Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 4, No. 2, Februari 2020, hlm. 509-516 http://j-ptiik.ub.ac.id

Prediksi Pertumbuhan Penduduk di Kota Malang menggunakan Metode

Extreme Learning Machine (ELM)
Inas Hakimah Kurniasih1, Muhammad Tanzil Furqon2, Sigit Adinugroho3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1inashaku@student.ub.ac.id, 2m.tanzil.furqon@ub.ac.id, 3sigit.adinu@ub.ac.id

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

mengantisipasi masalah tersebut,

1. PENDAHULUAN
Dispendukcapil ialah instansi pemerintah
yang mengurus kependudukan dan pencatatan
sipil di daerah setempat. Dispendukcapil
bertugas memberikan pelayanan kepada
masyarakat untuk mengurus dokumen-dokumen
yang penting seperti e-KTP. Salah satu
permasalahan di Dispendukcapil Kota Malang
adalah memerlukan waktu cukup lama dalam
proses pembuatan e-KTP karena blangko
tersebut jumlahnya terbatas. Dalam
Dispendukcapil membuat perencanaan target
kebutuhan pembuatan dokumen seperti blangko
e-KTP dan akta dengan melakukan prediksi
jumlah penduduk selama 5 tahun ke depan.
Dispendukcapil juga memprediksi pertumbuhan
penduduk, namun tidak diketahui nilai errornya.
Oleh sebab itu, diperlukan perhitungan yang
dapat membantu menghasilkan prediksi
pertumbuhan penduduk dengan nilai error yang
kecil.
Terdapat beberapa kajian pustaka, yang

Fakultas Ilmu Komputer

Universitas Brawijaya 509
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
pertama yaitu memprediksi laju inflasi
menggunakan ELM yang membandingkan
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%
menggunakan algoritme ELM, sedangkan
penggunaan backpropagation menghasilkan
tingkat kesalahan sebesar 28,20% (Pratiwi &
Harianto, 2019).
Dari penelitian-penelitian tersebut,
disimpulkan bahwa metode ELM memiliki
kelebihan yaitu nilai error yang minim sehingga
dapat diterapkan dalam memprediksi
pertumbuhan penduduk di Kota Malang yang
akan membantu perencanaan target kebutuhan
pembuatan dokumen, melihat seberapa besar
peningkatan tertib administrasi, peningkatan
kualitas pelayanan serta persentase integrasi data
penduduk terhadap pelayanan publik.
2. LANDASAN KEPUSTAKAAN
2.1 Jaringan Saraf Tiruan (JST)
JST merupakan salah satu metode prediksi
dengan model yang dibangun seperti cara kerja
otak manusia untuk memproses informasi yang
memiliki ratusan miliar sel yang disebut neuron.
Gambar 1. Struktur Sel Saraf Otak
Sumber: (Sudarsono, 2016)
Pada Gambar 1 dapat dilihat bagian dari sel
saraf jika digambarkan sebagai arsitektur JST
dimana dendrit sebagai input, badan sel sebagai
node atau neuron, akson sebagai bobot, dan
Fakultas Ilmu Komputer, Universitas Brawijaya
510
sinapsis sebagai output. Dapat dilihat pada
Gambar 2 struktur JST secara umum.
Gambar 2. Struktur JST
Sumber: (Faizal, Setiawan & Cholissodin, 2019)
2.2 Fungsi Aktivasi
Fungsi ini digunakan untuk mengaktifkan
neuron menuju output layer sesuai dengan
batasan rentang nilai tertentu. Terdapat dua jenis
fungsi yang sering diterapkan pada prediksi
menggunakan JST, yaitu biner dan bipolar.
2.2.1 Sigmoid Biner
Fungsi ini mempunyai nilai keluaran
dengan range 0 hingga 1 (Siang, 2009).
(1)
Keterangan:
x = Nilai input
exp = 2,7182818
2.2.2 Sigmoid Bipolar
Fungsi ini mempunyai nilai keluaran
dengan range -1 hingga 1 (Siang, 2009).
(−𝒙)
𝑓(𝑥) = 1−exp
1+exp (−𝒙)
(2)
2.3 Extreme Learning Machine (ELM)
ELM ialah salah satu metode JST yang
tergolong baru dan dikenal dengan Single Layer
Feedforward Neural Networks. Kelebihan dari
metode ini yaitu memiliki kecepatan training
terhadap data dengan ribuan kali lebih cepat
dibandingkan metode feedforward yang
tradisional serta menghasilkan nilai error kecil.
Metode ELM hanya berlaku untuk single
hidden-layer feedforward. (Huang, Zhu & Siew,
2004).
2.3.1 Min-Max Normalization
Normalisasi data ialah proses yang
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 511

bertujuan menyetarakan nilai yang jaraknya Keterangan:

tidak sama, sehingga didapatkan nilai input yang 𝑯 = Nilai output pada hidden layer
lebih kecil. Berikut rumus yang dapat dilihat 4. Perhitungan inverse dengan Moore-
pada persamaan 3 (Kumar & Kumar, 2011). Penrose Generalized.
(𝑥𝑖 −𝑥𝑚𝑖𝑛 )
𝒙𝒊𝒋 = (3) (7)
𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛
Keterangan: Keterangan:
𝑥𝑚𝑖𝑛 = Nilai terkecil pada dataset
𝑥𝑚𝑎𝑥 = Nilai terbesar pada dataset
𝑥𝑖𝑗 = Normalisasi hasil pada data ke-i dan
fitur ke-j
𝑥𝑖 = Nilai aktual data ke-i dari setiap fitur 5. Menghitung bobot output

2.3.2 Proses Training 𝜷 = 𝐻+ ∗ 𝑌 (8)

Pada tahap training, berfungsi untuk Keterangan:

mendapatkan bobot output yang optimal dan
memberikan pelatihan pada sistem dengan
menggunakan dataset agar pada proses testing
dapat menghitung prediksi dengan
menggunakan data yang baru. Berikut adalah
tahapan training pada algoritme ELM
(Fachrony, Cholissodin & Santoso, 2018).
1. Memberikan nilai bias dan bobot input.
Matriks bobot input diinisialisasi
dengan range -1 hingga 1 secara random.
Setelah itu matriks bias diinisialisasi
dengan range 0 sampai 1 secara random.
Kemudian jumlah neuron input disesuaikan
dengan jumlah fitur atau baris dataset yang
akan digunakan. Matriks tersebut adalah
hasil dari transpose matriks bobot dan bias.
2. Perhitungan nilai matriks hidden layer.
Perhitungan ini melakukan perkalian
antara bobot input dengan nilai pada setiap
fitur atau neuron input dan dijumlahkan
dengan nilai bias. Dapat dilihat rumus
peritungan pada persamaan 4.
(4)
Keterangan:
𝑯𝑖𝑛𝑖𝑡 = Matriks hidden layer
𝑋𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔 = Nilai input layer pada data
training
𝑊 𝑇 = Matriks transpose dari bobot input
3. Perhitungan matriks keluaran hidden layer.
Perhitungan ini menerapkan rumus
pada fungsi aktivasi. Berikut rumus biner
pada persamaan 5 dan bipolar pada
persamaan 6.
1
𝑯= (5)
1+exp (−𝑯𝑖𝑛𝑖 𝑡)
𝜷 = Bobot output
𝑌 = Data Target Ternormalisasi
2.3.3 Proses Testing
Berikut adalah langkah-langkah testing
ELM (Fachrony, Cholissodin & Santoso, 2018).
1. Menginisialisasi bobot input (w) & bias
(bobot & bias yang dipakai pada testing
nilainya sama dengan proses training), serta
bobot output (β) yang dihasilkan dari
training.
2. Perhitungan nilai matriks hidden layer.
𝑯𝑖𝑛𝑖𝑡 = 𝑋𝑡𝑒𝑠𝑡𝑖𝑛𝑔 ∗ 𝑊 𝑇 + 𝑏𝑖𝑎𝑠 (9)
Keterangan:
𝑋𝑡𝑒𝑠𝑡𝑖𝑛𝑔 = Nilai input pada data testing
3. Perhitungan matriks keluaran hidden layer.
Proses perhitungan sama seperti
persamaan 5 dan 6 pada proses training.
4. Perhitungan nilai prediksi.
𝒀 =𝐻∗𝛽 (10)
Keterangan:
𝒀 = Hasil prediksi yang ternormalisasi
𝛽 = Bobot output hasil training
2.4 Denormalisasi Data
Dalam mengembalikan nilai yang
sebenarnya dari hasil prediksi testing, dapat
menggunakan perhitungan denormalisasi.
Berikut rumus yang dapat dilihat pada
persamaan 11 (Ashar, Cholissodin & Dewi,
2018).
𝑫 = 𝑥′ ∗ (𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛 ) + 𝑥𝑚𝑖𝑛 (11)

1−exp (−𝑯𝑖𝑛𝑖 𝑡) Keterangan:

𝑯= (6)
1+exp (−𝑯𝑖𝑛𝑖 𝑡)

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 512

𝑫 =Nilai prediksi setelah dilakukan Penduduk

denormalisasi
𝑥′ = Nilai prediksi sebelum dilakukan Keterangan:
denormalisasi 1. Input Neuron (x1 sampai xn):
𝑥𝑚𝑖𝑛 = Nilai terkecil pada dataset b = bias
𝑥𝑚𝑎𝑥 = Nilai terbesar pada dataset x1 = Jumlah penduduk bulan ke-1
x2= Jumlah penduduk bulan ke-2
x3= Jumlah penduduk bulan ke-3
2.5 Mean Absolute Percentage Error (MAPE) xn= Jumlah penduduk bulan ke-n
Berikut rumus MAPE pada persamaan 12 2. Hidden Neuron (h1 sampai hn):
(Kim & Kim, 2016). Jumlah hidden neuron yang ditentukan
1 𝐴𝑖 −𝐹𝑖 hingga ke-n.
𝑴𝑨𝑷𝑬 = ∑𝑛𝑖=1 | ∗ 100%| (12)
𝑛 𝐴𝑖 3. Output Neuron (yi):
Keterangan: Hasil prediksi jumlah penduduk bulan ke-i.
𝑴𝑨𝑷𝑬 = Nilai error
Langkah kedua yaitu membuat
𝑛 = Jumlah data testing
perancangan seperti pada Gambar 5 yaitu
𝐴𝑖 = Nilai aktual
diagram alir algoritme ELM.
𝐹𝑖 = Nilai prediksi hasil denormalisasi

3. METODOLOGI DAN PERANCANGAN

3.1 Data Penelitian

Data yang digunakan ialah jumlah
penduduk setiap bulan. Total data keseluruhan
sebanyak 126 bulan. Penelitian ini
membandingkan 2 pola data yaitu perhitungan
dengan menggunakan data non linier (Januari
2009 - Juni 2019) dan data linier (Juli 2012 - Juni
2019).

3.2 Perancangan Algoritme

Pada perancangan ini, langkah pertama
yang dilakukan yaitu perhitungan manualisasi
yang dapat memudahkan peneliti untuk lebih
memahami setiap langkah pada training dan
testing. Kemudian data akan disesuaikan dengan
arsitektur ELM pada Gambar 4.

Gambar 5. Diagram Alir Perancangan ELM

Gambar 4. Arsitektur ELM Prediksi Pertumbuhan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
4. PENGUJIAN DAN ANALISIS
4.1 Jumlah Neuron Input
Pada Gambar 6, dapat dilihat hasil terbaik
pada penggunaan 3 neuron input dengan rata-
rata nilai error MAPE 0,461%.
Gambar 6. Grafik Rata-Rata Nilai MAPE Pengujian
Jumlah Neuron Input (Dataset 2009– 2019)
Gambar 7. Grafik Rata-Rata Nilai MAPE Pengujian
Jumlah Neuron Input (Dataset 2012– 2019)
Pada Gambar 7, dapat dilihat hasil terbaik
pada penggunaan 3 neuron input dengan MAPE
0,256%. Dapat disimpulkan bahwa ketika
jumlah neuron input yang dipakai semakin
banyak, maka dihasilkan nilai error yang
cenderung meningkat karena penambahan fitur
baru ke dalam perhitungan terkadang ada
beberapa fitur yang datanya tidak cukup untuk
mempertahankan hubungan data sebelumnya
sehingga fitur baru belum tentu menghasilkan
prediksi yang lebih baik. Namun pada pola
dataset 2012-2019, beberapa penggunaan neuron
input ke-n dapat menurunkan nilai error
sehingga berpeluang menghasilkan nilai MAPE
yang kecil.
4.2 Jumlah Neuron Hidden
Pada Gambar 8, dapat dilihat hasil terbaik
pada penggunaan 5 neuron hidden dengan nilai
MAPE 0,466%.
Fakultas Ilmu Komputer, Universitas Brawijaya
513
Gambar 8. Grafik Rata-Rata Nilai MAPE Pengujian
Jumlah Neuron Hidden (Dataset 2009– 2019)
Gambar 9. Grafik Rata-Rata Nilai MAPE Pengujian
Jumlah Neuron Hidden (Dataset 2012– 2019)
Pada Gambar 9, dapat dilihat hasil terbaik
pada penggunaan 6 neuron hidden dengan nilai
MAPE rata-rata sebesar 0,311%. Dapat
disimpulkan dari kedua pengujian tersebut
bahwa semakin sedikit neuron hidden yang
digunakan, maka nilai prediksinya kurang baik
dikarenakan sistem tidak cukup mempelajari
pola data pada proses training sehingga
mengalami underfitting.
Namun semakin banyak penggunaan
neuron hidden, prediksi yang dihasilkan juga
kurang baik dikarenakan sistem terlalu banyak
pola yang dipelajari pada proses training
sehingga mengalami overfitting. Pada pola
dataset 2012-2019, dari penggunaan neuron
hidden ke-6 dan seterusnya berpeluang
mendapatkan MAPE yang lebih kecil jika
dibandingkan dengan pola dataset 2009-2019
yang hasilnya meningkat drastis.
4.3 Fungsi Aktivasi
Pada Gambar 10, dapat dilihat hasil terbaik
pada penggunaan sigmoid biner yaitu 0,467%.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Gambar 10. Grafik Rata-Rata Nilai MAPE
Pengujian Fungsi Aktivasi (Dataset 2009– 2019)
Gambar 11. Grafik Rata-Rata Nilai MAPE
Pengujian Fungsi Aktivasi (Dataset 2012– 2019)
Pada Gambar 11, dapat dilihat hasil terbaik
pada penggunaan sigmoid biner 0,327% yang
hasilnya lebih kecil dibandingkan pola 2009-
2012. Penggunaan fungsi aktivasi biner lebih
baik karena rumus yang diterapkan ialah
pembagian dengan angka pembilang lebih besar
daripada bipolar artinya hasil pembagiannya
juga semakin besar.
Nilai hasil pembagian tersebut berdampak
pada perhitungan inverse (berlawanan), maka
nilai inverse-nya rata-rata lebih kecil daripada
menggunakan bipolar. Nilai inverse ini
berpengaruh terhadap bobot hidden layer karena
semakin kecil bobotnya, maka peluang untuk
mendapatkan nilai error juga semakin kecil.
4.4 Variasi Data Training & Testing
Gambar 12. Grafik Rata-Rata Nilai MAPE
Pengujian Variasi Data Training & 16 Data Testing
(Dataset 2009 – 2019)
Fakultas Ilmu Komputer, Universitas Brawijaya
514
Pada Gambar 12, dapat dilihat hasil terbaik
pada penggunaan variasi data 50:16 dengan nilai
0,567%.
Gambar 13. Grafik Rata-Rata Nilai MAPE
Pengujian Variasi Data Training & 4 Data Testing
(Dataset 2012 – 2019)
ada Gambar 13, dapat dilihat hasil terbaik
pada penggunaan variasi data 70:4 dengan nilai
0,138%. Dapat disimpulkan bahwa ketika
jumlah data training yang dipakai semakin
banyak, maka informasi data yang diperlukan
untuk proses menggeneralisasi hasil prediksi
juga semakin baik sehingga error yang
didapatkan cenderung semakin kecil.
Gambar 14. Grafik Rata-Rata Nilai MAPE
Pengujian Variasi Data Training & Testing (Dataset
2009 – 2019)
Pada Gambar 14, dapat dilihat hasil terbaik
pada penggunaan variasi data 50:66 dengan nilai
0,470%.
Gambar 15. Grafik Rata-Rata Nilai MAPE
Pengujian Variasi Data Training dan Testing
(Dataset 2012 – 2019)
Pada Gambar 15, dapat dilihat hasil terbaik
pada penggunaan variasi data 70:4 dengan nilai
0,136%. Dari kedua pengujian tersebut dapat
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
disimpulkan bahwa penggunaan jumlah data
testing juga tidak mempengaruhi pola hasil nilai
error.
4.5 Hasil Perbandingan Pola Data
4.5.1 Dataset 2009-2019
Nilai MAPE terbaik didapatkan dari
penggunaan parameter 3 neuron input, 5 neuron
hidden, sigmoid biner, dan variasi 50 data
training & 66 data testing.
4.5.2 Dataset 2012-2019
Nilai error MAPE terbaik didapatkan dari
penggunaan parameter 3 neuron input, 6 neuron
hidden, sigmoid biner, dan variasi 70 data
training & 4 data testing.
5. KESIMPULAN
1. Dari pengujian pada sub bab 4, diperoleh
kesimpulan sebagai berikut:
a. Ketika menerapkan fungsi aktivasi
sigmoid biner dan data training yang
semakin banyak, maka diperoleh nilai
error yang menurun.
b. Ketika jumlah neuron input dan neuron
hidden yang dipakai semakin banyak,
maka dihasilkan nilai error yang
cenderung meningkat.
2. Hasil evaluasi dengan parameter terbaik
pada pola 2012-2019 memiliki rata-rata
nilai error MAPE lebih kecil 0,117%
dengan rata-rata runtime selama 1,278
detik dan memiliki selisih 0,381% terhadap
pola dataset 2009-2019 yang memiliki nilai
MAPE 0,498% dengan rata-rata runtime
selama 1,166 detik sehingga dapat
disimpulkan bahwa pola data 2012-2019
yang datanya naik secara teratur dan
bentuknya cenderung linier, hasil nilai
MAPE-nya lebih kecil jika dibandingkan
dengan pola data 2009-2019 yang memiliki
bentuk tidak beraturan karena data 3 tahun
awal tersebut merupakan data yang selisih
jumlah penduduk setiap bulannya memiliki
perbedaan yang cukup jauh sehingga
mempengaruhi hasil prediksinya. Pola data
yang berbentuk linier secara konsisten,
akan menghasilkan prediksi yang semakin
baik.
6. DAFTAR PUSTAKA
Alfiyatin, A.N., Mahmudy, W.F., Ananda, C.F.
and Anggodo, Y.P., 2019. Penerapan
Fakultas Ilmu Komputer, Universitas Brawijaya
515
Extreme Learning Machine (ELM) untuk
Peramalan Laju Inflasi di Indonesia.
Jurnal Teknologi Informasi dan Ilmu
Komputer, 6(2), p.179.
Ashar, N.M., Cholissodin, I. and Dewi, C., 2018.
Penerapan Metode Extreme Learning
Machine (ELM) Untuk Memprediksi
Jumlah Produksi Pipa Yang Layak (Studi
Kasus Pada PT. KHI Pipe Industries).
Jurnal Pengembangan Teknologi
Informasi dan Ilmu Komputer (J-PTIIK)
Universitas Brawijaya, 2(11), pp.4621–
4628.
Fachrony, A., Cholissodin, I. and Santoso, E.,
2018. Implementasi Algoritme Extreme
Learning Machine (ELM) untuk Prediksi
Beban Pemanasan dan Pendinginan
Bangunan. Jurnal Pengembangan
Teknologi Informasi dan Ilmu Komputer
(J-PTIIK) Universitas Brawijaya, 2(9),
pp.3043–3049.
Faizal, R., Setiawan, B.D. and Cholissodin, I.,
2019. Prediksi Nilai Cryptocurrency
Bitcoin menggunakan Algoritme Extreme
Learning Machine (ELM). Jurnal
Pengembangan Teknologi Informasi dan
Ilmu Komputer (J-PTIIK) Universitas
Brawijaya, 3(9), pp.4226–4233.
Huang, G. Bin, Zhu, Q.Y. and Siew, C.K., 2004.
Extreme learning machine: A new
learning scheme of feedforward neural
networks. IEEE International Conference
on Neural Networks - Conference
Proceedings, 2, pp.985–990.
Kim, S. and Kim, H., 2016. A new metric of
absolute percentage error for intermittent
demand forecasts. International Journal of
Forecasting, [online] 32(3), pp.669–679.
Available at:
<http://dx.doi.org/10.1016/j.ijforecast.20
15.12.003>.
Kumar, J.Y. and Kumar, B.S., 2011. Min max
normalization-based data perturbation
method for privacy protection.
International Journal of Computer &
communication Technology, [online]
2(8), pp.45–50. Available at:
<https://www.researchgate.net/publicatio
n/312910769_Min_max_normalization_b
ased_data_perturbation_method_for_priv
acy_protection>.
Pratiwi, H. and Harianto, K., 2019.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 516

Perbandingan Algoritma ELM Dan

Backpropagation Terhadap Prestasi
Akademik Mahasiswa. Jurnal Sains
Komputer & Informatika (J-SAKTI), 3,
pp.282–294.
Sudarsono, A., 2016. Jaringan Syaraf Tiruan
Untuk Memprediksi Laju Pertumbuhan
Penduduk Menggunakan Metode
Backpropagation (Studi Kasus Di Kota
Bengkulu). 12(1), pp.61–69.
Siang, J.J., 2009. Jaringan Syaraf Tiruan dan
Pemrogramannya Menggunakan Matlab.
Yogyakarta: Andi.pp.99–100.

Fakultas Ilmu Komputer, Universitas Brawijaya