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 AdikaraProgram 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. Thefactors 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 Tiruanhidden 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 MenggunakanDalam 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 Menggunakanmenghasilkan 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 ChromosomePanjang 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.
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 AlirAlgoritma Genetika untuk Optimasi Bobot dan Bias w
Gambar 3.2 Diagram Alir Algoritmamenggunakan algoritma genetika. Kriteria yang dimaksud adalah jumlah iterasi atau generasi.
Terbaik
Uji Coba Ukuran Populasi Fitness
Tabel 4.1 Hasil Uji Coba Ukuran PopulasiUkuran 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
- -6
- -8
- -4
- -5 -6
- -3 -6
- -1 -6
- -6 -6
- -5 -1
- -6 -1
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 PopulasiGambar 4.2 Grafik Uji Coba GenerasiNilai 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 eksplorasipopulasi 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 GenerasiUji cr mr Fitness Coba Terbaik Uji Jumlah Fitness
1 1 8,55 x 10 Coba Generasi Terbaik
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
4 0,3 0,7 1,84 x 10
3 3 3,64 x 10
5 0,4 0,6 1,04 x 10
4 4 3,64 x 10
6 0,5 0,5 1,11 x 10
5 5 3,64 x 10
7 0,6 0,4 9,13 x 10
6 6 4,51 x 10
8 0,7 0,3 4,57 x 10
7 7 1,11 x 10
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 12 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 AFERmenyebabkan 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 PolaAFER(%) 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 dan2
Tabel 4.9 Hasil Percobaan Metode Genetic-Based Backpropagation
Uji
CobaTahun 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 danNilai 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 NilaiAlpha
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 MetodeBackpropagation
Uji
Coba
Tahun Jumlah Backpropagation
1000 iterasi 5000 iterasi 10000 iterasi 15000 iterasi 20000 iterasi 25000 iterasi
Tabel 4.10 Hasil Prediksi 10 TahunGrafik 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 PrediksiGrafik 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.