PENERAPAN JARINGAN SYARAF TIRUAN UNTUK M (1)
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK
MEMPREDIKSI JUMLAH PENGGUNA ALAT KB DI INDONESIA
DENGAN METODE BACKPROPAGATION
Prionaka Luthfi Mahendra1(201253077), Risal Maulana Failun2(201253078)
Wisnu anshori3(201253079), Arytha Apriyantho4(201253106)
Riyan Andriyansah5(201253066)
Mahasiswa Fakultas Teknik, Jurusan Sistem Informasi, Universitas Muria Kudus
Abstrak - Pada instansi pemerintah Badan Keluarga Berencana Dan Pemberdayaan
Perempuan (Badan KB Dan PP) di indonesia memiliki data pengguna alat KB. Jumlah
pengguna alat KB baru setiap bulan meningkat. Hal ini dapat dilihat dari jumlah
kontrasepsi. Pengguna alat KB terdiri dari Kabupaten dan Kota di seluruh Indonesia.
Penelitian ini adalah prediksi pengguna alat KB di Indonesia. Jadi teknik yang digunakan
untuk penelitian adalah teknik prediksi. Dalam teknik prediksi akan menerapkan jaringan
syaraf tiruan (JST) dengan menggunakan metode backpropagation. Penelitian dilakukan
dengan menggunakan data pengguna alat KB pada tahun 2007-2009.
Kata Kunci : pengguna alat KB, Jaringan Syaraf Tiruan, Backpropagation
I.
PENDAHULUAN
Pengertian Program Keluarga Berencana menurut UU No 10 tahun 1992 (tentang
perkembangan kependudukan dan pembangunan keluarga sejahtera) adalah upaya
peningkatan kepedulian dan peran serta masyarakat melalui Pendewasaan Usia Perkawinan
(PUP), pengaturan kelahiran, pembinaan ketahanan keluarga, peningkatan kesejahteraan
keluarga kecil, bahagia dan sejahtera. Program KB adalah bagian yang terpadu (integral)
dalam program pembangunan nasional dan bertujuan untuk menciptakan kesejahteraan
ekonomi, spiritual dan sosial budaya penduduk Indonesia agar dapat dicapai keseimbangan
yang baik dengan kemampuan produksi nasional [1].
Peserta KB baru adalah pasangan usia subur yang baru pertama kali menggunakan
alat/cara kontrasepsi dan atau pasangan usia subur yang kembali yang menggunakan metode
kontrasepsi setelah melahirkan/keguguran [2].
Setiap bulannya peserta KB baru mengalami peningkatan. Hal tersebut merupakan bukti
bahwa Badan KB dan PP mampu mengendalikan laju pertumbuhan penduduk seperti misi
yang yang telah ada. Salah satu misi tersebut adalah mengendalikan pertumbuhan penduduk
melalui peningkatan kepedulian dan peran serta masyarakat [2]. Sehingga peserta KB baru
perlu diprediksi dengan cepat dan akurat karena untuk mengetahui setiap bulan terjadi
peningkatan atau penurunan peserta KB baru.
Metode yang digunakan untuk memprediksi adalah Metode Backpropagation.
Backpropagation merupakan suatu pelatihan dengan jenis terkontrol (supervised) dimana
pelatihan tersebut menggunakan pola penyesuaian bobot untuk mencapai nilai kesalahan
yang minimum antara keluaran hasil prediksi dengan keluaran yang nyata [3].
Diharapkan metode Backpropagation dapat memprediksi jumlah peserta KB baru setiap
bulannya dengan hasil yang akurat.
II.
PREDIKSI DAN JARINGAN SYARAF TIRUAN
A. Prediksi
Prediksi adalah mempertimbangkan nilai yang belum terlihat pada masa yang akan
datang berdasarkan pola-pola yang terjadi sebelumnya. Prediksi merupakan proses
memperkirakan sesuatu dengan mengoreksi aksi sebelumnya, untuk meramalkan suatu
kondisi dibutuhkan perhitungan yang tepat untuk menjawab permasalahan tersebut.
Perhitungan tersebut dapat menggunakan jaringan saraf tiruan dengan Metode
Backpropagation [4].
B. Peserta KB baru
Peserta KB baru adalah pasangan usia subur yang baru pertama kali menggunakan
alat/cara kontrasepsi dan atau pasangan usia subur yang kembali yang menggunakan metode
kontrasepsi setelah melahirkan/keguguran [2].
C. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan merupakan salah satu representasi buatan dari otak manusia
untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan
artinya adalah digunakan karena jaringan syaraf diimplemintasikan menggunakan program
komputer yang dapat menyelesaikan proses perhitungan selama proses pembelajaran [5].
D. Backpropagation
Backpropagation adalah sebuah metode umum pelatihan Jaringan Syaraf Tiruan
bagaimana melakukan tugas yang diberikan. Algoritma Backpropagation digunakan di layer
feed-forward Jaringan Syaraf Tiruan [3].
Dalam MLP Bakpropagation, algoritma pelatihan mempunyai dua fase.Fase pertama,
vektor pola masukan diberikan pada layer masukan.Jaringan kemudian. Jaringan kemudian
merambatkan pola masukan dari layer masukan ke layer tersembunyi pertama, kemudian
diteruskan ke layer tersembunyi berikutnya sampai nilai keluaran dibangkitkan oleh layer
keluaran. fase kedua, jika nilai pola keluaran berbeda dengan nilai keluaran yang diinginkan,
error akan dihitung, kemudian dirambatkan balik dari layer keluaran sampai kembali ke
layer masukan. Bobot dimodifikasi selama proses perambatan balik [4].
Langkah- langkah metode backpropagation :
Langkah 1 : Inisialisasi
Inisisalisasi semua bobot pada layer tersembunyi dan layer keluaran, tetapkan fungsi aktivasi
yang digunakan pada setiap layer. Inisialisasi bisa menggunakan bilangan acak dalam
jangkauan [-0.5, 0.5] atau menggunakan distribusi uniform dalam jangkauan kecil :
Fi adalah jumlah neuron masukan neuron I dalam Jaringan Syaraf Tiruan.
Langkah 2 : Aktivasi
Mengaktifkan jaringan dengan menerapkan masukan, X1(p), X2(p),...Xn(p), dan keluaran
yang diharapkan , Yd1(p), Yd2(p), ..., Ydn(p).
a. Hitung keluaran yang didapatkan dari neuron dalam layer tersembunyi :
n adalah jumlah masukan pada neuron j dalam layer tersembunyi
b. Hitung keluaran yang didapatkan dari neuron dalam layer keluaran
m adalah jumlah masukan pada neuron k dalam layer keluaran.
Langkah 3 : Perbarui Bobot
Bobot diperbarui pada saat error dirambatkan balik dalam Jaringan Syaraf Tiruan, error yang
dikembalikan sesuai dengan arah keluarnya sinyal keluaran.
a. Hitung gradien error untuk neuron dalam layer keluaran :
Hitung koreksi bobot :
Perbarui bobot pada neuron layer keluaran :
b. Hitung gradien error untuk neuron dalam layer tersembunyi :
Hitung koreksi bobot :
Perbarui bobot pada neuron layer tersembunyi:
Langkah 4 : Iterasi
Naikan satu untuk iterasi p, kembali ke langkah 2 dan ulangi proses tersebut sampai kriteria
error tercapai.
III.
IMPLEMENTASI
A. Objek Penelitian
Obyek penelitian yang digunakan adalah data pengguna alat KB baru di Indonesia
terdiri dari Kabupaten dan Kota di seluruh Indonesia. Data yang digunakan dari tahun
2007 – 2009. Namun, data yang digunakan sebagai pelatihan data tahun 2007 dan tahun
2008. Data tahun 2009 sebagai data pengujian. Data tahun 2009 digunakan sebagai
pembanding data hasil prediksi tahun 2009 dengan data asli tahun 2009.
B. Metode Pengumpulan Data
Jenis data yang digunakan pada penelitian ini adalah data kuantitatif. Data kuantitatif
merupakan data berupa angka. Data dalam penelitian ini yang digunakan adalah data
pengguna alat KB pada bulan Januari 2007 sampai bulan Desember 2009.. Data kami
peroleh
dari
http://data.go.id/dataset/persentase-pengguna-alat-keluarga-berencana-kb.
Data yang kami teliti berjumlah 482 record yang terdiri dari seluruh kabupaten dan kota di
Indonesia.
Tabel 1. Sampel data mentah
kode
provinsi
11
11
11
11
11
11
11
nama_provinsi
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Kode
kabkota
nama_kabkota
2007
2008
2009
1101
Kab. Simeulue
73.8
40.83
59.09
1102
Kab. Aceh Singkil
73.5
54.33
64.18
1103
Kab. Aceh Selatan
64.75
45.87
44.06
1104
Kab. Aceh Tenggara
52.91
52.18
61.53
1105
Kab. Aceh Timur
56.63
59.78
52.92
1106
Kab. Aceh Tengah
70.34
83.26
82.82
1107
Kab. Aceh Barat
50.73
42.77
43.23
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
12
12
12
12
12
12
12
12
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
1108
Kab. Aceh Besar
47.06
44.81
47.4
1109
Kab. Pidie
30.09
39.31
33.91
1110
Kab. Bireuen
56.17
39.05
34.78
1111
Kab. Aceh Utara
54.31
49.02
51.51
1112
Kab. Aceh Barat
Daya
56.32
56.21
49.34
1113
Kab. Gayo Lues
70.34
73.88
92.98
1114
Kab. Aceh Tamiang
64.47
71.38
70.66
1115
Kab. Nagan Raya
62.52
61.33
59.3
1116
Kab. Aceh Jaya
38.24
41.88
60.14
1117
Kab. Bener Meriah
72.67
81.28
83.87
1118
Kab. Pidie Jaya
40.99
43.15
45.85
1171
Kota Banda Aceh
56.34
54.8
60.5
1172
Kota Sabang
55.93
64.57
71.67
1173
Kota Langsa
61.81
65.57
72.21
1174
Kota Lhokseumawe
60.01
60.14
71.44
1175
Kota Subulussalam
53.09
64.8
59.61
1201
Kab. Nias
55.68
35.42
34.27
56.33
25.83
35.08
55.2
36.14
37.15
44.84
40.48
50.52
1202
1203
1204
Kab. Mandailing
Natal
Kab. Tapanuli
Selatan
Kab. Tapanuli
Tengah
1205
Kab. Tapanuli Utara
42.33
38.59
28.16
1206
Kab. Toba Samosir
50.46
35.9
53.88
1207
Kab. Labuhan Batu
65.48
56.84
48.49
1208
Kab. Asahan
64.13
67.61
66.18
12
12
12
12
12
12
12
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
1209
Kab. Simalungun
64.41
66.22
60.6
1210
Kab. Dairi
49.88
42.15
37.76
1211
Kab. Karo
56.43
59.38
62.44
1212
Kab. Deli Serdang
63.1
68.28
75.44
1213
Kab. Langkat
66.39
62.12
64.4
1214
Kab. Nias Selatan
63.71
29.25
40.96
1215
Kab. Humbang
Hasundutan
40.18
34.35
35.4
Tabel 2. Sampel data yang sudah diolah
kode
provinsi
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
nama_provinsi
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Kode
kabkota
nama_kabkota
1101
Kab. Simeulue
1102
Kab. Aceh Singkil
1103
Kab. Aceh Selatan
1104
Kab. Aceh Tenggara
1105
Kab. Aceh Timur
1106
Kab. Aceh Tengah
1107
Kab. Aceh Barat
1108
Kab. Aceh Besar
1109
Kab. Pidie
1110
Kab. Bireuen
1111
Kab. Aceh Utara
1112
Kab. Aceh Barat
Daya
1113
Kab. Gayo Lues
1114
Kab. Aceh Tamiang
1115
Kab. Nagan Raya
x1
x2
target
0.74
0.46
0.59
0.74
0.61
0.64
0.65
0.52
0.44
0.53
0.59
0.62
0.57
0.67
0.53
0.70
0.94
0.83
0.51
0.48
0.43
0.47
0.50
0.47
0.30
0.44
0.34
0.56
0.44
0.35
0.54
0.55
0.52
0.56
0.63
0.49
0.70
0.83
0.93
0.64
0.80
0.71
0.63
0.69
0.59
11
11
11
11
11
11
11
11
12
12
12
12
12
12
12
12
12
12
12
12
12
12
12
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
1116
Kab. Aceh Jaya
1117
Kab. Bener Meriah
1118
Kab. Pidie Jaya
1171
Kota Banda Aceh
1172
Kota Sabang
1173
Kota Langsa
1174
Kota Lhokseumawe
1175
Kota Subulussalam
1201
Kab. Nias
1202
1203
1204
Kab. Mandailing
Natal
Kab. Tapanuli
Selatan
Kab. Tapanuli
Tengah
1205
Kab. Tapanuli Utara
1206
Kab. Toba Samosir
1207
Kab. Labuhan Batu
1208
Kab. Asahan
1209
Kab. Simalungun
1210
Kab. Dairi
1211
Kab. Karo
1212
Kab. Deli Serdang
1213
Kab. Langkat
1214
Kab. Nias Selatan
1215
Kab. Humbang
Hasundutan
0.38
0.47
0.60
0.73
0.91
0.84
0.41
0.49
0.46
0.56
0.62
0.61
0.56
0.73
0.72
0.62
0.74
0.72
0.60
0.68
0.71
0.53
0.73
0.60
0.56
0.40
0.34
0.56
0.29
0.35
0.55
0.41
0.37
0.45
0.46
0.51
0.42
0.43
0.28
0.50
0.40
0.54
0.65
0.64
0.48
0.64
0.76
0.66
0.64
0.74
0.61
0.50
0.47
0.38
0.56
0.67
0.62
0.63
0.77
0.75
0.66
0.70
0.64
0.64
0.33
0.41
0.40
0.39
0.35
C. Implementasi Backpropagation
1. Pelatihan
Pelatihan jaringan dilakukan dengan menggunakan Matlab Tools. Inisiasi model
jaringan yang digunakan adalah sbb :
1) Variabel/parameter yang digunakan sebagai pembentuk jaringan antara lain :
a. jumlah epoch atau iterasi maksimal : 500 iterasi
b. target error : 0,0001
2) Selanjutnya hasil latihan akan disimpan dan diukur akurasinya dengan
dibandingkan dengan target seharusnya.
3) Untuk memvalidasi model NN yang sudah ditraining, dimasukkan data validation
yang akan diukur tingkat akurasinya dibandingkan dengan target data validation tsb.
4) Selanjutnya setelah validasi mencapai angka yang lebih baik atau minimal sama
dengan data training, maka dari jaringan yang sudah dilakukan pelatihan/learning
model tersebut disimpan untuk dapat dilakukan testing terhadap dataset testing yang
sudah diinisiasikan sebelumnya. Hasil testing ini juga akan diukur akurasinya,
dibandingkan dengan target data testing yang seharusnya.
5) Simulasi learning yang dilakukan dapat terlihat pada gambar simulasi berikut :
Gambar 1. Grafik nilai MSE pada pelatihan tahun 2007
Berdasarkan dari hasil pelatihan menggunakan data tahun 2007 nilai MSE didapatkan
sebesar 0.024469 pada iterasi ke-30.
Gambar 2. Grafik nilai MSE pada pelatihan tahun 2008
Berdasarkan dari hasil pelatihan menggunakan data tahun 2008 nilai MSE didapatkan
sebesar 0.0083285 pada iterasi ke-147.
Gambar 3. Grafik nilai MSE pada pelatihan tahun 2009
Berdasarkan dari hasil pelatihan menggunakan data tahun 2009 nilai MSE didapatkan
sebesar 0.00019095 pada iterasi ke-159.
IV.
PENUTUP
Berdasarkan dari hasil pelatihan menggunakan data tahun 2007 nilai MSE didapatkan
sebesar 0.024469 pada iterasi ke-30. Sedangkan pelatihan dan pengujian data pada tahun 2008
nilai MSE didapatkan sebesar 0.0083285 pada iterasi ke-147. Pada pengujian data tahun 2009
nilai MSE didapatkan sebesar 0.00019095 pada iterasi ke-159. Dengan nilai MSE tersebut
sehingga metode Backpropagation mampu memprediksi dengan baik.
DAFTAR PUSTAKA
[1] Depkes, "1999".
[2] Badan KB dan PP, "Umpan Balik Program KB November 2012," Kabupaten Semarang,
2012.
[3] M.F Andrijasa and Mistianingsih , "Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi
Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma
Pembelajaran Backpropagation," Jurnal Informatika Mulawarman, 2010.
[4] Iriansyah BM Sangadji, "Prediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada
Toko Buku Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation,"
Teknik Informatika STT PLN, 2009.
[5] Abraham Isahk Bekalani, Yudha Arman, and Muhammad Ishak Jumarang, "Prediksi
Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia
Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik," PRISMA FISIKA, vol.
Vol. I, No. 1, p. 41, 2013.
[6] Administrator. (2014, Mei). Persentase Pengguna Alat Keluarga Berencana (KB) .
Retrieved Desember 23, 2014, from data.go.id:
http://data.go.id/dataset/persentase-pengguna-alat-keluarga-berencana-kb.
MEMPREDIKSI JUMLAH PENGGUNA ALAT KB DI INDONESIA
DENGAN METODE BACKPROPAGATION
Prionaka Luthfi Mahendra1(201253077), Risal Maulana Failun2(201253078)
Wisnu anshori3(201253079), Arytha Apriyantho4(201253106)
Riyan Andriyansah5(201253066)
Mahasiswa Fakultas Teknik, Jurusan Sistem Informasi, Universitas Muria Kudus
Abstrak - Pada instansi pemerintah Badan Keluarga Berencana Dan Pemberdayaan
Perempuan (Badan KB Dan PP) di indonesia memiliki data pengguna alat KB. Jumlah
pengguna alat KB baru setiap bulan meningkat. Hal ini dapat dilihat dari jumlah
kontrasepsi. Pengguna alat KB terdiri dari Kabupaten dan Kota di seluruh Indonesia.
Penelitian ini adalah prediksi pengguna alat KB di Indonesia. Jadi teknik yang digunakan
untuk penelitian adalah teknik prediksi. Dalam teknik prediksi akan menerapkan jaringan
syaraf tiruan (JST) dengan menggunakan metode backpropagation. Penelitian dilakukan
dengan menggunakan data pengguna alat KB pada tahun 2007-2009.
Kata Kunci : pengguna alat KB, Jaringan Syaraf Tiruan, Backpropagation
I.
PENDAHULUAN
Pengertian Program Keluarga Berencana menurut UU No 10 tahun 1992 (tentang
perkembangan kependudukan dan pembangunan keluarga sejahtera) adalah upaya
peningkatan kepedulian dan peran serta masyarakat melalui Pendewasaan Usia Perkawinan
(PUP), pengaturan kelahiran, pembinaan ketahanan keluarga, peningkatan kesejahteraan
keluarga kecil, bahagia dan sejahtera. Program KB adalah bagian yang terpadu (integral)
dalam program pembangunan nasional dan bertujuan untuk menciptakan kesejahteraan
ekonomi, spiritual dan sosial budaya penduduk Indonesia agar dapat dicapai keseimbangan
yang baik dengan kemampuan produksi nasional [1].
Peserta KB baru adalah pasangan usia subur yang baru pertama kali menggunakan
alat/cara kontrasepsi dan atau pasangan usia subur yang kembali yang menggunakan metode
kontrasepsi setelah melahirkan/keguguran [2].
Setiap bulannya peserta KB baru mengalami peningkatan. Hal tersebut merupakan bukti
bahwa Badan KB dan PP mampu mengendalikan laju pertumbuhan penduduk seperti misi
yang yang telah ada. Salah satu misi tersebut adalah mengendalikan pertumbuhan penduduk
melalui peningkatan kepedulian dan peran serta masyarakat [2]. Sehingga peserta KB baru
perlu diprediksi dengan cepat dan akurat karena untuk mengetahui setiap bulan terjadi
peningkatan atau penurunan peserta KB baru.
Metode yang digunakan untuk memprediksi adalah Metode Backpropagation.
Backpropagation merupakan suatu pelatihan dengan jenis terkontrol (supervised) dimana
pelatihan tersebut menggunakan pola penyesuaian bobot untuk mencapai nilai kesalahan
yang minimum antara keluaran hasil prediksi dengan keluaran yang nyata [3].
Diharapkan metode Backpropagation dapat memprediksi jumlah peserta KB baru setiap
bulannya dengan hasil yang akurat.
II.
PREDIKSI DAN JARINGAN SYARAF TIRUAN
A. Prediksi
Prediksi adalah mempertimbangkan nilai yang belum terlihat pada masa yang akan
datang berdasarkan pola-pola yang terjadi sebelumnya. Prediksi merupakan proses
memperkirakan sesuatu dengan mengoreksi aksi sebelumnya, untuk meramalkan suatu
kondisi dibutuhkan perhitungan yang tepat untuk menjawab permasalahan tersebut.
Perhitungan tersebut dapat menggunakan jaringan saraf tiruan dengan Metode
Backpropagation [4].
B. Peserta KB baru
Peserta KB baru adalah pasangan usia subur yang baru pertama kali menggunakan
alat/cara kontrasepsi dan atau pasangan usia subur yang kembali yang menggunakan metode
kontrasepsi setelah melahirkan/keguguran [2].
C. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan merupakan salah satu representasi buatan dari otak manusia
untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan
artinya adalah digunakan karena jaringan syaraf diimplemintasikan menggunakan program
komputer yang dapat menyelesaikan proses perhitungan selama proses pembelajaran [5].
D. Backpropagation
Backpropagation adalah sebuah metode umum pelatihan Jaringan Syaraf Tiruan
bagaimana melakukan tugas yang diberikan. Algoritma Backpropagation digunakan di layer
feed-forward Jaringan Syaraf Tiruan [3].
Dalam MLP Bakpropagation, algoritma pelatihan mempunyai dua fase.Fase pertama,
vektor pola masukan diberikan pada layer masukan.Jaringan kemudian. Jaringan kemudian
merambatkan pola masukan dari layer masukan ke layer tersembunyi pertama, kemudian
diteruskan ke layer tersembunyi berikutnya sampai nilai keluaran dibangkitkan oleh layer
keluaran. fase kedua, jika nilai pola keluaran berbeda dengan nilai keluaran yang diinginkan,
error akan dihitung, kemudian dirambatkan balik dari layer keluaran sampai kembali ke
layer masukan. Bobot dimodifikasi selama proses perambatan balik [4].
Langkah- langkah metode backpropagation :
Langkah 1 : Inisialisasi
Inisisalisasi semua bobot pada layer tersembunyi dan layer keluaran, tetapkan fungsi aktivasi
yang digunakan pada setiap layer. Inisialisasi bisa menggunakan bilangan acak dalam
jangkauan [-0.5, 0.5] atau menggunakan distribusi uniform dalam jangkauan kecil :
Fi adalah jumlah neuron masukan neuron I dalam Jaringan Syaraf Tiruan.
Langkah 2 : Aktivasi
Mengaktifkan jaringan dengan menerapkan masukan, X1(p), X2(p),...Xn(p), dan keluaran
yang diharapkan , Yd1(p), Yd2(p), ..., Ydn(p).
a. Hitung keluaran yang didapatkan dari neuron dalam layer tersembunyi :
n adalah jumlah masukan pada neuron j dalam layer tersembunyi
b. Hitung keluaran yang didapatkan dari neuron dalam layer keluaran
m adalah jumlah masukan pada neuron k dalam layer keluaran.
Langkah 3 : Perbarui Bobot
Bobot diperbarui pada saat error dirambatkan balik dalam Jaringan Syaraf Tiruan, error yang
dikembalikan sesuai dengan arah keluarnya sinyal keluaran.
a. Hitung gradien error untuk neuron dalam layer keluaran :
Hitung koreksi bobot :
Perbarui bobot pada neuron layer keluaran :
b. Hitung gradien error untuk neuron dalam layer tersembunyi :
Hitung koreksi bobot :
Perbarui bobot pada neuron layer tersembunyi:
Langkah 4 : Iterasi
Naikan satu untuk iterasi p, kembali ke langkah 2 dan ulangi proses tersebut sampai kriteria
error tercapai.
III.
IMPLEMENTASI
A. Objek Penelitian
Obyek penelitian yang digunakan adalah data pengguna alat KB baru di Indonesia
terdiri dari Kabupaten dan Kota di seluruh Indonesia. Data yang digunakan dari tahun
2007 – 2009. Namun, data yang digunakan sebagai pelatihan data tahun 2007 dan tahun
2008. Data tahun 2009 sebagai data pengujian. Data tahun 2009 digunakan sebagai
pembanding data hasil prediksi tahun 2009 dengan data asli tahun 2009.
B. Metode Pengumpulan Data
Jenis data yang digunakan pada penelitian ini adalah data kuantitatif. Data kuantitatif
merupakan data berupa angka. Data dalam penelitian ini yang digunakan adalah data
pengguna alat KB pada bulan Januari 2007 sampai bulan Desember 2009.. Data kami
peroleh
dari
http://data.go.id/dataset/persentase-pengguna-alat-keluarga-berencana-kb.
Data yang kami teliti berjumlah 482 record yang terdiri dari seluruh kabupaten dan kota di
Indonesia.
Tabel 1. Sampel data mentah
kode
provinsi
11
11
11
11
11
11
11
nama_provinsi
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Kode
kabkota
nama_kabkota
2007
2008
2009
1101
Kab. Simeulue
73.8
40.83
59.09
1102
Kab. Aceh Singkil
73.5
54.33
64.18
1103
Kab. Aceh Selatan
64.75
45.87
44.06
1104
Kab. Aceh Tenggara
52.91
52.18
61.53
1105
Kab. Aceh Timur
56.63
59.78
52.92
1106
Kab. Aceh Tengah
70.34
83.26
82.82
1107
Kab. Aceh Barat
50.73
42.77
43.23
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
12
12
12
12
12
12
12
12
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
1108
Kab. Aceh Besar
47.06
44.81
47.4
1109
Kab. Pidie
30.09
39.31
33.91
1110
Kab. Bireuen
56.17
39.05
34.78
1111
Kab. Aceh Utara
54.31
49.02
51.51
1112
Kab. Aceh Barat
Daya
56.32
56.21
49.34
1113
Kab. Gayo Lues
70.34
73.88
92.98
1114
Kab. Aceh Tamiang
64.47
71.38
70.66
1115
Kab. Nagan Raya
62.52
61.33
59.3
1116
Kab. Aceh Jaya
38.24
41.88
60.14
1117
Kab. Bener Meriah
72.67
81.28
83.87
1118
Kab. Pidie Jaya
40.99
43.15
45.85
1171
Kota Banda Aceh
56.34
54.8
60.5
1172
Kota Sabang
55.93
64.57
71.67
1173
Kota Langsa
61.81
65.57
72.21
1174
Kota Lhokseumawe
60.01
60.14
71.44
1175
Kota Subulussalam
53.09
64.8
59.61
1201
Kab. Nias
55.68
35.42
34.27
56.33
25.83
35.08
55.2
36.14
37.15
44.84
40.48
50.52
1202
1203
1204
Kab. Mandailing
Natal
Kab. Tapanuli
Selatan
Kab. Tapanuli
Tengah
1205
Kab. Tapanuli Utara
42.33
38.59
28.16
1206
Kab. Toba Samosir
50.46
35.9
53.88
1207
Kab. Labuhan Batu
65.48
56.84
48.49
1208
Kab. Asahan
64.13
67.61
66.18
12
12
12
12
12
12
12
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
1209
Kab. Simalungun
64.41
66.22
60.6
1210
Kab. Dairi
49.88
42.15
37.76
1211
Kab. Karo
56.43
59.38
62.44
1212
Kab. Deli Serdang
63.1
68.28
75.44
1213
Kab. Langkat
66.39
62.12
64.4
1214
Kab. Nias Selatan
63.71
29.25
40.96
1215
Kab. Humbang
Hasundutan
40.18
34.35
35.4
Tabel 2. Sampel data yang sudah diolah
kode
provinsi
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
nama_provinsi
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Kode
kabkota
nama_kabkota
1101
Kab. Simeulue
1102
Kab. Aceh Singkil
1103
Kab. Aceh Selatan
1104
Kab. Aceh Tenggara
1105
Kab. Aceh Timur
1106
Kab. Aceh Tengah
1107
Kab. Aceh Barat
1108
Kab. Aceh Besar
1109
Kab. Pidie
1110
Kab. Bireuen
1111
Kab. Aceh Utara
1112
Kab. Aceh Barat
Daya
1113
Kab. Gayo Lues
1114
Kab. Aceh Tamiang
1115
Kab. Nagan Raya
x1
x2
target
0.74
0.46
0.59
0.74
0.61
0.64
0.65
0.52
0.44
0.53
0.59
0.62
0.57
0.67
0.53
0.70
0.94
0.83
0.51
0.48
0.43
0.47
0.50
0.47
0.30
0.44
0.34
0.56
0.44
0.35
0.54
0.55
0.52
0.56
0.63
0.49
0.70
0.83
0.93
0.64
0.80
0.71
0.63
0.69
0.59
11
11
11
11
11
11
11
11
12
12
12
12
12
12
12
12
12
12
12
12
12
12
12
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Nanggroe
Aceh Darussalam
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
Prov. Sumatera
Utara
1116
Kab. Aceh Jaya
1117
Kab. Bener Meriah
1118
Kab. Pidie Jaya
1171
Kota Banda Aceh
1172
Kota Sabang
1173
Kota Langsa
1174
Kota Lhokseumawe
1175
Kota Subulussalam
1201
Kab. Nias
1202
1203
1204
Kab. Mandailing
Natal
Kab. Tapanuli
Selatan
Kab. Tapanuli
Tengah
1205
Kab. Tapanuli Utara
1206
Kab. Toba Samosir
1207
Kab. Labuhan Batu
1208
Kab. Asahan
1209
Kab. Simalungun
1210
Kab. Dairi
1211
Kab. Karo
1212
Kab. Deli Serdang
1213
Kab. Langkat
1214
Kab. Nias Selatan
1215
Kab. Humbang
Hasundutan
0.38
0.47
0.60
0.73
0.91
0.84
0.41
0.49
0.46
0.56
0.62
0.61
0.56
0.73
0.72
0.62
0.74
0.72
0.60
0.68
0.71
0.53
0.73
0.60
0.56
0.40
0.34
0.56
0.29
0.35
0.55
0.41
0.37
0.45
0.46
0.51
0.42
0.43
0.28
0.50
0.40
0.54
0.65
0.64
0.48
0.64
0.76
0.66
0.64
0.74
0.61
0.50
0.47
0.38
0.56
0.67
0.62
0.63
0.77
0.75
0.66
0.70
0.64
0.64
0.33
0.41
0.40
0.39
0.35
C. Implementasi Backpropagation
1. Pelatihan
Pelatihan jaringan dilakukan dengan menggunakan Matlab Tools. Inisiasi model
jaringan yang digunakan adalah sbb :
1) Variabel/parameter yang digunakan sebagai pembentuk jaringan antara lain :
a. jumlah epoch atau iterasi maksimal : 500 iterasi
b. target error : 0,0001
2) Selanjutnya hasil latihan akan disimpan dan diukur akurasinya dengan
dibandingkan dengan target seharusnya.
3) Untuk memvalidasi model NN yang sudah ditraining, dimasukkan data validation
yang akan diukur tingkat akurasinya dibandingkan dengan target data validation tsb.
4) Selanjutnya setelah validasi mencapai angka yang lebih baik atau minimal sama
dengan data training, maka dari jaringan yang sudah dilakukan pelatihan/learning
model tersebut disimpan untuk dapat dilakukan testing terhadap dataset testing yang
sudah diinisiasikan sebelumnya. Hasil testing ini juga akan diukur akurasinya,
dibandingkan dengan target data testing yang seharusnya.
5) Simulasi learning yang dilakukan dapat terlihat pada gambar simulasi berikut :
Gambar 1. Grafik nilai MSE pada pelatihan tahun 2007
Berdasarkan dari hasil pelatihan menggunakan data tahun 2007 nilai MSE didapatkan
sebesar 0.024469 pada iterasi ke-30.
Gambar 2. Grafik nilai MSE pada pelatihan tahun 2008
Berdasarkan dari hasil pelatihan menggunakan data tahun 2008 nilai MSE didapatkan
sebesar 0.0083285 pada iterasi ke-147.
Gambar 3. Grafik nilai MSE pada pelatihan tahun 2009
Berdasarkan dari hasil pelatihan menggunakan data tahun 2009 nilai MSE didapatkan
sebesar 0.00019095 pada iterasi ke-159.
IV.
PENUTUP
Berdasarkan dari hasil pelatihan menggunakan data tahun 2007 nilai MSE didapatkan
sebesar 0.024469 pada iterasi ke-30. Sedangkan pelatihan dan pengujian data pada tahun 2008
nilai MSE didapatkan sebesar 0.0083285 pada iterasi ke-147. Pada pengujian data tahun 2009
nilai MSE didapatkan sebesar 0.00019095 pada iterasi ke-159. Dengan nilai MSE tersebut
sehingga metode Backpropagation mampu memprediksi dengan baik.
DAFTAR PUSTAKA
[1] Depkes, "1999".
[2] Badan KB dan PP, "Umpan Balik Program KB November 2012," Kabupaten Semarang,
2012.
[3] M.F Andrijasa and Mistianingsih , "Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi
Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma
Pembelajaran Backpropagation," Jurnal Informatika Mulawarman, 2010.
[4] Iriansyah BM Sangadji, "Prediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada
Toko Buku Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation,"
Teknik Informatika STT PLN, 2009.
[5] Abraham Isahk Bekalani, Yudha Arman, and Muhammad Ishak Jumarang, "Prediksi
Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia
Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik," PRISMA FISIKA, vol.
Vol. I, No. 1, p. 41, 2013.
[6] Administrator. (2014, Mei). Persentase Pengguna Alat Keluarga Berencana (KB) .
Retrieved Desember 23, 2014, from data.go.id:
http://data.go.id/dataset/persentase-pengguna-alat-keluarga-berencana-kb.