SMALL AREA ESTIMATION DENGAN METODEKERNEL LEARNING UNTUK PETA KEMISKINANDI KABUPATEN KUTAI KARTANEGARA

Penelitian ini mengkaji tentang kernel learning untuk poverty mapping. Kernel learning mengestimasi fungsi dengan support vector regression, yakni memecahkan suatu program dual quadratic yang meminimumkan fungsi resiko dan nilai optimumnya untuk menentukan koefisien pada regresi nonparametrik. Dalam penelitian, kernel learning diterapkan untuk mengkonstruksi peta kemiskinan daerah perkotaan dan pedesaan Kabupaten Kutai Kartanegara. Untuk daerah pedesaan, kecamatan Tenggarong mempunyai persentase penduduk miskin terbanyak dibandingkan daerah lain, tetapi kedalaman dan tingkat keparahan kemiskinannya rendah. Artinya walaupun penduduk di wilayah itu masuk kategori miskin, tetapi nilai rata-rata konsumsi kebutuhan pokok penduduk miskin tidak terlalu jauh dengan batas kemiskinan. Tetapi kecamatan Loa Kulu dengan kemiskinan 34 persen, mempunyai tingkat keparahan tertinggi dibandingkan daerah lain. Artinya penduduk di kecamatan Loa Kulu lebih memerlukan prioritas bantuan untuk pengentasan kemiskinan dibanding wilayah lain. Menurut daerah perkotaan, kecamatan Muara Wis dan Marang Kayu adalah kecamatan termiskin, karena seluruh rumah tangga di wilayah itu adalah miskin. Tetapi, kedalaman kemiskinan di Muara Wis lebih tinggi dibandingkan Marang Kayu. Beberapa kecamatan lain indeks kedalaman kemiskinannya bernilai kecil, yang artinya bahwa kemiskinan di wilayah itu berada tidak terlalu jauh dari garis kemiskinan. Selain itu, Muara Wis mempunyai tingkat keparahan kemiskinan yang lebih tinggi dibandingkan Marang Kayu. Dengan demikian, walaupun kedua daerah tersebut sama-sama miskin, tetapi penduduk di Muara Wis lebih memerlukan prioritas pengentasan kemiskinan. Dari hasil penghitungan didapat R2 pedesaan sebesar 0,992139 dan R2 perkotaan sebesar 0,988758. Artinya nilai estimasi mendekati nilai sebenarnya.