ARTIFICIAL NEURAL NETWORK DALAM PREDIKSI TINGKAT PENGANGGURAN DI RIAU
Abstract
Provinsi Riau terdapat sebanyak kurang lebih 190.140 orang tidak memiliki pekerjaan. Berdasarkan dari daerah tempat tinggalnya, pengangguran di perkotaan tercatat lebih tinggi jumlahnya dibanding di perdesaan. Hal tersebut dapat menunjukkan bahwa jumlah lapangan pekerjaan yang dibutuhkan di Riau masih kurang untuk memenuhi kebutuhan masyarakat. pada situasi tersebut, masyarakat akan menggunakan cara apapun yang mereka bisa agar dapat bertahan dan memenuhi kebutuhan hidup. Dengan menggunakan Artificial neural Network (ANN) atau yang biasa dikenal jaringan syaraf tiruan dapat digunakan untuk memprediksi jumlah pengangguran.tahapan dalam ANN ini dilakukan normalisasi data kemudian menggunakan algoritma backpropagation. Pada analisis ini, metode penelitian yang digunakan yaitu pendekatan SDLC model waterfall yang merupakan pendekatan model paling sederhana. Implementasi metode Backpropagation dalam prediksi jumlah penganguran di provinsi Riau diperlukan data latih yang akan digunakan sebagai sumber pelatihan yang selanjutnya diproses pada tahap pengujian menggunakan algoritma Backpropagation dari ANN dengan 2 inputan, 6 hidden layer, learning rate 0,1 dan 1 output, maka diperoleh nilai error atau MSE yang baik pada proses training sebesar 0,00060988.
Downloads
References
[2] BPS Riau, Riau Dalam Angka. .
[3] F. Aldi, “Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Nilai Ujian Akhir Sekolah (Studi Kasus Di MAN 2 Padang),” J. Teknol., vol. 7, no. 2, pp. 183–192, 2017.
[4] E. B. Ginting, P. D. M. Zarlis, and D. Z. Situmorang, “Kombinasi Algoritma Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) dan Self Organizing Kohonen pada Kecepatan Pengenalan Pola Tanda Tangan,” TECHSI - J. Penelit. Tek. Inform., vol. 6, no. 1, pp. 95–110, 2014.
[5] A. S. Chan, “Jurnal Ilmiah Informatika ( JIF ) Prediksi Kedatangan Wisatawan Pada Pariwisata Kota Batam Dengan Menggunakan Teknik Knowledge Data Discovery,” pp. 1–6, 2018.
[6] A. S. Chan, “Analytical Hierarchy Process Dan Fuzzy Topsis Pada Sistem Pendukung Keputusan,” vol. 05, no. 01, pp. 1–14, 2018.
[7] I. G. Susrama, “Analisa prediksi tingkat pengangguran dengan jaringan syaraf tiruan,” vol. 2007, no. Snati, 2007.
[8] A. Julio and R. Ashshiddiqi, “Implementasi Jaringan Saraf Tiruan Backpropagation untuk Memprediksi Jumlah Penduduk Miskin di Indonesia dengan Optimasi Algoritme Genetika,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 11, pp. 4638–4646, 2018.
[9] A. C. Saputro, M. T. Informatika, and U. A. Yogyakarta, “Fuzzy Tsukamoto Untuk Menentukan Prediksi,” vol. 1, no. 2, pp. 33–46, 2017.
[10] S. Lee et al., “済無No Title No Title,” J. Chem. Inf. Model., vol. 53, no. 9, pp. 1689–1699, 2012, doi: 10.1017/CBO9781107415324.004.
Copyright (c) 2020 pandu pratama putra
This work is licensed under a Creative Commons Attribution 4.0 International License.
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work
