190155201049
Diusulkan oleh :
190155201049
Telah disetujui
i
LEMBAR PENGESAHAN PROPOSAL SKRIPSI
Proposal telah diuji pada tanggal, dan sudah diperbaiki sesuai saran para penguji,
serta sudah disetujui oleh para penguji.
1. 1.
2. 2.
3. 3.
Mengetahui,
Pembimbing I Pembimbing II
Tanjungpinang, ……………………..
Universitas Maritim Raja Ali Haji
Fakultas Teknik Dan Teknologi Kemaritiman
Ketua Jurusan Teknik Informatika,
ii
DAFTAR ISI
iii
DAFTAR GAMBAR
iv
DAFTAR TABEL
Tabel 20. Hasil Bobot dan Bias Algoritma Radial-Basis Function (RBF)………43
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 Munawar & Hafnani (2015) Penelitian Yang Sedang Dilakukan
(2018)
1 Judul Prediksi Tingkat Kemiskinan Provinsi Prediksi Tingkat Kemiskinan Di Provinsi Prediksi Tingkat Kemiskinan Masyarakat
Gorontalo Menggunakan Metode Aceh Dengan Model AR Menggunakan Metode Radial-Basis Function
Gabungan K-Means dan Generalized (Studi Kasus Kota Tanjungpinang)
Regression Neural Network
2 Metode K-Means dan Generalized Regression Auto Regressive Radial-Basis Function Neural Network
Neural Network (GRNN)
3 Hasil Berdasarkan penelitian ini menunjukkan Pada penelitian ini dapat disimpulkan bahwa Penelitian ini bertujuan untuk melihat tingkat
bahwa K-Means GRNN memberikan prediksi menggunakan model ini memiliki akurasi dari prediksi tingkat kemiskinan di
perfoma yang lebih baik dari pada perbedaan sebesar 0,22 jika dibandingkan kota Tanjungpinang menggunakan metode
dengan menggunakan metode GRNN dengan data real dari BPS. Radial-Basis Function lalu dibandingkan
saja. 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 Metode Keterangan
1 Saprina Mamase, Prediksi Tingkat Kemiskinan K-Means dan prediksi tingkat kemiskinan menggunakan metode gabungan K-
dkk. (2018) Provinsi Gorontalo Generalized Means GRNN memberikan perfoma yang lebih baik dari pada
Menggunakan Metode Regression Neural dengan menggunakan metode GRNN saja. Hal tersebut dapat
Gabungan K-Means dan Network (GRNN) ditunjukkan dengan hasil prediksi kemiskinan pada data tahun 2016
Generalized Regression Neural menggunakan metode Gabungan dan GRNN saja masing-masing
Network memiliki nilai MAPE sebesar 2.3 % dan 2.9 %.
2 Munawar, dkk. Prediksi Tingkat Kemiskinan model Auto Regressive prediksi menggunakan model ini memiliki perbedaan sebesar 0,22
(2014) Di Provinsi Aceh Dengan jika dibandingkan dengan data real dari BPS.
Moder AR
3 Arthur Julio Risa Implementasi Jaringan Saraf jaringan syaraf tiruan metode jaringan syaraf tiruan backpropagation yang bobot
Ashshiddiqi, dkk. Tiruan Backpropagation Untuk Backpropagation dan pelatihannya dioptimasi menggunakan algoritme genetika bisa
(2018) Memprediksi Jumlah Penduduk algoritme genetika dipakai untuk melakukan prediksi jumlah penduduk miskin di
Miskin Di Indonesia Dengan Indonesia dengan 2 tahapan. Tahap pertama menggunakan
Optimasi Algoritme Genetika 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.
4 Lutfia Nuzula, dkk. Klasifikasi Status Kemiskinan metode Support Vector klasifikasi rumah tangga di Kabupaten Wonosobo pada tahun 2018
(2018) Rumah Tangga Dengan Metode Machines (SVM) Dan dengan proporsi data training : data testing 80:20 diperoleh
Support Vector Machines (SVM) Classification And persamaan fungsi kernelnya 𝑓(𝑧) = 𝑠𝑖𝑔𝑛(∑ 𝛼𝑖 𝑝 𝑖=1 𝑦𝑖𝐾(𝒙𝒊 , 𝒛) −
Dan Classification And Regression Trees 0.87005 dengan ketepatan klasifikasi untuk metode SVM yaitu
Regression Trees (CART) (CART) sebesar 89.94%, sedangkan ketepatan klasifikasi untuk metode
Menggunakan GUI R 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 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.
5 Abdul Karim, Perbandingan Prediksi metode Support Vector SVM merupakan salah satu metode yang baik dan terutama
(2018) Kemiskinan Di Indonesia Machines (SVM) berguna untuk data yang distribusinya tidak diketahui. SVM
Menggunakan Support Vector memiliki fungsi kernel untuk menangani berbagai jenis data. Pada
Machine (SVM) Dengan Regresi tahap plotting data dari penelitian ini menunjukan sebaran data
Linear 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.
6 Saprina Mamase, Perbandingan Performa Prediksi metode hasil komparasi antara metode BPNN dengan metode GRNN dalam
dkk. (2018) Tingkat Kemiskinan Antara Backpropagation memprediksi tingkat kemiskinan menggunakan data kemiskinan
Backpropagation Neural Neural Network Provinsi Gorontalo, diperoleh hasil bahwa model prediksi GRNN
Network Dan Generalized (BPNN) Dan memiliki performa 14-16% lebih baik jika dibandingkan dengan
Regression Neural Network Generalized metode BPNN.
Regression Neural
Network (GRNN)
7 Hall, dkk. (1999) Precipitation Forecasting Using Metode Neural peramalan ini sangat tajam, dengan lebih dari 70% perkiraan PoP
a Neural Network 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 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.
8 Siregar & Wanto, Analysis Accuracy of Artificial metode Dari ke 5 model arsitektur 3-8-1, 3-18-1, 3-28-1, 3-16-1 dan 3-48-
(2017) Neural Network Using Backpropagation 1. ini, akurasi terbaik diperoleh dari model arsitektur 3-48-1 dengan
Backpropagation Algorithm In Neural Network Tingkat akurasi 100%, dengan epoch 5480 iterasi dan MSE
Predicting Process (BPNN) 0.0006386600 dengan error tingkat 0,001 sampai 0,05. Dengan
(Forecasting) 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.
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.
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
13
Time Series, terdapat 4 jenis komponen rangkaian waktu (bentuk datanya), seperti
dipaparkan sebagai berikut :
a. Bentuk Data Horizontal
14
d. Bentuk Data Trend
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).
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.
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.
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.
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.
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
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
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.
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.
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.
23
2. Arsitektur Jaringan RBF
Berikut Rsitektur Jaringan RBF yang digunakan untuk penelitian, prediksi
tingkat kemiskinan, dapat dilihat pada gambar 10. dibawah ini :
24
9.4 Arsitektur Sistem
Pada aplikasi yang akan dibangun memiliki arsitektur sistem seperti pada
gambar 11 dibawah.
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
25
kemiskinan dengan satuan persen, dan jumlah penduduk miskin dengan satuan
ribu dilihat pada tabel 3. dibawah ini.
1. Input Parameter
Proses inputan parameter yang digunakan algoritma RBF dapat dilihat
pada tabel 4. dibawah ini.
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).
X1 X2 X3 X4 Y
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)
X1 X2 X3 X4 Y
1 0,27380 0,07407 0 0
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 :
Deret 1 3 4 6
Center ke C1 C2 C3 C4
𝑋2 0,27380 1 0,60714 0
Variabel
𝑋3 0,07407 1 0,29629 0
𝑑𝑚𝑎𝑥 = 1 − 0
1
𝜎= = 0,5
√4
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.
Data r1 r2 r3 r4
(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
Data g1 g2 g3 g4 b1
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 .
31
Menghitung pseudoinvers dengan matriks gaussian dibawah ini bentuk
dari matriks Gaussain ditranspose
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 ]
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.
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 :
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
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
36
Deret
Target Denormalisasi Error
Data
0,001854
𝑅𝑀𝑆𝐸 = √ = 0,016274
7
9.6 Pengujian
Berikut adalah langkah langkah pengujian yang dilakukan untuk
memprediksi tingkat kemiskinan di kota tanjungpinang
X1 X2 X3 X4 Y
37
X1 X2 X3 X4 Y
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)
X1 X2 X3 X4 Y
1 0,352941 0,333333 1 1
0 0 0 0 0
38
Tabel 17. Data Center
Deret 1 3 4 6
Center ke C1 C2 C3 C4
𝑋2 0,27380 1 0,60714 0
Variabel
𝑋3 0,07407 1 0,29629 0
Data r1 r2 r3 r4
39
Data r1 r2 r3 r4
(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
Data g1 g2 g3 g4 b1
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 .
40
Menghitung pseudoinvers dengan matriks gaussian dibawah ini bentuk
dari matriks Gaussain ditranspose
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 ]
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
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)
1 9,85 9,77694
2 9,57 9,402928
3 9,37 9,672784
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.
Studi literatur
Pengumpulan data
Analisa Data
Implementasi
Pengujian
46
DAFTAR PUSTAKA
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