| dc.description.abstract | Di era big data tersedia data dalam skala yang semakin besar dan cepat serta karakteristik yang kompleks. Kondisi ini memberikan peluang besar bagi pengembangan analisis statistika. Data umumnya memiliki hubungan nonlinier antar-peubah, keheterogenan data, ketidakseimbangan kelas dan struktur data berhierarki atau berkelompok. Karakteristik tersebut menyebabkan metode analisis konvensional kurang memadai sehingga diperlukan pendekatan yang lebih fleksibel dan adaptif terhadap kondisi data. Pendekatan tersebut diharapkan tidak hanya meningkatkan akurasi prediksi tetapi juga merepresentasikan struktur data secara tepat.
Hutan acak (Random Forest/RF) merupakan salah satu metode pembelajaran mesin (Machine Learning/ML) yang memiliki kemampuan prediksi yang baik. Metode ini mampu menangkap hubungan nonlinier dan cocok untuk data berdimensi tinggi namun belum mengakomodasi keragaman lokal data secara optimal. Salah satu pengembangannya adalah hutan acak terampat (Generalized Random Forest/GRF) yang menggunakan mekanisme pembobotan lokal adaptif untuk menangkap keragaman lokal. Struktur data berhierarki dengan respons dari sebaran keluarga eksponensial umumnya dimodelkan menggunakan model pengaruh campuran terampat. Salah satu pengembangannya dalam ML adalah hutan acak dengan pengaruh campuran terampat (Generalized Mixed Effects Random Forest/GMERF). Hasil penelitian menunjukkan bahwa GMERF memiliki kinerja yang kompetitif dan relatif kekar tetapi GMERF memiliki keterbatasan dalam mengakomodasi keragaman lokal. Keterbatasan tersebut mendorong pengembangan hutan acak terampat dengan pengaruh campuran terampat (Generalized Mixed Effects Generalized Random Forest/GMEGRF). Model ini mengintegrasikan keunggulan GRF dalam menangkap keragaman lokal dengan model pengaruh campuran terampat. Di sisi lain, penyusunan kebijakan berbasis bukti memerlukan informasi hingga tingkat wilayah kecil. Keterbatasan ukuran contoh pada wilayah kecil menyebabkan pendugaan langsung kurang memadai sehingga diperlukan pendekatan pendugaan area kecil (Small Area Estimation/SAE). Berdasarkan kebutuhan tersebut penelitian ini memperluas GMEGRF ke dalam kerangka SAE.
Penelitian ini terdiri atas empat tahapan yaitu mengevaluasi kinerja GRF, mengevaluasi GMERF, mengembangkan GMEGRF dan memperluas GMEGRF ke dalam kerangka SAE (SAE GMEGRF). Analisis data empiris menggunakan data kerawanan pangan di Provinsi Jawa Barat tahun 2021. Pemilihan data ini didasarkan pada relevansi kerawanan pangan sebagai isu pembangunan yang sejalan dengan target Sustainable Development Goals dan juga besarnya jumlah penduduk dan tingkat kerawanan pangan di Provinsi Jawa Barat. Kondisi tersebut memerlukan informasi statistik yang akurat dalam perumusan kebijakan yang tepat.
Kajian pertama menunjukkan bahwa GRF menghasilkan prediksi yang lebih stabil dan seimbang pada data dengan pengaruh tetap dan kelas respons tidak seimbang. Peubah penting yang berkaitan dengan kerawanan pangan rumah tangga meliputi kepemilikan rekening tabungan bank, jenis bahan material lantai rumah, status bantuan pangan, luas rumah, pendidikan terakhir kepala rumah tangga, status Program Keluarga Harapan (PKH) dan status Penerima Bantuan Iuran (PBI) jaminan kesehatan.
Kajian kedua menunjukkan adanya keragaman antar-kecamatan yang cukup besar sehingga pemodelan dengan pengaruh acak diperlukan untuk merepresentasikan struktur data secara lebih tepat. GMERF memiliki kinerja yang kompetitif dalam memodelkan data kerawanan pangan dengan pengaruh campuran. Peubah penting pada kajian ini meliputi pendidikan terakhir kepala rumah tangga, luas rumah, kepemilikan rekening tabungan bank, jenis bahan material lantai rumah, status kepemilikan aset rumah dan/atau tanah, serta status bantuan pangan.
Kajian ketiga menunjukkan bahwa GMEGRF sebagai pengembangan GMERF mampu meningkatkan fleksibilitas pemodelan pada data yang kompleks. Hasil ANOVA faktorial menunjukkan bahwa metode berpengaruh signifikan terhadap performa model. Besar kecilnya performa model juga dipengaruhi oleh bentuk pengaruh tetap, keseimbangan respons dan keragaman pengaruh acak. Pada data empiris GMEGRF menghasilkan prediksi yang baik. Model ini dapat menjadi alternatif model pengaruh campuran terampat berbasis ML yang adaptif untuk menangkap hubungan kompleks dan struktur berhierarki. Peubah penting pada kajian ketiga meliputi kepemilikan rekening tabungan bank, luas rumah, jenis bahan material lantai rumah, pendidikan terakhir kepala rumah tangga, status bantuan pangan dan jenis bahan material dinding rumah.
Secara keseluruhan ketiga kajian diketahui bahwa peubah penting yang konsisten berkaitan dengan kerawanan pangan rumah tangga meliputi kepemilikan rekening tabungan bank, luas rumah, jenis bahan material lantai rumah, pendidikan terakhir kepala rumah tangga dan status bantuan pangan. Temuan tersebut menunjukkan bahwa kerawanan pangan rumah tangga di Provinsi Jawa Barat tahun 2021 berkaitan dengan karakteristik sosial ekonomi rumah tangga. Karakteristik tersebut mencakup akses terhadap layanan keuangan, kondisi tempat tinggal, tingkat pendidikan kepala rumah tangga dan kerentanan sosial ekonomi. Hasil ini memberikan gambaran mengenai indikator yang relevan dalam mengidentifikasi rumah tangga yang berisiko mengalami kerawanan pangan. Hasil ini juga dapat menjadi informasi pendukung dalam penyusunan kebijakan penanganan kerawanan pangan.
Kajian keempat menunjukkan bahwa hasil simulasi SAE GMEGRF mampu meningkatkan ketelitian pendugaan area kecil dibandingkan penduga langsung dan SAE GMERF terutama pada kondisi data yang kompleks. Analisis data empiris dengan SAE GMEGRF menghasilkan pendugaan tingkat kecamatan sehingga mampu mengidentifikasi wilayah dengan tingkat kerawanan pangan yang relatif tinggi secara lebih jelas. Informasi tersebut dapat digunakan untuk menentukan wilayah prioritas dalam penanganan kerawanan pangan dan mendukung perumusan kebijakan yang lebih tepat sasaran. | |
