Perbandingan Kerja Binomial GLMM Tree dan BIMM Forest untuk Memodelkan Status Bekerja Penduduk
DOI:
https://doi.org/10.25126/jtiik.20241117531Kata Kunci:
GLMM Tree, BiMMForest, Status BekerjaAbstrak
Model prediksi berbasis pada pohon keputusan saat ini banyak dikembangkan di berbagai bidang. Pengembangan metode yang dilakukan diantaranya memasukkan pengaruh acak ke dalam model. Generalized linier mixed model (GLMM) Tree menjadi salah satu model yang dapat mengakomodasi adanya pengaruh acak dan dilakukan dengan metode partisi rekursif hanya saja waktu komputasi yang dibutuhkan relatif lebih lama. Selanjutnya metode alternatif lainnya adalah Binary Mixed Model (BiMM) Forest yang menggabungkan prinsip kerja Bayesian GLMM dan Random Forest. Dari kedua metode yang akan digunakan maka permasalahan yang dihadapi adalah bagaimana kinerja dari metode GLMM Tree dan BiMM Forest jika diterapkan untuk klasifikasi status bekerja penduduk di Kabupaten Bogor dan Kabupaten Pangandaran. Dari hasil analisis tampak bahwa metode BiMM Forest memiliki kinerja yang lebih baik di bandingkan dengan GLMM Tree untuk kedua daerah. Selain itu ditunjukkan pula bahwa peubah yang penting dalam proses klasifikasi status bekerja penduduk di Kabupaten Bogor dan Kabupaten Pangandaran adalah peubah terkait aspek pendidikan, sosial, dan ekonomi.
Downloads
Referensi
AKBAR, I. A., & KURNIAWAN, R. (2020). Pemodelan Nowcasting Tingkat Pengangguran Terbuka Menggunakan Data Google Trends Dengan Metode Antlion Optimization-Support Vector Regression. Seminar Nasional Official Statistics, 2020(1), 760–770. https://doi.org/10.34123/SEMNASOFFSTAT.V2020I1.504
ALAM, S. (2016). Tingkat Pendidikan dan Pengangguran di Indonesia (Telaah Serapan Tenaga Kerja Sma/Smk dan Sarjana). Jurnal Ilmiah Bongaya, 1(1), 250–257. https://ojs.stiem-bongaya.ac.id/JIB/article/view/19
ALI, J., KHAN, R., AHMAD, N., & MAQSOOD, I. (2012). Random Forests and Decision Trees. www.IJCSI.org
Bappenas. (2020, July 15). Tingkatkan Pemerataan Pendidikan Berkualitas di Indonesia. Https://Bappenas.Go.Id/Index.Php/Berita/Tingkatkan-Pemerataan-Pendidikan-Berkualitas-Di-Indonesia-3Sabe.
BERMAN, B., JOHNSON, W. O., & SHEN, W. (2022). Normal Approximation for Bayesian Mixed Effects Binomial Regression Models. Bayesian Analysis, 1(1). https://doi.org/10.1214/22-ba1312
BPS Provinsi Jawa Barat. (2022). Booklet Survei Angkatan Kerja Nasional Provinsi Jawa Barat.
BREIMAN, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324/METRICS
FOKKEMA, M., EDBROOKE-CHILDS, J., & WOLPERT, M. (2020). Generalized linear mixed-model (GLMM) trees: A flexible decision-tree method for multilevel and longitudinal data. https://doi.org/10.1080/10503307.2020.1785037
FOKKEMA, M., SMITS, N., ZEILEIS, A., HOTHORN, T., & KELDERMAN, H. (2018). Detecting treatment-subgroup interactions in clustered data with generalized linear mixed-effects model trees. Behavior Research Methods, 50(5), 2016–2034. https://doi.org/10.3758/s13428-017-0971-x
FOKKEMA, M., SMITS, N., ZEILEIS, A., HOTHORN, T., & KELDERMAN, H. (2023). Generalized Linear Mixed Model Trees [R package glmertree version 0.2-3]. Behavior Research Methods, 50(5), 2016–2034. https://doi.org/10.3758/S13428-017-0971-X
KURNIAWATI, N. A., KURNIAWATI, N. A., & BUDIANTARA, I. N. (2020). Pemodelan Tingkat Pengangguran Terbuka di Provinsi Jawa Barat Menggunakan Regresi Nonparametrik Spline Truncated. Jurnal Sains Dan Seni ITS, 8(2), D334–D340. https://doi.org/10.12962/j23373520.v8i2.48239
MALIK, W. A., MARCO-LLORCA, C., BERENDZEN, K., & PIEPHO, H. P. (2019). Choice of link and variance function for generalized linear mixed models: a case study with binomial response in proteomics. Https://Doi.Org/10.1080/03610926.2019.1599021, 49(17), 4313–4332. https://doi.org/10.1080/03610926.2019.1599021
NOVIANTI, E. (2019). Kesenjangan Gender Tingkat Pengangguran Terbuka Di Indonesia. Jurnal Pendidikan Dan Ekonomi, 8(2), 166–174. https://doi.org/10.1016/J.RED.2017.12.005
OFORI, M. F., TWUM, S. B., & OSBORNE, J. A. Y. (2020). Comparison of Generalized Linear Model and Generalized Linear Mixed Model – An Application to Low Birth Weight Data. Asian Journal of Probability and Statistics, 31–37. https://doi.org/10.9734/AJPAS/2020/V8I330208
ROBIN, X., TURCK, N., & HAINARD, A. (2023, May 13). Display and Analyze ROC Curves [R package pROC version 1.18.2]. Comprehensive R Archive Network (CRAN). https://CRAN.R-project.org/package=pROC
SEPTIYANTO, W. G., & TUSIANTI, E. (2020). Analisis Spasial Tingkat Pengangguran Terbuka di Provinsi Jawa Barat. Jurnal Ekonomi Indonesia, 9(2), 119–131. https://doi.org/10.52813/JEI.V9I2.40
SIM, J., & WRIGHT, C. C. (2005). The Kappa Statistic in Reliability Studies: Use, Interpretation, and Sample Size Requirements. Physical Therapy, 85(3), 257–268. https://doi.org/10.1093/PTJ/85.3.257
SPEISER, J. L., WOLF, B. J., CHUNG, D., KARVELLAS, C. J., KOCH, D. G., & DURKALSKI, V. L. (2019A). BiMM forest: A random forest method for modeling clustered and longitudinal binary outcomes. Chemometrics and Intelligent Laboratory Systems, 185, 122–134. https://doi.org/10.1016/j.chemolab.2019.01.002
SPEISER, J. L., WOLF, B. J., CHUNG, D., KARVELLAS, C. J., KOCH, D. G., & DURKALSKI, V. L. (2019B). BiMM forest: A random forest method for modeling clustered and longitudinal binary outcomes. Chemometrics and Intelligent Laboratory Systems, 185, 122–134. https://doi.org/10.1016/j.chemolab.2019.01.002
SUSANTO, E., ROCHAIDA, E., & ULFAH, Y. (2017). Pengaruh inflasi dan pendidikan terhadap pengangguran dan kemiskinan. INOVASI, 13(1), 19–27. https://doi.org/10.30872/JINV.V13I1.2435
ZEILEIS, A., HORNIK, K., & WIEN, W. (2008). Model-based Recursive Partitioning. Journal of Computational and Graphical Statistics, 17(2), 492–514. https://doi.org/10.1198/10618600SX319331
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Jurnal Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
