On Comparison of Logistic Regression and Multivariate Adaptive Regression Spline (MARS) Analysis for Modeling Poverty Data in Jakarta.

Abstract

Teknik klasifikasi merupakan metode statistika yang digunakan untuk menyusun data secara sistematis. Metode klasifikasi yang baik menghasilkan jumlah kesalahan klasifikasi yang minimal. Regresi Logistik dan Multivariat Adaptive Regression Spline (MARS) dapat diterapkan untuk mengklasifikasikan variabel hasil sebagai objek berdasarkan beberapa variabel penjelas. Tujuan penelitian ini adalah untuk memodelkan kemiskinan dengan beberapa faktor yang berpengarus secara signifikan berkaitan dengan pendidikan, kondisi rumah, ekonomi, dan fasilitas listrik dengan menggunakan Regresi Logistik dan MARS. Selain itu, tujuan penelitian ini adalah untuk membandingkan kedua model yang sudah didapat. Kurva ROC, nilai APER, dan nilai Press'Q diimplementasikan sebagai kriteria akurasi klasifikasi. Analisis ini menggunakan data kemiskinan di DKI Jakarta berdasarkan Indonesian Family Life Survey 2014/2015. Hasil penelitian menunjukkan bahwa variabel yang secara signifikan mempengaruhi kemiskinan di DKI Jakarta adalah jenis atap utama (X4), mayoritas akses toilet (X5), sumber penerangan (X6), sumber air minum (X7), sumber utama untuk memasak sehari-hari (X8), konsumsi pakaian (X10), total pendapatan kepala rumah tangga (X13), dan tabungan ekonomi (X15). Menurut kriteria klasifikasi, kedua model tersebut sama baiknya karena dua metode memiliki kemampuan prediksi yang tinggi untuk klasifikasi kemiskinan. Nilai APER untuk MARS adalah 14,39% dan untuk Regresi Logistik adalah 14,41%. Berdasarkan kurva ROC, area di bawah kurva model MARS cukup besar dibandingkan dengan Regresi Logistik. Nilai Press'Q pada kedua model stabil mengindikasikan kedua pendekatan tersebut sesuai untuk menganalisis data kemiskinan di DKI Jakarta. Dapat disimpulkan bahwa metode regresi logistik lebih baik digunakan dalam hal kegunaan, karena memiliki tahap analisis data yang lebih sederhana dan melibatkan variabel prediktor yang lebih sedikit.