Mengurai Kemiskinan lewat Statistik dan Machine Learning: Studi Kasus Pulau Jawa | Data Science

by bdssby@telkomuniversity.ac.id

23/06/2025

Kegiatan Riset

Halo Sobat Data!

Selamat datang pada sesi #IDEA (Insight Data Eksplorasi Akademik). Di sini, Sobat Data akan diajak mengeksplorasi jurnal penelitian yang menyoroti temuan utama, data yang digunakan, hingga potensi dampaknya di dunia nyata.

Yuk, kita jelajahi kekayaan ilmu dari sains data dan temukan inspirasi baru yang bisa diaplikasikan! Pastikan kamu simak sampai akhir agar tidak ketinggalan insight berharga ya Sobat Data!

Pada edisi kali ini, Sobat Data akan diajak menjelajahi jurnal dari Ibu Regita Putri Permata, S.Stat., M.Stat. dan Ibu Rifdatun Ni’mah, S.Si., M.Si. Judul jurnalnya cukup teknikal yaitu Analisis Regresi Logistik Biner Multilevel pada Status Kemiskinan di Pulau Jawa menggunakan Algoritma MCMC Metropolis-Hasting. Tapi tenang, kita bakal bahas isinya dengan santai dan mudah dipahami.

Di tengah tantangan kemiskinan yang masih menghantui sejumlah wilayah di Pulau Jawa, dua dosen dari Telkom University Surabaya mencoba melihat persoalan ini lewat sudut pandang yang berbeda. Dalam artikel ilmiahnya, Ibu Regita Putri Permata dan Ibu Rifdatun Ni’mah memanfaatkan model regresi logistik biner multilevel untuk memahami bagaimana IPM (Indeks Pembangunan Manusia) dan dana bantuan sosial BPNT memengaruhi status kemiskinan suatu daerah.

Yang menarik, penelitian ini tidak berhenti di angka-angka. Data kemiskinan yang digunakan disusun dalam struktur bertingkat yaitu kabupaten/kota sebagai level pertama, dan provinsi sebagai level kedua. Pendekatan ini penting karena kenyataannya, kondisi satu kabupaten tentu sangat dipengaruhi oleh kebijakan dan kapasitas provinsi tempat ia berada. Untuk mengolah model yang kompleks seperti ini, mereka menggunakan algoritma Metropolis-Hasting, sebuah metode sampling dalam keluarga MCMC (Markov Chain Monte Carlo), yang juga sering digunakan dalam machine learning berbasis Bayesian.

Dari hasil analisis, ditemukan bahwa IPM memang punya pengaruh yang jelas terhadap status kemiskinan. Semakin tinggi IPM suatu daerah, semakin kecil kemungkinan daerah itu masuk kategori miskin. Sementara itu, dana bantuan BPNT ternyata tidak serta merta menurunkan kemiskinan justru, pengaruhnya baru terasa saat dikombinasikan dengan IPM yang baik. Artinya, program bantuan akan lebih efektif ketika masyarakat juga punya kualitas hidup dan akses pendidikan yang layak.

Namun bukan hanya itu aja. Penelitian ini membuka wawasan bahwa data sosial yang selama ini dianggap sulit dimodelkan secara presisi sebenarnya bisa dianalisis dengan pendekatan yang serupa dengan yang dipakai dalam data science modern. Misalnya, penggunaan model multilevel mirip seperti struktur jaringan berlapis dalam deep learning, di mana satu node (dalam hal ini kabupaten/kota) dipengaruhi oleh level di atasnya (provinsi). Model ini juga memanfaatkan probabilitas, distribusi, dan sampling yaitu konsep inti dalam machine learning berbasis Bayesian.

Lebih jauh, studi ini juga menjadi contoh bahwa analisis data bukan sekadar prediksi, tapi juga untuk menggali insight kebijakan. Hasil model yang menunjukkan interaksi signifikan antara IPM dan bantuan sosial bisa membantu pemerintah dalam menyusun program yang lebih terarah dan tepat sasaran. Misalnya, alih-alih menyebar bantuan secara merata, program bisa difokuskan ke daerah-daerah dengan IPM yang sudah cukup kuat agar dampaknya lebih terasa.

Buat para praktisi maupun mahasiswa di bidang sains data, ini bisa jadi contoh nyata bagaimana metode statistik klasik bisa bersinergi dengan teknik komputasi modern untuk menyelesaikan persoalan riil. Di era saat ini, kemampuan membaca data dengan konteks yang kuat terutama untuk isu-isu sosial seperti kemiskinan merupakan bagian penting dari peran data scientist yang tidak hanya canggih secara teknis, tapi juga relevan secara sosial.

Berikut beberapa hasil yang telah dilakukan Ibu Regita dan Ibu Rini :