Model Peramalan Artificial Neural Network pada Peserta KB Aktif Jalur Pemerintahan menggunakan Artificial Neural Network Back-Propagation

B. Herawan Hayadi; I Gede Iwan Sudipa; Agus Perdana Windarto

doi:10.30812/matrik.v21i1.1273

B. Herawan Hayadi Universitas Potensi Utama, Indonesia
I Gede Iwan Sudipa STMIK STIKOM Indonesia, Denpasar, Bali, Indonesia
Agus Perdana Windarto STIKOM Tunas Bangsa

DOI: https://doi.org/10.30812/matrik.v21i1.1273

Keywords: Back-Propagation, Prediction, Active Family Planning Participant, Architecture, Matlab Software

Abstract

Pertumbuhan penduduk di Indonesia yang terus meningkat setiap tahunnya dan tidak disertai dengan ketersediaan lapangan pekerjaan yang mampu menampung seluruh angkatan kerja bisa menimbulkan pengangguran, kriminalitas, yang bersinggungan pula dengan rusaknya moralitas masyarakat. Oleh karena pemerintah memberikan serangkaian usaha untuk menekan laju pertumbuhan penduduk agar tidak terjadi ledakan penduduk yang lebih besar. Salah satu cara yang dilakukan adalah dengan menggalakkan program KB (Keluarga Berencana). Tujuan dari penelitian untuk membuat model prediksi dengan memanfaatkan Artificial Neural Network (ANN) pada peserta KB aktif jalur pemerintahan untuk melihat laju pertumbuhan penduduk kedepannya dalam rentang waktu tertentu guna mempermudah pemerintah dalam membuat rancangan perencanaan ke depannya. Back-propagation merupakan salah satu metode yang digunakan untuk melakukan peramalan yang merupakan bagian dari ANN. Hal ini perlu dilakukan mengingat jumlah kepadatan penduduk terus meningkat setiap tahunnya dan KB merupakan salah satu program pemerintah yang bertujuan mengendalikan laju kenaikan penduduk di Indonesia. Dataset yang digunakan yakni peserta KB aktif di Kota Pematangsiantar bulan agustus 2019 – januari 2020. Pengujian dilakuan dengan bantuan software matlab dengan menguji 5 model arsitektur (try error) yakni model 4-5-1; model 4-7-1; model 4-8-5-1; dan model 4-9-7-1. Hasil analisis diperoleh bahwa model arsitektur 4-8-5-1 merupakan yang terbaik dan dijadikan acuan untuk meramalkan peserta KB aktif pada jalur pemerintah dengan tingkat akurasi sebesar 71% (terbaik dari 4 model arsitektur lainnya). Model ANN tersebut dapat diimpementasikan untuk melakukan prediksi terhadap peserta KB aktif jalur pemerintahan sehingga pemerintah dapat melakukan rancangan untuk kedepannya.

Downloads

Download data is not yet available.

References

[1] J. Sistim, S. H. Putri, and G. W. Nurcahyo, “Prediksi Pencapaian Target Peserta Keluarga Berencana Pasca Persalinan menggunakan Algoritma Backpropagation,” Jurnal Sistim Informasi dan Teknologi, vol. 3, no. 3, pp. 174–180, 2021.
[2] D. S. Seruni, M. T. Furqon, and R. C. Wihandika, “Sistem Prediksi Pertumbuhan Jumlah Penduduk Kota Malang menggunakan Metode K-Nearest Neighbor Regression,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 4, no. 4, pp. 1075–1082, 2020.
[3] S. Sunardi, A. Yudhana, and G. Z. Muflih, “Sistem Prediksi Curah Hujan Bulanan Menggunakan Jaringan Saraf Tiruan Backpropagation,” Jurnal Sistem Informasi Bisnis, vol. 10, no. 2, pp. 155–162, 2020.
[4] P. Indrayati Sijabat, Y. Yuhandri, G. Widi Nurcahyo, and A. Sindar, “Algoritma Backpropagation Prediksi Harga Komoditi terhadap Karakteristik Konsumen Produk Kopi Lokal Nasional,” Digital Zone: Jurnal Teknologi Informasi dan Komunikasi, vol. 11, no. 1, pp. 96–107, 2020.
[5] Y. A. Lesnussa, C. G. Mustamu, F. Kondo Lembang, and M. W. Talakua, “Application of Backpropagation Neural Networks in Predicting Rainfall Data in Ambon City,” International Journal of Artificial Intelligence Research, vol. 2, no. 2, 2018.
[6] A. P. Windarto, M. R. Lubis, and S. Solikhun, “Implementasi JST pada Prediksi Total Laba Rugi Komprehensif Bank Umum dan Konvensional dengan Backpropagation,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 4, p. 411, 2018.
[7] I. A. R. Simbolon, F. Yatussa’ada, and A. Wanto, “Penerapan Algoritma Backpropagation dalam Memprediksi Persentase Penduduk Buta Huruf di Indonesia,” Jurnal Informatika Upgris, vol. 4, no. 2, 2019.
[8] Y. Aprizal, R. I. Zainal, and A. Afriyudi, “Perbandingan Metode Backpropagation dan Learning Vector Quantization (LVQ) Dalam Menggali Potensi Mahasiswa Baru di STMIK PalComTech,” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 18, no. 2, pp. 294–301, 2019.
[9] B. Poerwanto and F. Fajriani, “Resilient Backpropagation Neural Network on Prediction of Poverty Levels in South Sulawesi,” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 20, no. 1, pp. 11–18, 2020.
[10] Budiharjo, T. Soemartono, A. P. Windarto, and T. Herawan, “Predicting School Participation in Indonesia using Back-Propagation Algorithm Model,” International Journal of Control and Automation, vol. 11, no. 11, pp. 57–68, 2018.
[11] W. Saputra, A. P. Windarto, and A. Wanto, “Analysis of the Resilient Method in Training and Accuracy in the Backpropagation Method,” The IJICS (International Journal of Informatics and Computer Science), vol. 5, no. 1, pp. 52–56, 2021.
[12] A. Perdana, S. Defit, and A. Wanto, “Optimalisasi Parameter dengan Cross Validation dan Neural Back-propagation Pada Model Prediksi Pertumbuhan Industri Mikro dan Kecil,” Jurnal Sistem Informasi Bisnis, vol. 01, no. 11, pp. 34–42, 2021.
[13] S. Pohan, B. Warsito, and S. Suryono, “Backpropagation artificial neural network for prediction plant seedling growth,” Journal of Physics: Conference Series, vol. 1524, no. 1, 2020.
[14] N. Nikentari, H. Kurniawan, N. Ritha, D. Kurniawan, U. Maritim, and R. Ali, “Particle Swarm Optimization Untuk Prediksi Pasang Surut Air Optimization of Backpropagation Artificial Neural Network With Particle Swarm Optimization To Predict Tide Level,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 5, pp. 605–612, 2018.
[15] H. Haviluddin, Z. Arifin, A. H. Kridalaksana, and D. Cahyadi, “Prediksi Kedatangan Turis Asing ke Indonesia Menggunakan Backpropagation Neural Networks,” Jurnal Teknologi dan Sistem Komputer, vol. 4, no. 4, p. 485, 2016.
[16] R. Ruslan, L. Laome, I. Usman, and E. W. Harisa, “Electricity Consumption Modelling in Kendari using the Backpropagation Method on the Artificial Neural Network,” Journal of Physics: Conference Series, vol. 1863, no. 1, 2021.
[17] P. Li and Q. Zhang, “Face Recognition Algorithm Comparison based on Backpropagation Neural Network,” Journal of Physics: Conference Series, vol. 1865, no. 4, 2021.