Gambar 1 Perkembangan Persentase Penduduk Miskin, Maret 2010 September 2014 [2]

1 1. Pendahuluan

Kemiskinan merupakan persoalan mendasar yang dihadapi oleh negara- negara berkembang di dunia, kemiskinan juga merupakan permasalahan kompleks yang bisa dilihat dari faktor penyebab maupun dampak yang terjadi, khususnya di Provinsi Jawa Tengah. Dalam rangka mempercepat penanggulangan kemiskinan yang dirasa sebagai masalah kompleks diperlukan upaya serius yang meliputi penetapan sasaran, perancangan dan keterpaduan program, monitoring dan evaluasi, serta efektifitas anggaran, program percepatan penanggulangan kemiskinan [1].

Perkembangan jumlah dan persentase penduduk miskin pada periode 2010 – 2014 terlihat cenderung mengalami penurunan dari tahun ke tahun. Pada periode Maret – September 2011 mengalami sedikit kenaikan, namun terjadi penurunan kembali pada September 2011– September 2014 Gambar 1, sementara itu persentase penduduk miskin pada periode yang sama mengalami penurunan dari 16,56 persen menjadi 13,58 persen [2]. Jumlah penduduk miskin (penduduk yang berada dibawah garis kemiskinan) di Jawa Tengah pada bulan Maret 2015 sebesar 4.577,04 ribu menurun 5 persen dari Maret 2014. Sementara persentase penduduk miskin pada Maret 2014 sebesar 14,46 persen turun menjadi 13,58 persen pada Maret 2015[2].

Target penurunan angka kemiskinan Provinsi Jawa Tengah dari 14,44 persen pada tahun 2013 menjadi 7,80 – 7,60 persen pada akhir periode Rencana Pembangunan Jangka Menengah Daerah (RPJMD) yaitu pada tahun 2018, sebanyak 6,84 persen selama 5 tahun atau 1,36 persen per tahun sementara capaian setiap tahun masih dibawah 1 persen [3].

Gambar 1 Perkembangan Persentase Penduduk Miskin, Maret 2010 – September 2014 [2]

Salah satu faktor yang menyebabkan kurangnya penanggulangan terhadap daerah miskin pada suatu wilayah adalah kemiskinan spasial perkotaan serta hubungan antara perencanaan tata ruang kota dan upaya penanggulangan kemiskinan menunjukkan bahwa pemahaman para pemangku kepentingan, terutama Satuan Kerja Perangkat Daerah (SKPD)[4].

Untuk mendukung penanggulangan kemiskinan di Provinsi Jawa Tengah maka penyajian data yang berupa tabel dan grafik dapat dikembangkan dengan menggunakan pemetaan data dalam bentuk peta tematis Jawa Tengah, sehingga dibutuhkan sebuah Sistem Informasi Geografis (SIG) yang dapat diakses secara mudah untuk memantau seluruh Provinsi Jawa Tengah.

2

SIG sebagai sistem komputer yang digunakan untuk memanipulasi data geografi, sistem ini diimplementasikan dengan perangkat keras dan perangkat lunak komputer yang berfungsi untuk akusisi dan verifikasi data, kompilasi data, penyimpanan data, perubahan dan pembaharuan data, manajemen dan pertukaran data, manipulasi data, pemanggilan dan presentasi data serta analisa data [5].

Selain memetakan daerah miskin pada penelitian ini juga akan dikembangkan sistem prediksi atau meramalkan angka kemiskinan. Metode prediksi untuk deret data yang memiliki kecenderungan (tren) seperti data indeks kemiskinan yang ada di Provinsi Jawa Tengah adalah metode Triple Exponential Smoothing : Brown’s One-Parameter Quadratic. Model prediksi yang dilakukan masih tergolong peramalan jangka pendek karena hanya meramalkan 1 tahun kedepan.

Dari data dan informasi diatas maka pada penelitian ini disimpulkan bahwa diperlukan suatu “Model Sistem Informasi Geografis (SIG) Tingkat Kemiskinan Menggunakan Metode Triple Exponential Smoothing : Brown’s One-Parameter Quadratic” dengan adanya penelitian ini diharapkan dapat memudahkan peramalan dan pemetaan wilayah yang akan di visualisasikan dalam bentuk peta tematik Jawa Tengah. sehingga daerah yang kurang mendapat perhatian dari pemerintah akan lebih terlihat, dan juga diharapkan dengan adanya sistem ini proses penentasan kemiskinan akan berjalan dengan baik dan tepat sasaran.

2. Kajian Pustaka

Peramalan dan pemetaan wilayah miskin telah banyak dilakukan untuk memprediksi angka kemiskinan yang terjadi di berbagai wilayah yang ada di Indonesia, penelitian yang berjudul Sistem Informasi Penduduk Miskin Berbasis GIS (Studi Kasus: Kotamadya Pekanbaru), membahas mengenai lokasi dan persebaran penduduk miskin di Kota pekanbaru. Data secara umum adalah representasi fakta dari dunia nyata (real world), data disajikan dalam bentuk antara lain seperti bentuk Tabular, bentuk grafik, bentuk diagram serta bentuk peta. Untuk sistem informasi ini dikembangkan dari aplikasi GIS dan Map Server untuk memetakan wilayah, sedangkan pembanding dari pemetaan wilayah agar sesuai dengan kondisi aktualnya adalah menggunakan Google Map [6].

Penelitian yang berjudul Sistem Informasi Geografis Untuk Pemetaan Kemiskinan di Kabupaten Cilacap Berbasis Web (Studi Kasus di Badan Pusat Statistik Kabupaten Cilacap), membahas mengenai pemetaan penduduk miskin di Kabupaten Cilacap Provinsi Jawa Tengah. Tools yang digunakan dalam pembangunan sistem ini adalah Google Maps untuk membuat peta, PHP/MapScript sebagai bahasa pemograman yang digunakan [7].

Artikel yang berjudul Perancangan Sistem Identifikasi dan Pemetaan Potensi Kemiskinan untuk Optimalisasi Program Kemiskinan, desain sistem yang dihasilkan dari penelitian ini digunakan untuk mengidentifikasi masyarakat miskin dan penentuan program penanggulangan kemiskinan untuk daerah di Kabupaten Bantul dan akan divisualisasikan dalam bentuk pemetaan potensi daerah miskin berbasis sistem informasi geografis (SIG). Metode identifikasi yang dilakukan dengan menggunakan AHP (Analytical Hierarchy Process) [8].

Penelitian yang berjudul Model Prediksi Variabel Makro untuk Menentukan Daerah Menggunakan Kombinasi Metode Double Exponential Smoothing dan

3

Fuzzy MCDM (Studi Kasus: Provinsi Jawa Tengah), mengulas mengenai suatu model prediksi variabel makro untuk menentukan kerentanan daerah yang akan miskin pada periode mendatang menggunakan kombinasi metode Double Exponential Smoothing dan Fuzzy MCDM untuk 29 kabupaten dan 6 kota di Provinsi Jawa Tengah, metode Double Exponential Smoothing digunakan untuk memprediksi data variabel makro. Hasil prediksi data variabel makro akan di evaluasi dengan menggunakan metode Fuzzy MCDM untuk menentukan daerah yang rentan miskin pada masa yang akan datang [9].

Berdasarkan penelitian yang pernah dilakukan terkait Sistem Informasi Geografis dan prediksi tingkat kemiskinan, maka akan dilakukan perancangan sistem informasi geografis serupa untuk menentukan tingkat kemiskinan suatu daerah yang terdapat di provinsi Jawa Tengah. Beberapa perbedaan dari penelitian sebelumnya, pada perancangan sistem ini akan digunakan MS4W (Mapserver For Windows), MS4W digunakan sebagai webserver dalam mengembangkan web GIS karena dapat mendukung pemrograman Mapscript untuk memetakan suatu daerah.

Data yang digunakan adalah data makro yang bersifat sekunder, data diperoleh dari Badan Pusat Statistik Provinsi Jawa Tengah seperti, Persentase Penduduk Miskin atau Head Count Index (HCI – P0) adalah persentase penduduk yang berada dibawah garis kemiskinan, kemudian Indeks Kedalaman Kemiskinan (Proverty Gap Index – P1) adalah ukuran rata-rata kesenjangan pengeluaran masing-masing penduduk miskin terhadap garis kemiskinan, semakin tinggi nilai indeks semakin jauh rata-rata pengeluaran penduduk dari garis kemiskinan dan indeks yang ketiga adalah Indeks Keparahan Kemiskinan (Proverty Severity Index-P2) yaitu gambaran mengenai penyebaran pengeluaran diantara penduduk miskin. Semakin tinggi nilai indeks, maka semakin tinggi ketimpangan pengeluaran diantara penduduk miskin [2].

Metode yang akan digunakan untuk memprediksi indeks kemiskinan di Provinsi Jawa Tengah adalah dengan motode Triple Exponential Smoothing : Brown’s One-Parameter Quadratic sebagai metode untuk meramalkan tingkat kemiskinan di tahun 2015 berdasarkan data yang ada yaitu data tahun 2006 – 2014, kemudian cakupan wilayah yang akan dipetakan adalah seluruh kabupaten dan kota yang ada di Provinsi Jawa Tengah.

Sistem Informasi Geografis, istilah geografis merupakan bagian dari spasial (keruangan), dari kedua istilah inilah muncul istilah yang ketiga yaitu geospasial. Istilah informasi geografis mengandung arti tempat-tempat yang terletak di permukaan bumi seperti mengenai posisi dimana suatu objek terletak di permukaan bumi atau mengenai keterangan-keterangan yang terdapat di permukaan bumi yang posisinya diberikan dan diketahui [10].

Banyak para ahli mencoba mendefinisikan SIG secara lebih operasional, menurut Burrough 1986 dalam jurnal yang berjudul Sistem Informasi Geografis dan Urgensinya dalam Pembangunan Nasional mengemukakan bahwa SIG adalah perangkat alat (tools) yang digunakan untuk mengumpulkan, menyimpan, mengambil data yang dikehendaki, atau bahkan merubah penayangan data keruangan yang berasal dari gejala nyata di permukaan bumi. Berbeda dengan pendapat Arronof pada tahun 1989 yang merumuskan bahwa SIG merupakan

4

suatu “sistem” berbasis komputer yang memberikan empat kemampuan untuk menangani data bereferensi geografis, yakni pemasukkan, pengelolaan atau manajemen data (penyimpanan dan pengaktifan kembali), manipulasi, analisis dan keluaran [10].

Sub sistem SIG adalah data atau informasi yang berkaitan dengan permasalahan yang akan di pecahkan harus dipilih dan diolah melalui pemrosesan yang akurat. Untuk keperluan tersebut SIG menyediakan sejumlah komponen atau sub sistem yaitu: Data Input, Data Manipulation dan Analysis, Data Management, dan Data Output seperti yang telah digambarkan pada Gambar 2. Menampilkan sebuah peta pada website dibutuhkan beberapa format file untuk meyimpan data geografis vector seperti Shapefile yang merupakan seperangkat aplikasi SIG [10].

Gambar 2 Ilustrasi uraian subsistem SIG [6]

Shapefile dikembangkan oleh ESRI perusahaan pembuat ArcGIS, shapefile sebenarnya adalah kumpulan beberapa file yang berbeda.Contohnya seperti shapefile yang berisi data peta Jawa Tengah: *.shp, *.shx, *.dbf. Shapefile bahkan mungkin memiliki beberapa file tambahan yang berisi informasi lainnya. Hal ini tergantung dari apa yang dibutuhkan dan yang akan dilakukan dengan shapefile.

Triple Exponential Smoothing : Brown’s One-Parameter Quadratic Method seperti halnya dengan pemulusan eksponensial linear yang dapat digunakan untuk meramalkan data dengan suatu pola tren dasar, dalam bentuk pemulusan yang lebih tinggi dapat digunakan bila dasar pola datanya adalah kuadratik, kubik, atau order yang lebih tinggi. Persamaan untuk triple exponential smoothing (Brown’s One-Parameter Quadratic Method) adalah sebagai berikut :

………(1)

………...(2)

……….(3) dengan

………...(4) ..………...(5)

……….…………...….……….(6) dan

……….………...……...…..(7)

5

Persamaan yang dibutuhkan untuk pemulusan kuadratik jauh lebih rumit dari pada persamaan untuk pemulusan tunggal dan linear. Walaupun demikian pendekatannya dalam menyesuaikan nilai ramalan dapat mengikuti perubahan tren yang kuadratik adalah sama. Proses inisialisasi pada pemulusan exponential quadratic dari brown bisa sangat sederhana, jika ditetapkan S1 = S 1= S 1.

Peramalan di mulai dari periode 2 dan seterusnya, dapat dikatakan bahwa periode 2 nilai S2 , S 2 dan S 2 dapat dihitung dengan menggunakan pemulusan pertama pada persamaan (1) kemudian dilanjutkan dengan pemulusan kedua dan ketiga dengan menggunakan persamaan (2) dan Persamaan (3) [11].

Untuk mendapatkan angka pemulusan dari suatu nilai maka dapat digunakan persamaan (4-6). Hasil pemulusan dari persamaan (1-6) akan digunakan untuk mendapatkan nilai peramalan atau forecast dengan menggunaknan persamaan (7). Metode peramalan yang paling sesuai umumnya menggunkan metode yang memiliki kesalahan rata-rata (ME = Mean Error) dan kesalahan persentase absolut (MAPE = Mean Absolut Prosentase Error) yang paling kecil [11].

Jenis dan Pola Data digunakan sebagai acuan untuk pemilihan metode dalam melakukan prediksi. Pola data dapat dibedakan menjadi empat jenis, yaitu:

stationer, musiman, siklis dan tren [11]. Secara lebih jelas beberapa pola data tersebut dapat dilihat seperti pada gambar 11, dengan keterangannya masing- masing.

Gambar 3 Pola data [11]

Data stationer merupakan pola data horizontal yang berfluktuasi disekitar nilai rata-rata yang konstan seperti pada Gambar 3a. Data musiman merupakan pola data yang dipengaruhi oleh faktor musiman (misalnya kuartal waktu tertentu, bulan, atau hari-hari pada minggu tertentu) sperti pada Gambar 3b. Data siklis merupakan pola yang terjadi jika data dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis seperti pada Gambar 3c.

Pola data yang terakhir adalah Data tren merupakan pola yang mengalami

6

kenaikan atau penurunan sekuler jangka panjang dalam data seperti pada Gambar 3d.

3. Metode Perancangan

Metode perancangan yang akan dilakukan pada penelitian ini akan dierjelas dengan menggunakan flowchart. Tahap-tahap yang digambarkan dalam flowchart tersebut akan saling berkaitan antara satu dan yang lainnya. Untuk lebih memahami tahapan penelitian mulai dari awal hingga tahap akhir tahapan penelitian secara runtut dapat dilihat pada Gambar 4.

Identifikasi Masalah

Penelusuran Pustaka dan Data

Desain Model

Pengujian

Penyimpulan Hasil

Gambar 4 Flowchart tahapan penelitian

Sesuai dengan Gambar 4. Langkah pertama adalah melakukan identifikasi masalah kemiskinan, masalah kemiskinan merupakan permasalahan yang cukup kompleks seperti data indeks angka kemiskinan yang menunjukkan perubahan terus menurun tetapi dalam frekuensi yang lambat. Maka untuk memaksimalkan pemantauan daerah yang terdapat di Provinsi Jawa Tengah dapat dikembangkan sistem prediksi dan pemetaan daerah, sehingga daerah yang kurang mendapat perhatian dari pemerintah akan lebih terlihat dengan pemetaan yang dilakukan, kemudian dengan prediksi yang dilakukan dapat membantu pertimbangan untuk melakukan penentasan kemiskinan untuk periode kedepan. Diharapkan dengan adanya sistem ini proses penentasan kemiskinan akan berjalan dengan baik dan tepat sasaran.

Tahap kedua dilakukan penelusuran pustaka dan data sehingga penelitian yang dilakukan tidak menimbulkan tindak plagiasi. Dalam penelitian ini telah dilakukan penelusuran pustaka sehingga pada penelitian ini telah didapatkan beberapa perbedaan dari penelitian sebelumnya. Perancangan sistem akan dilakukan pemetaan dan peramalan jangka pendek yaitu 1 periode kedepan terkait kemiskinan di Provinsi Jawa Tengah dengan menggunakan metode Triple Exponential Smoothing: Brown’s One-Parameter Quadratic. Sumber data yang digunakan merupakan data sekunder yang diperoleh dari website Badan Pusat Statistik Jawa Tengah (BPS Jateng) yaitu dari tahun 2006 - 2014.

Objek observasi penelitian ini adalah sebanyak 35 kabupaten/kota di Propinsi Jawa Tengah. Variabel yang digunakan adalah indikator kemiskinan yang telah di tetapkan oleh BPS, yaitu Persentase Penduduk Miskin (P0), Index

7

Kedalaman (P1) dan Index Keparahan (P2). Tahap ketiga yaitu mendesain pemodelan sistem dan desain user interface dari sistem yang akan dikembangkan, pada tahap ini akan menggguakan Unified Modeling Language (UML). Adapun diagram yang dibuat adalah Use case Diagram dan Activity Diagram. Untuk lebih memahami use case diagram dapat dilihat pada Gambar 5.

Gambar 5 use case diagram

Seperti pada Gambar 5 menu utama yang ditawarkan untuk user adalah melihat data indeks kemiskinan setiap daerah yang ada di Provinsi Jawa Tengah dalam bentuk peta tematik Provinsi Jawa Tengah. Penyajian data indeks kemiskinan dimaksudkan sehingga untuk melihat persentase kemiskinan setiap daerah akan lebih mudah, dengan kemudahan pemantauan dengan menggunakan peta dirasa akan sangat membantu untuk melihat daerah mana saja yang masi tergolong ke dalam kelompok daerah yang tinggi angka indeks tingkat kemiskinannya. Selain penyajian data dalam bentuk peta tematik Provinsi Jawa Tengah data juga di sajikan dalam bentuk tabel dan grfaik. Setelah melihat penyajian data dalam bentuk tabel sistem juga mempunyai fungsi extend yaitu user mempunyai hak untuk mengunduh data dalam bentuk tabel dengan ekstensi .xls, tetapi jika user hanya ingin melihat data yang telah di sediakan, maka user tidak perlu mengunduh data tersebut. Sistem ini juga menyediakan penyajian data dalam bentuk grafik, fungsi penggunaan grafik dimaksudkan untuk memudahkan user yang ingin melihat perbandingan setiap kabupaten/kota.

Pada simsitem informasi geografis ini Admin sangat berperan penting karena admin yang akan mengolah data prediksi dan data aktual seperti

Menambah Data Menghapus Data

Mengubah Data Unduh Data Tabel

Melihat Data Tabel

Melihat Data Aktual Dalam Bentuk Peta

Melihat Data Aktual Dalam Bentuk Grafik

Melihat Hasil Prediksi Dalam Bentuk Peta

User

Proses Prediksi Data Index

Admin Melihat Semua Data Tabel Indeks

<<include>>

<<include>> <<include>>

<<include>>

Proses Klasifikasi Data Prediksi

<<include>>

<<include>>

Proses Klasifikasi Data Aktual

<<include>>

<<include>>

<<include>>

<<include>>

<<extend>>

8

menambah data baru setiap tahun, mengubah data jika terjadi kesalahan penginputan data, serta menghapus data yang dirasa tidak diperlukan untuk sistem informasi ini untuk menampilkan data tersebut. User juga dapat melihat pemetaan wilayah sesuai dengan angka indeks yang telah diprediksi, hasil prediksi ini hanya satu periode kedepan setelah data aktual.

Gambar 6 Diagram Activity Admin

Activity Diagram menggambarkan bagaimana admin akan menjalankan sistem mulai dari awal hingga selesai digunakan. Admin pada sistem ini akan mengolah semua data yang ada di website seperti pada Gambar 6, langkah awal yang harus dilakukan seorang admin adalah harus mengisi form Login jika username dan password salah maka akan dikembalikan ke halaman form Login, tetapi jika benar proses akan masuk ke halaman utama. Pada halaman utama website admin akan terdapat beberapa fungsi yaitu diantaranya adalah tampilkan data, menambahkan data aktual serta hasil prediksi, mengubah data, dan menghapus data. Kemudian admin akan memilih salah satu, setelah itu data yang mengalami perubahan akan diproses untuk diperbaharui, dan data akan segera ditampilkan dalam bentuk peta.

Tahap keempat yaitu pengujian, penggunaan bahasa R digunakan untuk melakukan proses pengujian dan analisa hasil prediksi indeks kemiskinan dengan

9

metode Triple Exponential Smoothing : Brown’s One-Parameter Quadratic, karena data yang diperoleh masih berupa data didalam table, sedangkan pembanding dari pemetaan wilayah agar sesuai dengan kondisi aktualnya adalah menggunakan Shapefile (file .shp). Sehingga digunakan MS4W (Mapserver For Windows) sebagai webserver dalam mengembangkan web GIS karena dapat mendukung pemrograman Mapscript untuk memetakan suatu daerah. Database yang akan digunakan adalah PhpMyAdmin untuk menyimpan data aktual dan data hasil prediksi.

Pengolahan data untuk mengklasifikasikan persentase warga miskin tiap daerah yang akan dibagi kedalam tiga keadaan yang dilambangkan dengan warna, warna tersebut adalah merah untuk daerah yang persentasenya tergolong tinggi, kuning untuk daerah yang tergolong normal, sedangkan hijau untuk menggolongkan wilayah yang persentase kemiskinannya dibawah angka normal.

Metode yang digunakan untuk mengklasifikasikan persentase kemiskinan mengacu dari pengolahan data yang dilakukan oleh badan Tenaga Kesejahteraan Sosial Kecamatan (TKSK) [12].

4. Hasil dan Pembahasan

Hasil dari sistem yang dibangun adalah berupa website dengan fitur utama yaitu pemetaan indeks persentase kemiskinan (P0), indeks kedalaman kemiskinan (P1) dan indeks keparahan kemiskinan (P2), kemudian pada website ini juga dilakukan peramalan untuk ketiga indeks. Peramalan yang dilakukan adalah peramalan jangka pendek karena peramalan yang dilakukan yaitu satu periode kedepan yaitu tahun 2015 karena data aktual yang digunakan adalah data indeks kemiskinan P0, P1 dan P2 dari tahun 2006 sampai dengan tahun 2014.

Model prediksi indeks kemiskinan di Provinsi Jawa Tengah dilakukan dengan cara menentukan terlebih dahulu pola data dari data indeks kemiskinan Provinsi Jawa Tengah. Indikasi pola data pada data indeks kemiskinan adalah pola data tren seperti pada Gambar 7 dengan menggunakan 5 sample data kabupaten yang mewakili tingkat kemiskinan yang ada dari tahun 2006 sampai dengan 2014, menunjukkan bahwa pergerakan deret data aktual mengalami penurunan.

Gambar 7. Indikasi Pola Data

Berdasarkan hasil pengamatan pola data yang diindikasikan berpola data tren maka metode yang akan digunakan untuk melakukan proses prediksi adalah dengan menggunakan metode Triple Exponential Smoothing : Brown’s One- Parameter Quadratic. Sampel data aktual yang digunakan adalah satu kabupaten (Kabupaten Wonosobo) yang digolongkan sebagai daerah dengan indeks kemiskinan yang selalu tinggi, nilai indeks yang akan digunakan yaitu Indeks P0

10

atau persentase kemiskinan, P1 atau indeks kedalaman kemiskinan, dan P2 atau indeks keparahan kemiskinan pada tahun 2014 yang di tunjukkan seperti pada Tabel 1.

Tabel 1. Angka Error Hasil Prediksi indeks P0, P1 dan P2(Kabupaten Wonosobo) tahun 2014

Indeks Kemiskinan ME RMSE MAE MPE MAPE EE

P0 -0.52 3.47 2.93 -9.73 24.9 9.20

P1 0.01 0.44 0.38 -7.53 31.72 8.86

P2 0.02 0.18 0.16 -22.93 64.92 25.81

Berdasarkan data Tabel 1, hasil error yang ditunjukkan dari hasil prediksi metode Triple Exponential Smoothing menghasilkan beberapa nilai galat seperti ME, RMSE, MAE, MPE, MAPE, dan EE. Nilai error tersebut menunjukkan nilai yang relatif kecil, pengujian akurasi dilakukan dengan menggunakan nilai konstanta α=0,2 untuk memperlihatkan kesesuaian yang baik. Melalui hasil pengujian prediksi dan nilai error ME mendekati angka 0 maka metode TES Brown’s One-Parameter Quadratic Method akan baik jika digunakan untuk melakukan prediksi dengan pola data tren. Berikut merupakan algoritma menggunakan metode TES Brown’s One-Parameter Quadratic

Algoritma 1. Triple Exponential Smoothing : Brown’s One-Parameter Quadratic

Algoritma 1 digunakan untuk melakukan proses prediksi pada data indeks

1 Input:

2 3 4 5 6 7 8 9

10 Function:

11 For to do 12

13 If then 14

15 16 17 18 19

20 Else then

21

22

23

24 25

26 End If 27 If then

28 f

29 Else then 30

31 End If 32 End For

11

kemiskinan menggunakan metode TES Brown’s One-Parameter Quadratic.

Proses pertama dilakukan untuk melakukan proses inisialisasi peramalan seperti pada kode baris (2-10). Pada potongan kode (12) merupakan inisialisasi untuk nilai I = 1 sampai dengan data sebanyak N, baris (13) inisialisasi nilai alpha = 0.1. Jika nilai I bernilai 1 maka akan mengerjakan baris (14- 20), tetapi jika nilai I lebih besar dari 1 maka program akan menjalankan baris (22 – 27).

Proses forecasting sendiri dimulai dari indeks data ketiga dikarenakan dalam mencari nilai forecasting pada indeks pertama tidak dapat dilakukan karena nilai , dan ct tidak dapat dicari dan untuk indeks data kedua dalam mencari nilai forecasting diperlukan nilai , dan ct dari indeks sebelumnya sehingga dapat diketahui rumus yang digunakan dalam menentukan nilai forecasting menggunakan metode TES Brown’s One-Parameter Quadratic adalah kode baris (30). Dengan menggunakan data P0 pada Tebel 2, maka perhitungan dilakukan untuk periode 10, dengan mengambil = 0.2.

dan

Sehingga

Demikian juga untuk peramalan periode 10 atau tahun 2015

Sampel hasil percobaan menggunakan TES Brown’s One-Parameter Quadratic Method dengan data aktual dari tahun 2006 sampai dengan 2014 pada salah satu kabupaten/ kota (Kabupaten Wonosobo). Kabupaten Wonosobo merupakan daerah yang dijadikan objek penelitian karena memiliki indeks kemiskinan tertinggi setiap tahun. Hasil prediksi menunjukkan nilai perhitungan peramalan data dari indeks kemiskinan P0 (Index Persentase), P1 (Index Kedalaman) dan P2 (Index Keparahan) di Kabupaten Wonosobo pada tahun 2015 menunjukkan nilai lebih cenderung menurun. Nilai P0 pada tahun 2006 menunjukkan angka 34,43 kemudian pada tahun 2007 dengan angka 32,29 dan pada tahun 2008 menunjukkan angka 27,72. Angka tersebut menunjukkan terjadi

12

penurunan tetapi tidak begitu banyak. Perubahn angka pada variabel lainnya seperti P0 (Index Persentase), P1 (Index Kedalaman) dan P2 (Index Keparahan) setiap tahun dapat dilihat seperti pada Tabel 2.

Tabel 2. Hasil Prediksi dengan TES Brown’s One-Parameter Quadratic Method(Kab. Wonosobo)

Metode yang digunakan untuk mengklasifikasikan tingkat kemiskinan suatu daerah mengacu dari pengolahan data yang dilakukan oleh badan Tenaga Kesejahteraan Sosial Kecamatan (TKSK) [12], secara umum dapat digambarkan dengan algoritma sebagai berikut

Algoritma 2 Metode Klasifikasi Tingkat Kemisknan

Baris 2 sampai dengan baris 5 pada algoritma 2 merupakan inisialisasi untuk menjalankan algoritma, baris 7 dan 8 merupakan kondisi dimana jika nilai dari indeks kemiskinan lebih kecil atau sama dengan 0 maka akan ditampilkan warna hitam pada peta. Baris 9 dan 10, jika nilai dari indeks kemiskinan lebih besar dari 0 dan nilai indeks kemiskinan lebih kecil atau sama dengan nilai rata-rata indeks

Tahun Variabel

P0 P1 P2

2006 34.43 7.1 2.05

2007 32.29 6.44 2.01

2008 27.72 8.07 2.86

2009 15.19 5.14 1.54

2010 23.15 3.96 1.09

2011 24.21 4.52 1.25

2012 22.5 3.91 1.04

2013 22.08 4.26 1.25

2014 21.42 3.91 1.09

Prediksi

2015 18.90 3.19 1.15

1 Input:

2 Nilai = nilai indeks kemiskinan Kab./Kota 3 Ind = nilai rata-rata Indeks Kemiskinan Indonesia

4 Jateng = Nilai rata-rata Indeks Kemiskinan Provinsi Jawa Tengah 5 Warna = jenis warna

6 Function:

7 IF nilai <= 0 then

8 Warna = black

9 Else IF (nilai > 0) and (nilai <= Ind) then

10 Warna = Green

11 Else IF (nilai > Ind) and (nilai <= Jateng) then 12 Warna = yellow

13 Else then 14 Warna = Red 15 End IF

13

Indonesia maka akan di tampilkan warna hijau. Baris 11 dan baris 12, tetapi jika nilai indeks kemiskinan suatu daerah lebih besar dari nilai rata-rata indeks kemiskinan Indonesia dan nilai lebih kecil atau sama dengan nilai rata-rata indeks kemiskinan Jawa Tengah maka akan ditampilkan warna kuning, pada bari 13 dan baris 14 jika nilai lebih besar dari semua rata-rata indeks kemiskinan baik Indonesia maupun Jawa Tengah maka akan ditampilkan warna merah pada peta.

Nilai rata-rata indeks kemiskinan Indonesia dan Jawa Tengah didapat dari website resmi BPS Jateng, sedangkan nilai untuk rata-rata Indeks Indonesia dan Jawa Tengah untuk batasan peramalan, nilai tersebut juga di ramalkan sehingga setiap nilai yang gunakan akan di dilakukan peramalan terlebih dahulu kemudian mengkalsifikasikannya seperti pada Algoritma 2.

Berdasarkan data aktual variabel indeks kedalaman kemiskinan Pada tahu 2014 Hasil yang akan ditampilkan pada halaman web dapat dilihat pada Gambar 9. Terdapat 16 kabupaten/ kota yang tergolong tingkat kemiskinannya rendah daerah tersebut adalah Kab. Jepara, Kab. Pati, Kab. Kudus, Kab. Tegal, Kab.

Wonogiri, Kab. Sukoharjo, Kab. Boyolali, Kab. Batang, Kab. Temanggung, Kab.

Semarang, Kota Magelang, Kota Surakarta, Kota Salatiga, Kota Semarang, Kota Tegal, Kota Pekalongan. Untuk daerah yang tergolong tingkat kemiskinannya sedang atau berada diantara rata-rata indeks kemiskinan Indonesia dan Provinsi Jawa Tengah terdapat 9 kabupaten/ kota yaitu Kota Pekalongan, Kab. Blora, Kab.

Sragen, Kab. Purworejo, Kab. Demak Kab. Karanganyar, Kab. Kendal, Kab.

Pekalongan, Kab. Klaten. Daerah yang tergolong tingkat kemiskinannya tinggi ada 10 kab/Kota seperti Kab. Rembang, Kab. Grobogan, Kab. Wonosobo, Kab.

Kebumen, Kab. Cilacap, Kab. Banyumas, Kab. Purbalingga, Kab. Pemalang, Kab.

Brebes, Kab. Banjarnegara

Gambar 9. Hasil Pemetaan data indeks kedalaman tahun 2014

Pada menu prediksi tidak berbeda jauh dari menu pemetaan karena penyajian keluaran data dari hasil prediksi akan divisualisasikan dalam bentuk peta tematik Provinsi Jawa Tengah dan hasil prediksi hanya 1 periode kedepan dari dari data actual yang ada, begitu juga dengan tampilan interface yang dapat

14

dilihat seperti pada Gambar 10 yang merupakan hasil pemetaan angka indeks Kedalaman Kemiskinan yaitu tahun 2015.

Gambar 10. Hasil Prediksi Indeks P1 tahun 2015

Hasil dari pemetaan indeks kemiskinan yang telah di prediksi terlihat banyak daerah yang tergolong tinggi angka kemiskinannya. Indeks kemiskinan yang yang diramalakan tidak hanya kab/kota yang ada di Provinsi Jawa Tengah, pada peneliatan ini, juga dilakukan peramalan Indeks kemiskinan di Indonesia dan Indeks kemiskinan Jawa Tengah sehingga untuk menentukan daerah sesuai dengan golongannya dapat dilakukan. Meskipun hasil dari prediksi kab/kota menunjukkan pola data yang cenderung menurun tetapi karena hasil prediksi indeks kemiskinan Indonesia dan Jawa Tengah tidak terlalu banyak mengalami penurunan sehingga jika dibuat perbandingan antara data kab/kota yang ada di Provinsi Jawa Tengah dan Indonesia kob/ kota yang ada masih terhitung tinggi karena banya kab/ kota yang mempunyai nilai lebih tinggi dari hasil peramalan inkdeks jawa tengah.

5. Kesimpulan

Hasil prediksi yang dilakukan menggunakan metode Triple Exponential Smoothing : Brown’s One-Parameter Quadratic dengan data indeks kemiskinan P0, P1 dan P2 seluruh kabupaten dan kota yang ada di Provinsi Jawa Tengah mengalami penurunan. Peramalan yang dilakukan pada indeks kemiskinan Indonesia dan Jawa Tengah yang merupakan pembanding indeks kemiskinan juga mengalami penurunan tetapi tidak banyak, sehingga hasil pemetaan yang dilakukan pada website dengan menggunakan SIG banyak daerah yang akan tinggi indeks kemiskinannya atau berwarna merah pada periode 2015.

Data aktual yang diperoleh dapat dilihat pola keruangannya dengan menggunakan SIG yang merupakan metode dan teknologi yang mampu melakukan pemetaan yang semula sangat sulit untuk dilakukan secara manual.

Membangun sistem informasi geografis, digunakan beberapa jenis file untuk menampilkan data dalam bentuk peta tematik Provinsi Jawa Tengah, beberapa

15

format tersebut adalah seperti: Jateng.shx atau file indeks dalam ArcView, Jateng.dbf atau atribut layer pada peta, Jateng.shp atau hasil digitasi untuk tiap layer objek pemetaan, Jateng.png dan Jateng.jpg yaitu file gambar yang akan digunakan dalam sistem.

Dari hasil pemodelan sistem informasi geografis ini diharapkan untuk pengembangan selanjutnya dapat mempersempit daerah seperti setiap kecamatan agar pemantauan tingkat kemiskinan bisa lebih spesifik.

6. Daftar Pustaka

[1] Republik Indonesia, 2014, PERPRES No.166 Tahun 2014 tentang Percepatan Penanggulangan Kemiskinan, Sekretariat Kabinet RI. Jakarta [2] Badan Pusat Statistika (BPS), 2014, Data dan Informasi Kemiskinan Jawa

Tengah 2010 – 2014.ISSN : 2407-3369,No. Publikasi : 33520.1604, Katalog BPS : 3205008.33

[3] Taslim Gunarto W, 2015, Kondisi Umum Kemiskinan Provinsi Jawa Tengah, http://binsos.jatengprov.go.id. Diakses tanggal 10 Oktober 2016 [4] SMERU Research Institute, 2012, Mengintegrasikan Aspek Kemiskinan ke

dalam Perencanaan Spasial Perkotaan: Solusi Untuk Mengatasi Kemiskinan Perkotaan, Catatan Kebijakan, No. 01/2012. Jakarta: Indonesia.

[5] Bernhardsen, T, 2002, Geographic Information Systems: An Introduction, 3rd Edition, John Wiley & Sons Ltd, Canada.

[6] Mardiana, Rina, 2011, Sistem Informasi Penduduk Miskin Berbasis GIS, Tugas Akhir, Universitas Islam Negri Sultan Syarif Kasim Riau, Universitas Islam Negri Sultan Syarif Kasim Riau – Pekanbaru.

[7] Dimas Prawesta, Putra, 2014, SistemInformasi Geografis Untuk Pemetaan Kemiskinan di Kabupaten Cilacap Berbasis Web (Studi Kasus : Badan Pusat Statistik Cilacap), Other Tesis, UPN “Veteran” Yogyakarta.

[8] Redjeki, Sri. Et al, 2014, Perancangan Sistem Identifikasi dan Pemetaan Potensi Kemiskinan untuk Optimalisasi Program Kemiskinan, Jurnal Sistem Informasi (JSI), Vol. 6 No 2, pp.731-743.

[9] Baramuli, Alessandro C. et al, 2014, Model Prediksi Variabel Makro untuk Menentukan Daerah Menggunakan Kombinasi Metode Double Exponential Smoothing dan Fuzzy MCDM (Studi Kasus: Provinsi Jawa Tengah), Laporan Penelitian Master of computer science, UKSW-Salatiga

[10] Suwandi Adi, Annisa, Jaya A.K, 2000, Peramalan Data Time Series dengan Metode Penghalusan Exponensial Holt-winters,http://repository.unhas.ac.id /bitstream/handle/123456789/13834/JURNAL.pdf?sequence=1. Diakses tanggal 14 Oktober 2016.

[11] Makridakis, S, dkk, 1999, Metode dan Aplikasi Peramalan, Jilid 1, Edisi kedua, Binarupa Aksara, Jakarta

[12] Gunarto, W. Taslim, 2015, Perlunya Akurasi Data PPLS 2011 dan Peran TKSK Dalam Validasi , Konsultan TKPK Provinsi Jawa Tengah