Claim Missing Document
Check
Articles

Found 17 Documents
Search

Model Jaringan Saraf Tiruan untuk Estimasi Penduduk Miskin di Indonesia Sebagai Upaya Pengentasan Kemiskinan Anjar Wanto; Jaya Tata Hardinata
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2019: Peran Sains Data Dari Perspektif Akademisi dan Praktisi
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

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.
Implementation of ANN for Prediction of Unemployment Rate Based on Urban Village in 3 Sub-Districts of Pematangsiantar Nuraysah Zamil Purba; Anjar Wanto; Ika Okta Kirana
IJISTECH (International Journal of Information System and Technology) Vol 3, No 1 (2019): November
Publisher : Sekolah Tinggi Ilmu Komputer (STIKOM) Tunas Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/ijistech.v3i1.40

Abstract

Unemployment is a serious social and economic problem faced by the Pematangsiantar City government, high unemployment is also caused by the low education and skills of the workforce. To be able to reduce the number of unemployed, especially in the city of Pematangsiantar, it is necessary to predict the unemployment rate based on urban villages in the three sub-districts of the city of Pematangsiantar, so that the government has a policy so that it can tackle the number of unemployed. The data used in this study are unemployment data based on 19 urban areas from 2013-2017 in 3 districts in Pematangsiantar City. Data sources were obtained from the Pematangsiantar 03 / SS Koramil Office. The research method used is Backpropagation Artificial Neural Network. Data analysis was performed with backpropagation algorithm using Matlab. There are 5 network architecture used, namely 2-35-1, 2-38-1, 2-41-1, 2-43-1, 2-46-1 with the best model is 2-38-1 which produces accuracy by 79%. Thus this model is good enough to be used to predict the unemployment rate based on wards in 3 sub-districts in the city of Pematangsiantar.
Optimasi Prediksi Dengan Algoritma Backpropagation Dan Conjugate Gradient Beale-Powell Restarts Anjar Wanto
Jurnal Nasional Teknologi dan Sistem Informasi Vol 3, No 3 (2017): Desember 2017
Publisher : Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v3i3.2017.370-380

Abstract

Optimization of a prediction (forecasting) is very important to do so that the predicted results obtained to be better and quality. In this study, the authors optimize previous research that has been done by the author using backpropagation algorithm. The optimization process will use Conjugate Gradient Beale-Powell Restarts. Data to be predicted is Consumer Price Index data based on health group from Medan Central Bureau of Statistics from 2014 until 2016. Previous research using 8 architectural models, namely: 12-5-1, 12-26-1, 12-29 -1, 12-35-1, 12-40-1, 12-60-1, 12-70-1 and 12-75-1 with best architectural models 12-70-1 with an accuracy of 92%. In contrast to previous research concentrating on finding accuracy using backpropagation, this study will optimize the backpropagation with Conjugate Gradient Beale-Powell Restart, which not only focuses on accuracy but also the convergence of the two algorithms and the translation of predicted results, which is not done in a previous study. This research will use the same architectural model as the previous research and will get the result with the accuracy of 92% with the best architectural model that is 12-70-1 (same as previous research). Thus, this model is good enough for prediction even with different algorithms, since the accuracy of converging backpropagation with Conjugate Gradient Beale-Powell Restarts.
PENERAPAN JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI JUMLAH KEMISKINAN PADA KABUPATEN/KOTA DI PROVINSI RIAU Anjar Wanto
KLIK- KUMPULAN JURNAL ILMU KOMPUTER Vol 5, No 1 (2018)
Publisher : Lambung Mangkurat University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20527/klik.v5i1.129

Abstract

Provinsi Riau yang kaya akan Sumber Daya Alam ternyata tidak sebanding dengan jumlah penduduk miskin yang menempati di sejumlah kabupaten/kota di Riau. Contohnya seperti pada tahun 2013 terdapat ± 68.600 penduduk miskin di kabupaten Kampar, atau merupakan yang tertinggi dibandingkan kabupaten/kota lainnya. Oleh karena itu dibutuhkan langkah-langkah strategis agar jumlah penduduk miskin tidak bertambah sepanjang tahun, salah satu nya adalah dengan melakukan prediksi jumlah penduduk miskin untuk tahun-tahun selanjutnya. Cara ini dilakukan agar angka kemiskinan bisa semakin ditekan dengan cara melakukan penganggulangan sejak dini. Data yang akan diprediksi adalah data jumlah kemiskinan kabupaten/kota di Provinsi Riau yang bersumber dari Badan Pusat Statistik Provinsi Riau tahun 2010 sampai dengan 2015. Algoritma yang digunakan untuk melakukan prediksi adalah jaringan saraf tiruan Backpropagation. Algoritma ini memiliki kemampuan untuk mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya. Ada 5 model arsitektur yang digunakan pada algoritma backpropagation ini, antara lain 4-2-5-1 yang nanti nya akan menghasilkan prediksi dengan tingkat akurasi 8%, 4-5-6-1=25%, 4-10-12-1=92%, 4-10-15-1=100% dan 4-15-18-1=33%. Arsitektur terbaik dari ke 5 model ini adalah 4-10-12-1 dengan tingkat keakurasian mencapai 100% dan tingkat error yang digunakan 0,001-0,05. Sehingga model arsitektur ini cukup baik digunakan untuk memprediksi jumlah kemiskinan. Keywords: Penerapan, Jaringan Saraf Tiruan, Backpropagation, Prediksi, KemiskinanRiau is rich in Natural Resources is not comparable with the number of poor people who occupy in a number of districts/cities in Riau. For example, in 2013 there were ± 68,600 poor people in Kampar district, or the highest compared to other districts. Therefore, strategic steps are needed so that the number of poor people will not increase throughout the year, one of them is to predict the number of poor people for the next years. This way is done so that the poverty rate can be further suppressed by doing the countermeasures early on. The data to be predicted is the data of the number of poverty districts/cities in Riau Province sourced from the Central Bureau of Statistics of Riau Province in 2010 until 2015. Algorithm used to make prediction is the Backpropagation. This algorithm has the ability to remember and make generalizations of what has been there before. There are 5 architectural models, among others 4-2-5-1 which later will produce predictions with an accuracy rate of 8%, 4-56-1=25%, 4-10-12-1=92%, 4-10-15-1=100% and 4-15-18-1=33%. The best architecture of the 5 models is 4-10-12-1 with 100% accuracy and error rate of 0.001-0.05. So this model of architecture is good enough used to predict the amount of poverty. Kata kunci: Implementation, Artificial Neural Network, Backpropagation, Prediction, Poverty
Use of Binary Sigmoid Function And Linear Identity In Artificial Neural Networks For Forecasting Population Density Anjar Wanto; Agus Perdana Windarto; Dedy Hartama; Iin Parlina
IJISTECH (International Journal of Information System and Technology) Vol 1, No 1 (2017): November
Publisher : Sekolah Tinggi Ilmu Komputer (STIKOM) Tunas Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/ijistech.v1i1.6

Abstract

Artificial Neural Network (ANN) is often used to solve forecasting cases. As in this study. The artificial neural network used is with backpropagation algorithm. The study focused on cases concerning overcrowding forecasting based District in Simalungun in Indonesia in 2010-2015. The data source comes from the Central Bureau of Statistics of Simalungun Regency. The population density forecasting its future will be processed using backpropagation algorithm focused on binary sigmoid function (logsig) and a linear function of identity (purelin) with 5 network architecture model used the 3-5-1, 3-10-1, 3-5 -10-1, 3-5-15-1 and 3-10-15-1. Results from 5 to architectural models using Neural Networks Backpropagation with binary sigmoid function and identity functions vary greatly, but the best is 3-5-1 models with an accuracy of 94%, MSE, and the epoch 0.0025448 6843 iterations. Thus, the use of binary sigmoid activation function (logsig) and the identity function (purelin) on Backpropagation Neural Networks for forecasting the population density is very good, as evidenced by the high accuracy results achieved.
Pelatihan dan Bimbingan dalam Pemanfaatan Internet yang Baik dan Aman bagi Pelajar SMK Anak Bangsa Desa Bandar Siantar Kabupaten Simalungun Anjar Wanto; Dedi Suhendro; Agus Perdana Windarto
E-Dimas: Jurnal Pengabdian kepada Masyarakat Vol 9, No 2 (2018): E-DIMAS
Publisher : Universitas PGRI Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26877/e-dimas.v9i2.2116

Abstract

Perkembangan teknologi khususnya internet telah membawa banyak perubahan. Berkat bantuan internet semua pekerjaan menjadi terasa ringan. Bagi para siswa atau pelajar, internet memudahkan mereka dalam mencari literatur atau bahan-bahan tugas sekolah. Akan tetapi kemampuan siswa dalam menggunakan internet dengan cara yang baik dan aman di era globalisasi dewasa ini masih tergolong rendah, terutama pada siswa-siswi SMK Anak Bangsa desa Bandar Siantar Kabupaten Simalungun. Letaknya yang di pedesaan dan jauh dari perkotaan serta kurangnya perhatian pemerintah daerah dalam melakukan sosialisasi, bimbingan dan pelatihan internet membuat banyak siswa khususnya yang tinggal di pedesaan, kurang memahami pentingnya pemanfaatan internet dengan cara yang positif. Sebagian besar para siswa bisa bebas berselancar di dunia maya dan melakukan aktivitas online mereka tanpa adanya pengawasan. Oleh karena itu kegiatan pelatihan dan bimbingan dalam pemanfaatan internet sangat perlu dilakukan untuk mengingatkan serta memberikan kesadaran bagi para siswa bagaimana cara menggunakan internet dengan cara yang bijaksana agar kedepannya kemampuan akademik maupun pengetahuan mereka terhadap dunia pendidikan dan informasi semakin meningkat. Pelatihan ini nanti nya akan menggunakan 4 macam modul diktat yang masing-masing akan dijelaskan berupa presentasi menggunakan power point. Dengan pelatihan dan bimbingan ini diharapkan para pelajar khususnya disekolah ini mampu memanfaatkan internet dengan arif dan bijaksana dalam rangka mendukung upaya pengembangan SDM yang beradab yang memiliki kemampuan bersaing secara global, tidak hanya mampu bersaing secara intelektual tetapi juga memiliki adab dan perilaku yang baik.
ESTIMASI PENDUDUK MISKIN DI INDONESIA SEBAGAI UPAYA PENGENTASAN KEMISKINAN DALAM MENGHADAPI REVOLUSI INDUSTRI 4.0 Anjar Wanto; Jaya Tata Hardinata
CESS (Journal of Computer Engineering, System and Science) Vol 4, No 2 (2019): JULI 2019
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (258.346 KB) | DOI: 10.24114/cess.v4i2.13601

Abstract

Kemiskinan merupakan masalah serius yang dihadapi Indonesia. Oleh karena itu, penulis mencoba membantu pemerintah dengan melakukan analisa untuk melihat tingkat perkembangan penduduk miskin di Indonesia untuk tahun yang akan datangi. Metode yang digunakan untuk melakukan hal ini adalah jaringan saraf tiruan Bayesian Regulation. Metode ini merupakan pengembangan dari metode backpropagation yang sering digunakan untuk mengestimasi data. Data yang digunakan adalah data penduduk miskin di Indonesia tahun 2012-2018, yang bersumber dari Badan Pusat Statistik Indonesia. Berdasarkan data ini akan dibentuk dan ditentukan model arsitektur jaringan yang digunakan dengan metode Bayesian Regulation, antara lain 10-5-10-2, 10-10-10-2, 10-10-15-2, 10-10-20-2, 10-15-10-2, 10-15-15-2, 10-15-20-2, 10-20-20-2, 10-25-25-2 dan 10-30-30-2. Dari 10 model ini setelah dilakukan pelatihan dan pengujian diperoleh hasil bahwa model arsitektur terbaik adalah 10-25-25-2. Tingkat akurasi dari model arsitektur ini adalah 94,1% dan 61,8% dengan nilai MSE sebesar 0,00013571 dan 0,00005189. Hasil penelitian ini berupa estimasi penduduk miskin untuk 5 tahun yang akan datang
Analysis of Artificial Neural Network Accuracy Using Backpropagation Algorithm In Predicting Process (Forecasting) Sandy Putra Siregar; Anjar Wanto
IJISTECH (International Journal of Information System and Technology) Vol 1, No 1 (2017): November
Publisher : Sekolah Tinggi Ilmu Komputer (STIKOM) Tunas Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/ijistech.v1i1.4

Abstract

Artificial Neural Networks are a computational paradigm formed based on the neural structure of intelligent organisms to gain better knowledge. Artificial neural networks are often used for various computing purposes. One of them is for prediction (forecasting) data. The type of artificial neural network that is often used for prediction is the artificial neural network backpropagation because the backpropagation algorithm is able to learn from previous data and recognize the data pattern. So from this pattern backpropagation able to analyze and predict what will happen in the future. In this study, the data to be predicted is Human Development Index data from 2011 to 2015. Data sourced from the Central Bureau of Statistics of North Sumatra. This research uses 5 architectural models: 3-8-1, 3-18-1, 3-28-1, 3-16-1 and 3-48-1. From the 5 models of this architecture, the best accuracy is obtained from the architectural model 3-48-1 with 100% accuracy rate, with the epoch of 5480 iterations and MSE 0.0006386600 with error level 0.001 to 0.05. Thus, backpropagation algorithm using 3-48-1 model is good enough when used for data prediction.
Analysis of Artificial Neural Network Accuracy Using Backpropagation Algorithm In Predicting Process (Forecasting) Sandy Putra Siregar; Anjar Wanto
IJISTECH (International Journal of Information System and Technology) Vol 1, No 1 (2017): November
Publisher : Sekolah Tinggi Ilmu Komputer (STIKOM) Tunas Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (355.175 KB) | DOI: 10.30645/ijistech.v1i1.4

Abstract

Artificial Neural Networks are a computational paradigm formed based on the neural structure of intelligent organisms to gain better knowledge. Artificial neural networks are often used for various computing purposes. One of them is for prediction (forecasting) data. The type of artificial neural network that is often used for prediction is the artificial neural network backpropagation because the backpropagation algorithm is able to learn from previous data and recognize the data pattern. So from this pattern backpropagation able to analyze and predict what will happen in the future. In this study, the data to be predicted is Human Development Index data from 2011 to 2015. Data sourced from the Central Bureau of Statistics of North Sumatra. This research uses 5 architectural models: 3-8-1, 3-18-1, 3-28-1, 3-16-1 and 3-48-1. From the 5 models of this architecture, the best accuracy is obtained from the architectural model 3-48-1 with 100% accuracy rate, with the epoch of 5480 iterations and MSE 0.0006386600 with error level 0.001 to 0.05. Thus, backpropagation algorithm using 3-48-1 model is good enough when used for data prediction.
Prediksi Jumlah Nilai Impor Sumatera Utara Menurut Negara Asal Menggunakan Algoritma Backpropagation Indri Sriwahyuni Purba; Anjar Wanto
Techno.Com Vol 17, No 3 (2018): Agustus 2018
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (429.148 KB) | DOI: 10.33633/tc.v17i3.1769

Abstract

Dalam memenuhi kebutuhan dalam negeri, pemerintah mesti melakukan kegiatan ekonomi Internasional salah satunya impor. Impor adalah proses transportasi barang atau komoditas dari suatu Negara ke Negara lain secara legal. Terkhusus di provinsi Sumatera Utara selalu terjadi kenaikan jumlah impor tiap tahunnya terhitung pada tahun 2014-2016 di Badan Pusat Statistik ( BPS ) Sumatera Utara. Pada penelitian ini, penulis akan memprediksi jumah nilai impor untuk 5 tahun kedepan dengan menggunakan algoritma backpropagation. Backpropagation merupakan salah satu metode Jaringan Syaraf Tiruan (Artificial Neural Network), yang cukup handal dalam memecahkan masalah. Salah satunya adalah prediksi jumlah nilai impor di Sumatera Utara. Penelitian ini menggunakan 5 model arsitektur : 4-12-1, 4-15-1,4-18-1, 4-19-1, 4-20-1, dari kelima model tersebut akurasi terbaik  diperoleh dari model arsitekktur 4-19-1 dengan nilai akurasi 100%, epoch 2807 iterasi, dan MSE yaitu 0.00099930653.