ANALISIS ALGORITMA BACK PROPAGATION DALAM PREDIKSI ANGKA KEMISKINAN DI INDONESIA
Abstract
Abstrak: Kemiskinan merupakan masalah umum yang dihadapi setiap negara, dan Indonesia sebagai salah satunya. Peningkatan penduduk miskin terjadi hampir setiap tahunnya. Menurut Badan Pusat Statistik dengan indikator penduduk yang memiliki pengeluaran perbulan dibawah garis kemiskinan dikategorikan sebagai rakyat kurang mampu. Meningkatnya jumlah penduduk kurang mampu akan memicu terjadinya tindak kriminalitas, situasi tersebut terjadi karena individu tersebut akan melakukan apapun untuk memenuhi kebutuhannya. Dengan memprediksi jumlah penduduk miskin, diharapkan pemerintah ataupun lembaga-lembaga yang terkait dengan topik ini dapat membantu untuk mengurangi jumlah penduduk miskin dan tingkat pengangguran di Indonesia. Penelitian ini bertujuan untuk memprediksi data jumlah penduduk miskin di Indonesia dengan menggunakan metode ANN Back Propagation. Jenis penelitian ini adalah kuantitatif deskriptif. Data yang digunakan untuk peramalan dari tahun 2012-2019, dengan parameter akurasi MSE dan MAPE. Berdasarkan hasil simulasi data diperoleh hasil prediksi tahun 2020 jumlah penduduk miskin di 33 Provinsi di Indonesia yaitu sebesar 332.005 jiwa. Adapun parameter akurasi dari arsitektur Back Propagation yakni dengan memperoleh MSE sebesar 0,119 dan MAPE sebesar 2,298.
Abstract: Poverty is a common problem facing every country, and Indonesia as one of them. The increase in the poor occurs almost every year. According to the Central Bureau of Statistics with indicators of the population that has monthly expenditure below the poverty line is categorized as underage people. Increasing the number of under-able populations will trigger criminality, the situation occurs because the individual will do anything to meet his needs. By predicting the number of poor people, it is hoped that the government or institutions related to this topic can help to reduce the number of poor people and the unemployment rate in Indonesia. This research aims to predict the data of the number of poor people in Indonesia by using ann back propagation method. This type of research is quantitatively descriptive. Data used for forecasting from 2012-2019, with MSE and MAPE accuracy parameters. Based on the results of the simulation data obtained the predicted results in 2020 the number of poor people in 33 provinces in Indonesia is 332,005 people. The accuracy parameters of the Back Propagation architecture are obtaining MSE of 0.119 and MAPE of 2,298.
Keywords
Full Text:
Download [PDF]References
Andrian, Y., & Ningsih, E. (2014). Prediksi Curah Hujan Di Kota Medan Menggunakan. 184–189.
Aristyani, Y., & Sugiharti, E. (2015). Peramalan Indeks Harga Saham Gabungan (Ihsg) Dengan Metode Fuzzy Time Series Markov Chain. Jurnal MIPA, 38(2), 200–210.
Astriana Mulyani. (2012). Peramalan jumlah produksi air dengan algoritma backpropagation. 172–177.
Birky, M., Akbar, A., & Supianto, A. A. (2019). Optimasi Peramalan Metode Backpropagation Menggunakan Algoritme Genetika pada Jumlah Penumpang Kereta Api di Indonesia. 3(3), 2533–2541.
Fadhilah, R. N., & Ginardi, R. V. H. (2017). Penentuan Harga Dengan Metode Back Propagation pada Aplikasi E-Commerce CariKos Berbasis Web. Jurnal Teknik ITS, 6(2). https://doi.org/10.12962/j23373539.v6i2.23978
Fety, F., M, H., Leni, M., Siti Fara, H., & Syaharuddin. (2020). Forecasting Peningkatan Jumlah Penduduk Berdasarkan Jenis Kelamin Menggunakan Metode Arima. GEOGRAPHY: Jurnal Kajian, Penelitian Dan Pengembangan Pendidikan, 8(1), 27–36.
Firdaus, J. (2017). Deteksi Benih Varietas Padi Menggunakan Gelombang Near Infrared dan Model Jaringan Saraf Tiruan Detection of Rice Seed Varieties Using Near Infrared Spectroscopy.
Hansun, S. (2013). Peramalan Data IHSG Menggunakan Metode Backpropagation. IV(1), 26–30.
Hasan Taher, A., Al-Jaberi, L. A., & Mosa, A. M. (2018). Artificial Neural Network For Mix Proportioning Optimization Of Reactive Powder Concrete. Journal of Theoretical and Applied Information Technology, 15(23).
Irawan, M. I., Syaharuddin, Utomo, D. B., & Rukmi, A. M. (2013). Intelligent irrigation water requirement system based on artificial neural networks and profit optimization for planting time decision making of crops in Lombok Island. Journal of Theoretical and Applied Information Technology, 58(3), 657–671.
Mistianingsih, M. F. A., Barong, J., Unmul, K., Kelua, G., & Samarinda, S. (2010). Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran Backpropagation. 5(1).
Negara, H. R. P., Tamur, M., Syaharuddin, Apandi, T. H., Kusuma, J. W., & Hamidah. (2020). Computational modeling of ARIMA-based G-MFS methods: Long-term forecasting of increasing population. International Journal of Emerging Trends in Engineering Research, 8(7), 3665–3669. https://doi.org/10.30534/ijeter/2020/126872020
Nurdela, S. A. (2017). No Title. (November), 213–223. https://doi.org/10.20473/ijph.v12i1.2017.213-223
Nurhayati, N., & Iskandarianto, F. A. (2010). Penerapan Metode Back Propagation Neural Network pada Pendeteksian Kelainan Otak Ischemic Cerebral Infraction dengan Bahasa Pemrograman Delphi. Jurnal Fisika Dan Aplikasinya, 6(1), 100106. https://doi.org/10.12962/j24604682.v6i1.914
Nurlifa, A., & Kusumadewi, S. (2017). Sistem Peramalan Jumlah Penjualan Menggunakan Metode Moving Average Pada Rumah Jilbab Zaky. INOVTEK Polbeng - Seri Informatika, 2, 18. https://doi.org/10.35314/isi.v2i1.112
Nurwati, N. (2008). Kemiskinan : Model Pengukuran, Permasalahan dan Alternatif Kebijakan. Jurnal Kependudukan Padjadjaran.
Pramunendar, R., Dewi, I., & Asari, H. (2013). Penentuan Prediksi Awal Penyakit Jantung Menggunakan Algoritma Back Propagation Neural Network dengan Metode Adaboost. Semantik, 2013(November), 298–304.
Prastyo, A. A. (2010). Analisis Faktor-Faktor Yang Mempengaruhi Tingkat Kemiskinan.
Putra Pandu Adikara. (2018). Implementasi Gabungan Metode Bayesian dan Backpropagation untuk Implementasi Gabungan Metode Bayesian dan Backpropagation untuk Peramalan Jumlah Pengangguran Terbuka di Indonesia. (April 2017).
Rahmasari, A., Sunani, E. H., Jannah, M., Fathulaili, F., Kurnia, L., & Satria, A. (2019). ARDL Method: Forecasting Data Kemiskinan di NTB. JTAM | Jurnal Teori Dan Aplikasi Matematika, 3(1), 52. https://doi.org/10.31764/jtam.v3i1.767
Sinaga, S. P., Wanto, A., & Solikhun, S. (2019). Implementasi Jaringan Syaraf Tiruan Resilient Backpropagation dalam Memprediksi Angka Harapan Hidup Masyarakat Sumatera Utara. 4(2).
Sucipto, L., & Syaharuddin, S. (2018). Konstruksi Forecasting System Multi-Model untuk pemodelan matematika pada peramalan Indeks Pembangunan Manusia Provinsi Nusa Tenggara Barat. Register: Jurnal Ilmiah Teknologi Sistem Informasi, 4(2), 114. https://doi.org/10.26594/register.v4i2.1263
Sudarsono, A. 2016. (2016). Jaringan Syaraf Tiruan Untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode. 12(1), 61–69.
Suhaidi, S., Febriana, E., RPN, H., & Ardiansyah, I. (2017). ANN Back Propagation for Forecasting and Simulation Hydroclimatology Data. Prosiding Seminar Nasional Pendidik Dan Pengembang Pendidikan Indonesia Dengan Tema “Membangun Generasi Berkarakter Melalui Pembelajaran Inovatif,” 6(10), 553–559.
Syaharuddin, Novi, H., Dewi, P., & Malik, I. (2019). Aplikasi Artificial Neural Network (ANN) dalam Peramalan Time Series Data: Studi Kasus Lama Sinar Matahari. Proceeding National Conference: Education, Social Science, and Humaniora, 1(1), 36–46.
Syaharuddin, Pramita, D., Nusantara, T., & Subanji. (2020). Computational of distribution of wind speed as preliminary information for fishers: Case study in lombok sea. International Journal of Advanced Trends in Computer Science and Engineering, 9(3), 3584–3587.
Syaharuddin, Pramita, D., Nusantara, T., Subanji, & Negara, H. R. P. (2020). Analysis of accuracy parameters of ANN backpropagation algorithm through training and testing of hydro-climatology data based on GUI MATLAB. IOP Conference Series: Earth and Environmental Science, 413(1). https://doi.org/10.1088/1755-1315/413/1/012008
Syaharuddin;, Pramita, D., Nusantara, T., & Subanji. (2019). Accuracy Analysis of ANN Back Propagation, Neuro-Fuzzy, and Radial Basis Function: A Case of HDI Forecasting. International Journal of Engineering and Advanced Technology (IJEAT), 9(1), 1299–1304.
Wanto, A. (2019). Penduduk Miskin di Indonesia Sebagai Upaya Pengentasan Kemiskinan. 17–26.
Wanto, A., & Hardinata, J. T. (2019). Estimasi Penduduk Miskin Di Indonesia Sebagai Upaya Pengentasan Kemiskinan Dalam Menghadapi. CESS (Journal of Computer Engineering System and Science), Vol. 4, pp. 198–207.
Wibowo, F., Sugiyanto, S., & Mustafidah, H. (2013). Tingkat Ketelitian Pengenalan Pola Data pada Algoritma Pelatihan Perbaikan Metode Batch Mode dalam Jaringan Syaraf Tiruan. Juita, II(4), 259–264.
Wijaya, E. (2013). Jurnal TIME , Vol. II No 2 : 18-26, 2013 ISSN. II(2), 18–26.
DOI: https://doi.org/10.31764/pendekar.v3i1.2814
Refbacks
- There are currently no refbacks.
Copyright (c) 2020 Pendekar : Jurnal Pendidikan Berkarakter
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Contact Admin:
Email: [email protected]
WhatsApp: +62 853-3397-5477
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Pendekar : Jurnal Pendidikan Berkarakter already indexed:
