize them into thematic maps of Central Java.
Abstrak
Kemiskinan adalah masalah yang cukup kompleks untuk Jawa Tengah. Setiap tahun,
angka kemiskinan terus menurun namun penurunannya terasa sangat lambat. Pada akhir
"Rencana Pembangunan Jangka Menengah Daerah", yang akan berakhir pada 2018, Jawa
Tengah memiliki target pengurangan kemiskinan 6,84%, yang berarti 1,36% per tahun,
tetapi sampai saat ini pencapaian pengentasan kemiskinan di bawah 1 %. Penelitian ini
dilakukan untuk memprediksi angka indeks kemiskinan menggunakan Triple Triple
Exponential Smoothing: Brown's One – Parameter Quadratic. Penelitian ini juga akan
memetakan tingkat kemiskinan di Jawa Tengah, data menggunakan Index Kedalaman
(P1), Index Kedalaman (P2) dan Index Persentase (P0), baik data aktual dan data prediksi
dengan menggunakan Sistem Informasi Geografis (GIS) untuk memvisualisasikan data
kedalam bentuk peta tematik Jawa Tengah.
Kata Kunci : Kemiskinan , SIG, Triple Exponential Smoothing: Brown's One –
Parameter Quadratic, Index Persentase (P0), Index Kedalaman (P1), Index Keparahan
(P2)
1) Mahasiswa Fakultas Teknologi Informasi Program Studi Teknik Informatika, Universitas
Kristen Satya Wacana Salatiga. 2) Staff Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana Salatiga.
Page 8
1
1. Pendahuluan
Kemiskinan merupakan persoalan mendasar yang dihadapi oleh negara-
negara berkembang di dunia, kemiskinan juga merupakan permasalahan kompleks
yang bisa dilihat dari faktor penyebab maupun dampak yang terjadi, khususnya di
Provinsi Jawa Tengah. Dalam rangka mempercepat penanggulangan kemiskinan
yang dirasa sebagai masalah kompleks diperlukan upaya serius yang meliputi
penetapan sasaran, perancangan dan keterpaduan program, monitoring dan
evaluasi, serta efektifitas anggaran, program percepatan penanggulangan
kemiskinan [1].
Perkembangan jumlah dan persentase penduduk miskin pada periode 2010
– 2014 terlihat cenderung mengalami penurunan dari tahun ke tahun. Pada periode
Maret – September 2011 mengalami sedikit kenaikan, namun terjadi penurunan
kembali pada September 2011– September 2014 Gambar 1, sementara itu
persentase penduduk miskin pada periode yang sama mengalami penurunan dari
16,56 persen menjadi 13,58 persen [2]. Jumlah penduduk miskin (penduduk yang
berada dibawah garis kemiskinan) di Jawa Tengah pada bulan Maret 2015 sebesar
4.577,04 ribu menurun 5 persen dari Maret 2014. Sementara persentase penduduk
miskin pada Maret 2014 sebesar 14,46 persen turun menjadi 13,58 persen pada
Maret 2015[2].
Target penurunan angka kemiskinan Provinsi Jawa Tengah dari 14,44
persen pada tahun 2013 menjadi 7,80 – 7,60 persen pada akhir periode Rencana
Pembangunan Jangka Menengah Daerah (RPJMD) yaitu pada tahun 2018,
sebanyak 6,84 persen selama 5 tahun atau 1,36 persen per tahun sementara
capaian setiap tahun masih dibawah 1 persen [3].
Gambar 1 Perkembangan Persentase Penduduk Miskin, Maret 2010 – September 2014 [2]
Salah satu faktor yang menyebabkan kurangnya penanggulangan terhadap
daerah miskin pada suatu wilayah adalah kemiskinan spasial perkotaan serta
hubungan antara perencanaan tata ruang kota dan upaya penanggulangan
kemiskinan menunjukkan bahwa pemahaman para pemangku kepentingan,
terutama Satuan Kerja Perangkat Daerah (SKPD)[4].
Untuk mendukung penanggulangan kemiskinan di Provinsi Jawa Tengah
maka penyajian data yang berupa tabel dan grafik dapat dikembangkan dengan
menggunakan pemetaan data dalam bentuk peta tematis Jawa Tengah, sehingga
dibutuhkan sebuah Sistem Informasi Geografis (SIG) yang dapat diakses secara
mudah untuk memantau seluruh Provinsi Jawa Tengah.
Page 9
2
SIG sebagai sistem komputer yang digunakan untuk memanipulasi data
geografi, sistem ini diimplementasikan dengan perangkat keras dan perangkat
lunak komputer yang berfungsi untuk akusisi dan verifikasi data, kompilasi data,
penyimpanan data, perubahan dan pembaharuan data, manajemen dan pertukaran
data, manipulasi data, pemanggilan dan presentasi data serta analisa data [5].
Selain memetakan daerah miskin pada penelitian ini juga akan dikembangkan
sistem prediksi atau meramalkan angka kemiskinan. Metode prediksi untuk deret
data yang memiliki kecenderungan (tren) seperti data indeks kemiskinan yang ada
di Provinsi Jawa Tengah adalah metode Triple Exponential Smoothing : Brown’s
One-Parameter Quadratic. Model prediksi yang dilakukan masih tergolong
peramalan jangka pendek karena hanya meramalkan 1 tahun kedepan.
Dari data dan informasi diatas maka pada penelitian ini disimpulkan bahwa
diperlukan suatu “Model Sistem Informasi Geografis (SIG) Tingkat Kemiskinan
Menggunakan Metode Triple Exponential Smoothing : Brown’s One-Parameter
Quadratic” dengan adanya penelitian ini diharapkan dapat memudahkan
peramalan dan pemetaan wilayah yang akan di visualisasikan dalam bentuk peta
tematik Jawa Tengah. sehingga daerah yang kurang mendapat perhatian dari
pemerintah akan lebih terlihat, dan juga diharapkan dengan adanya sistem ini
proses penentasan kemiskinan akan berjalan dengan baik dan tepat sasaran.
2. Kajian Pustaka
Peramalan dan pemetaan wilayah miskin telah banyak dilakukan untuk
memprediksi angka kemiskinan yang terjadi di berbagai wilayah yang ada di
Indonesia, penelitian yang berjudul Sistem Informasi Penduduk Miskin Berbasis
GIS (Studi Kasus: Kotamadya Pekanbaru), membahas mengenai lokasi dan
persebaran penduduk miskin di Kota pekanbaru. Data secara umum adalah
representasi fakta dari dunia nyata (real world), data disajikan dalam bentuk
antara lain seperti bentuk Tabular, bentuk grafik, bentuk diagram serta bentuk
peta. Untuk sistem informasi ini dikembangkan dari aplikasi GIS dan Map Server
untuk memetakan wilayah, sedangkan pembanding dari pemetaan wilayah agar
sesuai dengan kondisi aktualnya adalah menggunakan Google Map [6].
Penelitian yang berjudul Sistem Informasi Geografis Untuk Pemetaan
Kemiskinan di Kabupaten Cilacap Berbasis Web (Studi Kasus di Badan Pusat
Statistik Kabupaten Cilacap), membahas mengenai pemetaan penduduk miskin di
Kabupaten Cilacap Provinsi Jawa Tengah. Tools yang digunakan dalam
pembangunan sistem ini adalah Google Maps untuk membuat peta,
PHP/MapScript sebagai bahasa pemograman yang digunakan [7].
Artikel yang berjudul Perancangan Sistem Identifikasi dan Pemetaan
Potensi Kemiskinan untuk Optimalisasi Program Kemiskinan, desain sistem yang
dihasilkan dari penelitian ini digunakan untuk mengidentifikasi masyarakat
miskin dan penentuan program penanggulangan kemiskinan untuk daerah di
Kabupaten Bantul dan akan divisualisasikan dalam bentuk pemetaan potensi
daerah miskin berbasis sistem informasi geografis (SIG). Metode identifikasi yang
dilakukan dengan menggunakan AHP (Analytical Hierarchy Process) [8].
Penelitian yang berjudul Model Prediksi Variabel Makro untuk Menentukan
Daerah Menggunakan Kombinasi Metode Double Exponential Smoothing dan
Page 10
3
Fuzzy MCDM (Studi Kasus: Provinsi Jawa Tengah), mengulas mengenai suatu
model prediksi variabel makro untuk menentukan kerentanan daerah yang akan
miskin pada periode mendatang menggunakan kombinasi metode Double
Exponential Smoothing dan Fuzzy MCDM untuk 29 kabupaten dan 6 kota di
Provinsi Jawa Tengah, metode Double Exponential Smoothing digunakan untuk
memprediksi data variabel makro. Hasil prediksi data variabel makro akan di
evaluasi dengan menggunakan metode Fuzzy MCDM untuk menentukan daerah
yang rentan miskin pada masa yang akan datang [9].
Berdasarkan penelitian yang pernah dilakukan terkait Sistem Informasi
Geografis dan prediksi tingkat kemiskinan, maka akan dilakukan perancangan
sistem informasi geografis serupa untuk menentukan tingkat kemiskinan suatu
daerah yang terdapat di provinsi Jawa Tengah. Beberapa perbedaan dari
penelitian sebelumnya, pada perancangan sistem ini akan digunakan MS4W
(Mapserver For Windows), MS4W digunakan sebagai webserver dalam
mengembangkan web GIS karena dapat mendukung pemrograman Mapscript
untuk memetakan suatu daerah.
Data yang digunakan adalah data makro yang bersifat sekunder, data
diperoleh dari Badan Pusat Statistik Provinsi Jawa Tengah seperti, Persentase
Penduduk Miskin atau Head Count Index (HCI – P0) adalah persentase penduduk
yang berada dibawah garis kemiskinan, kemudian Indeks Kedalaman Kemiskinan
(Proverty Gap Index – P1) adalah ukuran rata-rata kesenjangan pengeluaran
masing-masing penduduk miskin terhadap garis kemiskinan, semakin tinggi nilai
indeks semakin jauh rata-rata pengeluaran penduduk dari garis kemiskinan dan
indeks yang ketiga adalah Indeks Keparahan Kemiskinan (Proverty Severity
Index-P2) yaitu gambaran mengenai penyebaran pengeluaran diantara penduduk
miskin. Semakin tinggi nilai indeks, maka semakin tinggi ketimpangan
pengeluaran diantara penduduk miskin [2].
Metode yang akan digunakan untuk memprediksi indeks kemiskinan di
Provinsi Jawa Tengah adalah dengan motode Triple Exponential Smoothing :
Brown’s One-Parameter Quadratic sebagai metode untuk meramalkan tingkat
kemiskinan di tahun 2015 berdasarkan data yang ada yaitu data tahun 2006 –
2014, kemudian cakupan wilayah yang akan dipetakan adalah seluruh kabupaten
dan kota yang ada di Provinsi Jawa Tengah.
Sistem Informasi Geografis, istilah geografis merupakan bagian dari
spasial (keruangan), dari kedua istilah inilah muncul istilah yang ketiga yaitu
geospasial. Istilah informasi geografis mengandung arti tempat-tempat yang
terletak di permukaan bumi seperti mengenai posisi dimana suatu objek terletak di
permukaan bumi atau mengenai keterangan-keterangan yang terdapat di
permukaan bumi yang posisinya diberikan dan diketahui [10].
Banyak para ahli mencoba mendefinisikan SIG secara lebih operasional,
menurut Burrough 1986 dalam jurnal yang berjudul Sistem Informasi Geografis
dan Urgensinya dalam Pembangunan Nasional mengemukakan bahwa SIG adalah
perangkat alat (tools) yang digunakan untuk mengumpulkan, menyimpan,
mengambil data yang dikehendaki, atau bahkan merubah penayangan data
keruangan yang berasal dari gejala nyata di permukaan bumi. Berbeda dengan
pendapat Arronof pada tahun 1989 yang merumuskan bahwa SIG merupakan
Page 11
4
suatu “sistem” berbasis komputer yang memberikan empat kemampuan untuk
menangani data bereferensi geografis, yakni pemasukkan, pengelolaan atau
manajemen data (penyimpanan dan pengaktifan kembali), manipulasi, analisis dan
keluaran [10].
Sub sistem SIG adalah data atau informasi yang berkaitan dengan
permasalahan yang akan di pecahkan harus dipilih dan diolah melalui pemrosesan
yang akurat. Untuk keperluan tersebut SIG menyediakan sejumlah komponen atau
sub sistem yaitu: Data Input, Data Manipulation dan Analysis, Data Management,
dan Data Output seperti yang telah digambarkan pada Gambar 2. Menampilkan
sebuah peta pada website dibutuhkan beberapa format file untuk meyimpan data
geografis vector seperti Shapefile yang merupakan seperangkat aplikasi SIG [10].
Gambar 2 Ilustrasi uraian subsistem SIG [6]
Shapefile dikembangkan oleh ESRI perusahaan pembuat ArcGIS, shapefile
sebenarnya adalah kumpulan beberapa file yang berbeda.Contohnya seperti
shapefile yang berisi data peta Jawa Tengah: *.shp, *.shx, *.dbf. Shapefile bahkan
mungkin memiliki beberapa file tambahan yang berisi informasi lainnya. Hal ini
tergantung dari apa yang dibutuhkan dan yang akan dilakukan dengan shapefile.
Triple Exponential Smoothing : Brown’s One-Parameter Quadratic
Method seperti halnya dengan pemulusan eksponensial linear yang dapat
digunakan untuk meramalkan data dengan suatu pola tren dasar, dalam bentuk
pemulusan yang lebih tinggi dapat digunakan bila dasar pola datanya adalah
kuadratik, kubik, atau order yang lebih tinggi. Persamaan untuk triple exponential
smoothing (Brown’s One-Parameter Quadratic Method) adalah sebagai berikut :
…………………………………………………………(1)
………………………………………………………...(2)
………………………………………………………….(3)
dengan
……………………………………………………….......(4)
..……………...........(5)
………………………….…………...….……….(6)
dan
………………………….……………...……...…..(7)
Page 12
5
Persamaan yang dibutuhkan untuk pemulusan kuadratik jauh lebih rumit
dari pada persamaan untuk pemulusan tunggal dan linear. Walaupun demikian
pendekatannya dalam menyesuaikan nilai ramalan dapat mengikuti perubahan
tren yang kuadratik adalah sama. Proses inisialisasi pada pemulusan exponential
quadratic dari brown bisa sangat sederhana, jika ditetapkan S 1 = S 1= S 1.
Peramalan di mulai dari periode 2 dan seterusnya, dapat dikatakan bahwa periode
2 nilai S 2 , S 2 dan S 2 dapat dihitung dengan menggunakan pemulusan pertama
pada persamaan (1) kemudian dilanjutkan dengan pemulusan kedua dan ketiga
dengan menggunakan persamaan (2) dan Persamaan (3) [11].
Untuk mendapatkan angka pemulusan dari suatu nilai maka dapat
digunakan persamaan (4-6). Hasil pemulusan dari persamaan (1-6) akan
digunakan untuk mendapatkan nilai peramalan atau forecast dengan
menggunaknan persamaan (7). Metode peramalan yang paling sesuai umumnya
menggunkan metode yang memiliki kesalahan rata-rata (ME = Mean Error) dan
kesalahan persentase absolut (MAPE = Mean Absolut Prosentase Error) yang
paling kecil [11].
Jenis dan Pola Data digunakan sebagai acuan untuk pemilihan metode
dalam melakukan prediksi. Pola data dapat dibedakan menjadi empat jenis, yaitu:
stationer, musiman, siklis dan tren [11]. Secara lebih jelas beberapa pola data
tersebut dapat dilihat seperti pada gambar 11, dengan keterangannya masing-
masing.
Gambar 3 Pola data [11]
Data stationer merupakan pola data horizontal yang berfluktuasi disekitar
nilai rata-rata yang konstan seperti pada Gambar 3a. Data musiman merupakan
pola data yang dipengaruhi oleh faktor musiman (misalnya kuartal waktu tertentu,
bulan, atau hari-hari pada minggu tertentu) sperti pada Gambar 3b. Data siklis
merupakan pola yang terjadi jika data dipengaruhi oleh fluktuasi ekonomi jangka
panjang seperti yang berhubungan dengan siklus bisnis seperti pada Gambar 3c.
Pola data yang terakhir adalah Data tren merupakan pola yang mengalami
Page 13
6
kenaikan atau penurunan sekuler jangka panjang dalam data seperti pada Gambar
3d.
3. Metode Perancangan
Metode perancangan yang akan dilakukan pada penelitian ini akan dierjelas
dengan menggunakan flowchart. Tahap-tahap yang digambarkan dalam flowchart
tersebut akan saling berkaitan antara satu dan yang lainnya. Untuk lebih
memahami tahapan penelitian mulai dari awal hingga tahap akhir tahapan
penelitian secara runtut dapat dilihat pada Gambar 4.
Identifikasi Masalah
Penelusuran Pustaka dan Data
Desain Model
Pengujian
Penyimpulan Hasil
Gambar 4 Flowchart tahapan penelitian
Sesuai dengan Gambar 4. Langkah pertama adalah melakukan identifikasi
masalah kemiskinan, masalah kemiskinan merupakan permasalahan yang cukup
kompleks seperti data indeks angka kemiskinan yang menunjukkan perubahan
terus menurun tetapi dalam frekuensi yang lambat. Maka untuk memaksimalkan
pemantauan daerah yang terdapat di Provinsi Jawa Tengah dapat dikembangkan
sistem prediksi dan pemetaan daerah, sehingga daerah yang kurang mendapat
perhatian dari pemerintah akan lebih terlihat dengan pemetaan yang dilakukan,
kemudian dengan prediksi yang dilakukan dapat membantu pertimbangan untuk
melakukan penentasan kemiskinan untuk periode kedepan. Diharapkan dengan
adanya sistem ini proses penentasan kemiskinan akan berjalan dengan baik dan
tepat sasaran.
Tahap kedua dilakukan penelusuran pustaka dan data sehingga penelitian
yang dilakukan tidak menimbulkan tindak plagiasi. Dalam penelitian ini telah
dilakukan penelusuran pustaka sehingga pada penelitian ini telah didapatkan
beberapa perbedaan dari penelitian sebelumnya. Perancangan sistem akan
dilakukan pemetaan dan peramalan jangka pendek yaitu 1 periode kedepan terkait
kemiskinan di Provinsi Jawa Tengah dengan menggunakan metode Triple
Exponential Smoothing: Brown’s One-Parameter Quadratic. Sumber data yang
digunakan merupakan data sekunder yang diperoleh dari website Badan Pusat
Statistik Jawa Tengah (BPS Jateng) yaitu dari tahun 2006 - 2014.
Objek observasi penelitian ini adalah sebanyak 35 kabupaten/kota di
Propinsi Jawa Tengah. Variabel yang digunakan adalah indikator kemiskinan
yang telah di tetapkan oleh BPS, yaitu Persentase Penduduk Miskin (P0), Index
Page 14
7
Kedalaman (P1) dan Index Keparahan (P2). Tahap ketiga yaitu mendesain
pemodelan sistem dan desain user interface dari sistem yang akan dikembangkan,
pada tahap ini akan menggguakan Unified Modeling Language (UML). Adapun
diagram yang dibuat adalah Use case Diagram dan Activity Diagram. Untuk lebih
memahami use case diagram dapat dilihat pada Gambar 5.
Gambar 5 use case diagram
Seperti pada Gambar 5 menu utama yang ditawarkan untuk user adalah
melihat data indeks kemiskinan setiap daerah yang ada di Provinsi Jawa Tengah
dalam bentuk peta tematik Provinsi Jawa Tengah. Penyajian data indeks
kemiskinan dimaksudkan sehingga untuk melihat persentase kemiskinan setiap
daerah akan lebih mudah, dengan kemudahan pemantauan dengan menggunakan
peta dirasa akan sangat membantu untuk melihat daerah mana saja yang masi
tergolong ke dalam kelompok daerah yang tinggi angka indeks tingkat
kemiskinannya. Selain penyajian data dalam bentuk peta tematik Provinsi Jawa
Tengah data juga di sajikan dalam bentuk tabel dan grfaik. Setelah melihat
penyajian data dalam bentuk tabel sistem juga mempunyai fungsi extend yaitu
user mempunyai hak untuk mengunduh data dalam bentuk tabel dengan ekstensi
.xls, tetapi jika user hanya ingin melihat data yang telah di sediakan, maka user
tidak perlu mengunduh data tersebut. Sistem ini juga menyediakan penyajian data
dalam bentuk grafik, fungsi penggunaan grafik dimaksudkan untuk memudahkan
user yang ingin melihat perbandingan setiap kabupaten/kota.
Pada simsitem informasi geografis ini Admin sangat berperan penting
karena admin yang akan mengolah data prediksi dan data aktual seperti
Menambah Data
Menghapus Data
Mengubah Data
Unduh Data Tabel
Melihat Data Tabel
Melihat Data Aktual Dalam Bentuk
Peta
Melihat Data Aktual Dalam Bentuk
Grafik
Melihat Hasil Prediksi Dalam Bentuk
Peta
User
Proses Prediksi Data Index
Admin
Melihat Semua Data Tabel Indeks
<<include>>
<<include>> <<include>>
<<include>>
Proses Klasifikasi Data Prediksi
<<include>>
<<include>>
Proses Klasifikasi Data Aktual
<<include>>
<<include>>
<<include>>
<<include>>
<<extend>>
Page 15
8
menambah data baru setiap tahun, mengubah data jika terjadi kesalahan
penginputan data, serta menghapus data yang dirasa tidak diperlukan untuk sistem
informasi ini untuk menampilkan data tersebut. User juga dapat melihat pemetaan
wilayah sesuai dengan angka indeks yang telah diprediksi, hasil prediksi ini hanya
satu periode kedepan setelah data aktual.
Gambar 6 Diagram Activity Admin
Activity Diagram menggambarkan bagaimana admin akan menjalankan
sistem mulai dari awal hingga selesai digunakan. Admin pada sistem ini akan
mengolah semua data yang ada di website seperti pada Gambar 6, langkah awal
yang harus dilakukan seorang admin adalah harus mengisi form Login jika
username dan password salah maka akan dikembalikan ke halaman form Login,
tetapi jika benar proses akan masuk ke halaman utama. Pada halaman utama
website admin akan terdapat beberapa fungsi yaitu diantaranya adalah tampilkan
data, menambahkan data aktual serta hasil prediksi, mengubah data, dan
menghapus data. Kemudian admin akan memilih salah satu, setelah itu data yang
mengalami perubahan akan diproses untuk diperbaharui, dan data akan segera
ditampilkan dalam bentuk peta.
Tahap keempat yaitu pengujian, penggunaan bahasa R digunakan untuk
melakukan proses pengujian dan analisa hasil prediksi indeks kemiskinan dengan
Page 16
9
metode Triple Exponential Smoothing : Brown’s One-Parameter Quadratic,
karena data yang diperoleh masih berupa data didalam table, sedangkan
pembanding dari pemetaan wilayah agar sesuai dengan kondisi aktualnya adalah
menggunakan Shapefile (file .shp). Sehingga digunakan MS4W (Mapserver For
Windows) sebagai webserver dalam mengembangkan web GIS karena dapat
mendukung pemrograman Mapscript untuk memetakan suatu daerah. Database
yang akan digunakan adalah PhpMyAdmin untuk menyimpan data aktual dan data
hasil prediksi.
Pengolahan data untuk mengklasifikasikan persentase warga miskin tiap
daerah yang akan dibagi kedalam tiga keadaan yang dilambangkan dengan warna,
warna tersebut adalah merah untuk daerah yang persentasenya tergolong tinggi,
kuning untuk daerah yang tergolong normal, sedangkan hijau untuk
menggolongkan wilayah yang persentase kemiskinannya dibawah angka normal.
Metode yang digunakan untuk mengklasifikasikan persentase kemiskinan
mengacu dari pengolahan data yang dilakukan oleh badan Tenaga Kesejahteraan
Sosial Kecamatan (TKSK) [12].
4. Hasil dan Pembahasan
Hasil dari sistem yang dibangun adalah berupa website dengan fitur utama
yaitu pemetaan indeks persentase kemiskinan (P0), indeks kedalaman kemiskinan
(P1) dan indeks keparahan kemiskinan (P2), kemudian pada website ini juga
dilakukan peramalan untuk ketiga indeks. Peramalan yang dilakukan adalah
peramalan jangka pendek karena peramalan yang dilakukan yaitu satu periode
kedepan yaitu tahun 2015 karena data aktual yang digunakan adalah data indeks
kemiskinan P0, P1 dan P2 dari tahun 2006 sampai dengan tahun 2014.
Model prediksi indeks kemiskinan di Provinsi Jawa Tengah dilakukan
dengan cara menentukan terlebih dahulu pola data dari data indeks kemiskinan
Provinsi Jawa Tengah. Indikasi pola data pada data indeks kemiskinan adalah pola
data tren seperti pada Gambar 7 dengan menggunakan 5 sample data kabupaten
yang mewakili tingkat kemiskinan yang ada dari tahun 2006 sampai dengan 2014,
menunjukkan bahwa pergerakan deret data aktual mengalami penurunan.
Gambar 7. Indikasi Pola Data
Berdasarkan hasil pengamatan pola data yang diindikasikan berpola data
tren maka metode yang akan digunakan untuk melakukan proses prediksi adalah
dengan menggunakan metode Triple Exponential Smoothing : Brown’s One-
Parameter Quadratic. Sampel data aktual yang digunakan adalah satu kabupaten
(Kabupaten Wonosobo) yang digolongkan sebagai daerah dengan indeks
kemiskinan yang selalu tinggi, nilai indeks yang akan digunakan yaitu Indeks P0
Page 17
10
atau persentase kemiskinan, P1 atau indeks kedalaman kemiskinan, dan P2 atau
indeks keparahan kemiskinan pada tahun 2014 yang di tunjukkan seperti pada
Tabel 1.
Tabel 1. Angka Error Hasil Prediksi indeks P0, P1 dan P2(Kabupaten Wonosobo) tahun 2014 Indeks Kemiskinan ME RMSE MAE MPE MAPE EE
P0 -0.52 3.47 2.93 -9.73 24.9 9.20
P1 0.01 0.44 0.38 -7.53 31.72 8.86
P2 0.02 0.18 0.16 -22.93 64.92 25.81
Berdasarkan data Tabel 1, hasil error yang ditunjukkan dari hasil prediksi
metode Triple Exponential Smoothing menghasilkan beberapa nilai galat seperti
ME, RMSE, MAE, MPE, MAPE, dan EE. Nilai error tersebut menunjukkan nilai
yang relatif kecil, pengujian akurasi dilakukan dengan menggunakan nilai
konstanta α=0,2 untuk memperlihatkan kesesuaian yang baik. Melalui hasil
pengujian prediksi dan nilai error ME mendekati angka 0 maka metode TES
Brown’s One-Parameter Quadratic Method akan baik jika digunakan untuk
melakukan prediksi dengan pola data tren. Berikut merupakan algoritma
menggunakan metode TES Brown’s One-Parameter Quadratic
Algoritma 1. Triple Exponential Smoothing : Brown’s One-Parameter Quadratic
Algoritma 1 digunakan untuk melakukan proses prediksi pada data indeks
1 Input:
2
3
4
5
6
7
8
9
10 Function:
11 For to do
12
13 If then
14
15
16
17
18
19
20 Else then
21
22
23
24
25
26 End If
27 If then
28 f
29 Else then
30
31 End If
32 End For
Page 18
11
kemiskinan menggunakan metode TES Brown’s One-Parameter Quadratic.
Proses pertama dilakukan untuk melakukan proses inisialisasi peramalan seperti
pada kode baris (2-10). Pada potongan kode (12) merupakan inisialisasi untuk
nilai I = 1 sampai dengan data sebanyak N, baris (13) inisialisasi nilai alpha =
0.1. Jika nilai I bernilai 1 maka akan mengerjakan baris (14- 20), tetapi jika nilai I
lebih besar dari 1 maka program akan menjalankan baris (22 – 27).
Proses forecasting sendiri dimulai dari indeks data ketiga dikarenakan
dalam mencari nilai forecasting pada indeks pertama tidak dapat dilakukan karena
nilai , dan ct tidak dapat dicari dan untuk indeks data kedua dalam mencari
nilai forecasting diperlukan nilai , dan ct dari indeks sebelumnya sehingga
dapat diketahui rumus yang digunakan dalam menentukan nilai forecasting
menggunakan metode TES Brown’s One-Parameter Quadratic adalah kode baris
(30). Dengan menggunakan data P0 pada Tebel 2, maka perhitungan dilakukan
untuk periode 10, dengan mengambil = 0.2.
dan
Sehingga
Demikian juga untuk peramalan periode 10 atau tahun 2015
Sampel hasil percobaan menggunakan TES Brown’s One-Parameter
Quadratic Method dengan data aktual dari tahun 2006 sampai dengan 2014 pada
salah satu kabupaten/ kota (Kabupaten Wonosobo). Kabupaten Wonosobo
merupakan daerah yang dijadikan objek penelitian karena memiliki indeks
kemiskinan tertinggi setiap tahun. Hasil prediksi menunjukkan nilai perhitungan
peramalan data dari indeks kemiskinan P0 (Index Persentase), P1 (Index
Kedalaman) dan P2 (Index Keparahan) di Kabupaten Wonosobo pada tahun 2015
menunjukkan nilai lebih cenderung menurun. Nilai P0 pada tahun 2006
menunjukkan angka 34,43 kemudian pada tahun 2007 dengan angka 32,29 dan
pada tahun 2008 menunjukkan angka 27,72. Angka tersebut menunjukkan terjadi
Page 19
12
penurunan tetapi tidak begitu banyak. Perubahn angka pada variabel lainnya
seperti P0 (Index Persentase), P1 (Index Kedalaman) dan P2 (Index Keparahan)
setiap tahun dapat dilihat seperti pada Tabel 2.
Tabel 2. Hasil Prediksi dengan TES Brown’s One-Parameter Quadratic Method(Kab. Wonosobo)
Metode yang digunakan untuk mengklasifikasikan tingkat kemiskinan suatu
daerah mengacu dari pengolahan data yang dilakukan oleh badan Tenaga
Kesejahteraan Sosial Kecamatan (TKSK) [12], secara umum dapat digambarkan
dengan algoritma sebagai berikut
Algoritma 2 Metode Klasifikasi Tingkat Kemisknan
Baris 2 sampai dengan baris 5 pada algoritma 2 merupakan inisialisasi untuk
menjalankan algoritma, baris 7 dan 8 merupakan kondisi dimana jika nilai dari
indeks kemiskinan lebih kecil atau sama dengan 0 maka akan ditampilkan warna
hitam pada peta. Baris 9 dan 10, jika nilai dari indeks kemiskinan lebih besar dari
0 dan nilai indeks kemiskinan lebih kecil atau sama dengan nilai rata-rata indeks
Tahun Variabel
P0 P1 P2
2006 34.43 7.1 2.05
2007 32.29 6.44 2.01
2008 27.72 8.07 2.86
2009 15.19 5.14 1.54
2010 23.15 3.96 1.09
2011 24.21 4.52 1.25
2012 22.5 3.91 1.04
2013 22.08 4.26 1.25
2014 21.42 3.91 1.09
Prediksi
2015 18.90 3.19 1.15
1 Input:
2 Nilai = nilai indeks kemiskinan Kab./Kota
3 Ind = nilai rata-rata Indeks Kemiskinan Indonesia
4 Jateng = Nilai rata-rata Indeks Kemiskinan Provinsi Jawa Tengah
5 Warna = jenis warna
6 Function:
7 IF nilai <= 0 then
8 Warna = black
9 Else IF (nilai > 0) and (nilai <= Ind) then
10 Warna = Green
11 Else IF (nilai > Ind) and (nilai <= Jateng) then
12 Warna = yellow
13 Else then
14 Warna = Red
15 End IF
Page 20
13
Indonesia maka akan di tampilkan warna hijau. Baris 11 dan baris 12, tetapi jika
nilai indeks kemiskinan suatu daerah lebih besar dari nilai rata-rata indeks
kemiskinan Indonesia dan nilai lebih kecil atau sama dengan nilai rata-rata indeks
kemiskinan Jawa Tengah maka akan ditampilkan warna kuning, pada bari 13 dan
baris 14 jika nilai lebih besar dari semua rata-rata indeks kemiskinan baik
Indonesia maupun Jawa Tengah maka akan ditampilkan warna merah pada peta.
Nilai rata-rata indeks kemiskinan Indonesia dan Jawa Tengah didapat dari
website resmi BPS Jateng, sedangkan nilai untuk rata-rata Indeks Indonesia dan
Jawa Tengah untuk batasan peramalan, nilai tersebut juga di ramalkan sehingga
setiap nilai yang gunakan akan di dilakukan peramalan terlebih dahulu kemudian
mengkalsifikasikannya seperti pada Algoritma 2.
Berdasarkan data aktual variabel indeks kedalaman kemiskinan Pada tahu
2014 Hasil yang akan ditampilkan pada halaman web dapat dilihat pada Gambar
9. Terdapat 16 kabupaten/ kota yang tergolong tingkat kemiskinannya rendah
daerah tersebut adalah Kab. Jepara, Kab. Pati, Kab. Kudus, Kab. Tegal, Kab.
Wonogiri, Kab. Sukoharjo, Kab. Boyolali, Kab. Batang, Kab. Temanggung, Kab.
Semarang, Kota Magelang, Kota Surakarta, Kota Salatiga, Kota Semarang, Kota
Tegal, Kota Pekalongan. Untuk daerah yang tergolong tingkat kemiskinannya
sedang atau berada diantara rata-rata indeks kemiskinan Indonesia dan Provinsi
Jawa Tengah terdapat 9 kabupaten/ kota yaitu Kota Pekalongan, Kab. Blora, Kab.
Sragen, Kab. Purworejo, Kab. Demak Kab. Karanganyar, Kab. Kendal, Kab.
Pekalongan, Kab. Klaten. Daerah yang tergolong tingkat kemiskinannya tinggi
ada 10 kab/Kota seperti Kab. Rembang, Kab. Grobogan, Kab. Wonosobo, Kab.
Kebumen, Kab. Cilacap, Kab. Banyumas, Kab. Purbalingga, Kab. Pemalang, Kab.
Brebes, Kab. Banjarnegara
Gambar 9. Hasil Pemetaan data indeks kedalaman tahun 2014
Pada menu prediksi tidak berbeda jauh dari menu pemetaan karena
penyajian keluaran data dari hasil prediksi akan divisualisasikan dalam bentuk
peta tematik Provinsi Jawa Tengah dan hasil prediksi hanya 1 periode kedepan
dari dari data actual yang ada, begitu juga dengan tampilan interface yang dapat
Page 21
14
dilihat seperti pada Gambar 10 yang merupakan hasil pemetaan angka indeks
Kedalaman Kemiskinan yaitu tahun 2015.
Gambar 10. Hasil Prediksi Indeks P1 tahun 2015
Hasil dari pemetaan indeks kemiskinan yang telah di prediksi terlihat
banyak daerah yang tergolong tinggi angka kemiskinannya. Indeks kemiskinan
yang yang diramalakan tidak hanya kab/kota yang ada di Provinsi Jawa Tengah,
pada peneliatan ini, juga dilakukan peramalan Indeks kemiskinan di Indonesia dan
Indeks kemiskinan Jawa Tengah sehingga untuk menentukan daerah sesuai
dengan golongannya dapat dilakukan. Meskipun hasil dari prediksi kab/kota
menunjukkan pola data yang cenderung menurun tetapi karena hasil prediksi
indeks kemiskinan Indonesia dan Jawa Tengah tidak terlalu banyak mengalami
penurunan sehingga jika dibuat perbandingan antara data kab/kota yang ada di
Provinsi Jawa Tengah dan Indonesia kob/ kota yang ada masih terhitung tinggi
karena banya kab/ kota yang mempunyai nilai lebih tinggi dari hasil peramalan
inkdeks jawa tengah.
5. Kesimpulan
Hasil prediksi yang dilakukan menggunakan metode Triple Exponential
Smoothing : Brown’s One-Parameter Quadratic dengan data indeks kemiskinan
P0, P1 dan P2 seluruh kabupaten dan kota yang ada di Provinsi Jawa Tengah
mengalami penurunan. Peramalan yang dilakukan pada indeks kemiskinan
Indonesia dan Jawa Tengah yang merupakan pembanding indeks kemiskinan juga
mengalami penurunan tetapi tidak banyak, sehingga hasil pemetaan yang
dilakukan pada website dengan menggunakan SIG banyak daerah yang akan
tinggi indeks kemiskinannya atau berwarna merah pada periode 2015.
Data aktual yang diperoleh dapat dilihat pola keruangannya dengan
menggunakan SIG yang merupakan metode dan teknologi yang mampu
melakukan pemetaan yang semula sangat sulit untuk dilakukan secara manual.
Membangun sistem informasi geografis, digunakan beberapa jenis file untuk
menampilkan data dalam bentuk peta tematik Provinsi Jawa Tengah, beberapa
Page 22
15
format tersebut adalah seperti: Jateng.shx atau file indeks dalam ArcView,
Jateng.dbf atau atribut layer pada peta, Jateng.shp atau hasil digitasi untuk tiap
layer objek pemetaan, Jateng.png dan Jateng.jpg yaitu file gambar yang akan
digunakan dalam sistem.
Dari hasil pemodelan sistem informasi geografis ini diharapkan untuk
pengembangan selanjutnya dapat mempersempit daerah seperti setiap kecamatan
agar pemantauan tingkat kemiskinan bisa lebih spesifik.
6. Daftar Pustaka
[1] Republik Indonesia, 2014, PERPRES No.166 Tahun 2014 tentang
Percepatan Penanggulangan Kemiskinan, Sekretariat Kabinet RI. Jakarta
[2] Badan Pusat Statistika (BPS), 2014, Data dan Informasi Kemiskinan Jawa
Tengah 2010 – 2014.ISSN : 2407-3369,No. Publikasi : 33520.1604, Katalog
BPS : 3205008.33
[3] Taslim Gunarto W, 2015, Kondisi Umum Kemiskinan Provinsi Jawa
Tengah, http://binsos.jatengprov.go.id. Diakses tanggal 10 Oktober 2016
[4] SMERU Research Institute, 2012, Mengintegrasikan Aspek Kemiskinan ke
dalam Perencanaan Spasial Perkotaan: Solusi Untuk Mengatasi Kemiskinan
Perkotaan, Catatan Kebijakan, No. 01/2012. Jakarta: Indonesia.
[5] Bernhardsen, T, 2002, Geographic Information Systems: An Introduction,
3rd Edition, John Wiley & Sons Ltd, Canada.
[6] Mardiana, Rina, 2011, Sistem Informasi Penduduk Miskin Berbasis GIS,
Tugas Akhir, Universitas Islam Negri Sultan Syarif Kasim Riau, Universitas
Islam Negri Sultan Syarif Kasim Riau – Pekanbaru.
[7] Dimas Prawesta, Putra, 2014, SistemInformasi Geografis Untuk Pemetaan
Kemiskinan di Kabupaten Cilacap Berbasis Web (Studi Kasus : Badan
Pusat Statistik Cilacap), Other Tesis, UPN “Veteran” Yogyakarta.
[8] Redjeki, Sri. Et al, 2014, Perancangan Sistem Identifikasi dan Pemetaan
Potensi Kemiskinan untuk Optimalisasi Program Kemiskinan, Jurnal Sistem
Informasi (JSI), Vol. 6 No 2, pp.731-743.
[9] Baramuli, Alessandro C. et al, 2014, Model Prediksi Variabel Makro untuk
Menentukan Daerah Menggunakan Kombinasi Metode Double Exponential
Smoothing dan Fuzzy MCDM (Studi Kasus: Provinsi Jawa Tengah),
Laporan Penelitian Master of computer science, UKSW-Salatiga
[10] Suwandi Adi, Annisa, Jaya A.K, 2000, Peramalan Data Time Series dengan
Metode Penghalusan Exponensial Holt-winters,http://repository.unhas.ac.id
/bitstream/handle/123456789/13834/JURNAL.pdf?sequence=1. Diakses
tanggal 14 Oktober 2016.
[11] Makridakis, S, dkk, 1999, Metode dan Aplikasi Peramalan, Jilid 1, Edisi
kedua, Binarupa Aksara, Jakarta
[12] Gunarto, W. Taslim, 2015, Perlunya Akurasi Data PPLS 2011 dan Peran
TKSK Dalam Validasi , Konsultan TKPK Provinsi Jawa Tengah