Metode Backpropagation untuk Memprediksi Tingkat Pengangguran Terbuka (TPT) di Provinsi Jawa Barat dengan Optimasi Adam
Kata Kunci:
jaringan saraf tiruan, backpropagation, optimasi adam, prediksi, time seriesAbstrak
Pengangguran termasuk salah satu tantangan yang dihadapi negara berkembang, termasuk Indonesia. Faktor penyebab utama yang mempengaruhi tingkat pengangguran adalah kesenjangan antara lapangan pekerjaan yang tersedia dibandingkan angka angkatan kerja yang tersedia Di samping itu, rendahnya kebutuhan tenaga kerja di sejumlah sektor di Indonesia juga berkontribusi pada peningkatan jumlah pengangguran. Jawa Barat menjadi provinsi yang menempati urutan pertama dengan populasi sekaligus Tingkat Pengangguran Terbuka (TPT) tertinggi di Indonesia. Prediksi yang akurat tentang Tingkat Pengangguran Terbuka (TPT) akan menjadi alat penting dalam perencanaan dan kebijakan ekonomi yang berorientasi pada tindakan untuk memperbaiki kesejahteraan masyarakat serta menciptakan peluang pekerjaan yang lebih luas. Dalam penelitian ini, metode backpropagation dengan optimasi Adam diimplementasikan untuk memprediksi TPT Provinsi Jawa Barat. Backpropagation merujuk pada metode yang efektif digunakan untuk melakukan prediksi, sedangkan optimasi Adam akan digunakan sebagai solusi untuk mengatasi masalah learning speed yang lambat dalam metode backpropagation. Hasil penelitian menunjukkan bahwa metode backpropagation dengan optimasi Adam dapat diimplementasikan untuk memprediksi TPT di Provinsi Jawa Barat dengan error yang cukup rendah. Nilai MSE terendah diperoleh pada penerapan parameter jumlah neuron hidden layer sebanyak 2, nilai learning rate 0.001, jumlah epoch 1000, proporsi data training 70%, dan nilai batch size 8 dengan rata-rata nilai MSE sebesar 2.9072.
Referensi
Adwandha, D.P., Ratnawati, D.E., & Adikara, P.P. (2017) ‘Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan Metode Genetic-Based Backpropagation’, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 1(4), pp. 341–351.
Han, J., Kamber, M., & Pei, J. (2011) Data Mining: Concepts and Techniques, Data Mining: Concepts and Techniques. Available at: https://doi.org/10.1016/C2009-0-61819-5.
Indolia, S. Et al. (2018) ‘Conceptual Understanding of Convolutional Neural Network- A Deep Learning Approach’, International Conference on Computational Intelligence and Data Science (ICCIDS 2018), 132, pp. 679–688. Available at: https://doi.org/10.1016/j.procs.2018.05.069.
Jaya, H. Et al. (2018) Kecerdasan Buatan, Journal of Chemical Information and Modeling.
Kingma, D.P. & Ba, J.L. (2015) ‘Adam: A Method For Stochastic Optimization’, in ICLR 2015, pp. 1–15.
Kumar, S. & Ningombam, D. (2018) ‘Short-Term Forecasting of Stock Prices Using Long Short Term Memory’, Proceedings - 2018 International Conference on Information Technology, ICIT 2018, pp. 182–186. Available at: https://doi.org/10.1109/ICIT.2018.00046.
Maharani, W. (2009) ‘Klasifikasi Data Menggunakan Jst Backpropagation Momentum Dengan Adaptive Learning Rate’, Jurnal Fisika Unand, 1(4), pp. 46–58. Available at: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/7237.
Nugraha, H.G. & Sn, A. (2014) ‘Optimasi Bobot Jaringan Syaraf Tiruan Mengunakan Particle Swarm Optimization’, IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 8(1), p. 25. Available at: https://doi.org/10.22146/ijccs.3492.
Pohan, S., Warsito, B., & Suryono, S. (2020) ‘Backpropagation artificial neural network for prediction plant seedling growth’, Journal of Physics: Conference Series, 1524(1). Available at: https://doi.org/10.1088/1742-6596/1524/1/012147.
Robial, S.M. (2018) ‘Perbandingan Model Statistik pada Analisis Metode Peramalan Time Series (Studi Kasus: PT. Telekomunikasi Indonesia, Tbk Kandatel Sukabumi)’, Jurnal Ilmiah SANTIKA, 8(2), pp. 1–17.
Soydaner, D. (2020) ‘A Comparison of Optimization Algorithms for Deep Learning’, International Journal of Pattern Recognition and Artificial Intelligence, 34(13). Available at: https://doi.org/10.1142/S0218001420520138.
Uzair, M. & Jamil, N. (2020) ‘Effects of Hidden Layers on the Efficiency of Neural networks’, Proceedings - 2020 23rd IEEE International Multi-Topic Conference, INMIC 2020, pp. 1–6. Available at: https://doi.org/10.1109/INMIC50486.2020.9318195.
Wanto, A. Et al. (2017) ‘Analysis of Artificial Neural Network Backpropagation Using Conjugate Gradient Fletcher Reeves in the Predicting Process’, in International Conference on Information and Communication Technology (iconict). Available at: https://doi.org/10.1088/1742-6596/930/1/012018.
Adwandha, D.P., Ratnawati, D.E., & Adikara, P.P. (2017) ‘Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan Metode Genetic-Based Backpropagation’, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 1(4), pp. 341–351.
Han, J., Kamber, M., & Pei, J. (2011) Data Mining: Concepts and Techniques, Data Mining: Concepts and Techniques. Available at: https://doi.org/10.1016/C2009-0-61819-5.
Indolia, S. Et al. (2018) ‘Conceptual Understanding of Convolutional Neural Network- A Deep Learning Approach’, International Conference on Computational Intelligence and Data Science (ICCIDS 2018), 132, pp. 679–688. Available at: https://doi.org/10.1016/j.procs.2018.05.069.
Jaya, H. Et al. (2018) Kecerdasan Buatan, Journal of Chemical Information and Modeling.
Kingma, D.P. & Ba, J.L. (2015) ‘Adam: A Method For Stochastic Optimization’, in ICLR 2015, pp. 1–15.
Kumar, S. & Ningombam, D. (2018) ‘Short-Term Forecasting of Stock Prices Using Long Short Term Memory’, Proceedings - 2018 International Conference on Information Technology, ICIT 2018, pp. 182–186. Available at: https://doi.org/10.1109/ICIT.2018.00046.
Maharani, W. (2009) ‘Klasifikasi Data Menggunakan Jst Backpropagation Momentum Dengan Adaptive Learning Rate’, Jurnal Fisika Unand, 1(4), pp. 46–58. Available at: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/7237.
Nugraha, H.G. & Sn, A. (2014) ‘Optimasi Bobot Jaringan Syaraf Tiruan Mengunakan Particle Swarm Optimization’, IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 8(1), p. 25. Available at: https://doi.org/10.22146/ijccs.3492.
Pohan, S., Warsito, B., & Suryono, S. (2020) ‘Backpropagation artificial neural network for prediction plant seedling growth’, Journal of Physics: Conference Series, 1524(1). Available at: https://doi.org/10.1088/1742-6596/1524/1/012147.
Robial, S.M. (2018) ‘Perbandingan Model Statistik pada Analisis Metode Peramalan Time Series (Studi Kasus: PT. Telekomunikasi Indonesia, Tbk Kandatel Sukabumi)’, Jurnal Ilmiah SANTIKA, 8(2), pp. 1–17.
Soydaner, D. (2020) ‘A Comparison of Optimization Algorithms for Deep Learning’, International Journal of Pattern Recognition and Artificial Intelligence, 34(13). Available at: https://doi.org/10.1142/S0218001420520138.
Uzair, M. & Jamil, N. (2020) ‘Effects of Hidden Layers on the Efficiency of Neural networks’, Proceedings - 2020 23rd IEEE International Multi-Topic Conference, INMIC 2020, pp. 1–6. Available at: https://doi.org/10.1109/INMIC50486.2020.9318195.
Wanto, A. Et al. (2017) ‘Analysis of Artificial Neural Network Backpropagation Using Conjugate Gradient Fletcher Reeves in the Predicting Process’, in International Conference on Information and Communication Technology (iconict). Available at: https://doi.org/10.1088/1742-6596/930/1/012018.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
