06 Februari 2024 Review Jurnal 64 PLSI MMSI

Mata Kuliah Metode kuantitatif

Jurusan Perangkat Lunak Sistem Informasi
Dosen : Dr. Sulistyo Puspitodjati, SSi., SKom.,MSc(CS)

Website: https://pasca.gunadarma.ac.id/magister/msi/ Kelompok 6

Penerapan Metode Resilient untuk Memprediksi Pengangguran Terbuka di

Indonesia Menurut Pendidikan Tertinggi yang Ditamatkan
Implementation of Resilient Methods to Predict Open Unemployment in Indonesia According to
Higher Education Completed

Direview oleh:

ADI MULYA ABADI (91123027) , DANDI RIZKY RIANSA (91123028) ,EKA PUTRA NUGRAHA (91123045) , IMAM
WIBISANA (91123003) , WIRA ADI PRAMAYUDA (91123035)
Universitas Gunadarma, Jakarta, Indonesia

ABSTRAK

Pengangguran merupakan masalah besar yang dihadapi oleh bangsa Indonesia dari tahun ke tahun
selain kemiskinan. Oleh sebab itu perlu dilakukan prediksi terhadap tingkat pengangguran terbuka di
Indonesia, agar nantinya pihak pemerintah maupun swasta memiliki acuan dan referensi yang tepat
untuk saling bahu membahu mengatasi masalah ini. Metode prediksi yang digunakan adalah Resilient
Backpropagation yang merupakan salah satu metode Jaringan Saraf Tiruan yang sering digunakan untuk
prediksi data. Data penelitian yang digunakan adalah data pengangguran terbuka menurut pendidikan
tertinggi yang ditamatkan tahun 2005-2018 berdasarkan semester, yang diperoleh dari website Badan
Pusat Statistik Indonesia. Berdasarkan data ini akan dibentuk dan ditentukan model arsitektur jaringan,
antara lain 12-6- 2, 12-12-2, 12-18-2, 12-24-2, 12-12-12-2, 12-12-18-2, 12-18-18-2 dan 12-18-24-2. Dari 8
model ini setelah dilakukan pelatihan dan pengujian diperoleh hasil bahwa model arsitektur terbaik
adalah 12-18-2 (12 adalah input layer, 18 adalah jumlah neuron hiden layer dan 2 adalah output layer).
Tingkat akurasi dari model arsitektur untuk semester 1 dan semester 2 ini adalah 75% dengan nilai MSE
sebesar 0,00052083 and 0,00105823.

Kata Kunci: Penerapan, Resilient, Prediksi, Pengangguran Terbuka, Pendidikan Tertinggi

1
PENJELASAN DATA
Data yang digunakan dalam penelitian ini
adalah dataset mengenai pengangguran
terbuka menurut pendidikan tertinggi yang
ditamatkan pada tahun 2005-2018. Data ini
mencakup jumlah pengangguran terbuka pada
setiap semester (Februari dan Agustus) untuk
setiap tingkat pendidikan, mulai dari mereka
yang tidak pernah sekolah hingga lulusan
universitas. Dataset ini bersumber dari Badan
Pusat Statistik Indonesia (BPS).
Preprocess yang dilakukan
Dalam penelitian ini, tahapan preprocessing
dilakukan setelah pengumpulan dataset.
Tahapan preprocessing meliputi pembagian
data menjadi dua bagian, yaitu data yang
digunakan untuk pelatihan (training) dan data
yang digunakan untuk pengujian (testing).
Selain itu, data juga dinormalisasi menggunakan
fungsi sigmoid. Proses normalisasi ini bertujuan
untuk mengubah data ke dalam rentang nilai
yang lebih kecil agar memudahkan proses
pelatihan dan pengujian model prediksi
pengangguran terbuka. Setelah tahapan
preprocessing selesai dilakukan, data siap
digunakan untuk pelatihan dan pengujian model
prediksi.
2
Bagaimana prediksi dilakukan
Prediksi tingkat pengangguran terbuka
dilakukan menggunakan metode Resilient
Backpropagation, yang merupakan salah satu
metode Jaringan Saraf Tiruan yang sering
digunakan untuk prediksi data. Dalam penelitian
ini, model arsitektur jaringan yang digunakan
adalah 12-18-2, yang terdiri dari 12 neuron
pada input layer, 18 neuron pada hidden layer,
dan 2 neuron pada output layer. Setelah
dilakukan pelatihan dan pengujian, diperoleh
hasil bahwa model arsitektur ini memiliki
tingkat akurasi sebesar 75% dengan nilai Mean
Squared Error (MSE) yang rendah. Dengan
demikian, model ini dapat digunakan untuk
memprediksi tingkat pengangguran terbuka di
Indonesia berdasarkan data historis yang telah
ada.
Model prediksi yang digunakan, alasan,
rumusan, function yang digunakan dari tools
apa, parameter yang digunakan (setting
parameter yang digunakan)
1. Model yg digunakan :
Arsitektur yang digunakan sebanyak 8 model,
yakni: 12-6- 2, 12-12-2, 12-18-2, 12-24-2, 12-12-
12-2, 12-12-18-2, 12-18-18-2 dan 12-18-24-2.
Cara menentukan model arsitektur terbaik 5. parameter yang digunakan (setting
dengan metode Resilient adalah menentukan parameter yang digunakan):
error minimum dari proses training dan testing
yang dilakukan. Tingkat error yang digunakan
sebesar 0,02 dengan learning rate 0,01. Pada
penelitian ini, parameter kode yang digunakan
dianalisis menggunakan aplikasi Matlab 2011b
yang dapat dilihat pada tabel 4 dipoin nomor 5.

2. Alasan :

Model prediksi jaringan saraf tiruan dengan

metode Resilient Backpropagation dipilih
karena metode ini mampu melakukan prediksi
berdasarkan data historis (time series) dan
sering digunakan untuk prediksi data.

ANALISA HASIL MODEL

3. Rumusan :
Rumusan dari jurnal ini adalah untuk
mengimplementasikan metode Resilient
Backpropagation dalam memprediksi tingkat
pengangguran terbuka di Indonesia
berdasarkan data pendidikan tertinggi yang
telah diselesaikan. Dengan menggunakan model
jaringan saraf tiruan dengan arsitektur 12-18-2,
penelitian ini berhasil mencapai tingkat akurasi
sebesar 75% dengan nilai Mean Squared Error
(MSE) yang rendah. Hasil ini memberikan
kontribusi dalam memberikan referensi yang
tepat bagi pemerintah dan pihak swasta untuk
mengatasi masalah pengangguran di Indonesia
4. function yang digunakan dari tools apa:
pengolahan data dibantu dengan tools matlab
2011b dan Microsoft Excel dalam menentukan
model arsitektur terbaik dengan Resilient.
Hasil analisis model arsitektur terbaik (12-18-2)
memberikan tingkat akurasi sebesar 75% untuk
semester 1 dan semester 2. Pengukuran akurasi
ini didasarkan pada Mean Squared Error (MSE)
dengan nilai sebesar 0,00052083 untuk
semester 1 dan 0,00105823 untuk semester 2.
Hal ini menunjukkan bahwa model mampu
melakukan prediksi tingkat pengangguran
terbuka di Indonesia berdasarkan data historis
dengan tingkat akurasi yang cukup baik. Selain
itu, hasil pelatihan dan pengujian model dengan
berbagai arsitektur jaringan lainnya juga
memberikan pemahaman yang mendalam
mengenai kinerja dan performa dari masing-
masing model, sehingga dapat dipilih model
terbaik untuk keperluan prediksi tingkat
pengangguran terbuka di Indonesia. Dengan
demikian, hasil analisis model memberikan
kontribusi yang signifikan dalam memberikan
referensi yang tepat bagi pemerintah dan pihak
swasta untuk mengatasi masalah pengangguran
di Indonesia

3
KESIMPULAN Kekurangan:

Penelitian ini berupaya memberikan kontribusi  Tidak ada penjelasan mendetail mengenai
dalam memprediksi tingkat pengangguran proses pemilihan fitur.
terbuka di Indonesia dengan menggunakan  Tidak dijelaskan proses splitting data
metode jaringan saraf tiruan. Kesimpulan yang training dan testing.
diambil mencakup pemilihan model arsitektur  Tidak ada analisis statistik lebih lanjut
terbaik, tingkat akurasi hasil prediksi, dan terhadap hasil akurasi model.
harapan bahwa prediksi ini dapat memberikan  Tidak ada perbandingan dengan model
acuan bagi pemerintah dan sektor swasta untuk prediksi lainnya.
mengatasi permasalahan pengangguran  Referensi yang digunakan sebagian besar
merupakan self citation dari penulis sendiri.
KELEBIHAN DAN KEKURANGAN
Referensi dari peneliti lain yang relevan
Berdasarkan jurnal tersebut adalah beberapa perlu ditambahkan.
kelebihan dan kekurangan:
REFERENSI
Kelebihan:
Saputra, W., Hardinata, J. T., & Wanto, A.
(2019). Implementation of Resilient
 Jurnal ini menggunakan metode penelitian
Methods to Predict Open Unemployment
yang sesuai untuk melakukan prediksi time
in Indonesia According to Higher
series, yaitu jaringan syaraf tiruan dengan Education Completed. Journal of
algoritma Resilient Backpropagation. Informatics and Telecommunication
Algoritma ini cocok untuk prediksi data Engineering, 3(1), 163-174.
time series.
https://ojs.uma.ac.id/index.php/jite/article/do
 Pengumpulan data yang digunakan berasal
wnload/2704/4194
dari sumber data yang kredibel yaitu Badan
Pusat Statistik.
 Jurnal dilengkapi dengan gambar yang
menjelaskan arsitektur jaringan syaraf
tiruan yang digunakan.
 Parameter dan kode program ditampilkan
secara jelas sehingga memudahkan untuk
reproduksi penelitian.
 Kesimpulan sesuai dengan hasil penelitian
dan membantu pembaca memahami inti
dari penelitian yang dilakukan.