MODEL NEURAL NETWORK UNTUK IDENTIFIKASI VARIABEL KEMISKINAN RUMAH TANGGA KECAMATAN ARANIO
Abstract
Abstrak
Kemiskinan sering kali dipahami sebagai gejala rendahnya tingkat kesejahteraan. Berbagai penelitian yang telah dilakukan mengenai kemiskinan dan banyak sekali faktor yang mempengaruhi kemiskinan. Oleh karena itu, dilakukan penelitian mengenai klasifikasi status kesejahteraan rumah tangga di Kecamatan Aranio Kabupaten Banjar, Kalimantan Selatan. Penelitian ini dilakukan untuk mengkaji hasil akurasi berbagai model Neural Network dalam mengenai klasifikasi status kesejahteraan rumah tangga di Kecamatan Martapura tersebut. Dari berbagai hasil pengujian, didapatkan kesimpulan bahwa model Neural Network yaitu Training Cycle = 200, Learning Rate = 0,1, Momentum = 0,2, Number of Validation=6, dan Sampling Type = Strarified, menghasilkan tingkat akurasi lebih baik daripada model lainnya. Model yang didapatkan tersebut menghasilkan nilai Accuracy=89,97% +/- 3,46%.
Kata kunci: status kesejahteraan, tingkat kesejahteraan, Neural Network
Abstrak
Poverty is often understood as a symptom of low levels of well-being. Various studies have been conducted on poverty and many factors that influence poverty. Therefore, a study was conducted on the classification of household welfare status in Aranio District, Banjar Regency, South Kalimantan. This research was conducted to examine the results of the accuracy of various Neural Network models in the classification of household welfare status in the Martapura District. From various test results, it was concluded that the Neural Network model namely Training Cycle = 200, Learning Rate = 0.1, Momentum = 0.2, Number of Validation = 6, and Sampling Type = Strarified, resulting in a better level of accuracy than other models . The model obtained produces Accuracy value = 89.97% +/- 3.46%.
Keywords: welfare status, welfare level, Neural Network
References
Galih M. Metode Pohon Gabungan Pada Cart Untuk Analisa Kesejahteraan Rumah Tangga di Banjarmasin. Technologia. 2016; 7(1): 15.
Indu Indah P. Klasifikasi Status Kesejahteranaan Rumah Tangga Menggunakan Algoritma K – Nearest Neighbor Dan Seleksi Fiture Berbasis Chi Squared. Technologia. 2016; 7(3): 130.
Statistik, B. P. (2012). Analisis Data Kemiskinan Berdasarkan Data Pendatatan ProgramPerlindungan Sosial (PPLS) 2011. Jakarta: Badan Pusat Statistik (BPS)
Galih M. Metode Pohon Gabungan Pada Cart Untuk Analisa Kesejahteraan Rumah Tangga di Banjarmasin. Technologia. 2016; 7(1): 23.
Indu Indah P. Klasifikasi Status Kesejahteranaan Rumah Tangga Menggunakan Algoritma K – Nearest Neighbor Dan Seleksi Fiture Berbasis Chi Squared. Technologia. 2016; 7(3): 134.
Dwi R. Randy C W. Rizal S P. Implementasi Metode Backpropagation Untuk Klasifikasi Kenaikan Harga Minyak Kelapa Sawit. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. 2018; 2(4): 1547.
Adani D. Model Neural Network Berbasis Pso Dalam Prediksi Nilai Tukar Rupiah Terhadap Euro. Technologia. 2018; 9(1): 26.
McCulloch W. Pitts W. A Logical Calculus of The Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biophysics. 1943; 5(4): 115–133
Sejjnowski T and Jolla L. The Book of Hebb Minireview. 1999. 24:773–776
Krose B, Van D S P, An Introduction to Neural Network.1996: 135
Andry H, Studi Kasus Mengenai Aplikasi Multilayer Perceptron Neural Network Pada Sistem Pendeteksi Gangguan ( IDS ) Berdasarkan Anomali Suatu Jaringan. Keamanan Sistem Lanjut, 2013; 1-34.
Yani E. Pengantar Jaringan Syaraf Tiruan. MateriKuliah.Com. 2005
How To Cite This :
Refbacks
- There are currently no refbacks.
