Article Sidebar
Download
Main Article Content
Abstract
Penelitian ini bertujuan menentukan model
arsitektur jaringan terbaik yang tepat untuk melakukan estimasi
Penduduk Miskin di Indonesia menggunakan salah satu algoritma
jaringan saraf tiruan, yakni dengan metode Bayesian Regulation.
Metode ini melakukan fungsi pelatihan jaringan dengan cara
memperbarui bobot dan nilai bias menurut pengoptimalan LevenbergMarquardt. Data yang digunakan pada penelitian ini adalah data
penduduk miskin tiap provinsi di Indonesia tahun 2012 sampai tahun
2018 berdasarkan semester, yang bersumber dari Badan Pusat Statistik
Indonesia (BPS). Berdasarkan data ini akan dibentuk dan ditentukan
model arsitektur jaringan yang digunakan dengan metode Bayesian
Regulation, antara lain 10-5-10-2, 10-10-15-2, 10-15-10-2, 10-15-20-
2, dan 10-25-25-2. Dari 5 model ini setelah dilakukan pelatihan dan
pengujian diperoleh hasil bahwa model arsitektur terbaik adalah 10-
25-25-2 (10 adalah input layer, 25 adalah jumlah neuron hiden layer
pertama dan 25 selanjutnya juga merupakan jumlah neuron hiden layer
kedua, 2 adalah output layer). Tingkat akurasi dari model arsitektur ini
adalah 94,1% dan 61,8% dengan nilai MSE sebesar 0,00013571 dan
0,00005189. Dari penentuan model terbaik ini selanjutnya akan dapat
digunakan untuk mengestimasi penduduk miskin di Indonesia sebagai
upaya dini pemerintah dalam pengentasan kemiskinan.
arsitektur jaringan terbaik yang tepat untuk melakukan estimasi
Penduduk Miskin di Indonesia menggunakan salah satu algoritma
jaringan saraf tiruan, yakni dengan metode Bayesian Regulation.
Metode ini melakukan fungsi pelatihan jaringan dengan cara
memperbarui bobot dan nilai bias menurut pengoptimalan LevenbergMarquardt. Data yang digunakan pada penelitian ini adalah data
penduduk miskin tiap provinsi di Indonesia tahun 2012 sampai tahun
2018 berdasarkan semester, yang bersumber dari Badan Pusat Statistik
Indonesia (BPS). Berdasarkan data ini akan dibentuk dan ditentukan
model arsitektur jaringan yang digunakan dengan metode Bayesian
Regulation, antara lain 10-5-10-2, 10-10-15-2, 10-15-10-2, 10-15-20-
2, dan 10-25-25-2. Dari 5 model ini setelah dilakukan pelatihan dan
pengujian diperoleh hasil bahwa model arsitektur terbaik adalah 10-
25-25-2 (10 adalah input layer, 25 adalah jumlah neuron hiden layer
pertama dan 25 selanjutnya juga merupakan jumlah neuron hiden layer
kedua, 2 adalah output layer). Tingkat akurasi dari model arsitektur ini
adalah 94,1% dan 61,8% dengan nilai MSE sebesar 0,00013571 dan
0,00005189. Dari penentuan model terbaik ini selanjutnya akan dapat
digunakan untuk mengestimasi penduduk miskin di Indonesia sebagai
upaya dini pemerintah dalam pengentasan kemiskinan.