Prediksi Indeks Pembangunan Manusia di Kabupaten Wonosobo Menggunakan Algoritma Backpropagation

Authors

DOI:

https://doi.org/10.33633/tc.v22i2.7980

Keywords:

Jaringan Saraf Tiruan, Backpropagation, Indeks Pembangunan Manusia, Prediksi.

Abstract

Nilai Indeks Pembangunan Manusia (IPM) diperoleh dari beberapa aspek kehidupan yang realitanya tidak sepenuhnya terlaksana. Ketidakmerataan infrastruktur pembangunan merupakan salah satu permasalahan akibat tidak terlaksananya program peningkatan pembangunan manusia, khususnya di Kabupaten Wonosobo.  Permasalahan tersebut akan tentu akan memberikan dampak kualitas hidup masyarakat. Pada penelitian ini, pembangunan sistem dengan algortima backpropagation dilakukan untuk memprediksi nilai IPM di Kabupaten Wonosobo guna mempermudah preiksi kualitas manusia di Kabupaten Wonosobo. Percobaan yang dilaakukan yaitu dengan melakukan pelatihan, validasi, dan pengujian data IPM diperoleh dari BPS Kabupaten Wonosobo dengan rasio 80:20. Berdasarkan hasil penelitian, arsitektur 5-12-1 menggunakan LR 0,0001 dan epoch sebanyak 10000 menghasilkan nilai MSE sebesar 2.812623341 fungsi aktivasi sigmoid, arsitektur 5-3-1 menggunakan LR 0,0001 dan epoch sebanyak 10000 menghasilkan nilai MSE sebesar 0.2121786277 pada fungsi aktivasi ReLU, arsitektur 5-6-1 menggunakan LR 0,01 dan epochs 10000 menghasilkan nilai MSE sebesar 2.050127723 fungsi aktivasi TanH, dan arsitektur 5-2-1 menggunakan LR 0,01 dan epoch sebanyak 1000 menghasilkan nilai MSE sebesar 3.040008631. Hasil penelitian menunjukkan bahwa algoritma backpropagation menggunakan fungsi aktivasi TanH menghasilkan akurasi terbaik untuk prediksi nilai IPM di Kabupaten Wonosobo. Hasil penelitian yang dihasilkan diharapkan dapat berguna untuk mengembangkan sistem prediksi yang lebih mutakhir kedepannya.

References

Badan Pusat Statistik Indonesia, “Konsep Indeks Pembangunan Manusia (IPM),” 2022. https://www.bps.go.id/subject/26/indeks-pembangunan-manusia.html (accessed Oct. 21, 2022).

BPS, Indeks Pembangunan Manusia Kabupaten Humbang Hasundutan. 2018.

Badan Pusat Statistik Indonesia, Indeks Pembangunan Manusia 2021, 2021st ed. Jakarta: Badan Pusat Statistik, 2022. [Online]. Available:

https://www.bps.go.id/publication/2022/05/11/48b6466dcf14b562df9f17e2/indeks-pembangunan-manusia-2021.html

Badan Pusat Statistik Wonosobo, “Indeks Pembangunan Manusia Kabupaten Wonosobo 2021,” in Badan Pusat Statistik Kabupaten Wonosoobo 33070.2134, 2021st ed., Badan Pusat Statistik Kabupaten Wonosobo, Ed. Wonosobo: Badan Pusat Statistik Kabupaten Wonosobo, 2022, p. 59. [Online]. Available: https://wonosobokab.bps.go.id/publication/2021/12/31/0123a981267e54e084eb73a8/indeks-pembangunan-manusia-kabupaten-wonosobo-2021.html

Badan Pusat Statistik Kabupaten Wonosobo, “Proyeksi Penduduk Wonosobo Menurut Jenis Kelamin Tahun 2010 - 2020,” p. 2022, 2022, [Online]. Available: https://wonosobokab.bps.go.id/statictable/2016/11/28/123/proyeksi-penduduk-wonosobo-menurut-jenis-kelamin-tahun-2010---2020.html

G. Z. M. Sunardi, Anton Yudhana, “Sistem Prediksi Curah Hujan Bulanan Menggunakan Jaringan Saraf Tiruan Backpropagation,” J. Sist. Inf., vol. 02, pp. 155–162, 2020, [Online]. Available: http://ejournal.undip.ac.id/index.php/jsinbis

S. Akbar, E. Noviyanti, U. L. S. Khadijah, and A. Nugraha, “Wisuda Lengger Giyanti Sebagai Daya Tarik Wisata Wisuda Lengger Giyanti As a Tourist Attraction in Wonosobo Regency,” Tornare - J. Sustain. Tour. Res., vol. 1, no. 1, pp. 22–30, 2019, doi: https://doi.org/10.24198/tornare.v1i1.25364.

W. J. Rapaport et al., “What is Artificial Intelligence?,” J. Artif. Gen. Intell., vol. 11, no. 2, pp. 1–100, 2020, doi: 10.2478/jagi-2020-0003.

P. Alkhairi, I. S. Damanik, and A. P. Windarto, “Penerapan Jaringan Saraf Tiruan untuk Mengukur Korelasi Beban Kerja Dosen Terhadap Peningkatan Jumlah Publikasi,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, pp. 581–601, 2019, doi: 10.30645/senaris.v1i0.65.

H. Okprana, M. R. Lubis, and J. T. Hadinata, “Prediksi Kelulusan TOEFL Menggunakan Metode Resilient Backpropagation,” J. Edukasi dan Penelit. Inform., vol. 6, no. 2, p. 275, 2020, doi: 10.26418/jp.v6i2.41224.

E. Siregar, H. Mawengkang, E. B. Nababan, and A. Wanto, “Analysis of Backpropagation Method with Sigmoid Bipolar and Linear Function in Prediction of Population Growth,” J. Phys. Conf. Ser., vol. 1255, no. 1, 2019, doi: 10.1088/1742-6596/1255/1/012023.

D. M. Khoir and E. I. Sela, “Implementasi Jaringan Saraf Tiruan untuk Memprediksi Indeks Pembangunan Manusia di Provinsi Daerah Istimewa Yogyakarta,” pp. 6–7, 2018, [Online]. Available: http://eprints.uty.ac.id/id/eprint/1182

D. Finaliamartha, D. Supriyadi, and G. F. Fitriana, “Penerapan Metode Jaringan Syaraf Tiruan Backpropagation Untuk Memprediksi Tingkat Kemiskinan di Provinsi Jawa Tengah,” J. Teknol. Inf. dan Ilmu Komput., vol. Vol.9, no. No.4, pp. 751–760, 2022, doi: 10.25126/jtiik.202294806.

B. Yanto, Almadison, Hendri, R. Hutagaol, and R. Rahman, “Analisis Optimasi Algoritma Backpropagation Momentum Dalam Memprediksi Jenis Tingkat Kejahatan di Kecamatan Tambusai Utara,” vol. 1, pp. 47–60, 2022, doi: DOI. 10.56313/jictas.v1i1.165.

J. Zeniarja and A. Luthfiarta, “Prediksi Churn Dan Segmentasi Pelanggan Menggunakan Backpropagation Neural Network Berbasis Evolution Strategies,” Techno. Com, vol. 14, no. 1, pp. 49–54, 2015, [Online]. Available: http://publikasi.dinus.ac.id/index.php/technoc/article/view/706

I. S. Purba and A. Wanto, “Prediksi Jumlah Nilai Impor Sumatera Utara Menurut Negara Asal Menggunakan Algoritma Backpropagation,” Techno.Com, vol. 17, no. 3, pp. 302–311, 2018, doi: 10.33633/tc.v17i3.1769.

W. Utomo, “Prediksi Nilai Ujian Nasional Produktif Sekolah Menengah Kejuruan Menggunakan Metode Neural Network,” Techno.COM, vol. 14, no. 1, pp. 33–41, 2015.

N. L. Br Sitepu, “Jaringan Saraf Tiruan Memprediksi Nilai Pemelajaran Siswa Dengan Metode Backpropagation ( Studi kasus : SMP Negeri 1 Salapian),” J. Inf. Technol., vol. 1, no. 2, pp. 54–58, 2021, doi: 10.32938/jitu.v1i2.1006.

E. Yulihastin, T. W. Hadi, M. R. Abdillah, I. R. Fauziah, and N. S. Ningsih, “Propagation of Convective Systems Associated with Early Morning Precipitation and Different Northerly Background Winds over Western Java,” J. Meteorol. Soc. Japan, vol. 100, no. 1, pp. 99–113, 2022, doi: 10.2151/jmsj.2022-005.

S. Setti and A. Wanto, “Analysis of Backpropagation Algorithm in Predicting the Most Number of Internet Users in the World,” J. Online Inform., vol. 3, no. 2, p. 110, 2019, doi: 10.15575/join.v3i2.205.

Downloads

Published

2023-05-26

Issue

Section

Articles