Maulidiyah, Salsabila Talitha (2023) Perbandingan metode Ann-Backpropation dan Linear Regression yang telah dioptimasi untuk prediksi angka kemiskinan di Jawa Barat. Undergraduate thesis, Universitas Islam Negeri Maulana Malik Ibrahim.
|
Text (Fulltext)
19650084.pdf - Accepted Version Available under License Creative Commons Attribution Non-commercial No Derivatives. Download (4MB) | Preview |
Abstract
ABSTRAK:
Angka kemiskinan di Jawa Barat masih menjadi permasalahan yang cukup serius. Provinsi Jawa Barat termasuk kedalam jumlah penduduk miskin tertinggi jika dilihat dari standart garis kemiskinan yang dirilis oleh BPS pada tahun 2019. Salah satu cara untuk mengurangi kenaikan angka kemiskinan adalah dengan membuat kebijakan berdasarkan hasil prediksi terhadap angka kemiskinan. Hasil prediksi yang akurat tentunya dapat memberikan gambaran yang lebih baik tentang hal yang diprediksi. Beberapa algoritma yang popular digunakan saat memprediksi adalah algoritma Artificial Neural Network Backpropagation dan Linear Regression. Linear regression dikenal dengan kesederhanaannya dalam implementasi sedangkan Artificial Neural Network Backpropagation terkenal akan kemampuannya dalam beradaptasi dengan pola-pola yang kompleks dan dapat digunakan pada berbagai jenis data yang berbeda. Tujuan dari penelitian ini adalah untuk membandingkan performa metode Artificial Neural Network Backpropagation dan Linear Regression dalam melakukan prediksi angka kemiskinan di Jawa Barat untuk dapat membantu pemerintah dalam membrantas kemiskinan. Data yang digunakan adalah persentase penduduk miskin tahun 2002 hingga tahun 2021 yang berasal dari website resmi Badan Pusat Statistik (BPS) provinsi Jawa Barat. Pada penelitian ini, dilakukan pengujian dengan menggunakan variabel lengkap dan variabel yang direduksi. Hasil pengujian menunjukkan bahwa metode terbaik untuk memprediksi angka kemiskinan di Jawa Barat adalah metode Artificial Neural Network Backpropagation dengan variabel lengkap menggunakan parameter jumlah neuron pada hidden layer 16 dan 20, learning rate 0,05, dan rasio pembagian data 60:40. MAPE yang dihasilkan yaitu 6,27%. Metode Artificial Neural Network Backpropagation lebih baik dalam memprediksi angka kemiskinan di Jawa Barat karena dapat digunakan untuk semua jenis data, baik data dengan variabel linier maupun yang belum linier, terdistribusi normal atau tidak, meskipun membutuhkan waktu eksekusi yang lebih lama.
ABSTRACT:
The poverty rate in West Java is still a serious problem. West Java Province has the highest number of poor people when viewed from the standard poverty line released by BPS in 2019. One way to reduce the increase in the poverty rate is to make policies based on the prediction results of the poverty rate. Accurate prediction results can certainly provide a better picture of what is predicted. Some popular algorithms used when predicting are Artificial Neural Network Backpropagation and Linear Regression algorithms. Linear regression is known for its simplicity in implementation while Artificial Neural Network Backpropagation is known for its ability to adapt to complex patterns and can be used on a variety of different data types. The purpose of this study is to compare the performance of the Artificial Neural Network Backpropagation and Linear Regression methods in predicting poverty rates in West Java to be able to assist the government in eradicating poverty. The data used is the percentage of poor people from 2002 to 2021 which comes from the official website of the Central Statistics Agency (BPS) of West Java province. In this study, testing was carried out using complete variables and reduced variables. The test results show that the best method for predicting the poverty rate in West Java is the Artificial Neural Network Backpropagation method with a complete variable using the parameter number of neurons in hidden layers 16 and 20, learning rate 0.05, and data sharing ratio 60:40. The resulting MAPE is 6.27%. The Artificial Neural Network Backpropagation method is better at predicting the poverty rate in West Java because it can be used for all types of data, both data with linear and non-linear variables, normally distributed or not, although it requires a longer execution time
مستخلص البحث:
لا يزال معدل الفقر فيJawa Baratيمثل مشكلة خطيرة. يوجد في مقاطعةJawa Baratأكبر عدد من الفقراء عند النظر إليها من خط الفقر القياسي الصادر عنBPSفي عام2019. تتمثل إحدى طرق تقليل الزيادة في معدل الفقر في وضع سياسات تستند إلى نتائج التنبؤ لمعدل الفقر. يمكن لنتائج التنبؤ الدقيقة أن تقدم بالتأكيد صورة أفضل لما هو متوقع. بعض الخوارزميات الشائعة المستخدمة عند التنبؤ هي خوارزميات الانتشار العكسي للشبكة العصبية الاصطناعية وخوارزميات الانحدار الخطي. يُعرف الانحدار الخطي ببساطته في التنفيذ بينما يُعرفBackpropagationللشبكة العصبية الاصطناعية بقدرته على التكيف مع الأنماط المعقدة ويمكن استخدامه في مجموعة متنوعة من أنواع البيانات المختلفة. الغرض من هذه الدراسة هو مقارنة أداء طرق الانتشار العكسي للشبكة العصبية الاصطناعية والانحدار الخطي في التنبؤ بمعدلات الفقر فيJawa Baratلتكون قادرة على مساعدة الحكومة في القضاء على الفقر. البيانات المستخدمة هي النسبة المئوية للفقراء من2002إلى2021والتي تأتي كزية للإحصاءكالة المرمن الموقع الرسمي للو(BPS)في مقاطعةJawa Barat. في هذه الدراسة ، تم إجراء الاختبار باستخدام متغيرات كاملة ومتغيرات مختصرة. أظهرت نتائجالاختبار أن أفضل طريقة للتنبؤ بمعدل الفقر في جاوة الغربية هي طريقة إعادة الانتشار للشبكة العصبية الاصطناعية مع متغير كامل باستخدام عدد المعلمات من الخلايا العصبية في الطبقات المخفية16و20، ومعدل التعلم0.05كة البيانات، ونسبة مشار60:40.MAPEالناتج هو%6.27.تعد طريقةBackpropagationللشبكة العصبية الاصطناعية أفضل في التنبؤ بمعدل الفقر في Jawa Baratلأنه يمكن استخدامها لجميع أنواع البيانات ، سواء البيانات ذات المتغيرات الخطية أو غير الخطية ، الموزعة بشكل طبيعي أم لا ، على الرغم من أنها تتطلب وقت تنفيذ أطو
Item Type: | Thesis (Undergraduate) | |||||||||
---|---|---|---|---|---|---|---|---|---|---|
Supervisor: | Aziz, Okta Qomaruddin and Fatchurrochman, Fatchurrochman | |||||||||
Contributors: |
|
|||||||||
Keywords: | Artificial Neural Network Backpropagation; Linear Regression; Prediksi Angka Kemiskinan; Mean Absolute Precentage Error; Artificial Neural Network Backpropagation; Linear Regression; Prediction of Poverty Rate; Mean Absolute Presentage Error. لانتشار العكسي للشبكة العصبية الاصطناعية ; الانحدار الخطي ; التنبؤ بمعدل الفقر ; متوسط خطأ العرض المطلق | |||||||||
Departement: | Fakultas Sains dan Teknologi > Jurusan Teknik Informatika | |||||||||
Depositing User: | Salsabila Talitha Maulidiyah | |||||||||
Date Deposited: | 09 May 2023 14:34 | |||||||||
Last Modified: | 10 Jul 2023 15:18 | |||||||||
URI: | http://etheses.uin-malang.ac.id/id/eprint/49796 |
Downloads
Downloads per month over past year
Actions (login required)
![]() |
View Item |