Kelompok 1A : Paskal Immanuel Kontoro (G50120067)

Amanda Mariska (G50120011)

Moh. Iqra Taulama (G50120015)
Dini Andriani (G50120083)

Metodologi yang digunakan

1) Proses persiapan data
Data yang digunakan dalam percobaan kali ini adalah data penerima raskin di Sulawesi
Tengah. Raskin (Rasi Pangan Sejahtera) adalah program bantuan sosial pangan yang
diselenggarakan oleh pemerintah Indonesia untuk membantu masyarakat miskin dan rentan
terhadap kenaikan harga bahan pangan. Penerima Raskin adalah yang telah terdaftar dalam
basis data Terpadu Penerima Manfaat (DTKS) yang dikelola oleh pemerintah. Data tersebut
kemudian dibagi menjadi 2 bagian yaitu data training yang berjumlah 4928 dan data testing
berjumlah 1232. Data training adalah data yang digunakan untuk melatih model peramalan.
Data ini digunakan untuk mengoptimalkan bobot dan bias pada jaringan saraf tiruan (ANN)
atau model peramalan lainnya. Sedangkan data testing adalah data yang digunakan untuk
menguji performa model peramalan.
2) Pemodelan data
➢ Pemilihan struktur ANN: Tahap ini melibatkan pemilihan jumlah lapisan, jumlah neuron
dalam setiap lapisan, dan fungsi aktivasi untuk setiap neuron dalam jaringan.
➢ Pelatihan model: Pada tahap ini, model ANN dilatih dengan menggunakan data latih.
Dalam proses pelatihan, model akan menyesuaikan bobot dan bias dalam setiap neuron
dalam jaringan.
➢ Validasi model: Validasi model dengan menggunakan data uji. Performa model diukur
dengan menggunakan metrik evaluasi seperti akurasi, presisi, recall, dan F1-score.
➢ Optimasi model: Jika performa model tidak memuaskan, tahap optimasi model dilakukan
dengan memodifikasi parameter yang terlibat dalam pembuatan model
➢ Implementasi model: Setelah model telah dioptimalkan dan memiliki performa yang
memuaskan, model dapat diimplementasikan untuk melakukan prediksi pada data baru.
3) Validasi dan Implementasi yang dihasilkan
➢ Data Training yang diolah menggunakan metode Backpropagation menghasilkan nilai
error sebesar 1023.40503, yang artinya model yang terbentuk tidak baik digunakan karena
semakin tinggi nilai error maka semakin tidak baik pemodelan performance dalam
klasifikasi ANN
➢ Data Testing yang diolah dalam validasi model menghasilkan nilai akurasi sebesar
66.15%. Nilai tersebut masih tergolong rendah kareena nilai akurasi yang baik sebesar 80-
100%.
Arsitektur dari pemodelan ANN Backpropagation yang dihasilkan :