Dyva Pandhu Adwandha1 , Dian Eka Ratnawati2 , Putra Pandu Adikara

  Vol. 1, No. 4, April 2017, hlm. 341-351 http://j-ptiik.ub.ac.id

  

Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan

Metode Genetic-Based Backpropagation

_{1 2 3} Dyva Pandhu Adwandha , Dian Eka Ratnawati , Putra Pandu Adikara

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: dyvapandhu989@gmail.com, dian_ilkom@ub.ac.id, adikara.putra@gmail.com

  

Abstrak

  Setiap tahunnya jumlah pengangguran terbuka di Indonesia mengalami peningkatan dan penurunan. Faktor yang mempengaruhi hal tersebut adalah jumlah angkatan kerja tidak sebanding dengan lapangan pekerjaan yang tersedia. Selain itu melemahnya daya serap tenaga kerja di beberapa sektor industri juga menjadi penyebab meningkatnya jumlah pengangguran terbuka di Indonesia. Dengan adanya prediksi jumlah pengangguran terbuka, diharapkan dapat membantu pemerintah dan pihak terkait untuk mengambil kebijakan yang tepat untuk mengurangi jumlah pengangguran terbuka di Indonesia. Metode genetic-based backpropagation adalah salah satu metode yang dapat diimplementasikan untuk melakukan prediksi. Metode ini melakukan proses optimasi bobot dan bias menggunakan algoritma genetika sebagai parameter untuk proses training pada metode backpropagation. Dalam penelitian ini diperoleh rata-rata nilai Average Forecast Error Rate (AFER) untuk metode backpropagation sebesar 4.715198444% dan metode genetic-based backpropagation sebesar 3.877514478%. Dari nilai AFER yang diperoleh metode genetic-based backpropagation dapat digunakan untuk memprediksi jumlah pengangguran terbuka di Indonesia dengan tingkat akurasi yang lebih baik.

  

Kata kunci: Algoritma genetika, backpropagation, genetic-based backpropagation, prediksi, time

series.

  

Abstract

The number of open unemployment in Indonesia has increased and decreased every year. The

factors that can make unemployment happens is the number of the labor force is not balanced to the

available jobs. In addition, the weakening of labor absorption in some industrial sectors has also the

cause of the increasing number of open unemployment in Indonesia. Predict the number of open

unemployment, expected can help the government and related parties to take the appropriate policy to

reduce the number of open unemployment in Indonesia. Genetic-based backpropagation is one of the

methods that can be implemented to perform predictions. This method performs weight and biases

optimization process as parameters in backpropagation training. In this research the result value of

Average Forecast Error Rate (AFER) of backpropagation method is 4.715198444% and genetic-based

backpropagation method is 3.877514478%. Based on the result value of AFER, genetic-based

backpropagation method can be used to predict the number of open unemployment in Indonesia with a

better accuracy.

  

Keywords: Genetic algorithm, backpropagation, genetic-based backpropagation, predict, time series.

  Pada umumnya hal tersebut disebabkan karena 1. lapangan pekerjaan yang tersedia tidak

   PENDAHULUAN

  sebanding dengan jumlah angkatan kerja yang Indonesia adalah salah satu yang termasuk ada. Selain itu daya serap tenaga kerja di ke dalam kategori negara berkembang.

  Indonesia yang melemah di beberapa sektor Berdasarkan taraf kesejahteraan masyarakatnya, industri mengakibatkan jumlah pengangguran salah satu permasalahan yang tengah semakin bertambah. Pada tahun 2014 lalu Badan dihadapinya adalah masalah pengangguran.

  Pusat Statistik (BPS) mencatat bahwa jumlah

  Fakultas Ilmu Komputer Universitas Brawijaya

341 pengangguran terbuka mencapai 7,24 juta jiwa. Dan pada bulan Agustus tahun 2015 pengangguran terbuka tercatat sebanyak 7,56 juta jiwa. Hal tersebut menandakan bahwa telah terjadi peningkatan jumlah pengangguran sebanyak 320 ribu jiwa. Pada bulan Agustus tahun 2015, tercatat jumlah angkatan kerja meningkat menjadi 122,38 juta jiwa dari tahun 2014 (Badan Pusat Statistik, 2015).

  Informasi terkait dengan jumlah pengangguran terbuka yang berubah dari tahun ke tahun, tentunya sangat diperlukan oleh pemerintah dan pihak terkait untuk menentukan sebuah kebijakan. Dengan adanya prediksi jumlah pengangguran, diharapkan dapat membantu pemerintah dan pihak terkait untuk mengambil kebijakan yang tepat serta tindakan preventif dalam menanggulangi permasalahan tersebut. Data hasil prediksi dapat digunakan untuk mengevaluasi program yang telah dijalankan oleh pemerintah pada tahun-tahun sebelumnya, serta mengukur persentase peningkatan atau penurunan jumlah pengangguran terbuka.

  genetic-based backpropagation untuk

  2.1.1 Normalisasi Data

  Backpropagation dengan 1 Hidden Layer

Gambar 2.1 Arsitektur Jaringan Saraf Tiruan

  hidden layer dengan output layer.

  gambar tersebut terdapat 2 buah bobot dan bias yaitu w ij dan v ij . Bobot dan bias w menghubungkan input layer dan hidden layer, sedangkan bobot dan bias v menghubungkan

  backpropagation dengan 1 hidden layer. Dari

  algoritma yang terdapat pada jaringan saraf tiruan dengan karakteristik meminimalkan error pada output yang dihasilkan oleh jaringan. Algoritma ini memiliki tiga tahapan yaitu memasukkan pola training (feedforward), propagasi balik dari nilai error (backpropagation error), dan penyesuaian bobot dan bias (update) (Fausett, 1994). Gambar 2.1 menunjukkan arsitektur jaringan saraf tiruan

  2.1 Backpropagation Backpropagation merupakan salah satu

  2. DASAR TEORI

  memprediksi jumlah pengangguran terbuka di Indonesia.

  Berdasarkan dari latar belakang demikian dan tingkat akurasi yang baik, maka dalam penelitian ini akan menggunakan metode

  Metode yang dapat diimplementasikan untuk melakukan prediksi salah satunya adalah jaringan saraf tiruan backpropagation, karena metode tersebut mampu mempelajari pola dalam

  Hasil nilai MSE terbaik yang didapatkan dari kedua metode tersebut berturut-turut adalah 0,009636 dan 0,000565. Dari hasil MSE yang diperoleh, dapat diketahui bahwa metode tersebut memiliki hasil yang baik dalam kasus prediksi.

  lalu lintas jaringan. Kemampuan metode tersebut diukur menggunakan analisis statistik yang dinamakan Mean of Square Error (MSE).

  backpropagation dalam memprediksi aktifitas

  menerapkan metode ini adalah prediksi tentang aktifitas lalu lintas jaringan (Haviluddin & Alfred, 2015). Dalam penelitian tersebut, algoritma genetika dipakai untuk mengoptimasi bobot dan thresholds. Peneliti membandingkan metode backpropagation dengan genetic-based

  backpropagation . Salah satu penelitian yang

  dikenal dengan metode genetic-based

  backpropagation dengan algoritma genetika

  Algoritma genetika merupakan jenis dari algoritma evolusi yang paling populer (Mahmudy, 2015). Kombinasi metode

  menerapkan metode backpropagation dalam kaitannya untuk prediksi seperti, prediksi banjir dengan memperoleh nilai MSE sebesar 0,1139 (Soomlek, Kaewchainam, Simano, & So-In, 2016), prediksi nilai ujian sekolah dengan memperoleh hasil nilai MSE sebesar 0,1405143 (Kosasi, 2014), dan prediksi penyakit asma dengan memperoleh nilai MSE sebesar 0,00100139 (Tanjung, 2015). Banyak peneliti yang mengembangkan metode tersebut agar hasilnya dapat dioptimalkan, salah satunya menggunakan algortima genetika.

  dataset time-series . Penelitian yang telah

  Data dilakukan normalisasi sebelum diolah dengan tujuan untuk mempermudah perhitungan. Data dinormalisasi pada interval 0,1-0,9 karena fungsi sigmoid hampir tidak pernah mencapai nilai 0 atau 1 (Jauhari, Himawan, & Dewi, 2016).

  0.8( − ) ′

  (2.9) δ_ = ∑ δ

  (2.1) = 1 = + 0.1

  −

  (2.10) δ = δ_ ′(z_ )

  Keterangan:

  a : nilai minimum 9.

  Menghitung kebenaran bobot untuk

  b : nilai maksimum

  memperbaiki (update) nilai dari bobot dan

2.1.2 Langkah-langkah Algoritma ij bias v .

  Backpropagation

  (2.11) = δ

  Berikut merupakan langkah-langkah dari algoritma backpropagation (Fausett, 1994): (2.12)

  = δ 1. Menginisialisasi bobot dan bias.

2. Ketika kondisi berhenti belum terpenuhi,

  Tahap Update Bobot dan Bias tahap 3-10 dilakukan.

  10. jk baru.

  Menghitung bobot dan bias w 3. Untuk setiap pasangan training, tahap 4-9 dilakukan.

  (2.13) ( ) = ( ) +

  Tahap Feedforward _ij 11. baru. _j Menghitung bobot dan bias v

  4. ). Nilai Menghitung nilai pada hidden unit (z

  (2.14) dari z j kemudian dimasukkan ke dalam fungsi ( ) = ( ) + aktivasi dengan sigmoid biner.

  2.2 Perhitungan Error

  (2.2) _ = + ∑

  2.2.1 MSE

  (2.3)

  Mean Square Error (MSE) merupakan

  =

  (− _ )

• salah satu dari beberapa fungsi untuk mengukur perbedaan diantara sebuah estimator dan nilai

  5. k ). Nilai Menghitung nilai pada output unit (y aktual. Semakin kecil nilai MSE, maka tingkat dari y k kemudian dimasukkan ke dalam kesalahan yang diberikan semakin kecil fungsi aktivasi dengan sigmoid biner.

  (M.Deborah & Prathap, 2014). (2.4)

  _ = + ∑

  1

  2

  (2.15) ∑ ( ′

  = − )

  =1

  (2.5) =

  (− _ )

  2.2.2 AFER

• Selain menggunakan MSE, dalam

  Tahap Backpropagation Error

  penelitian ini juga menggunakan perhitungan 6. Menghitung nilai δ pada output unit untuk AFER untuk menghitung tingkat kesalahan.

  Average Forecasting Error Rate (AFER) mengetahui tingkat error.

  merupakan salah satu perhitungan tingkat error (2.6) yang dilakukan dengan cara menyatakan

  δ = ( − ) ′( _ ) persentase selisih antara data aktual dengan data hasil prediksi (Syukriyawati, 2015). Semakin 7. Menghitung kebenaran bobot untuk kecil nilai AFER, maka tingkat akurasi yang memperbaiki (update) nilai dari bobot dan diberikan untuk prediksi semakin baik. bias w jk .

  − ∑ | |

  (2.7) = δ

  (2.16) =

  ∗ 100% (2.8)

  = δ

  2.3 Algoritma Genetika

  Algoritma genetika atau biasa disebut 8. j pada hidden unit untuk

  Menghitung nilai δ

  genetic algorithms (GAs) adalah jenis dari mengetahui tingkat error.

  algoritma evolusi (EA) yang paling terkenal.

  Sebuah fungsi fitness merepresentasikan sebuah solusi dari masalah yang akan diselesaikan. Fungsi fitness digunakan untuk

  (mr). Mutation rate berfungsi untuk menunjukkan rasio offspring yang diperoleh dari proses mutasi terhadap popSize sehingga dihasilkan offspring sebanyak (mr x

  tersebut untuk dijadikan sebagai sebuah calon solusi (Mahmudy, 2015).

  chromosome . Semakin tinggi nilai fitness dari chromosome , maka semakin baik chromosome

  Evaluasi merupakan proses yang berfungsi untuk menghitung nilai fitness pada setiap

  2.3.3 Evaluasi

  Reciprocal Exchange

Gambar 2.4 Proses Mutasi Menggunakan

  Dalam proses mutasi terdapat beberapa metode yang dapat diterapkan, salah satunya adalah metode reciprocal exchange. Metode ini memilih dua posisi secara acak lalu menukarnya. Misal P ^{5 merupakan induk terpilih dan} ditentukan mr=0,1 dan popSize=10, maka terdapat 0,1 x 10 = 1 offspring.

  One-Cut Point

Gambar 2.3 Proses Crossover Menggunakan

  menghasilkan 2 buah child, maka terdapat satu kali proses crossover. Contoh jika P ^{1 dan P 4} induk terpilih, dan cut point adalah 3, maka diperoleh offspring C ^{1 dan C 2 .}

  one-cut point . Contoh jika ditentukan cr=0,2 dan popSize =10, maka terdapat 0,2 x 10 = 2 offspring . Jika ditentukan setiap crossover

  Metode crossover yang digunakan adalah

  popSize ).

  mutation rate

  Seiring dengan perkembangan teknologi informasi yang sangat pesat, GA juga turut berkembang. Algoritma ini banyak diimplementasikan dalam bidang biologi, fisika, ekonomi, sosiologi, dan lainnya karena kemampuannya untuk menangani masalah yang kompleks terkait dengan masalah optimasi (Mahmudy, 2015).

  (cr) harus ditentukan terlebih dahulu. Crossover rate berfungsi untuk menunjukkan rasio offspring yang diperoleh dari proses crossover terhadap popSize, sehingga dihasilkan offspring sebanyak (cr x popSize). Selain cr, pada tahap ini juga dicari nilai

  crossover rate

  Reproduksi merupakan proses untuk mendapatkan keturunan (offspring) baru dari individu yang terdapat pada populasi. Proses reproduksi dibagi menjadi 2 bagian yaitu tukar silang (crossover) dan mutasi (mutation) (Mahmudy, 2015). Pada tahap crossover,

  2.3.2 Reproduksi

Gambar 2.2 Representasi Chromosome

  Panjang chromosome yang digunakan dalam penelitian ini adalah 9, dimana posisi 1-8 merepresentasikan bobot w, sedangkan untuk posisi 9 merepresentasikan bias w. Batas (constraints) untuk nilai bobot dan bias w ⁱ adalah

  Representasi chromosome dalam bentuk biner memiliki kelemahan yaitu tidak dapat menjangkau beberapa titik solusi jika range solusi berada dalam daerah kontinyu, selain itu untuk mentransformasikan biner ke dalam bilangan desimal ataupun sebaliknya dapat menambah waktu perhitungan (Mahmudy, 2015). Maka dari itu dalam penelitian ini digunakan representasi chromosome dengan pengkodean bilangan real yang ditunjukkan pada Gambar 2.2.

  Chromosome dapat direpresentasikan dalam bentuk biner dan pengkodean real.

  individu/chromosome yang ditampung dalam satu populasi. Panjang dari setiap chromosome disebut dengan stringLen (Mahmudy, 2015).

  popSize . PopSize menyatakan jumlah

  Inisialisasi merupakan proses membangkitkan individu secara acak yang memiliki susunan gen tertentu dan diletakkan pada penampungan atau wadah yang disebut

  2.3.1 Inisialisasi

  Ada 4 tahapan dalam algoritma genetika yaitu inisialisasi, reproduksi, evaluasi, dan seleksi.

• 0,1 ≤ w ⁱ ≤ 0,9.

mengukur seberapa baik kualitas dari sebuah Tabel 2.2 Individu Baru individu. Semakin tinggi nilai fitness, maka

  asal Chromosome

  menandakan individu tersebut semakin baik

  fitness P(t) x ^{1 x 2 x 3 x 4 x 5 x 6}

  untuk dijadikan sebagai sebuah solusi

  P ^{10 -4,6 0,2 4,1 1,7 -1,7 1,7 28,5} (Mahmudy, 2015).

  C ^{1 1,5 2,1 8,5 6,7 -0,2 2,9 25,8} P ^{6 4,1 4,4 7,1 4,1 1,5 2,1 24,8}

  (2.17) =

  P ^{2 8,5 2,5 1,4 6,3 -1,7 1,7 24,7} C ^{3 -1,7 0,7 6,3 0,2 1,7 4,4 22,5}

2.3.4 Seleksi

  P ^{8 5,2 0,7 4,4 5,2 1,4 6,3 22,2}

  Proses seleksi bertujuan untuk menyaring

  C ^{2 5,8 7,1 2,5 2,5 5,8 7,1 21,2}

  individu dari populasi serta offspring yang akan

  P ^{3 1,4 6,3 5,8 7,1 4,1 4,4 20,6} dipertahankan pada generasi selanjutnya. P ^{1 1,5 2,1 8,5 2,5 5,8 7,1 19,8}

  Terdapat beberapa metode yang dapat

  P ^{7 -0,2 2,9 1,7 -0,2 8,5 2,5 19,6}

  diimplementasikan untuk proses seleksi, salah satunya adalah metode elitism selection. Cara

  kerja metode ini adalah dengan menghimpun

  3. PERANCANGAN DAN

  IMPLEMENTASI

  semua individu dalam populasi dan offspring dalam satu wadah. Selanjutnya metode ini akan

  3.1. Perancangan Alur Proses Algoritma

  mengambil individu terbaik sebanyak popSize untuk diloloskan pada generasi selanjutnya Tahapan algoritma genetic-based (Mahmudy, 2015).

  backpropagation untuk memprediksi jumlah

  Contoh terdapat himpunan individu dan pengangguran terbuka di Indonesia dibagi

  offspring pada Tabel 2.1. Jika popSize awal

  menjadi 2 tahap, yang pertama yaitu algoritma adalah 10, maka setelah dilakukan proses seleksi genetika untuk mengoptimasi bobot dan bias w akan diperoleh individu baru pada Tabel 2.2. yang ditunjukkan pada Gambar 3.1. Tahap kedua yaitu backpropagation untuk melakukan

Tabel 2.1 Himpunan Individu prediksi yang ditunjukkan pada Gambar 3.2.

  Chromosome P fitness x ^{1 x 2 x 3 x 4 x 5 x 6} P ^{1 1,5 2,1 8,5 2,5 5,8 7,1 19,8}

  P ^{2 8,5 2,5 1,4 6,3 -1,7 1,7 24,7} P ^{3 1,4 6,3 5,8 7,1 4,1 4,4 20,6} P ^{4 5,8 7,1 2,5 6,7 -0,2 2,9 14,5}

• 1,7 1,7 6,3 0,2 0,7 4,4 11,5

  P ⁵ P ^{6 4,1 4,4 7,1 4,1 1,5 2,1 24,8}

• 0,2 2,9 1,7 -0,2 8,5 2,5 19,6

  P ⁷ P ^{8 5,2 0,7 4,4 5,2 1,4 6,3 22,2} P ^{9 9,4 6,7 2,9 7,1 5,8 7,1 12,5} P ^{10 -4,6 0,2 4,1 1,7 -1,7 1,7 28,5} C ^{1 1,5 2,1 8,5 6,7 -0,2 2,9 25,8} C ^{2 5,8 7,1 2,5 2,5 5,8 7,1 21,2} C ^{3 -1,7 0,7 6,3 0,2 1,7 4,4 22,5}

Gambar 3.1 Diagram Alir Diagram Alir

  Algoritma Genetika untuk Optimasi Bobot dan Bias w

Gambar 3.2 Diagram Alir Algoritma

  menggunakan algoritma genetika. Kriteria yang dimaksud adalah jumlah iterasi atau generasi.

  Terbaik

  Uji Coba Ukuran Populasi Fitness

Tabel 4.1 Hasil Uji Coba Ukuran Populasi

  Ukuran populasi yang diuji adalah kelipatan 50 dari 50 sampai 700, sedangkan ukuran generasi yang dipakai adalah 10. Nilai cr dan mr yang digunakan berturut-turut adalah 0,5 dan 0,5. Pengujian dilakukan sebanyak 10 kali dan dicari rata-rata nilai fitness yang diperoleh.

  4.1 Pengujian Pengaruh Ukuran Populasi Terhadap Nilai Fitness

  4. PENGUJIAN DAN ANALISIS

  terbaik yang diperoleh, dalam hal ini bobot dan bias w. Prediksi dilakukan pada tahap ini.

  training menggunakan metode backpropagation menggunakan individu

  6. Selanjutnya sistem akan memulai proses

  training

  Backpropagation

  5. Jika sudah memenuhi kriteria yang telah ditentukan, maka sistem akan menghentikan proses

  elitism selection untuk mendapatkan individu terbaik.

  4. Melakukan seleksi menggunakan metode

  3. Melakukan evaluasi pada hasil reproduksi.

  cut point dan mutasi menggunakan reciprocal exchange

  2. Melakukan proses reproduksi (crossover dan mutasi). Crossover menggunakan one-

  input untuk proses training pada metode backpropagation .

  Membangkitkan populasi awal (bobot dan bias w) yang akan dihitung menggunakan algoritma genetika. Hasil individu terbaik pada proses ini akan digunakan sebagai

  Berikut merupakan langkah-langkah pada metode genetic-based backpropagation untuk prediksi: 1.

  1 50 3,92 x 10 ^-7 2 100 4,40 x 10

• ^-7 3 150 2,11 x 10 ^-6 4 200 2,63 x 10 ^-5 5 250 4,57 x 10 ^-5 6 300 8,54 x 10 ^-7 7 350 2,68 x 10 ^-6 8 400 1,46 x 10 ^-5 9 450 2,18 x 10 ^-6 10 500 6,42 x 10 ^-5 11 550 1,83 x 10 ^-4 12 600 1,11 x 10 ^-1 13 650 1,74 x 10 ^-3 14 700 3,46 x 10 ^-5

  _{ss 1,00E-03 1,00E+00 1,00E-01 1,00E-02}

Grafik Uji Coba Populasi Grafik Uji Coba Generasi

_{1,00E+00 1,00E-02 1,00E-03 1,00E-01 Fi tn} e _{1,00E-04 1,00E-05 1,00E-06 1,00E-07 50 ss e Fi tn 1,00E-07 1,00E-05 1,00E-06 1,00E-04} 100 150 200 250 300 350 400 450 500 550 600 650 700 _{Ukuran Populasi 1,00E-08 1 2 3 4 Generasi 5 6 7 8 9 10} Gambar 4.1 Grafik Uji Coba Populasi
Gambar 4.2 Grafik Uji Coba Generasi

  Nilai fitness terkecil diperoleh pada jumlah Dapat dilihat pada grafik tersebut nilai populasi 50 dan nilai fitness terbesar diperoleh

  fitness terkecil terdapat pada generasi 1. Hal

  pada jumlah populasi 600. Dari grafik pada tersebut disebabkan karena jumlah generasi yang

Gambar 4.1 dapat disimpulkan bahwa ukuran masih sangat kurang sehingga daerah eksplorasi

  populasi sebesar 600 dapat menghasilkan nilai masih sangat sempit. Pada umumnya semakin

  fitness terbaik, karena selebihnya nilai fitness

  banyak jumlah generasi, maka dimungkinkan yang dihasilkan cenderung menurun. Pada untuk mendapatkan nilai fitness yang lebih baik. jumlah populasi sebesar 50, diperoleh nilai

  Dapat disimpulkan bahwa berdasarkan grafik

  fitness terbesar disebabkan karena ukuran

  pada Gambar 4.2 jumlah generasi yang optimal populasi yang digunakan masih sedikit, sehingga diperoleh ketika jumlah generasi 7, karena daerah yang dieksplorasi masih terbatas dan selebihnya nilai fitness yang diperoleh bernilai solusi yang diberikan belum mencapai hasil konvergen. optimal, namun ukuran populasi yang terlalu besar tidak menjamin bahwa nilai fitness yang

  4.3 Pengujian Kombinasi Nilai Crossover Rate dihasilkan juga akan lebih baik. (Cr) dan Mutation Rate (Mr)

4.2 Pengujian Pengaruh Jumlah Generasi

  Ukuran populasi yang digunakan adalah

  Terhadap Nilai Fitness

  sebanyak 600 individu yang berasal dari hasil pengujian pertama dan jumlah generasi yang Ukuran populasi yang digunakan adalah digunakan adalah 7 generasi yang berasal dari sebanyak 600 individu yang berasal dari hasil hasil pengujian kedua. Nilai cr dan mr yang diuji pengujian pertama. Nilai cr dan mr yang adalah pada range 0 sampai dengan 1. Pengujian digunakan berturut-turut adalah 0,5 dan 0,5. dilakukan sebanyak 10 kali dan dicari rata-rata

  Jumlah generasi yang akan diuji adalah dari 1 nilai fitness yang diperoleh. sampai 10 generasi. Pengujian dilakukan sebanyak 10 kali dan dicari rata-rata nilai fitness

Tabel 4.3 Hasil Uji Coba Kombinasi Cr dan Mr yang diperoleh.Tabel 4.2 Hasil Uji Coba Jumlah Generasi

  Uji cr mr Fitness Coba Terbaik Uji Jumlah Fitness

• _-6

  1 1 8,55 x 10 Coba Generasi Terbaik

• _-8
• _-4

  2 0,1 0,9 1,13 x 10

  1 1 1,60 x 10 _{-6 3 0,2 0,8 4,33 x 10 -5}

  2 2 3,64 x 10

• _{-5 -6}

  4 0,3 0,7 1,84 x 10

  3 3 3,64 x 10

• _{-3 -6}

  5 0,4 0,6 1,04 x 10

  4 4 3,64 x 10

• _{-1 -6}

  6 0,5 0,5 1,11 x 10

  5 5 3,64 x 10

• _{-6 -6}

  7 0,6 0,4 9,13 x 10

  6 6 4,51 x 10

• _{-5 -1}

  8 0,7 0,3 4,57 x 10

  7 7 1,11 x 10

• ^-6 _-1

  9 0,8 0,2 4,55 x 10 _-6

  8 8 1,11 x 10 _-1 10 0,9 0,1 4,62 x 10 _-6

  9 9 1,11 x 10 _-1

  11 1 7,15 x 10

  10 10 1,11 x 10

  _{e ss 1,00E+00 1,00E-02 1,00E-01}

Grafik Uji Coba Kombinasi cr dan mr Grafik Nilai AFER Berdasarkan Jumlah Pola

_{%) 5 6 7 8 tn Fi 1,00E-06 1,00E-05 1,00E-04} 1,00E-03 _{1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 A FE R ( 1 2 3 4 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Kombinasi cr dan mr Jumlah Pola 1}

  2 ^{4 6 8 10 12 14 16 18 20} Gambar 4.3 Grafik Uji Coba Kombinasi Cr dan Gambar 4.4 Grafik Nilai AFER Berdasarkan Mr

  Jumlah Pola Nilai fitness terbaik adalah 1,11 x 10-1 Pola yang dihasilkan pada Gambar 4.4 ditemukan pada kombinasi cr 0,5 dan mr 0,5, mengalami peningkatan dan penurunan, namun sedangkan nilai fitness terendah adalah 4,55 x cenderung mengalami peningkatan. Dari uji 10-6 diperoleh pada kombinasi cr 0,8 dan mr 0,2. coba 1 sampai 10, nilai AFER terkecil yang Dapat disimpulkan bahwa kombinasi nilai cr dan diperoleh terdapat pada uji coba ke-5 dengan

  

mr terbaik berturut-turut adalah 0,5 dan 0,5. jumlah pola 10 dan nilai AFER sebesar

  0,3648%. Dapat disimpulkan bahwa

  

4.4 Pengujian Pengaruh Jumlah Pola penggunaan terlalu banyak pola dapat

Terhadap Nilai AFER

  menyebabkan nilai AFER yang dihasilkan semakin tinggi. Hal tersebut dapat terjadi karena Pola merupakan data jumlah pengangguran

  range nilai pada tahun awal dengan data satu

  terbuka pada tahun tertentu yang digunakan tahun sebelum prediksi (2016A) relatif besar. untuk proses training . Contoh, untuk memprediksi tahun 2016 dibutuhkan data jumlah

  4.5 Pengujian Pengaruh Iterasi dan Nilai pengangguran terbuka pada tahun 2010-2015.

  Alpha Terhadap Nilai AFER

  Pada pengujian ini dilakukan 10 kali uji coba untuk memprediksi jumlah pengangguran Parameter yang digunakan berupa jumlah terbuka pada tahun 2016A menggunakan jumlah iterasi mulai dari 1000, 5000, 10000, 15000, pola yang berbeda. Parameter pada algoritma 20000, dan 25000. Nilai alpha yang akan diuji

  backpropagation untuk training yang digunakan berada pada range 0,1 sampai 0,9.

  berupa nilai alpha sebesar 0,2 dan jumlah iterasi sebanyak 15000. Tabel 4.5 Hasil Uji Coba Jumlah Iterasi dan Nilai Alpha (0,1-0,3)

Tabel 4.4 Hasil Uji Coba Jumlah Pola

  AFER(%) Uji Iterasi Uji Jumlah Tahun Tahun AFER Coba α=0,1 α=0,2 α=0,3

  Coba Pola Awal Prediksi (%) 1 1000 6,3592 5,3987 4,6333

  1 2 2015A 2016A 7,5227 2 5000 3,6921 1,6792 0,8141 2 4 2014A 2016A 3,9098

  3 6 2013A 2016A 5,7698 3 10000 1,5908 0,1669 0,2382 4 8 2012A 2016A 4,4232 4 15000 0,4967 0,3648 1,4986 5 10 2011A 2016A 0,3648 5 20000 0,0003 1,0639 3,3297 6 12 2010A 2016A 0,4643 6 25000 0,2585 2,0489 5,3895 7 14 2009A 2016A 1,0393

  8 16 2008A 2016A 1,9801

  9 18 2007A 2016A 5,9051

  10 20 2006A 2016A 7,3563

Tabel 4.6 Hasil Uji Coba Jumlah Iterasi dan

  2

Tabel 4.9 Hasil Percobaan Metode Genetic-

  Based Backpropagation

Uji

Coba

  Tahun Jumlah Genetic-Based Backpropagation

  Hasil Prediksi Waktu (detik) AFER (%) 1 2011B 8681392 8619285 16,892 0.007205586 2 2012A 7757831 8614065 16,772 0.099399529 3 2012B 7344866 8001856 16,925 0.082104702 4 2013A 7240897 7641588 16,873 0.052435567 5 2013B 7410931 7349169 16,883 0.008403943 6 2014A 7147069 7198107 16,895 0.007090475 7 2014B 7244905 7073538 16,922 0.02422649

  8 2015A 7454767 7046428 16,935 0.057949787

  9 2015B 7560822 7208109 16,959 0.048932806

  10 2016A 7024172 7024190 16,916 2.56257E-06

  Rata-rata 16,897 3.877514478

  4

  2 2012A 7757831 8486746 16,675 0.085888632 3 2012B 7344866 7882257 16,630 0.0681773 4 2013A 7240897 7628427 16,634 0.050800775 5 2013B 7410931 7336481 16,648 0.010147917 6 2014A 7147069 7109857 16,662 0.005233861 7 2014B 7244905 6771203 16,620 0.069958322 8 2015A 7454767 6915428 16,738 0.07799069 9 2015B 7560822 7081447 16,884 0.067694498

  6

  8

  10

  12

  14

  16

  18 A F E R ( % )

  Alpha ( α) Grafik Uji Coba Iterasi dan Nilai Alpha

  10 2016A 7024172 7121240 16,757 0.013630772 Rata-rata 16,682 4.715198444

  1 2011B 8681392 8494537 16,575 0.021997079

  Nilai Alpha (0,4-0,6)

  Dari Tabel 4.5, 4.6, dan 4.7 diperoleh nilai AFER terkecil yaitu 0,0003% ketika jumlah iterasi 20000 dan alpha 0,1. Pada umumnya nilai

  Uji Coba Iterasi AFER(%) α=0,4 α=0,5 α=0,6

  1 1000 4,0288 3,5636 3,2187 2 5000 0,5081 0,3563 0,1666 3 10000 0,9311 2,0312 3,435 4 15000 3,3879 5,6435 7,9114 5 20000 6,2318 9,0143 11,353 6 25000 8,7942 11,509 13,434

Tabel 4.7 Hasil Uji Coba Jumlah Iterasi dan

  Nilai Alpha (0,7-0,9)

  Uji Coba Iterasi AFER(%) α=0,7 α=0,8 α=0,9

  1 1000 2,9754 2,8146 2,7184 2 5000 0,1263 0,5322 1,0404 3 10000 5,0007 6,6129 8,1994 4 15000 10,002 11,833 13,375 5 20000 13,174 14,517 15,465 6 25000 14,709 15,519 16,048

Gambar 4.5 Grafik Uji Coba Iterasi dan Nilai

  Alpha

  alpha yang semakin kecil, kemungkinan

  Hasil Prediksi Waktu (detik) AFER (%)

  mendekati hasil prediksi semakin tinggi namun iterasi yang diperlukan juga semakin besar. Hal tersebut dapat terjadi karena dengan menggunakan nilai alpha 0,1 sistem mampu mencari hasil prediksi dengan ketelitian yang lebih tinggi sehingga data hasil prediksi dan data aktual memiliki selisih yang relatif kecil.

  4.6 Pengujian Perbandingan Hasil Prediksi

  Pengujian ini bertujuan untuk membandingkan hasil prediksi yang diperoleh menggunakan metode backpropagation dan

  genetic-based backpropagation . Parameter yang

  digunakan berasal dari hasil pengujian sebelumnya.

Tabel 4.8 Hasil Percobaan Metode

  Backpropagation

Uji

Coba

  Tahun Jumlah Backpropagation

  1000 iterasi 5000 iterasi 10000 iterasi 15000 iterasi 20000 iterasi 25000 iterasi

Tabel 4.10 Hasil Prediksi 10 Tahun

  Grafik Perbandingan Kedua Metode 10000000

  Hasil a

  Tahun Jumlah AFER (%) 8000000

  Prediksi buk er

  6000000

  2011B 8681392 8619285 0,007205586

  T 4000000

  2012A 7757831 8794679 0,117894923

  uran g 2000000

  2012B 7344866 8808483 0,166159939

  ng a

  2013A 7240897 8862957 0,183015668

  B B B B B A A A A A eng

  1

  2

  3

  4

  5

  2

  3

  4

  5

  6

  1

  1

  1

  1

  1

  1

  1

  1

  1

  1

  2013B 7410931 9002970 0,176834867

  h P a

  2

  2

  2

  2

  2

  2

  2

  2

  2

  2

  2014A 7147069 9200855 0,223216864

  Tahun Juml

  2014B 7244905 9371199 0,226896686

  Data Aktual 2015A 7454767 9417629 0,208424222

  2015B 7560822 9395702 0,195289293

  Backpropagation

  2016A 7024172 9379307 0,251099042

  Genetic-Based Backpropagation

  17,5603709

Gambar 4.6 Grafik Perbandingan Hasil Prediksi

  Grafik Data Aktual dan Hasil Prediksi

  Dari Tabel 4.8 dan 4.9 diketahui bahwa metode genetic-based backpropagation

  10000000 a

  8000000

  memperoleh rata-rata nilai AFER yang lebih

  buk 6000000

  kecil dari metode backpropagation yaitu sebesar er

  T 4000000

  3.877514478%. Hal tersebut dapat disebabkan

  2000000 uran g

  karena dalam penentuan bobot dan bias w pada

  B A B A B A B A B A ng

  1

  2

  2

  3

  3

  4

  4

  5

  5

  6 a

  metode backpropagation dilakukan secara acak,

  1

  1

  1

  1

  1

  1

  1

  1

  1

  1

  2

  2

  2

  2

  2

  2

  2

  2

  2

  2 eng

  sedangkan pada metode genetic-based

  Tahun h P a backpropagation bobot dan bias w akan dicari

  yang paling optimal sebelum diproses. Sehingga

  Juml Hasil Prediksi Data Aktual

  hasil dari metode genetic-based

  backpropagation memperoleh nilai AFER yang

Gambar 4.7 Grafik Data Aktual dan Hasil lebih kecil daripada metode backpropagation.

  Prediksi Namun waktu yang dibutuhkan metode genetic-

  based backpropagation untuk proses training

  Dari grafik pada Gambar 4.7, hasil prediksi sedikit lebih lama karena adanya proses optimasi yang paling mendekati data aktual adalah pada bobot dan bias. tahun 2011B sejumlah 8619285 jiwa. Hal tersebut dapat terjadi karena prediksi yang

4.7 Pengujian Hasil Prediksi Beberapa

  dilakukan untuk jangka waktu 10 tahun ke depan

  Jangka Waktu

  menggunakan pola yang dilatih untuk tahun 2011B, sehingga hasil prediksi yang mendekati

  Pengujian ini bertujuan untuk mengetahui data aktual terdapat pada tahun 2011B. Dari hasil prediksi mengunakan metode genetic- hasil pengujian ini dapat dikatakan bahwa

  based backpropagation untuk jangka 10 tahun

  metode genetic-based backpropagation tidak ke depan. Pengujian dilakukan untuk cocok untuk memprediksi jumlah pengangguran memprediksi tahun 2016A menggunakan data terbuka untuk jangka waktu lebih dari 1 tahun ke aktual pada tahun 2006B sampai tahun 2011A. depan.

  5. KESIMPULAN

  Prediksi jumlah pengangguran terbuka di Indonesia dapat diimplementasikan menggunakan metode genetic-based

  backpropagation melalui 2 tahap. Tahap yang

  pertama adalah optimasi bobot dan bias w menggunakan algoritma genetika dan tahap kedua adalah proses prediksi menggunakan

  backpropagation . Algoritma genetika yang digunakan pada penelitian ini memiliki beberapa kriteria yaitu menggunakan pengkodean bilangan real, chromosome dengan panjang 9 yang merepresentasikan bobot dan bias w. Proses crossover menggunakan metode one-cut

  point dan untuk mutasi menggunakan reciprocal exchange

  , sedangkan pada proses seleksi menggunakan elitism selection. Dan nilai fitness yang digunakan adalah 1/MSE.

  Dari hasil pengujian yang telah dilakukan, parameter optimal yang digunakan pada metode

  genetic-based backpropagation yaitu ukuran

  populasi sebesar 600, jumlah generasi 7, nilai cr dan mr 0,5 untuk parameter algoritma genetika. Dan untuk parameter backpropagation yaitu pola untuk training sebesar 10 pola, jumlah iterasi 20000, dan nilai alpha sebesar 0,1. Dari parameter tersebut metode genetic-based

  backpropagation memperoleh nilai AFER yaitu

  3.877514478%. Namun metode ini tidak cocok untuk memprediksi dalam jangka waktu lebih dari 1 tahun.

  Tanjung, D. H. (2015). Jaringan Saraf Tiruan dengan Backpropagation untuk Memprediksi Penyakit Asma, 2, 28 –38.

  Average-Based Fuzzy Time Series Models pada Prediksi Jumlah Penduduk Provinsi DKI Jakarta . Brawijaya University.

  Syukriyawati, G. (2015). Implementasi Metode

  https://doi.org/10.1109/ICSEC.2015.7401 424

6. DAFTAR PUSTAKA

  Teknologi , 7, 20 –28.

  IJISET , 1(10), 151 –157.

  Mahmudy, W. F. (2015). Dasar-Dasar

  Algoritma Evolusi . Malang: Program

  Teknologi Informasi dan Ilmu Komputer (PTIIK) Universitas Brawijaya. Soomlek, C., Kaewchainam, N., Simano, T., &

  So-In, C. (2016). Using backpropagation neural networks for flood forecasting in PhraNakhon Si Ayutthaya, Thailand.

  ICSEC 2015 - 19th International Computer Science and Engineering Conference: Hybrid Cloud Computing: A New Approach for Big Data Era .

  PREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN, 3(2). Kosasi, S. (2014). Penerapan metode jaringan saraf tiruan backpropagation untuk memprediksi nilai ujian sekolah. Jurnal

  IEEE. https://doi.org/10.1109/ICSITech.2015.74 07796 Jauhari, D., Himawan, A., & Dewi, C. (2016).

  Based Backpropagation Neural Network for Forecasting in Time-Series Data (p. 6).

  Badan Pusat Statistik. (2015). Keadaan Ketenagakerjaan Agustus 2015 . Fausett, L. (1994). Fundamentals of Neural Networks (Prentice-H). Prentice-Hall. Haviluddin, & Alfred, R. (2015). A Genetic-

  M.Deborah, & Prathap, C. S. (2014). Detection of Fake currency using Image Processing.