Abstrak
Dinas Kependudukan dan Pencatatan Sipil (Dispendukcapil) Kota Malang bertugas memberikan
pelayanan publik dalam hal pencatatan sipil seperti pembuatan Kartu Tanda Penduduk elektronik (e-
KTP) dan akta kelahiran. Dispendukcapil mempersiapkan hal tersebut dengan membuat perencanaan
target kebutuhan dan memprediksi jumlah penduduk 5 tahun ke depan, namun tidak diketahui nilai error
yang dihasilkan. Penelitian ini membantu memprediksi dengan nilai error yang kecil menggunakan
metode Extreme Learning Machine (ELM) dan menghitung nilai error menggunakan Mean Absolute
Percentage Error (MAPE). Berdasarkan hasil implementasi pengujian dan analisis, dengan
menggunakan data dari tahun 2009 hingga 2019 diperoleh nilai error MAPE 0,498% dan runtime 1,166
detik dengan penggunaan 3 neuron input, 5 neuron hidden, sigmoid biner, serta 50 data training dan 66
data testing. Lalu pada implementasi pengujian dengan menggunakan data dari tahun 2012 hingga 2019
diperoleh nilai error MAPE 0,117% dan runtime 1,278 detik dengan penggunaan 3 neuron input, 6
neuron hidden, sigmoid biner, serta 70 data training dan 4 data testing.
Kata kunci: prediksi, jumlah penduduk, Extreme Learning Machine, Mean Absolute Percentage Error
Abstract
Dinas Kependudukan dan Pencatatan Sipil (Dispendukcapil) in Malang City is tasked with provide
public services in terms of civil registration such as making electronic Kartu Tanda Penduduk (e-KTP)
and birth certificates. Dispendukcapil prepared this by planning for the target needs and predicting the
population in the next 5 years, but the error value is unknown. This research helps predict with a small
error value using Extreme Learning Machine (ELM) method and calculates the error value using Mean
Absolute Percentage Error (MAPE). Based on the results of testing implementation and analysis, using
data from 2009 to 2019 obtained MAPE error value of 0.498% and runtime 1.166 seconds with the use
of 3 input neurons, 5 hidden neurons, binary sigmoid, as well as 50 training data and 66 testing data.
Then, in implementation of testing using data from 2012 to 2019 obtained MAPE error value of 0.117%
and runtime 1.227 seconds with the use of 3 input neurons, 6 hidden neurons, binary sigmoid, as well
as 70 training data and 4 testing data.
Keywords: prediction, population, Extreme Learning Machine, Mean Absolute Percentage Error
pertama yaitu memprediksi laju inflasi sinapsis sebagai output. Dapat dilihat pada
menggunakan ELM yang membandingkan Gambar 2 struktur JST secara umum.
antara metode ELM dengan backpropagation
dan menunjukkan hasil bahwa metode ELM
lebih baik digunakan untuk prediksi inflasi
karena antara data aktual dengan hasil prediksi
memiliki selisih 0,0202008, sedangkan dengan
menggunakan backpropagation memiliki selisih
1,16035821 (Alfiyatin, et al., 2019).
Selanjutnya penelitian kedua yaitu
membandingkan algoritme ELM dan
backpropagation mengenai prestasi akademik
mahasiswa. Hasil menunjukkan bahwa tingkat
kesalahan terkecil dengan nilai 14,84% Gambar 2. Struktur JST
menggunakan algoritme ELM, sedangkan Sumber: (Faizal, Setiawan & Cholissodin, 2019)
penggunaan backpropagation menghasilkan
tingkat kesalahan sebesar 28,20% (Pratiwi &
Harianto, 2019). 2.2 Fungsi Aktivasi
Dari penelitian-penelitian tersebut,
disimpulkan bahwa metode ELM memiliki Fungsi ini digunakan untuk mengaktifkan
kelebihan yaitu nilai error yang minim sehingga neuron menuju output layer sesuai dengan
dapat diterapkan dalam memprediksi batasan rentang nilai tertentu. Terdapat dua jenis
fungsi yang sering diterapkan pada prediksi
pertumbuhan penduduk di Kota Malang yang
menggunakan JST, yaitu biner dan bipolar.
akan membantu perencanaan target kebutuhan
pembuatan dokumen, melihat seberapa besar 2.2.1 Sigmoid Biner
peningkatan tertib administrasi, peningkatan
Fungsi ini mempunyai nilai keluaran
kualitas pelayanan serta persentase integrasi data
dengan range 0 hingga 1 (Siang, 2009).
penduduk terhadap pelayanan publik.
Gambar 12. Grafik Rata-Rata Nilai MAPE Pada Gambar 15, dapat dilihat hasil terbaik
Pengujian Variasi Data Training & 16 Data Testing pada penggunaan variasi data 70:4 dengan nilai
(Dataset 2009 – 2019) 0,136%. Dari kedua pengujian tersebut dapat
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 515
disimpulkan bahwa penggunaan jumlah data Extreme Learning Machine (ELM) untuk
testing juga tidak mempengaruhi pola hasil nilai Peramalan Laju Inflasi di Indonesia.
error. Jurnal Teknologi Informasi dan Ilmu
Komputer, 6(2), p.179.
4.5 Hasil Perbandingan Pola Data
Ashar, N.M., Cholissodin, I. and Dewi, C., 2018.
4.5.1 Dataset 2009-2019 Penerapan Metode Extreme Learning
Nilai MAPE terbaik didapatkan dari Machine (ELM) Untuk Memprediksi
penggunaan parameter 3 neuron input, 5 neuron Jumlah Produksi Pipa Yang Layak (Studi
hidden, sigmoid biner, dan variasi 50 data Kasus Pada PT. KHI Pipe Industries).
training & 66 data testing. Jurnal Pengembangan Teknologi
Informasi dan Ilmu Komputer (J-PTIIK)
4.5.2 Dataset 2012-2019 Universitas Brawijaya, 2(11), pp.4621–
Nilai error MAPE terbaik didapatkan dari 4628.
penggunaan parameter 3 neuron input, 6 neuron Fachrony, A., Cholissodin, I. and Santoso, E.,
hidden, sigmoid biner, dan variasi 70 data 2018. Implementasi Algoritme Extreme
training & 4 data testing. Learning Machine (ELM) untuk Prediksi
Beban Pemanasan dan Pendinginan
5. KESIMPULAN Bangunan. Jurnal Pengembangan
1. Dari pengujian pada sub bab 4, diperoleh Teknologi Informasi dan Ilmu Komputer
kesimpulan sebagai berikut: (J-PTIIK) Universitas Brawijaya, 2(9),
pp.3043–3049.
a. Ketika menerapkan fungsi aktivasi
sigmoid biner dan data training yang Faizal, R., Setiawan, B.D. and Cholissodin, I.,
semakin banyak, maka diperoleh nilai 2019. Prediksi Nilai Cryptocurrency
error yang menurun. Bitcoin menggunakan Algoritme Extreme
b. Ketika jumlah neuron input dan neuron Learning Machine (ELM). Jurnal
hidden yang dipakai semakin banyak, Pengembangan Teknologi Informasi dan
maka dihasilkan nilai error yang Ilmu Komputer (J-PTIIK) Universitas
cenderung meningkat. Brawijaya, 3(9), pp.4226–4233.
2. Hasil evaluasi dengan parameter terbaik Huang, G. Bin, Zhu, Q.Y. and Siew, C.K., 2004.
pada pola 2012-2019 memiliki rata-rata Extreme learning machine: A new
nilai error MAPE lebih kecil 0,117% learning scheme of feedforward neural
dengan rata-rata runtime selama 1,278 networks. IEEE International Conference
detik dan memiliki selisih 0,381% terhadap on Neural Networks - Conference
pola dataset 2009-2019 yang memiliki nilai Proceedings, 2, pp.985–990.
MAPE 0,498% dengan rata-rata runtime Kim, S. and Kim, H., 2016. A new metric of
selama 1,166 detik sehingga dapat absolute percentage error for intermittent
disimpulkan bahwa pola data 2012-2019 demand forecasts. International Journal of
yang datanya naik secara teratur dan Forecasting, [online] 32(3), pp.669–679.
bentuknya cenderung linier, hasil nilai Available at:
MAPE-nya lebih kecil jika dibandingkan <http://dx.doi.org/10.1016/j.ijforecast.20
dengan pola data 2009-2019 yang memiliki 15.12.003>.
bentuk tidak beraturan karena data 3 tahun
awal tersebut merupakan data yang selisih Kumar, J.Y. and Kumar, B.S., 2011. Min max
jumlah penduduk setiap bulannya memiliki normalization-based data perturbation
perbedaan yang cukup jauh sehingga method for privacy protection.
mempengaruhi hasil prediksinya. Pola data International Journal of Computer &
yang berbentuk linier secara konsisten, communication Technology, [online]
akan menghasilkan prediksi yang semakin 2(8), pp.45–50. Available at:
baik. <https://www.researchgate.net/publicatio
n/312910769_Min_max_normalization_b
6. DAFTAR PUSTAKA ased_data_perturbation_method_for_priv
acy_protection>.
Alfiyatin, A.N., Mahmudy, W.F., Ananda, C.F.
and Anggodo, Y.P., 2019. Penerapan Pratiwi, H. and Harianto, K., 2019.
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 516