PENERAPAN JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI JUMLAH KEMISKINAN PADA KABUPATEN/KOTA DI PROVINSI RIAU
Abstract
Provinsi Riau yang kaya akan Sumber Daya Alam ternyata tidak sebanding dengan jumlah penduduk miskin yang menempati di sejumlah kabupaten/kota di Riau. Contohnya seperti pada tahun 2013 terdapat ± 68.600 penduduk miskin di kabupaten Kampar, atau merupakan yang tertinggi dibandingkan kabupaten/kota lainnya. Oleh karena itu dibutuhkan langkah-langkah strategis agar jumlah penduduk miskin tidak bertambah sepanjang tahun, salah satu nya adalah dengan melakukan prediksi jumlah penduduk miskin untuk tahun-tahun selanjutnya. Cara ini dilakukan agar angka kemiskinan bisa semakin ditekan dengan cara melakukan penganggulangan sejak dini. Data yang akan diprediksi adalah data jumlah kemiskinan kabupaten/kota di Provinsi Riau yang bersumber dari Badan Pusat Statistik Provinsi Riau tahun 2010 sampai dengan 2015. Algoritma yang digunakan untuk melakukan prediksi adalah jaringan saraf tiruan Backpropagation. Algoritma ini memiliki kemampuan untuk mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya. Ada 5 model arsitektur yang digunakan pada algoritma backpropagation ini, antara lain 4-2-5-1 yang nanti nya akan menghasilkan prediksi dengan tingkat akurasi 8%, 4-5-6-1=25%, 4-10-12-1=92%, 4-10-15-1=100% dan 4-15-18-1=33%. Arsitektur terbaik dari ke 5 model ini adalah 4-10-12-1 dengan tingkat keakurasian mencapai 100% dan tingkat error yang digunakan 0,001-0,05. Sehingga model arsitektur ini cukup baik digunakan untuk memprediksi jumlah kemiskinan.
Keywords: Penerapan, Jaringan Saraf Tiruan, Backpropagation, Prediksi, Kemiskinan
Riau is rich in Natural Resources is not comparable with the number of poor people who occupy in a number of districts/cities in Riau. For example, in 2013 there were ± 68,600 poor people in Kampar district, or the highest compared to other districts. Therefore, strategic steps are needed so that the number of poor people will not increase throughout the year, one of them is to predict the number of poor people for the next years. This way is done so that the poverty rate can be further suppressed by doing the countermeasures early on. The data to be predicted is the data of the number of poverty districts/cities in Riau Province sourced from the Central Bureau of Statistics of Riau Province in 2010 until 2015. Algorithm used to make prediction is the Backpropagation. This algorithm has the ability to remember and make generalizations of what has been there before. There are 5 architectural models, among others 4-2-5-1 which later will produce predictions with an accuracy rate of 8%, 4-56-1=25%, 4-10-12-1=92%, 4-10-15-1=100% and 4-15-18-1=33%. The best architecture of the 5 models is 4-10-12-1 with 100% accuracy and error rate of 0.001-0.05. So this model of architecture is good enough used to predict the amount of poverty.
Kata kunci: Implementation, Artificial Neural Network, Backpropagation, Prediction, Poverty
Full Text:
PDFReferences
A. Syahza, “Model Pengembangan Daerah Tertinggal Dalam Upaya Percepatan Pembangunan Ekonomi Pedesaan,” Ekuitas : Jurnal Ekonomi dan Keuangan, no. 80, pp. 365–386, 2014.
L. B. H. Rubiyanah, Maria Magdalena Minarsih, “Implementasi Program Nasional Pemberdayaan Masyarakat Mandiri Perkotaan Dalam Penanggulangan Kemiskinan,” Journal Of Management, vol. 2, no. 2, 2016.
M. T. Binti, “Analisa Pengaruh Pertumbuhan Ekonomi Terhadap Penurunan Tingkat Kemiskinan Di Kalimantan Tengah,” Jurnal Komunikasi Bisnis dan Manajemen, vol. 3, pp. 69–78, 2016.
S. Sudiar, “Konsolidasi Potensi Pembangunan: Studi Tentang Penanganan Kemiskinan di Kecamatan Muara Muntai-Kutai Kartanegara,” Jurnal Paradigma, vol. 4, pp. 69–79, 2015.
N. Zuhdiyaty and D. Kaluge, “Analisis Faktor-faktor yang Mempengaruhi Kemiskinan di Indonesia Selama Lima Tahun Terakhir (Studi Kasus Pada 33 Provinsi),” Jurnal Jibeka, vol. 11, pp. 27–31, 2017.
R. Atalay, “The Education and the Human Capital to Get Rid of the Middle-income Trap and to Provide the Economic Development,” Procedia - Social and Behavioral Sciences, vol. 174, pp. 969–976, 2015.
R. Hrasko, A. G. C. Pacheco, and R. A. Krohling, “Time Series Prediction Using Restricted Boltzmann Machines and Backpropagation,” Procedia Computer Science, vol. 55, no. Itqm, pp. 990–999, 2015.
P. Witoonchart and P. Chongstitvatana, “Structured SVM Backpropagation To Convolutional Neural Network Applying To Human Pose Estimation,” Journal of LATEX, vol. 92, pp. 39–46, 2017.
Agus Perdana Windarto, “Implementation of Neural Networks in Predicting the Understanding Level of Students Subject,” International Journal of Software Engineering and Its Applications, vol. 10, no. 10, pp. 189–204, 2016.
A. Wanto, M. Zarlis, Sawaluddin, D. Hartama, J. Tata Hardinata, and H. F. Silaban, “Analysis of Artificial Neural Network Backpropagation Using Conjugate Gradient Fletcher Reeves In The Predicting Process,” Journal of Physics: Conference Series, vol. 930, no. 1, pp. 1–7, 2017.
A. Wanto and A. P. Windarto, “Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation,” Jurnal & Penelitian Teknik Informatika Sinkron, vol. 2, no. 2, pp. 37–43, Oct. 2017.
S. Putra Siregar and A. Wanto, “Analysis Accuracy of Artificial Neural Network Using Backpropagation Algorithm In Predicting Process (Forecasting),” International Journal Of Information System & Technology, vol. 1, no. 1, pp. 34–42, 2017.
H. F. Sri Endang Rahayu, “Penerapan Model Pembelajaran Contextualteaching And Learning (CTL) Untuk Meningkatkan Pemahaman Materi Pasar Valuta Asing Pada Mata Kuliah Ekonomi Internasional 2 (Studi Mahasiswa Semester 5jurusan Ekonomi Pembangunan Fakultas Ekonomi UMSU),” Jurnal Ilmiah Manajemen & Bisnis, vol. 17, no. 2, pp. 233–244, 2016.
R. Olawoyin, “Application of backpropagation artificial neural network prediction model for the PAH bioremediation of polluted soil,” Chemosphere, 2016.
A. Ehret, D. Hochstuhl, D. Gianola, and G. Thaller, “Application of neural networks with back-propagation to genome-enabled prediction of complex traits in Holstein-Friesian and German Fleckvieh cattle,” Genetics Selection Evolution, 2015.
A. Wanto, A. P. Windarto, D. Hartama, and I. Parlina, “Use of Binary Sigmoid Function And Linear Identity In Artificial Neural Networks For Forecasting Population Density,” International Journal Of Information System & Technology, vol. 1, no. 1, pp. 43–54, 2017.
A. S. P. Akhmad Fauzy, Sus Budiharto, “Aplikasi Remote Sensing Untuk Pemetaan Sebaran Kemiskinan,” AJIE - Asian Journal of Innovation and Entrepreneurship, vol. 1, no. 3, pp. 166–174, 2016.
C. W. H. Gary R. Watmough, Peter M. Atkison, Arupjyoti Saikia, “Understanding the Evidence Base for Poverty-Environment Relationships using Remotely Sensed Satellite Data: An Example from Assam, India,” Journal World Development, vol. 78, pp. 188–203, 2016.
S. Novita Eka Chandra, “Peramalan Penyebaran Jumlah Kasus Virus Ebola Di Guinea Dengan Metode Arima,” Unisda Journal of Mathematics and Computer Science (UJMC), vol. 2, no. November, pp. 28–35, 2015.
A. Wanto, “Optimasi Prediksi Dengan Algoritma Backpropagation Dan Conjugate Gradient Beale-Powell Restarts,” Jurnal Teknologi dan Sistem Informasi, vol. 3, no. 3, pp. 370–380, Jan. 2018.
DOI: http://dx.doi.org/10.20527/klik.v5i1.129
Copyright (c) 2018 KLIK - KUMPULAN JURNAL ILMU KOMPUTER
This work is licensed under a Creative Commons Attribution 4.0 International License.
This work is licensed under a Creative Commons Attribution 4.0 International License. View My Stats