Model Regresi Logistik Biner dan Metode CART dalam Klasifikasi Status Desa Di Bali

Abstract

Pulau Bali merupakan pusat pariwisata di Indonesia yang menjadi tujuan favorit pelancong baik dari mancanegara maupun lokal. Oleh karena itu, perekonomian masyarakat Bali sangat bergantung pada kondisi pariwisata. Namun pembangunan yang terjadi tidak merata pada seluruh wilayah. Hal ini disebabkan oleh beberapa hal misalnya jauhnya desa tersebut dari ibu kota. Untuk menanggulangi hal tersebut pemerintah sebaiknya mencari strategi bagaimana cara menanggulangi kesenjangan pembangunan antar desa tersebut. Langkah pertama yang harus dilakukan pemerintah adalah mencari tahu peubah-peubah yang mempengaruhi status tingkat kemajuan desa di Bali. Analisis yang dapat digunakan untuk membuat klasifikasi adalah metode regresi logistik biner dan metode CART (Classification and Regression Trees). Tujuan dari penelitian ini adalah menerapkan analisis regresi logistik biner dan metode CART untuk melihat hubungan antara peubah respon status desa dan peubah penjelas potensi desa yang mempengaruhi status desa di Bali serta membandingkan hasil dari kedua metode tersebut. Peubah penjelas dalam kasus ini sebanyak 15 peubah. Sebelum melakukan kedua analisis tersebut terlebih dahulu dilakukan kategori ulang peubah penjelas. Dari 15 peubah penjelas tersebut yang berpengaruh signifikan terhadap peubah respon status desa dari hasil regresi logistik biner yaitu bahan bakar, jamban, fasilitas pendidikan, tenaga kesehatan, dan sinyal HP. Model regresi logistik yang terbentuk menghasilkan nilai ketepatan prediksi sebesar 75,8%. Analisis pohon regresi yang terbentuk pada kasus ini menghasilkan pohon optimum dengan tiga simpul terminal. Peubah penjelas yang masuk ke dalam pohon regresi yaitu telepon kabel dan jamban. Peubah yang menjadi penyekat utama adalah peubah kepemilikan telepon kabel. Metode regresi logistik biner dan metode CART dapat disimpulkan secara umum sudah cukup baik dalam memprediksi peubah respon dilihat dari kecilnya perbedaan perbandingan hasil dengan menggunakan nilai ketepatan prediksi dan kurva ROC.