USULAN PENELITIAN SKRIPSI

PREDIKSI TINGKAT KEMISKINAN MASYARAKAT KOTA

TANJUNGPINANG MENGGUNAKAN METODE
RADIAL-BASSIS FUNCTION
(Studi Kasus Kota Tanjungpinang)

Diajukan untuk memenuhi sebagian persyaratan mencapai derajat

Sarjana Teknik (S.T.)

MUHAMMAD RIZKY FATHUR RAHMAN

190155201049

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN TEKNOLOGI KEMARITIMAN
UNIVERSITAS MARITIM RAJA ALI HAJI
TANJUNGPINANG
JANUARI 2023
 HALAMAN PERSETUJUAN

USULAN PENELITIAN SKRIPSI

PREDIKSI TINGKAT KEMISKINAN MASYARAKAT KOTA

TANJUNGPINANG MENGGUNAKAN METODE
RADIAL-BASIS FUNCTION
(Studi Kasus Kota Tanjungpinang)

Diusulkan oleh :

Muhammad Rizky Fathur Rahman

190155201049

Telah disetujui

Pada tanggal 20 Maret 2023

Pembimbing I, Pembimbing II,

Martaleli Bettiza, S.Si., M.Sc. Nurul Hayaty, S.T.,M.Cs.

NIDN. 1028087501 NIDN. 0027039101

i
 LEMBAR PENGESAHAN PROPOSAL SKRIPSI

Judul Skripsi : Prediksi Tingkat Kemiskinan Masyarakat Kota

Tanjungpinang Menggunakan Metode Radial-Basis
Function (Studi Kasus Kota Tanjungpinang)
Nama Mahasiswa : Muhammad Rizky Fathur Rahman
NIM : 190155201049

Proposal telah diuji pada tanggal, dan sudah diperbaiki sesuai saran para penguji,
serta sudah disetujui oleh para penguji.

No Nama Penguji Tanda Tangan

1. 1.

2. 2.

3. 3.

Mengetahui,
Pembimbing I Pembimbing II

Martaleli Bettiza, S.Si., M.Sc. Nurul Hayaty, S.T.,M.Cs.

NIP. 197508282021212006 NIP. 199103272019032019

Tanjungpinang, ……………………..
Universitas Maritim Raja Ali Haji
Fakultas Teknik Dan Teknologi Kemaritiman
Ketua Jurusan Teknik Informatika,

Muhamad Radzi Rathomi, S.Kom., M.Sc.

NIP 198404022014041001

ii
 DAFTAR ISI

HALAMAN PERSETUJUAN ................................................................................. i

LEMBAR PENGESAHAN PROPOSAL SKRIPSI ............................................... ii
DAFTAR ISI .......................................................................................................... iii
DAFTAR GAMBAR ............................................................................................. iv
DAFTAR TABEL ................................................................................................... v
1. Latar Belakang ................................................................................................. 1
2. Rumusan Masalah............................................................................................ 2
3. Batasan Masalah .............................................................................................. 2
4. Tujuan Penelitian ............................................................................................. 3
5. Manfaat Penelitian ........................................................................................... 3
6. Keaslian Penelitian .......................................................................................... 3
7. Tinjauan Pustaka.............................................................................................. 5
8. Landasan Teori .............................................................................................. 12
8.1 Prediksi........................................................................................................... 12
8.2 Tingkat Kemiskinan ....................................................................................... 12
8.3 Data Time Series ............................................................................................ 13
8.4 Jaringan Syaraf Tiruan ................................................................................... 15
8.5 Prinsip Kerja Pelatihan JST ........................................................................... 16
8.6 Transformasi Normal (Normalisasi) .............................................................. 17
8.7 Radial Basis Function (RBF)......................................................................... 17
8.8 Denormalisasi................................................................................................. 20
8.9 Root Mean Square Error (RMSE) ................................................................. 20
9. Metode Penelitian .......................................................................................... 21
9.1 Studi Pustaka .................................................................................................. 21
9.2 Pengumpulan Data ......................................................................................... 22
9.3 Analisis dan Perancangan .............................................................................. 22
9.3.1 Analisis data ......................................................................................... 22
9.3.2 Perancangan Arsitekstur Sistem ........................................................... 22
9.4 Arsitektur Sistem............................................................................................ 25
9.5 Implementasi .................................................................................................. 25
9.5.1 Pelatihan Menggunakan RBF ............................................................... 25
9.6 Pengujian ........................................................................................................ 37
10. Jadwal Penelitian ........................................................................................... 46
DAFTAR PUSTAKA ........................................................................................... 47

iii
 DAFTAR GAMBAR

Gambar 1. Bentuk Data Horizontal.......................................................................14

Gambar 2. Bentuk Data Musiman..........................................................................14
Gambar 3. Bentuk Data Siklis................................................................................14
Gambar 4. Bentuk Data Trend...............................................................................15
Gambar 5. Sel Syaraf Manusia..............................................................................15
Gambar 6. Klasifikasi Jaringan Syaraf..................................................................16
Gambar 7. Jaringan Radial-Basis Function………………...................................18
Gambar 8. Format Penelitian Kuantitatif...............................................................21
Gambar 9. Flowchart Radial-Basis Function........................................................23
Gambar 10. Gambar Arsitektur Jaringan RBF.......................................................24
Gambar 11. Gambar Arsitektur Umum Sistem......................................................25

iv
 DAFTAR TABEL

Tabel 1. Keaslian Penelitian.....................................................................................4

Tabel 2. Penelitian Yang Pernah Dilakukan............................................................9

Tabel 3. Data Aktual..............................................................................................26

Tabel 4. Parameter Jaringan...................................................................................26

Tabel 5. Data Pembelajaran...................................................................................27

Tabel 6. Data Normalisasi......................................................................................28

Tabel 7. Data Center..............................................................................................29

Tabel 8. Penghitungan Jarak Euclidean.................................................................30

Tabel 9. Hasil Penghitungan Gaussian..................................................................31

Tabel 10. Hasil Bobot dan Bias Algoritma Radial-Basis Function.......................34

Tabel 11. Hasil Output Algoritma Radial-Basis Function…................................35

Tabel 12. Denormalisasi Data................................................................................36

Tabel 13. Validasi Data Error................................................................................36

Tabel 14. Data Aktual............................................................................................37

Tabel 15. Data Pengujian.......................................................................................37

Tabel 16. Data Normalisasi....................................................................................38

Tabel 17. Data Center............................................................................................39

Tabel 18. Penghitungan Jarak Euclidean...............................................................39

Tabel 19. Hasil Penghitungan Gaussian................................................................40

Tabel 20. Hasil Bobot dan Bias Algoritma Radial-Basis Function (RBF)………43

Tabel 21. Hasil Output Algoritma Radial-Basis Function....................................43

Tabel 22. Denormalisasi Data................................................................................44

Tabel 23. Validasi Data Error................................................................................44

Tabel 24. Jadwal Penelitian...................................................................................46

v
 PREDIKSI TINGKAT KEMISKINAN MASYARAKAT KOTA
TANJUNGPINANG MENGGUNAKAN METODE RADIAL-BASIS FUNCTION
(Studi Kasus Kota Tanjungpinang)

1. Latar Belakang
Kemiskinan merupakan masalah yang cukup serius, terutama untuk di
negara berkembang seperti Indonesia. Kemiskinan sebuah wilayah dalam jangka
panjang akan berdampak pada terhambatnya pembangunan nasional. Kemiskinan
adalah kondisi kehidupan yang serba kekurangan yang dialami oleh seorang atau
rumah tangga sehingga tidak mampu memenuhi kebutuhan minimal yang
dimaksud adalah yang berkaitan dengan kebutuhan pangan, sandang, papan dan
kebutuhan sosial yang diperlukan oleh penduduk atau rumah tangga untuk
memenuhi kehidupan secara layak.
Adapun dimensi kemiskinan menyangkut beberapa aspek-aspek sebagai
berikut: Aspek ekonomi, secara ekonomi kemiskinan dapat didefinisikan sebagai
kekurangan sumber daya yang dapat digunakan untuk memenuhi kebutuhan hidup
dan meningkatkan kesejahteraan sekelompok orang. Aspek politik, kemiskinan
dapat dilihat dari tingkat akses terhadap kekuasaan. Kekuasaan dalam pengertian
ini mencakup tatanan sistem politik yang dapat menen tukan kemampuan
sekelompok orang dalam menjangkau dan menggunakan sumber daya. Serta,
Aspek social-psychology, kemiskinan secara sosial-psikologi menunjukkan pada
kekurangan jaringan dan struktur sosial yang mendukung dalam mendapatkan
kesempatan peningkatan produktivitas.
Tentu saja data kemiskinan pada setiap wilayah akan berbeda. Hal ini
dipengaruhi oleh banyak indikator pendukungnya. Dengan menentukan dan
mengukur indikator-indikator kemiskinan, maka akan mempermudah mengenal
tingkat kemiskinan suatu wilayah. Misalnya dilihat dari pendapatan ekonomi
masyarakat yang masih rendah. Untuk mengatasinya, diperlukan penanganan
yang berbeda antar wilayah sesuai dengan kondisi masing masing provinsi. salah
satunya dengan memprediksi tingkat kemiskinan berdasarkan karakteristik suatu
wilayah berdasakan indikator kemiskinan.

1
 Menyikapi hal tersebut, penulis mencoba untuk menerapkan ilmu untuk
memprediksi tingkat kemiskinan dengan menggunakan metode Radial-Basis
Function sebagai metode untuk menyelesaikan masalah tersebut. Dan diharapkan
dapat membantu pemerintah dalam mengambil langkah yang tepat sebagai upaya
menurunkan tingkat kemiskinan pada setiap wilayah yang ada di Indonesia.
Berdasarkan penjelasan diatas, penulis menggunakan metode Jaringan
Syaraf Tiruan (JST) dengan metode Radial-Basis Function (RBF) untuk
memprediksi tingkat kemiskinan, metode ini pertama kali ditemukan oleh Powell
(1985) yang dikenal dengan solusi dari masalah multivate interpolan system.
Setelah itu banyak diatara peneliti menggunakan metode RBF dikarenakan dapat
menghasilkan error yang lebih kecil dibandingkan dengan menggunakan metode
lainnya, dengan menggunakan data-data di masa lampau (data time series).
Oleh karena itu penulis memilih metode Jaringan Syaraf Tiruan (JST)
Radial-Basis Function (RBF), karena sangat baik digunakan dalam studi kasus
prediksi tingkat kemiskinan di Kota Tanjungpinang, dengan pola data terdahulu
(time series).

2. Rumusan Masalah
Berdasarkan latar belakang di atas, maka rumusan masalah yang ingin
dicapai dalam penelitian ini adalah apakah Metode Radial-Basis Function dapa
diimplemetasikan dalam memprediksi tingkat kemiskinan masyarakat Kota
Tanjungpinang.

3. Batasan Masalah
Pembatasan masalah digunakan agar pembahasan sesuai dengan yang
dimaksudkan dan tidak menimbulkan permasalahan yang baru, maka peneliti
memberikan batasan masalah sebagai berikut:
1. Penelitian ini menggunakan data sekunder mengenai tingkat
kemiskinan bulanan yang didapat dari BPS Kota Tanjungpinang dari
bulan Januari tahun 2015 sampai dengan bulan Desember tahun 2022
dengan variabel garis kemiskinan, indeks kedalaman kemiskinan,
indeks keparahan kemiskinan, dan jumlah penduduk miskin.

2
 2. Inputan yang digunakan adalah beberapa variabel pengaruh yang
dijelaskan pada poin 1.
3. Metode yang digunakan pada penelitian ini adalah metode Radial-
Basis Function (RBF).

4. Tujuan Penelitian
Berdasarkan rumusan masalah yang telah disebutkan, maka tujuan dari
penelitian ini adalah menerapkan metode Radial-Basis Function (RBF), untuk
memprediksi tingkat kemiskinan masyarakat di Kota Tanjungpinang.

5. Manfaat Penelitian
Manfaat yang ingin dicapai pada penelitian ini adalah :
1. Mendapatkan hasil yang optimal dan akurat dalam memprediksi
tingkat kemiskinan khususnya masyarakat pesisir sehingga dapat
digunakan kedepannya.
2. Dapat membantu instansi Badap Pusat Statistik (BPS) untuk
memprediksi tingkat kemiskinan di Kota Tanjungpinang.
3. Sebagai acuan bagi instasi pemerintahan dalam hal penanganan
tingkat kemiskinan di masa yang akan datang.

6. Keaslian Penelitian
Untuk mengetahui keaslian penelitian yang didasarkan pada beberapa
penelitian terdahulu yang serupa dengan penelitian yang dilakukan oleh penulis,
namun berbeda dalam hal metode penelitian sebagai acuan dalam menyusun
penelitian ini. Beberapa penelitian sebelumnya dengan topik yang mirip dengan
yang dilakukan oleh penulis adalah sebagai berikut :

3
Tabel 1. Keaslian Penelitian
NO Peneliti Saprina Mamase & Ruly S. Sinukun
(2018)
1 Judul Prediksi Tingkat Kemiskinan Provinsi
Gorontalo Menggunakan Metode
Gabungan K-Means dan Generalized
Regression Neural Network
2 Metode K-Means dan Generalized Regression
Neural Network (GRNN)
3 Hasil Berdasarkan penelitian ini menunjukkan
bahwa K-Means GRNN memberikan
perfoma yang lebih baik dari pada
dengan menggunakan metode GRNN
saja.
Munawar & Hafnani (2015)
Prediksi Tingkat Kemiskinan Di Provinsi
Aceh Dengan Model AR
Auto Regressive
Pada penelitian ini dapat disimpulkan bahwa
prediksi menggunakan model ini memiliki
perbedaan sebesar 0,22 jika dibandingkan
dengan data real dari BPS.
Penelitian Yang Sedang Dilakukan
Prediksi Tingkat Kemiskinan Masyarakat
Menggunakan Metode Radial-Basis Function
(Studi Kasus Kota Tanjungpinang)
Radial-Basis Function Neural Network
Penelitian ini bertujuan untuk melihat tingkat
akurasi dari prediksi tingkat kemiskinan di
kota Tanjungpinang menggunakan metode
Radial-Basis Function lalu dibandingkan
dengan metode Basic Needs Approach yang
digunakan oleh Badan Pusat Statistik untuk
mengukur tingkat kemiskinan.
4
7. Tinjauan Pustaka
Menurut Mamase & Sinukun, (2018) melakukan penelitian berjudul
”Prediksi Tingkat Kemiskinan Provinsi Gorontalo Menggunakan Metode
Gabungan K-Means dan Generalized Regression Neural Network”. Penelitian ini
menggunakan metode Generalized Regression Neural Network (GRNN) dalam
memprediksi tingkat kemiskinan di Provinsi Gorontalo. Data set yang digunakan
dalam penelitian ini adalah data-data yang menjadi indikator tingkat kemiskinan
penduduk (kabupaten/kota) yang digunakan oleh BPS Provinsi Gorontalo. Pada
penelitian ini dapat disimpulkan bahwa prediksi tingkat kemiskinan menggunakan
metode gabungan K-Means GRNN memberikan perfoma yang lebih baik dari
pada dengan menggunakan metode GRNN saja. Hal tersebut dapat ditunjukkan
dengan hasil prediksi kemiskinan pada data tahun 2016 menggunakan metode
Gabungan dan GRNN saja masing-masing memiliki nilai MAPE sebesar 2.3 %
dan 2.9 %.
Menurut Munawar & Hafnani, (2014) melakukan penelitian berjudul
”Prediksi Tingkat Kemiskinan Di Provinsi Aceh Dengan Moder AR”. Penelitian
ini menggunakan Model Auto Regressive yang kemudian dibandingkan dengan
metode Basic Needs Approach yang digunakan oleh Badan Pusat Statistik untuk
mengukur tingkat kemiskinan. Data yang digunakan dalam penelitian ini adalah
data sekunder tentang tingkat kemiskinan di Provinsi Aceh dari tahun 2005
sampai dengan tahun 2013 yang didapat dari BPS Provinsi Aceh. Pada penelitian
ini dapat disimpulkan bahwa prediksi menggunakan model ini memiliki
perbedaan sebesar 0,22 jika dibandingkan dengan data real dari BPS.
Menurut Ashshiddiqi, dkk. (2018) melakukan penelitian berjudul
“Implementasi Jaringan Saraf Tiruan Backpropagation Untuk Memprediksi
Jumlah Penduduk Miskin Di Indonesia Dengan Optimasi Algoritme Genetika”.
Penelitian ini menggunakan jaringan syaraf tiruan Backpropagation yang bobot
pelatihannya akan dioptimasi menggunakan algoritme genetika guna memprediksi
jumlah penduduk miskin di Indonesia. Penelitian ini menggunakan data penduduk
miskin di Indonesia pada tahun 2012. Pada penelitian dapat disimpulkan bahwa
metode jaringan syaraf tiruan backpropagation yang bobot pelatihannya

5
dioptimasi menggunakan algoritme genetika bisa dipakai untuk melakukan
prediksi jumlah penduduk miskin di Indonesia dengan 2 tahapan. Tahap pertama
menggunakan algoritme genetika untuk mengoptimasi bobot dan bias w,
kemudian pada tahap kedua menggunakan backpropagation untuk melakukan
prediksi. Untuk menghasilkan hasil yang optimal, pada penelitian ini
menggunakan nilai parameter yang diperoleh dari hasil pengujian, parameter
backpropagation menggunakan 10 pola training, literasi sebesar 300, nilai alpha
(α) sebesar 0.1.
Menurut Nuzula, dkk. (2018) melakukan penelitian berjudul ”Klasifikasi
Status Kemiskinan Rumah Tangga Dengan Metode Support Vector Machines
(SVM) Dan Classification And Regression Trees (CART) Menggunakan GUI R”.
Penelitian ini menggunakan metode Support Vector Machines (SVM) Dan
Classification And Regression Trees (CART), serta melakukan perancangan
interface dengan R-Shiny untuk memudahkan user yang ingin melakukan analisis
klasifikasi SVM dan CART tanpa membuat pemograman terlebih dahulu. Jenis
data yang digunakan dalam penelitian ini merupakan data sekunder, diperoleh dari
Survei Sosial Ekonomi Nasional (SUSENAS) yang dilakukan oleh Badan Pusat
Statistik (BPS) Provinsi Jawa Tengah pada Maret 2018. Pada penelitian ini dapat
disimpulkan bahwa klasifikasi rumah tangga di Kabupaten Wonosobo pada tahun
2018 dengan proporsi data training : data testing 80:20 diperoleh persamaan
fungsi kernelnya 𝑓(𝑧) = 𝑠𝑖𝑔𝑛(∑ 𝛼𝑖 𝑝 𝑖=1 𝑦𝑖𝐾(𝒙𝒊 , 𝒛) − 0.87005 dengan ketepatan
klasifikasi untuk metode SVM yaitu sebesar 89.94%, sedangkan ketepatan
klasifikasi untuk metode CART sebesar 89.31%. Metode klasifikasi terbaik pada
data status kemiskinan rumah tangga di Kabupaten Wonosobo pada tahun 2018
adalah dengan menggunakan metode SVM, diperoleh rata-rata akurasi klasifikasi
tertinggi sebesar 89.82% dengan empat kali percobaan. Kedua metode SVM dan
CART tidak dapat bekerja dengan baik untuk memprediksi kelas minoritas,
namun dapat bekerja dengan baik pada kelas mayoritas. Hasil pengujian
klasifikasi dengan SVM dan CART juga ditunjukkan dalam GUI yang telah
dibangun dengan menampilkan output yang valid. Pada penelitian selanjutnya

6
dapat ditambahkan sebuah metode untuk mengatasi imbalance data, dengan
harapan dapat meningkatkan performa klasifikasi SVM dan CART.
Menurut Abdul Karim, (2018) melakukan penelitian berjudul
”Perbandingan Prediksi Kemiskinan Di Indonesia Menggunakan Support Vector
Machine (SVM) Dengan Regresi Linear”. Penelitian ini menggunakan metode
Support Vector Machines (SVM). Data yang digunakan dalam penelitian ini
adalah data sekunder, dari Badan Pusat Statistik (BPS) Republik Indonesia. Pada
penelitian ini dapat disimpulkan bahwa SVM merupakan salah satu metode yang
baik dan terutama berguna untuk data yang distribusinya tidak diketahui. SVM
memiliki fungsi kernel untuk menangani berbagai jenis data. Pada tahap plotting
data dari penelitian ini menunjukan sebaran data membentuk pola linier, hasil
perbandingan SVM dengan regresi linier menghasilkan plotting titik yang
diprediksi dari model terbaik menjadi hampir mengikuti data. Hasil kami
mengindikasikan bahwa prediksi kemiskinan di Indonesia menggunakan SVM
lebih baik dibandingkan regresi linear.
Menurut Mamase & Sinukun, (2018) melakukan penelitian berjudul
”Perbandingan Performa Prediksi Tingkat Kemiskinan Antara Backpropagation
Neural Network Dan Generalized Regression Neural Network”. Penelitian ini
menggunakan metode Backpropagation Neural Network (BPNN) Dan
Generalized Regression Neural Network (GRNN). Data set yang digunakan dalam
penelitian ini adalah data dari indikator-indikator yang mempengaruhi kemiskinan
penduduk dari tahun 2010-2017 per kabupaten-kota yang ada di Provinsi
Gorontalo. Pada penelitian ini dapat disimpulkan bahwa hasil komparasi antara
metode BPNN dengan metode GRNN dalam memprediksi tingkat kemiskinan
menggunakan data kemiskinan Provinsi Gorontalo, diperoleh hasil bahwa model
prediksi GRNN memiliki performa 14-16% lebih baik jika dibandingkan dengan
metode BPNN.
Menurut Hall, dkk. (1999) melakukan penelitian berjudul ”Precipitation
Forecasting Using a Neural Network” Penelitian ini menggunakan menggunakan
Neural Network Model Eta dan suara udara atas, telah dikembangkan untuk
probabilitas curah hujan (PoP) dan perkiraan curah hujan kuantitatif (QPF). Data

7
set yang digunakan dalam penelitian ini adalah perkiraan dari dua tahun
diverifikasi terhadap jaringan 36 alat pengukur hujan. Pada penelitian ini dapat
disimpulkan bahwa peramalan ini sangat tajam, dengan lebih dari 70% perkiraan
PoP kurang dari 5% atau lebih besar dari 95%. Dari 436 hari dengan prakiraan
PoP kurang dari 5%, tidak terjadi hujan selama 435 hari. Pada 111 hari dengan
prakiraan lebih besar dari 95% PoP, hujan selalu terjadi. Korelasi linier antara
prakiraan dan curah hujan yang diamati jumlahnya adalah 0,95. Skor ancaman
yang setara untuk jumlah presipitasi ambang dari 0,05 in. (;1 mm) hingga 1 in.
(;25 mm) adalah 0,63 atau lebih tinggi, dengan nilai maksimum di atas 0,86.
Menggabungkan produk PoP dan QPF menunjukkan bahwa untuk PoP yang
sangat tinggi, korelasi antara QPF dan pengamatan lebih tinggi daripada PoP yang
lebih rendah. Di dalam Selain itu, 61 dari 70 hujan yang diamati dengan curah
hujan minimal 0,5 inci (12,7 mm) dikaitkan dengan PoP lebih besar dari 85%.
Akibatnya, sistem menunjukkan potensi prakiraan curah hujan yang lebih akurat.
Menurut Siregar & Wanto, (2017) melakukan penelitian berjudul
”Analysis Accuracy of Artificial Neural Network Using Backpropagation
Algorithm In Predicting Process (Forecasting)” Penelitian ini menggunakan
metode Backpropagation Neural Network (BPNN). Data set yang digunakan pada
prediksi ini adalah data Indeks Pembangunan Manusia dari tahun 2011 sampai
dengan tahun 2015. Data bersumber dari Badan Pusat Statistik Sumatera Utara.
Pada penelitian ini menggunakan 5 model arsitektur: 3-8-1, 3-18-1, 3-28-1, 3-16-1
dan 3-48-1. Dari ke 5 model arsitektur ini, akurasi terbaik diperoleh dari model
arsitektur 3-48-1 dengan Tingkat akurasi 100%, dengan epoch 5480 iterasi dan
MSE 0.0006386600 dengan error tingkat 0,001 sampai 0,05. Dengan demikian,
algoritma backpropagation dengan model 3-48-1 sudah cukup baik ketika
digunakan untuk prediksi data.

8
Tabel 2. Penelitian Yang Pernah Dilakukan
No Peneliti Judul Penelitian
1 Saprina Mamase, Prediksi Tingkat Kemiskinan
dkk. (2018) Provinsi Gorontalo
Menggunakan Metode
Gabungan K-Means dan
Generalized Regression Neural
Network
2 Munawar, dkk. Prediksi Tingkat Kemiskinan
(2014) Di Provinsi Aceh Dengan
Moder AR
3 Arthur Julio Risa Implementasi Jaringan Saraf
Ashshiddiqi, dkk. Tiruan Backpropagation Untuk
(2018) Memprediksi Jumlah Penduduk
Miskin Di Indonesia Dengan
Optimasi Algoritme Genetika
4 Lutfia Nuzula, dkk. Klasifikasi Status Kemiskinan
(2018) Rumah Tangga Dengan Metode
Support Vector Machines (SVM)
Dan Classification And
Regression Trees (CART)
Menggunakan GUI R
Metode Keterangan
K-Means dan prediksi tingkat kemiskinan menggunakan metode gabungan K-
Generalized Means GRNN memberikan perfoma yang lebih baik dari pada
Regression Neural dengan menggunakan metode GRNN saja. Hal tersebut dapat
Network (GRNN) ditunjukkan dengan hasil prediksi kemiskinan pada data tahun 2016
menggunakan metode Gabungan dan GRNN saja masing-masing
memiliki nilai MAPE sebesar 2.3 % dan 2.9 %.
model Auto Regressive prediksi menggunakan model ini memiliki perbedaan sebesar 0,22
jika dibandingkan dengan data real dari BPS.
jaringan syaraf tiruan metode jaringan syaraf tiruan backpropagation yang bobot
Backpropagation dan pelatihannya dioptimasi menggunakan algoritme genetika bisa
algoritme genetika dipakai untuk melakukan prediksi jumlah penduduk miskin di
Indonesia dengan 2 tahapan. Tahap pertama menggunakan
algoritme genetika untuk mengoptimasi bobot dan bias w,
kemudian pada tahap kedua menggunakan backpropagation untuk
melakukan prediksi. Untuk menghasilkan hasil yang optimal, pada
penelitian ini menggunakan nilai parameter yang diperoleh dari
hasil pengujian, kemudian parameter backpropagation
menggunakan 10 pola training, literasi sebesar 300, nilai alpha (α)
sebesar 0.1.
metode Support Vector klasifikasi rumah tangga di Kabupaten Wonosobo pada tahun 2018
Machines (SVM) Dan dengan proporsi data training : data testing 80:20 diperoleh
Classification And persamaan fungsi kernelnya 𝑓(𝑧) = 𝑠𝑖𝑔𝑛(∑ 𝛼𝑖 𝑝 𝑖=1 𝑦𝑖𝐾(𝒙𝒊 , 𝒛) −
Regression Trees 0.87005 dengan ketepatan klasifikasi untuk metode SVM yaitu
(CART) sebesar 89.94%, sedangkan ketepatan klasifikasi untuk metode
CART sebesar 89.31%. Metode klasifikasi terbaik pada data status
kemiskinan rumah tangga di Kabupaten Wonosobo pada tahun
2018 adalah dengan menggunakan metode SVM, diperoleh rata-
rata akurasi klasifikasi tertinggi sebesar 89.82% dengan empat kali
percobaan. Kedua metode SVM dan CART tidak dapat bekerja
dengan baik untuk memprediksi kelas minoritas, namun dapat
9
No Peneliti Judul Penelitian
5 Abdul Karim, Perbandingan Prediksi
(2018) Kemiskinan Di Indonesia
Menggunakan Support Vector
Machine (SVM) Dengan Regresi
Linear
6 Saprina Mamase, Perbandingan Performa Prediksi
dkk. (2018) Tingkat Kemiskinan Antara
Backpropagation Neural
Network Dan Generalized
Regression Neural Network
7 Hall, dkk. (1999) Precipitation Forecasting Using
a Neural Network
Metode Keterangan
bekerja dengan baik pada kelas mayoritas. Hasil pengujian
klasifikasi dengan SVM dan CART juga ditunjukkan dalam GUI
yang telah dibangun dengan menampilkan output yang valid. Pada
penelitian selanjutnya dapat ditambahkan sebuah metode untuk
mengatasi imbalance data, dengan harapan dapat meningkatkan
performa klasifikasi SVM dan CART.
metode Support Vector SVM merupakan salah satu metode yang baik dan terutama
Machines (SVM) berguna untuk data yang distribusinya tidak diketahui. SVM
memiliki fungsi kernel untuk menangani berbagai jenis data. Pada
tahap plotting data dari penelitian ini menunjukan sebaran data
membentuk pola linier, hasil perbandingan SVM dengan regresi
linier menghasilkan plotting titik yang diprediksi dari model terbaik
menjadi hampir mengikuti data. Hasil kami mengindikasikan
bahwa prediksi kemiskinan di Indonesia menggunakan SVM lebih
baik dibandingkan regresi linear.
metode hasil komparasi antara metode BPNN dengan metode GRNN dalam
Backpropagation memprediksi tingkat kemiskinan menggunakan data kemiskinan
Neural Network Provinsi Gorontalo, diperoleh hasil bahwa model prediksi GRNN
(BPNN) Dan memiliki performa 14-16% lebih baik jika dibandingkan dengan
Generalized metode BPNN.
Regression Neural
Network (GRNN)
Metode Neural peramalan ini sangat tajam, dengan lebih dari 70% perkiraan PoP
Network kurang dari 5% atau lebih besar dari 95%. Dari 436 hari dengan
prakiraan PoP kurang dari 5%, tidak terjadi hujan selama 435 hari.
Pada 111 hari dengan prakiraan lebih besar dari 95% PoP, hujan
selalu terjadi. Korelasi linier antara prakiraan dan curah hujan yang
diamati jumlahnya adalah 0,95. Skor ancaman 10 yang setara untuk
jumlah presipitasi ambang dari 0,05 in. (;1 mm) hingga 1 in. (;25
mm) adalah 0,63 atau lebih tinggi, dengan nilai maksimum di atas
0,86. Menggabungkan produk PoP dan QPF menunjukkan bahwa
untuk PoP yang sangat tinggi, korelasi antara QPF dan pengamatan
10
No Peneliti Judul Penelitian
8 Siregar & Wanto, Analysis Accuracy of Artificial
(2017) Neural Network Using
Backpropagation Algorithm In
Predicting Process
(Forecasting)
Metode Keterangan
lebih tinggi daripada PoP yang lebih rendah. Di dalam Selain itu,
61 dari 70 hujan yang diamati dengan curah hujan minimal 0,5 inci
(12,7 mm) dikaitkan dengan PoP lebih besar dari 85%. Akibatnya,
sistem menunjukkan potensi prakiraan curah hujan yang lebih
akurat.
metode Dari ke 5 model arsitektur 3-8-1, 3-18-1, 3-28-1, 3-16-1 dan 3-48-
Backpropagation 1. ini, akurasi terbaik diperoleh dari model arsitektur 3-48-1 dengan
Neural Network Tingkat akurasi 100%, dengan epoch 5480 iterasi dan MSE
(BPNN) 0.0006386600 dengan error tingkat 0,001 sampai 0,05. Dengan
demikian, algoritma backpropagation dengan model 3-48-1 sudah
cukup baik ketika digunakan untuk prediksi data.
11
8. Landasan Teori
Pada proposal penelitian ini terdapat beberapa teori yang menjadi landasan
penulis dalam melakukan penelitian. Teori yang digunakan meliputi : Prediksi,
Tingkat Kemiskinan, Data Time Series, Jaringan Syaraf Tiruan (JST), Prinsip
Kerja Prediksi Jaringan Syaraf Tiruan (JST), Transformasi Normal (Normalisasi),
Radial-Basis Function (RBF), Denormalisasi, Root Mean Square (RMSE).

8.1 Prediksi
Menurut (Herdianto, 2013) prediksi atau peramalan merupakan suatu
kejadian atau peristiwa di waktu yang akan datang. Prediksi bisa bersifat kualitatif
dan kuantitatif, dalam memprediksi yang bersifat kualitatif akan mengalami
kesulitan dalam memperoleh hasil yag baik sedangkan prediksi kuantitatif dapat
diterapkan jika terdapat informasi tentang masa lalu atau biasa disebut historis,
informasi dapat diubah dalam bentuk numerik (angka) dan pola yang didapat pada
data masa lalu akan berkelanjutan di masa mendatang.

8.2 Tingkat Kemiskinan

Menurut (Badan Pusat Statistik Kota Tanjungpinang, 2022) kemiskinan
dipandang sebagai ketidak mampuan dari sisi ekonomi untuk memenuhi
kebutuhan dasar makanan dan bukan makanan dari sisi pengeluaran. Garis
Kemiskinan Makanan (GKM) merupakan nilai pengeluaran kebutuhan minimum
makanan yang disertakan dengan 2.100 kkalori per kapita per hari, dan Garis
Kemiskinan Non-Makanan (GKNM) adalah kebutuhan minimum untuk
perumahan, sandang, pendidikan, kesehatan, dan kebutuhan dasar lainnya.
Penduduk miskin adalah penduduk yang memiliki rata-rata pengeluaran perkapita
dibawah garis kemiskinan perbulan. Kemiskinan muncul karena adanya
ketimpangan distribusi pendapatan, adanya perbedaan kualitas sumber daya
manusia yang menyebabkan adanya perbedaan pada tingkat upah, serta adanya
perbedaan dalam pemenuhan modal, sehingga kemiskinan dapat digambarkan
pada teori lingkaran kemiskinan. Pada dasarnya terdapat dua sisi kemiskinan,
yaitu kemiskinan yang dilihat dari tingkat pendapatan dan kebutuhan pokok
(dasar minimum) untuk seseorang dapat hidup dengan layak (kemiskinan absolut)

12
dan kemiskian yang terjadi karena adanya ketimpangan sosial dimana seseorang
sudah dapat memenuhi kebutuhan pokoknya tetapi masih dibawah kondisi
masyarakat sekitarnya (kemiskinan relatif). Berikut adalah beberapa ukuran
kemiskinan menurut Badan Pusat Statistik Kota Tanjungpinang 2022 :
a. Head Count Index (HCI-P0) adalah persentase penduduk miskin yang
berada dibawah Garis Kemiskinan (GK).
b. Indeks Kedalaman Kemiskinan (Poverty Gap Index-P1) merupakan
ukuran rata-rata kesenjangan masing-masing penduduk miskin terhadap
garis kemiskinan. Semakin tinggi nilain indeks, semakin jauh rata-rata
pengeluaran penduduk dari garis kemiskinan.
c. Indeks Keparahan Kemiskinan (Poverty Severity Index-P2) memberikan
gambaran mengenai penyebaran pengeluaran di antara penduduk
miskin. Semakin tinggi nilai indeks, semakin tinggi ketimpangan
pengeluaran di antara penduduk miskin.

Untuk mendapatkan Nilai index diatas, dilakukan penghitungan

menggunakan rumus:
1 𝑞 𝑧−𝑦𝑖
𝑃𝑎 = 𝑛 ∑𝑖−1 [ ] (1)
𝑧

Keterangan :
𝑎 = 0,1,2
𝑧 = Garis kemiskinan
𝑦𝑖 = Rata-rata pengeluaran perkapita sebulan penduduk yang berada
dibawah garis kemiskinan (i = 1, 2, 3, ..., q), 𝑦𝑖 < z
𝑞 = Banyaknya penduduk yang berada di bawah garis kemiskinan
𝑛 = Jumlah penduduk

8.3 Data Time Series

Menurut (Boediono 2004) dalam (Ismiati 2014), time series atau data
berkala adalah data yang dapat dikumpulkan dari waktu ke waktu untuk
menggambarkan suatu perkembangan / kecenderungan suatu peristiwa. Dalam

13
Time Series, terdapat 4 jenis komponen rangkaian waktu (bentuk datanya), seperti
dipaparkan sebagai berikut :
a. Bentuk Data Horizontal

Gambar 1. Bentuk Data Horizontal. Sumber : (Ismiati 2014)

b. Bentuk Data Musiman

Gambar 2. Bentuk Data Musiman. Sumber : (Ismiati 2014)

c. Bentuk Data Siklis

Gambar 3. Bentuk Data Siklis. Sumber : (Ismiati 2014)

14
 d. Bentuk Data Trend

Gambar 4. Bentuk Data Trend. Sumber : (Ismiati 2014)

8.4 Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan (JST) adalah sistem komputasi dimana arsitektur dan
operasi diilhami dari pengetahuan tentang sel syaraf biologis didalam otak. JST
dapat digambarkan sebagai model matematis dan komputasi untuk fungsi
aproksimasi nonlinear, klasifikasi data, cluster, dan regresi non parametrik atau
sebagai sebuah simulasi dari koleksi modul syaraf biologi. Model syaraf
ditunjukkan dengan kemampuannya dalam emulasi, analisa, prediksi, dan
asosiasi. Berdasarkan kemampuannya, JST dapat digunakan untuk belajar dan
menghasilkan aturan atau operasi dari beberapa input yang dimasukkan dan
membuat prediksi tentang kemungkinan output yang akan muncul atau
menyimpan karakteristik dari input yang disimpan kepadanya (Kristanto, 2004).
Susunan sederhana sel syaraf manusia secara umum dapat dilihat pada
gambar 5. dibawah ini :

Gambar 5. Sel Syaraf Manusia Sumber: Kristanto (2004)

15
 Jaringan syaraf biologis merupakan kumpulan dari sel - sel syaraf (neuron).
Neuron mempunyai tugas mengolah informasi, komponen - komponen utama dari
sebuah neuron dapat dikelompokkan menjadi 3 bagian, yaitu :
1. Dendrit. Dendrit bertugas menerima informasi.
2. Badan Sel (soma). Badan sel berfunsi sebagai tempat pengolahan
informasi.
3. Akson (neurit). Akson bertugas mengirim implus-implus ke sel syaraf
lainnya (Puspitaningrum, 2009).

8.5 Prinsip Kerja Pelatihan JST

Menurut Kristanto (2004), suatu karakteristik dari jaringan syaraf tiruan
adalah kemampuan untuk belajar. Cara belajar dari latihan yang diberikan
padanya menunjukkan kesamaan dengan perkembanganintelektual manusia.
Namun kemampuan belajar jaringan syaraf tiruan bersifat terbatas sehingga
jaringan ini tidak dapat melakukan segalanya. Berdasarkan encode dibedakan
menjadi 2 bagian yaitu supervised atau dibimbing dan unsupervised tidak
dibimbing.

Gambar 6. Klasifikasi Jaringan Syaraf Tiruan. Sumber : Kristanto (2004)

16
 Dari gambar 6. diatas dijelaskan pembagian jaringan syaraf tiruan dibagi
menjadi 4 bagian. Bagian I adalah supervised feedforward. Dalam hal ini,
jaringan syaraf tiruan dalam proses belajarnya yaitu harus dibimbing dalam
penyimpanan pengetahuannya serta data atau input yang masuk akan diteruskan
dan tidak memberikan umpan balik. Bagian II adalah unsupervised feddforward.
Dalam hal ini jaringan syaraf tiruan dalam proses belajarnya yaitu tidak harus
dibimbing dalam penyimpanan pengetahuannya serta data atau input yang masuk
akan diteruskan dan tidak memberikan umpan balik. Bagian III adalah
unsupervised feedback. Dalam hal ini, jaringan syaraf tiruan dalam proses
belajarnya yaitu tidak harus dibimbing dalam penyimpanan pengetahuannya serta
data atau input yang masuk akan diteruskan dan memberikan umpan balik. Bagian
IV adalah supervised feedback. Dalam hal ini, jaringan syaraf tiruan dalam proses
belajarnya yaitu harus dibimbing dalam penyimpanan pengetahuannya serta data
atau input yang masuk akan diteruskan dan memberikan umpan balik.

8.6 Transformasi Normal (Normalisasi)

Menurut (Sya’diyah, 2017) untuk menormalisasi / transformasi data dan
nilai agar dapat bernilai 0 hingga 1, dapat menggunakan rumus pada persamaan
(2) berikut :
𝑋𝑙𝑎𝑚𝑎 −𝑋𝑚𝑖𝑛𝑖𝑚𝑢𝑚
𝑋𝑏𝑎𝑟𝑢 𝑋 (2)
𝑚𝑎𝑘𝑠𝑖𝑚𝑢𝑚 −𝑋𝑚𝑖𝑛𝑖𝑚𝑢𝑚

Keterangan :
Xbaru = Nilai data baru
Xlama = Nilai data lama
XMin = Nilai minimum data lama keeluruhan
XMax = Nilai maksimum data lama keseluruhan
Kemudian untuk mendapatkan nilai sebenarnya dari output perlu dilakukan proses
denormalisasi.

8.7 Radial-Basis Function (RBF)

Menurut (Gradhianta, 2017), jaringan syaraf tiruan metode fungsi basis
radial merupakan JST yang memiliki 2 tahap pelatihan. Pada tahap awal,

17
parameter fungsi basis ditentukan secara cepat dengan menggunakan
unsupervised method yang hanya memerlukan data input saja. Tahap kedua,
pelatihan ini adalah membawa hasil dari unit tersembunyi ke unit output secara
linear. Fungsi basis radial yang tergantung pada jarak antara data dengan suatu
pusat data.

Gambar 7. Jaringan Radial-Basis Function. Sumber : Gradhianata (2017)

Hal yang khusus dari RBF itu sendiri adalah sebagai berikut :
1. Pemrosesan sinyal dari input layer ke hidden layer, bersifat non linear,
sedangkan hidden layer ke ouput layer bersifat linear.
2. Pada hidden layer digunakan sebuah fungsi aktivasi yang berbasis radial, salah
satunya fungsi Gaussian.
3. Pada output unit, sinyal dijumlahkan seperti biasa.
4. Sifat jaringan adalah feed-forward.

Proses pelatihan pada algoritma Radial-Basis Function (RBF)

1. Menentukan pusat data dan standar deviasi dari data latih.
2. Menghitung output tiap fungsi basis. Fungsi basis yang digunakan adalah
fungsi Gaussian ditunjukkan pada persamaan (3) dibawah ini :

18
 𝑟2
∅(𝑟) = 𝑒𝑥𝑝 (− 2𝜎2 ) 𝜎 > 0 (3)

Keterangan :
∅(𝑟) = Fungsi aktivasi gaussian
𝑟 = Jarak euclidiean
𝜎 = Nilai spread
Dimana 𝜎 nilai spread ditunjukkan pada persamaan (4) dibawah ini :
𝑗𝑎𝑟𝑎𝑘 𝑚𝑎𝑘𝑠𝑖𝑚𝑢𝑚 𝑎𝑛𝑡𝑎𝑟𝑎 2 𝑝𝑢𝑠𝑎𝑡 𝑑𝑚𝑎𝑥
= (4)
√𝑏𝑎𝑛𝑦𝑎𝑘 𝑝𝑢𝑠𝑎𝑡 𝑑𝑎𝑡𝑎 √𝑚1

𝑟 : Jarak euclidiean antara pusat pada suatu neuron dalam lapisan

tersembunyi, dapat dilihat pada persamaan (5) dibawah ini :
𝜎𝑟 = √(𝑥𝑖𝑘 − 𝑥𝑗𝑘 )2 (5)
𝜎 : Nilai spread yang menentukan bagaimana sensitivitas fungsi tersebut,
semakan besar maka semakin bertambah sensitivitas fungsinya. Nilai selalu
lebih besar dari 0.
3. Menghitung bobot pelatihan dengan menggunakan persamaan
1. Membentuk matriks gaussian.
2. Menghitung bobot (w) dengan mengkalikan dari matriks G, dengan vector
target (d), ditunjukkan pada persamaan (6) dibawah ini :
𝑊 = 𝐺 + 𝑑 = (𝐺 𝑇 𝐺)−1 𝐺 𝑇 𝑑 (6)
Keterangan :
W = Bobot
𝐺+ = Pseudoinvers
𝑑 = Target
𝐺𝑇 = Matriks transpose
(𝐺 𝑇 𝐺)−1 = Matriks invers

a. Menghitung pseudoinvers dari matriks gaussian.

b. Menghitung hasil pseudoinvers dikali target.
c. Mendapatkan nilai awal bobot dan bias.
4. Menghitung output JST RBF menggunakan persamaan (7) dibawah ini
𝑌1 = 𝑊1 ∗ 𝜑1 + 𝑊2 ∗ 𝜑2 + 𝐵 (7)

19
 Keterangan :
𝑌1 = Output ke 1
𝑊1 = Bobot ke 1
𝜑1 = Fungsi aktivasi ke 1
𝐵 = Bias
5. Menghitung galat (error) antara output hasil pelatihan dengan target, dengan
persamaan (8) dibawah ini :
𝑒𝑟𝑟𝑜𝑟 = 𝑡𝑘 − 𝑦𝑘 (8)
Keterangan :
𝑡𝑘 = Target prediksi
𝑦𝑘 = Hasil prediksi

8.8 Denormalisasi
Menurut (Hidayat, 2012) denormalisasi memberikan atau mengembalikan
data, sehingga predicted sales dari data training. Range yang digunakan antara
[0,1]. Persamaan denormalisasi ditunjukkan pada persamaan (9) dibawah ini :
𝑋𝑖 = 𝑦(𝑋𝑚𝑎𝑥 − 𝑋𝑚𝑖𝑛 )+ 𝑋𝑚𝑖𝑛 (9)
Keterangan :
𝑋𝑖 = Nilai data normal
Y = Hasil output jaringan
𝑋𝑚𝑎𝑥 = Data dengan nilai maksimum
𝑋𝑚𝑖𝑛 = Data dengan nilai minimum

8.9 Root Mean Square Error (RMSE)

Menurut (Septiawan 2016), RMSE digunakan untuk mencari keakuratan
hasil dari peramalan dengan data history. Semakin kecil nilai yang dihasilkan,
semakin bagus pula peramalan yang dilakukan. Persamaan RMSE ditunjukkan
pada persamaan (10) dibawah ini :
(𝑌𝑡 −𝑌̂𝑡 )2
RMSE = √∑ 𝑛
(10)

20
 Keterangan :
n = Jumlah data
𝑌𝑡 = Nilai aktual indeks
𝑌̂𝑡 = Nilai prediksi indeks

9. Metode Penelitian
Berdasarkan jenis data yang digunakan, pendekatan penelitian yang
digunakan dalam penelitian ini adalah kuantitatif. Untuk melihat Kebenaran
tersebut telah diuji dan dibuktikan dengan taraf-taraf berpikir bukan ilmiah.
Dalam penelitian kuantitatif, teknik analisis data yang digunakan sudah jelas,
yaitu diarahkan untuk menjawab rumusan masalah atau menguji hipotesis yang
telah dirumuskan dalam proposal. Karena datanya kuantitatif, maka teknik
analisis data menggunakan metode statistik yang sudah tersedia.
Menurut (Sugiyono, 2012) data kuantitatif merupakan metode penelitian
yang berlandaskan positivistic (data konkrit), data penelitian berupa angka-angka
yang akan diukur menggunakan statistik sebagai alat uji penghitungan, berkaitan
dengan masalah yang diteliti untuk menghasilkan suatu kesimpulan. Filsafat
positivistic digunakan pada populasi atau sampel tertentu.

Gambar 8. Format Penelitian Kuantitatif Sumber : Sugiyono (2012)

9.1 Studi Pustaka

Studi kepustakaan bertujuan untuk mendapatkan data sekunder yaitu
berupa landasan teoritis dari para ahli maupun penulis yang berkompeten.

21
Aktifitas ini dilakukan dengan pengumpulan bahan referensi, seperti jurnal
penelitian, processing, buku-buku teori dan sumber-sumber lain termasuk
informasi yang diperoleh dari internet sebagai sumber data dan informasi.
Orientasi penelusuran bahan referensi difokuskan kepada metode yang digunakan
yaitu.

9.2 Pengumpulan Data

Data yang digunakan dalam penelitian ini adalah data sekunder tingkat
kemiskinan di Kota Tanjungpinang dari bulan Januari tahun 2015 sampai dengan
bulan Desember tahun 2022 yang berjumlah 96 data yang didapat dari BPS Kota
Tanjungpinang, dengan variabel yang digunakan yaitu garis kemiskinan, indeks
kedalaman kemiskinan, indeks keparahan kemiskinan, dan jumlah penduduk
miskin.

9.3 Analisis dan Perancangan

9.3.1 Analisis data

Berisi perhitungan manual bagaimana menyelesaikan studi kasus dengan
metode Radial Basis Function (RBF) yang digunakan dalam penelitian ini.
Perhitungan menggunakan data dari studi kasus, bukan keseluruhan data. Hasil
akhir yang didapat adalah gambaran hasil akhir penelitian yang akan dilakukan.
Pada analisis perancangan system prediksi tingkat kemiskinan ini memiliki
4 proses, pemilihan struktur, penentuan nilai center, pembelajaran, dan
pengujian. Data keseluruhan berjumlah 96 data perbulan dari tahun 2013 sampai
dengan tahun 2022, kemudian data dibagi menjadi 2 bagian yang terdiri dari data
training berjumlah 70% data dan data testing berjumlah 30% data.

9.3.2 Perancangan Arsitekstur Sistem

Perancangan sistem adalah tahap dimana menentukan cara kerja sistem
agar bisa berjalan dengan semestinya. Hal ini sangat digunakan untuk
menggambarkan cara kerja pada sistem prediksi tingkat kemiskinan masyarakat
pesisir di Kota Tanjungpinang menggunakan Radial-Basis Function (RBF).

22
 1. Algoritma Radial-Basis Function (RBF).
Metode fungsi basis radial adalah cara modern untuk mengaproksimasi
fungsi multivariat, terutama dengan tidak adanya data grid. Berikut adalah
diagram alur dari metode fungsi basis radial.

Gambar 9. Flowchart Radial-Basis Function(RBF)

Berikut adalah penjelasan dari flowchart algoritma Radial-Basis Function
(RBF) pada gambar 9. :
1. Masukkan data tingkat kemiskinan.
2. Masukkan jumlah center yang digunakan.
3. Normalisasi data tingkat kemiskinan dan menentukan nilai center.
4. Menghitung nilai spread.
5. Menghitung fungsi gaussian.
6. Menghitung weight/bobot
7. Menghitung output Radial-Basis Function (RBF) ditambah bias.
8. Validasi error menggunakan Root Mean Square Error (RMSE).

23
 2. Arsitektur Jaringan RBF
Berikut Rsitektur Jaringan RBF yang digunakan untuk penelitian, prediksi
tingkat kemiskinan, dapat dilihat pada gambar 10. dibawah ini :

Gambar 10. Gambar Arsitektur Jaringan RBF

Berikut adalah penjelasan dari arsitektur jaringan Radial-Basis Function

(RBF) pada gambar 10. :
X1 = Jumlah garis kemiskinan 𝜙2 = Input layer 2
X2 = Indeks kedalaman kemiskinan 𝜙3 = Input layer 3
X3 = Indeks keparahan kemiskinan 𝜙4 = Input layer 4
X4 = Jumlah penduduk miskin Y = Tingkat Kemiskinan
𝜙1 = Input layer 1

24
9.4 Arsitektur Sistem
Pada aplikasi yang akan dibangun memiliki arsitektur sistem seperti pada
gambar 11 dibawah.

Gambar 11. Arsitektur Umum Sistem

Pada gambar 11 diatas merupakan proses yang terjadi antara admin selaku
user dengan server aplikasi. Admin akan memasukkan perintah untuk memanggil
data kemiskinan melalui website, lalu website akan memproses perintah yang
telah dimasukkan user ke Database Management System (DBMS), lalu Database
Management System (DBMS) memberikan hasil dari perintah berupa data
kemiskinan yang telah diambil dari Database yang akan diberikan ke user melalui
tampilan website.

9.5 Implementasi

9.5.1 Pelatihan Menggunakan RBF

Berikut ini adalah langkah-langkah menggunakan metode Radial-Basis
Function (RBF) data yang digunakan pada penelitian ini berjumlah sebanyak 7
data dari tahun 2013 sampai dengan 2019, dengan variabel garis kemiskinan yang
ditentukan oleh rata rata pendapatan perkapita dengan satuan ratusan ribuan,
indeks kedalaman kemiskinan dengan satuan persen, indeks keparahan

25
kemiskinan dengan satuan persen, dan jumlah penduduk miskin dengan satuan
ribu dilihat pada tabel 3. dibawah ini.

Tabel 3. Data Aktual

Indeks Kedalaman Indeks Keparahan Jumlah Penduduk

Garis Kemiskinan
Tahun Kemiskinan Kemiskinan Miskin
(rupiah/kapita/bulan)
(Persen) (Persen) (ribu)
(1) (2) (3) (4) (5)

2019 659.170 1,15 0,23 19.050

2018 625.473 1,49 0,38 19.290

2017 598.631 1,76 0,48 19.190

2016 582.414 1,43 0,29 19.060

2015 542.858 1,2 0,27 19.300

2014 514.741 0,92 0,21 20.000

2013 506.647 1,21 0,29 20.570

1. Input Parameter
Proses inputan parameter yang digunakan algoritma RBF dapat dilihat
pada tabel 4. dibawah ini.

Tabel 4. Parameter Jaringan

Parameter Nilai Keterangan
Center 4 Banyak center yang digunakan
Data Training 7 Banyak data training yang digunakan

Inputan parameter pada penelitian terdapat 4 parameter inputan yaitu garis

kemiskinan disimbolkan dengan X1, indeks kedalaman kemiskinan disimbolkan
dengan X2, indeks keparahan kemiskinan disimbolkan dengan X3, dan jumlah
penduduk miskin disimbolkan dengan X4. Semua simbol tersebut digunakan
sebagai inputan parameter tingkat kemiskinan. Center adalah penetuan pusat
data pada perhitungan awal proses algoritma Radial-Basis Function, pada

26
 penghitungan manual ini data center-nya digunakan 4 data yang dipilih secara
random pada data awal pengangguran yang sudah di normalisasi (Gradhianta,
2017). Data Training adalah data latih yang digunakan untuk tahap awal
perhitungan Radial-Basis Function (RBF) Pada proses ini proses menentukan
inputan, yang digunakan untuk pengolahan algoritma Radial-Basis Function
(RBF).

Tabel 5. Data Pembelajaran

X1 X2 X3 X4 Y

659.170 1,15 0,23 19.050 9,03

625.473 1,49 0,38 19.290 9,24

598.631 1,76 0,48 19.190 9,29

582.414 1,43 0,29 19.060 9,34

542.858 1,2 0,27 19.300 9,56

514.741 0,92 0,21 20.000 9,94

506.647 1,21 0,29 20.570 10,40

Keterangan :
X1 = Garis kemiskinan
X2 = Indeks kedalaman kemiskinan
X3 = Indeks keparahan kemiskinan
X4 = Jumlah penduduk miskin
y = Persentase penduduk miskin

2. Normalisasi Data
Proses normalisasi data pada penelitian menggunakan persamaan (2), pada
tahap ini untuk mencaru Xmax diambil dari data terbesar X1 dan untuk nilai Xmin
diambil dari data terkecil X1 dan untuk Xlama didapat dari deret data pertama, dan
untuk Xlama pada deret data selanjutnya diambil pada deret berikutnya. Dan untuk

27
normalisasi pada X2, X3, X4 dilakukan menggunakan cara yang sama seperti yang
sudah dijelaskan , berikut contoh perhitungan.

(659.170 − 506.647)
𝑋1 = =1
(659.170 − 506.647)
(625.473 − 506.647)
𝑋1 = = 0,77907
(659.170 − 506.647)
(598.631 − 506.647)
𝑋1 = = 0,60308
(659.170 − 506.647)
(582.414 − 506.647)
𝑋1 = = 0,49676
(659.170 − 506.647)
(542.858 − 506.647)
𝑋1 = = 0,23741
(659.170 − 506.647)
(514.741 − 506.647)
𝑋1 = = 0,05307
(659.170 − 506.647)
(506.647 − 506.647)
𝑋1 = =0
(659.170 − 506.647)

Tabel 6. Data Normalisasi

X1 X2 X3 X4 Y

1 0,27380 0,07407 0 0

0,77907 0,67857 0,62962 0,15789 0,15328

0,60308 1 1 0,09210 0,18978

0,49676 0,60714 0,29629 0,00657 0,22627

0,23741 0,33333 0,22222 0,16447 0,38686

0,05307 0 0 0,625 0,66423

0 0,34523 0,29629 1 1

28
 3. Penentuan Nilai Center
Nilai center ini dipilih secara acak dari data training yang telah
dinormalisasi pada tabel 5. diatas, center ke 1 (C1), data ke 1 center ke 2 (C2),
data ke 3 center ke 3 (C3), data ke 4 center ke 4 (C4), data ke 7 data dilihat
contoh data centernya pada tabel 6. dibawah ini :

Tabel 7. Data Center

Deret 1 3 4 6

Center ke C1 C2 C3 C4

𝑋1 1 0,60308 0,49676 0,05307

𝑋2 0,27380 1 0,60714 0
Variabel
𝑋3 0,07407 1 0,29629 0

𝑋4 0 0,09210 0,00657 0,625

4. Menghitung Nilai Spread

Nilai Spread berpengaruh dalam menentukan data tersebar, semakin besar
nilai spread maka sensitivitas antar data akan semakin berkurang, nilai spread
dapat dicari dengan menggunakan persamaan (4), sebelum menentukan nilai
spread, maka perlu menentukan nilai dmax terlebih dahulu, unilai dmax diambil
dari nilai terbesar dan nilai terkecil dari data center pada tabel 7. diatas, karena
pada penghitungan manual ini menggunakan data center sebanyak 4 maka nilai
akar untuk menentukan nilai spread ada 4.

𝑑𝑚𝑎𝑥 = 1 − 0

1
𝜎= = 0,5
√4

5. Menghitung Jarak Euclidean

Untuk menghitung jarak Euclidean dapat menggunakan persamaan (5),
deret data pertama berikut ini merupakan hasil perhitungan dari deret ke 1 pada
daftar tabel normalisasi (Tabel 6.) sebagai xi dengan deret data center 1,3,4,6

29
pada tabel daftar data center (Tabel 7.) sebagai ci. Dimana r1 adalah hasil dari
perhitungan deret data ke 1 (Tabel 6.) dengan deret data center ke 1 (Tabel 7.), r2
adalah hasil perhitungan dari deret data ke 1 (Tabel 6.) dengan deret data center
ke 2 (Tabel 7.) dan seterusnya.

𝑟1 = √(1 − 1)2 + ⋯ + (0 − 0)2 = 0

𝑟2 = √(1 − 0,60308)2 + ⋯ + (0 − 0,09210)2 = 1,24529

𝑟3 = √(1 − 0,49676)2 + ⋯ + (0 − 0,00657)2 = 0,643266

𝑟4 = √(1 − 0,05307)2 + ⋯ + (0 − 0,625)2 = 1,16951

Tabel 8. Penghitungan Jarak Euclidean

Data r1 r2 r3 r4

1 0 1,24529 0,643266 1,16951

2 0,787516 0,525166 0,467769 1,26576

3 1,24529 0 0,817414 1,60826

4 0,643266 0,817414 0 1,0177

5 0,796295 1,09011 0,415515 0,63762

6 1,1717 1,60826 1,0177 0

7 1,43335 1,45324 1,14117 0,591957

6. Menghitung Fungsi Gaussian

Setelah mendapat nilai spread 𝜎 dan jarak euclidean ( 𝑟 ), proses
selanjutnya yaitu menghitung fungsi gaussian dengan persamaan (3), seperti
contoh dibawah ini :

(0)2
𝜑1 = 𝑒𝑥𝑝 ( )=1
2(0,5)2

30
 (1,24529)2
𝜑2 = 𝑒𝑥𝑝 ( ) = 0,044982
2(0,5)2

(0,643266)2
𝜑3 = 𝑒𝑥𝑝 ( ) = 0,437105
2(0,5)2

(1,16951)2
𝜑4 = 𝑒𝑥𝑝 ( ) = 0,064861
2(0,5)2

Tabel 9. Hasil Penghitungan Gaussian

Data g1 g2 g3 g4 b1

1 1 0,044982 0,437105 0,064861 1

2 0,289279 0,576028 0,645574 0,040587 1

3 0,044982 1 0,262808 0,005668 1

4 0,437105 0,262808 1 0,126006 1

5 0,281346 0,092858 0,708004 0,443473 1

6 0,064199 0,005668 0,126006 1 1

7 0,016424 0,014643 0,073937 0,496175 1

7. Menghitung Weight/Bobot
Setelah melakukan tahap penghitungan fungsi aktivasi gaussian,
selanjutnya melakukan pencarian untuk menentukan bobot. Untuk menentukan
bobot terlebih dahulu menyusun matriks gaussian dengan menambah nilai bias
= 1 yang diletakkan pada kolom terakhir matriks gaussian .

1 0,04498 0,43711 0,06486 1

0,28928 0,57603 0,64557 0,04059 1
𝐺 = 0,04498 1 0,26281 0,00567 1
⋮ ⋮ ⋮ ⋮ 1
[0,01642 0,01464 0,07394 0,49618 1]

31
 Menghitung pseudoinvers dengan matriks gaussian dibawah ini bentuk
dari matriks Gaussain ditranspose

1. Mengkalikan matriks transpose G dengan matriks G

1 0,28928 0,04498 … 0,01642

0,04498 0,57603 1 … 0,01464
𝐺 𝑇 = 0,43711 0,64557 0,26281 … 0,07394
0,06486 0,04059 0,00567 … 0,49618
[ 1 1 1 1 1 ]
1 0,04498 0,43711 0,06486 1
0,28928 0,57603 0,64557 0,04059 1
× 0,04498 1 0,26281 0,00567 1
⋮ ⋮ ⋮ ⋮ 1
[0,01642 0,01464 0,07394 0,49618 1]

Setelah matriks gaussian dan matriks gaussian ditranspose 𝐺 𝑇

terbentuk, selanjutnya mengalikan kedua matriks tersebut dengan
menggunakan persamaan (6), seperti contoh dibawah ini :

𝐺𝐺 𝑇 = (1 × 1) + (0,28928 × 0,28928) + (0,04498 × 0,04498)

+ (0,43711 × 0,43711) + (0,28135 × 0,28135)
+ (0,0642 × 0,0642) + (0,01642 × 0,01642)
= 1,36031

Berikut adalah hasil penghitungan diatas jika telah selesai yang

ditulis dalam bentuk matriks

1,36031 0,3982 1,28128 0,32905 2,13334

0,3982 1,41177 0,98469 0,11919 1,99699
𝑇
𝐺𝐺 = 1,28128 0,98469 2,19951 0,65872 3,25343
0,32905 0,11919 0,65872 1,46462 2,17677
[ 2,13334 1,99699 3,25343 2,17677 7 ]

32
 2. Hasil dari perkalian matriks gassian dan matriks gaussian
transpose 𝐺 𝑇 diinverskan, berikut hasil dari penghitungan
invers matriks :
(𝐺𝐺 𝑇 )−1
4,44326 3,59066 −0,0327 4,15863 −3,6565,
3,59066 5,03453 0,65197 5,02338, −4,3957
= −0,0327 0,65197 2,10565 1,34501 −1,5729
4,15863 5,02338 1,34501 6,83739 −5,4518
[−3,6565 −4,3957 −1,5729 −5,4518 4,93762,]
3. Setelah mendapatkan nilai invers, maka matriks 𝐺𝐺 𝑇 dikalikan
dengan matriks 𝐺 𝑇 , berikut hasil dari penghitungan matriks :
(𝐺𝐺 𝑇 )−1 𝐺 𝑇
4,44326 3,59066 −0,0327 4,15863 −3,6565,
3,59066 5,03453 0,65197 5,02338, −4,3957
= −0,0327 0,65197 2,10565 1,34501 −1,5729
4,15863 5,02338 1,34501 6,83739 −5,4518
[−3,6565 −4,3957 −1,5729 −5,4518 4,93762,]
1 0,28928 0,04498 … 0,01642
0,04498 0,57603 1 … 0,01464
× 0,43711 0,64557 0,26281 … 0,07394
0,06486 0,04059 0,00567 … 0,49618
[ 1 1 1 1 1 ]

𝐺𝐺 𝑇 = (4,44326 × 1) + (3,59066 × 0,04498)

+ ((−0,0327) × 0,43711) + (4,15863 × 0,06486)
+ ((−3,6565) × 1) = 1,20372

4. Selanjutnya, hasil dari pseudo invers tersebut dikalikan dengan

data target yang telah dinormalisasi yang terdapat pada tabel 5.

33
 1,20372 −0,1552 0,14902 … −1,4699
0,03223 0,16782 1,00017 … −1,7223
𝐺 𝑇 𝑇 = −0,5687 0,2071 −0,3614 … −0,7409
−0,0358 −0,2094 0,15086 … −1,818
[ 0,04228 0,11113 −0,0668 … 1,99185 ]
0
0,15328
0,18978
×
0,22627
⋮
[ 1 ]
Berikut contoh penghitungan matriks gaussian transpose di kali data
target yang telah di normalisasi yang terdapat pada tabel 5.

𝐺 𝑇 𝑇 = (1,20372 × 0) + ((−0,1552) × 0,15328)

+ (0,14902 × 0,18978) + ((−0,2794) × 0,22627)
+ ((−0,2519),× 0,38686) + (0,80364 × 0,66423)
+ ((−1,4699) × 1) = −1,0923

Proses dilakuka hingga mendapatkan hasil bobot dari algoritma

Radial-Basis Function (RBF)
−1,0923
−1,001
𝑊 = −0,3386
−0,5511
[ 1,32155 ]

Tabel 10. Hasil Bobot dan Bias algoritma Radial-Basis Function (RBF)

Bobot Nilai

𝑊1 -1,0923

𝑊2 -1,001

𝑊3 -0,3386

𝑊4 -0,5511

𝑊5 1,32155

34
 8. Menghitung Output RBF
Untuk menghitung nilai ouput dari RBF dapat menggunakan persamaan
(7), output yang didapat berupa prediksi tingkat kemiskinan, contoh
penghitungannya sebagai berikut :

𝑦̅1 = (1 × (−1,092)) + (0,045 × (−1,001)) + (0,4371 × (−0,339)) +

(0,0649 × (−0,551)) + (1 × 1,3215) = 0,0005

Proses tersebut dilakukan menyeluruh terhadap semua deret data, berikut

hasil dari penghitungan nilai output RBF

Tabel 11. Hasil Output algoritma Radial-Basis Function (RBF)

Deret
Nilai
Data

1 0,0005

2 0,188

3 0,1793

4 0,173

5 0,4372

6 0,652

7 0,9905

9. Denormalisasi Data
Denormalisasi data bertujuan untuk mengembalikan hasil data yang telah
dinormalisasi. Sama dengan proses normalisasi, denormalisasi dilakukan dengan
cara menggabungkan data pelatihan dan hasil prediksi terlebih dahulu. Dimana
data max dan min yang digunakan sama dengan data max dan min target pada
proses normalisasi data. Proses denormalisasi data ini hanya dilakukan pada data
target prediksi, berikut contoh proses denormalisasi data menggunakan
persamaan (9).

35
 𝑦1 = 0,0005(10,40 − 9,03) + (9,03) = 9,030685

Tabel 12. Denormalisasi Data

Deret
Target Denormalisasi
Data

2 9,03 9,030685

3 9,24 9,28756

4 9,29 9,275641

5 9,34 9,26701

6 9,56 9,628964

7 9,94 9,92324

8 10,40 10,386985

10. Menghitung Data Error Menggunakan RMSE (Root Mean Square

Error)
Untuk melihat hasil dari ke akuratan prediksi menggunakan metode
Radial-Basis Function (RBF) maka dapat melakukan penghitungan error
dengan menggunakan metode Root Mean Square Error (RMSE) dengam
menggunakan persamaan (8) dan (10), berikut contoh penghitungannya
𝑒𝑟𝑟𝑜𝑟 = (9,03 − 9,030685)2 = 0,000001

Tabel 13. Validasi Data Error

Deret
Target Denormalisasi Error
Data

1 9,03 9,031 0,000001

2 9,24 9,287 0,002209

3 9,29 9,276 0,000196

4 9,34 9,267 0,005329

36
 Deret
Target Denormalisasi Error
Data

5 9,56 9,629 0,004761

6 9,94 9,923 0,000289

7 10,40 10,386 0,000196

Setelah proses penghitungan pada tabel diatas selesai, selanjutnya

melakukan penghitungan error rata rata untuk mencari error rata rata keseluruhan
data, proses penghitungannya dapat dilihat dibawah ini :

0,001854
𝑅𝑀𝑆𝐸 = √ = 0,016274
7

9.6 Pengujian
Berikut adalah langkah langkah pengujian yang dilakukan untuk
memprediksi tingkat kemiskinan di kota tanjungpinang

1. Input Data Pengujian Tingkat Kemiskinan

Tabel 14. Data Aktual

Indeks Kedalaman Indeks Keparahan Jumlah Penduduk

Garis Kemiskinan
Tahun Kemiskinan Kemiskinan Miskin
(rupiah/kapita/bulan)
(Persen) (Persen) (ribu)

2022 764.410 1,64 0,44 21.670

2021 719.776 1,75 0,52 20.850

2020 691.738 1,58 0,40 19.980

Proses inputan parameter yang digunakan algoritma RBF dapat dilihat

pada tabel 15. dibawah ini.

Tabel 15. Data Pengujian

X1 X2 X3 X4 Y

764.410 1,64 0,44 21.670 9,85

37
 X1 X2 X3 X4 Y

719.776 1,75 0,52 20.850 9,57

659.170 1,58 0,40 19.980 9,37

2. Normalisasi Data
Proses normalisasi data pada penelitian menggunakan persamaan (2), pada
tahap ini untuk mencaru Xmax diambil dari data terbesar X1 dan untuk nilai Xmin
diambil dari data terkecil X1 dan untuk Xlama didapat dari deret data pertama, dan
untuk Xlama pada deret data selanjutnya diambil pada deret berikutnya. Dan untuk
normalisasi pada X2, X3, X4 dilakukan menggunakan cara yang sama seperti yang
sudah dijelaskan , berikut contoh perhitungan.

(764.410 − 659.170)
𝑋1 = =1
(764.410 − 659.170)
(719.776 − 659.170)
𝑋1 = = 0.57588
(764.410 − 659.170)
(659.170 − 659.170)
𝑋1 = =0
(764.410 − 659.170)

Tabel 16. Data Normalisasi

X1 X2 X3 X4 Y

1 0,352941 0,333333 1 1

0,575884 1 1 0,514793 0,416667

0 0 0 0 0

3. Penentuan Nilai Center

Pada tahap ini, penentuan nilai center, diambil dari nilai center pada tabel
7 tahap pelatihan diatas, berikut adalah data center yang akan digunakan pada
tahap pengujin ini :

38
 Tabel 17. Data Center

Deret 1 3 4 6

Center ke C1 C2 C3 C4

𝑋1 1 0,60308 0,49676 0,05307

𝑋2 0,27380 1 0,60714 0
Variabel
𝑋3 0,07407 1 0,29629 0

𝑋4 0 0,09210 0,00657 0,625

4. Menghitung Jarak Euclidean

Untuk menghitung jarak Euclidean dapat menggunakan persamaan (5),
deret data pertama berikut ini merupakan hasil perhitungan dari deret ke 1 pada
daftar tabel normalisasi (Tabel 16.) sebagai xi dengan deret data center 1,3,4,6
pada tabel daftar data center (Tabel 17.) sebagai ci. Dimana r1 adalah hasil dari
perhitungan deret data ke 1 (Tabel 16.) dengan deret data center ke 1 (Tabel
17.), r2 adalah hasil perhitungan dari deret data ke 1 (Tabel 16.) dengan deret
data center ke 2 (Tabel 17.) dan seterusnya.

𝑟1 = √(1 − 1)2 + ⋯ + (1 − 0)2 = 1,03609

𝑟2 = √(1 − 0,60308)2 + ⋯ + (1 − 0,09210)2 = 1,35829

𝑟3 = √(1 − 0,49676)2 + ⋯ + (1 − 0,00657)2 = 1,14287

𝑟4 = √(1 − 0,05307)2 + ⋯ + (1 − 0,625)2 = 1,12826

Tabel 18. Penghitungan Jarak Euclidean

Data r1 r2 r3 r4

1 1,03609 1,35829 1,14287 1,12826

2 1,35263 0,423567 0,956085 1,51179

39
 Data r1 r2 r3 r4

3 1,03945 1,54019 0,838582 0,627249

5. Menghitung Fungsi Gaussian

Setelah mendapat nilai spread 𝜎 dan jarak euclidean ( 𝑟 ), proses
selanjutnya yaitu menghitung fungsi gaussian dengan persamaan (3), seperti
contoh dibawah ini :

(1,03609)2
𝜑1 = 𝑒𝑥𝑝 (− )=1
2(0,5)2

(1,35263)2
𝜑2 = 𝑒𝑥𝑝 (− ) = 0,280741
2(0,5)2

(1,03945)2
𝜑3 = 𝑒𝑥𝑝 (− ) = 0,272089
2(0,5)2

Tabel 19. Hasil Penghitungan Gaussian

Data g1 g2 g3 g4 b1

1 0,116838 0,0249744 0,0733653 0,0783992 1

2 0,0257527 0,698501 0,160703 0,0103474 1

3 0,11522 0,00870054 0,245014 0,455262 1

6. Menghitung Weight/Bobot
Setelah melakukan tahap penghitungan fungsi aktivasi gaussian,
selanjutnya melakukan pencarian untuk menentukan bobot. Untuk menentukan
bobot terlebih dahulu menyusun matriks gaussian dengan menambah nilai bias
= 1 yang diletakkan pada kolom terakhir matriks gaussian .

0,11684 0,02497 0,07337 0,0784 1

𝐺 = [0,02573 0,6985 0,1607 0,01305 1]
0,11522 0,0087 0,24501 0,45526 1

40
 Menghitung pseudoinvers dengan matriks gaussian dibawah ini bentuk
dari matriks Gaussain ditranspose

1. Mengkalikan matriks transpose G dengan matriks G

0,11684 0,02573 0,11522

0,02497 0,6985 0,0087
𝐺 𝑇 = 0,07337 0,1607 0,24501
0,0784 0,01035 0,45526
[ 1 1 1 ]
0,11684 0,02497 0,07337 0,0784 1
× [0,02573 0,6985 0,1607 0,01305 1]
0,11522 0,0087 0,24501 0,45526 1

Setelah matriks gaussian dan matriks gaussian ditranspose 𝐺 𝑇

terbentuk, selanjutnya mengalikan kedua matriks tersebut dengan
menggunakan persamaan (6), seperti contoh dibawah ini :

𝐺𝐺 𝑇 = (0,111684 × 0,111684) + (0,02573 × 0,02573)

+ (0,11522 × 0,11522) = 0,02759

Berikut adalah hasil penghitungan diatas jika telah selesai yang

ditulis dalam bentuk matriks

0,02759 0,02189 0,04904 0,06188 0,25779

0,02189 0,4886 0,11622 0,01315 0.73218
𝑇
𝐺𝐺 = 0,04904 0,11622 0,09124 0,11896 0,47908
0,06188 0,01315 0,11896 0,21352 0,54401
[ 0,25779 0,73218 0,47908 0,54401 3 ]

2. Hasil dari perkalian matriks gassian dan matriks gaussian transpose

𝐺 𝑇 diinverskan, berikut hasil dari penghitungan invers matriks :
(𝐺𝐺 𝑇 )−1 =
2,72767 8,1866 −2,53239 1,20048 −2,47469
5,39327 7,45805 −6,05552 8,29417 −6,50825
−9,49425 2,09708 −1,92176 8,80279 1,77669
4,67432 −8,87796 8,64165 −3,95426 −8,47953
[ −2,99157 −1,05938 3,69271 −1,7405 2,41523 ]

41
3. Setelah mendapatkan nilai invers, maka matriks 𝐺𝐺 𝑇 dikalikan
dengan matriks 𝐺 𝑇 , berikut hasil dari penghitungan matriks :
(𝐺𝐺 𝑇 )−1 𝐺 𝑇
2,72767 8,1866 −2,53239 1,20048 −2,47469
5,39327 7,45805 −6,05552 8,29417 −6,50825
= −9,49425 2,09708 −1,92176 8,80279 1,77669
4,67432 −8,87796 8,64165 −3,95426 −8,47953
[ −2,99157 −1,05938 3,69271 −1,7405 2,41523 ]
0,11684 0,02573 0,11522
0,02497 0,6985 0,0087
× 0,07337 0,1607 0,24501
0,0784 0,01035 0,45526
[ 1 1 1 ]

𝐺𝐺 𝑇 = (2,72767 × 0,11684) + (8,1866 × 0,02497)

+ ((−2,53239) × 0,0,07337)
+ (1,20048 × 0,0,0784) + ((−2,47469) × 1)
= 12

4. Selanjutnya, hasil dari pseudo invers tersebut dikalikan dengan data

target yang telah dinormalisasi yang terdapat pada tabel 16.
12 −8 −20
1 −2 −1 1
𝑇
𝐺 𝑇 = −2 2 2 × [0,41667]
0 0 6 0
[ −0,5 1 2,5 ]
Berikut contoh penghitungan matriks gaussian transpose di kali data
target yang telah di normalisasi yang terdapat pada tabel 16.

𝐺 −𝑇 𝑇 = (12 × 1) + ((−8) × 0,41667) + ((−20) × 0) = 8,66666

Proses dilakuka hingga mendapatkan hasil bobot dari algoritma

Radial-Basis Function (RBF)

42
 8,66666
0,16667
𝑊 = −1,1667
0
[−0,0833]

Tabel 20. Hasil Bobot dan Bias algoritma Radial-Basis Function (RBF)

Bobot Nilai

𝑊1 8,6667

𝑊2 0,1667

𝑊3 -1,1667

𝑊4 0

𝑊5 -0,0833

7. Menghitung Output RBF

Untuk menghitung nilai ouput dari RBF dapat menggunakan persamaan
(7), output yang didapat berupa prediksi tingkat kemiskinan, contoh
penghitungannya sebagai berikut :

𝑦̅1 = (0,1168 × 8,6667) + (0,025 × 0,1667) + (0,0734 ×

(−1,1667)) + (0,0784 × 0) + (1 × (−0,0833)) = 0,8478

Proses tersebut dilakukan menyeluruh terhadap semua deret data, berikut

hasil dari penghitungan nilai output RBF

Tabel 21. Hasil Output algoritma Radial-Basis Function (RBF)

Deret
Nilai
Data

1 0,8478

2 0,0686

3 0,6308

43
 8. Denormalisasi Data
Denormalisasi data bertujuan untuk mengembalikan hasil data yang telah
dinormalisasi. Sama dengan proses normalisasi, denormalisasi dilakukan dengan
cara menggabungkan data pelatihan dan hasil prediksi terlebih dahulu. Proses
denormalisasi data ini hanya dilakukan pada data target prediksi, berikut contoh
proses denormalisasi data menggunakan persamaan (9)

𝑦1 = 0,8478(9,85 − 9,37) + (9,37) = 9,77694

Tabel 22. Denormalisasi Data

Deret
Target Denormalisasi
Data

1 9,85 9,77694

2 9,57 9,402928

3 9,37 9,672784

9. Menghitung Data Error Menggunakan RMSE (Root Mean Square

Error)
Untuk melihat hasil dari ke akuratan prediksi menggunakan metode
Radial-Basis Function (RBF) maka dapat melakukan penghitungan error
dengan menggunakan metode Root Mean Square Error (RMSE) dengam
menggunakan persamaan (8) dan (10), berikut contoh penghitungannya

𝑒𝑟𝑟𝑜𝑟 = (9,03 − 9,030685)2 = 0,00533776

Tabel 23. Validasi Data Error

Deret
Target Denormalisasi Error
Data

1 9,85 9,77694 0,00534

2 9,57 9,402928 0,02791

3 9,37 9,672784 0,09168

44
 Setelah proses penghitungan pada tabel diatas selesai, selanjutnya
melakukan penghitungan error rata rata untuk mencari error rata rata keseluruhan
data, proses penghitungannya dapat dilihat dibawah ini :

0,04164
𝑅𝑀𝑆𝐸 = √ = 0,117813
3

45
10. Jadwal Penelitian
Penelitian ini akan dilakukan selama 6 bulan mulai dari bulan Februari sampai dengan bulan Juli 2023 dengan tahapan
kegiatan yang dilakukan dapat dilihat pada Tabel 24.

Tabel 24. Jadwal Penelitian

Kegiatan Waktu Penelitian

Tahap Persiapan Februari Maret April Mei Juni

Studi literatur

Pengumpulan data

Analisa Data

Analisa dan pembuatan

system

Implementasi

Pengujian

46
 DAFTAR PUSTAKA

Ashshiddiqi, A. J. R., Indriati, & Sutrisno, 2018, Implementasi Jaringan Saraf

Tiruan Backpropagation untuk Memprediksi Jumlah Penduduk Miskin di
Indonesia dengan Optimasi Algoritme Genetika. Jurnal Pengembangan
Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya,
2(11), 4638–4646.
Badan Pusat Statistik Kota Tanjungpinang, 2022, Kota Tanjungpinang Dalam
Angka 2022.
Gradhianta, T, 2017, Penerapan Jaringan Syaraf Tiruan Dengan Radial Basis.
Hall, T., Brooks, H. E., & Doswell, C. A. 1999, Precipitation forecasting using a
neural network. Weather and Forecasting, 14(3), 338–345.
Herdianto, 2013, Prediksi Kerusakan Motor Induksi Menggunakan Tesis Oleh
HERDIANTO FAKULTAS TEKNIK.
Hidayat, R, 2012, Meminimalisasi Nilai Error Peramalan Dengan Algoritma.
187–192.
Ismiati, M. B., Permanasari, A. E., & Hidayah, I, 2014, Analisis Data Time Series
Korban DBD Di Kota Palembang Untuk Mendapatkan Trend Dalam
Melakukan Forecasting. 55–60.
Karim, A, 2018, Perbandingan Prediksi Kemiskinan di Indonesia Menggunakan
Support Vector Machine (SVM) dengan Regresi Linear. Jurnal Sains
Matematika Dan Statistika, 6(1), 107.
Mamase, R., & Sinukun, R. S, 2018, Perbandingan Performa Prediksi Tingkat
Kemiskinan Antara Backpropagation Neural Network Dan Generalized
Regression Neural Network. Jurnal Technopreneur (JTech), 6(2), 89.
Mamase, S., & Sinukun, R, 2018, Prediksi Tingkat Kemiskinan Provinsi
Gorontalo Menggunakan Metode Gabungan K-Means dan Generalized
Regression Neural Network. J. Energy, 10(2), 29–34.
Munawar, & Hafnani, 2015. Prediksi Tingkat Kemiskinan di Provinsi Aceh
dengan Model AR. GRADIEN: Jurnal Ilmiah MIPA, 11(1), 1061–1065.

47
Nuzula, L., Prahutama, A., & Hakim, A. R, 2018, Klasifikasi Status Kemiskinan
Rumah Tangga Dengan Metode Suppot Vector Machines (SVM) Dan
Classification And Regression Trees (CART) Menggunakan GUI R (Studi
Kasus di Kabupaten Wonosobo Tahun 2018). Jurnal Gaussian, 9(4), 525–
534.
Septiawan, R. B., A, E. Z., Informatika, T., Komputer, F. I., & Nuswantoro, U. D.
2016, Perbandingan Metode Setengah Rata-Rata Dan Metode Kuadrat
Terkecil Untuk Peramalan Pendapatan Perusahaan Di BLU UPTD Terminal
Mangkang Semarang. 1–7.
Siregar, S. P., & Wanto, A, 2017, Analysis of Artificial Neural Network Accuracy
Using Backpropagation Algorithm In Predicting Process (Forecasting).
IJISTECH (International Journal Of Information System & Technology),
1(1).
Sugiyono, 2012, Metode Penelitian Kuantitatif. 218–219.
Sya’diyah, Z., Smith, A, 2017, Kata Kunci : 10, 117–125.

48