Penerapan Learning Vector Quantization Dalam Memprediksi Jumlah Rumah Tangga Miskin
Article Sidebar
Main Article Content
Abstract
Kemiskinan merupakan salah satu permasalahan penting yang masih terus dilakukan pengkajiannya oleh pemerintah daerah termasuk pemerintah Kabupaten Cirebon, berbagai upaya pemberian bantuan telah dilakukan, namun sayangnya masih ada beberapa rumah tangga miskin yang belum dapat keluar dari kemiskinan tersebut. Penelitian ini bertujuan untuk memprediksi rumah tangga miskin yang telah mendapatkan bantuan, apakah dapat keluar dari kemiskinannya ataukah tetap pada kelompok desil 1 (rumah tangga sangat miskin), desil 2 (rumah tangga miskin), desil 3 (rumah tangga hampir miskin) melalui algoritma LVQ. Algoritma LVQ merupakan salah satu algoritma klasifikasi yang mampu mengenali dan meniru input output yang telah ditentukan. Penelitian ini menggunakan 70 data set, 10 neuron inputan, 3 neuron keluaran, 100 MaxEpoh dan 0,05 learning rate (a) dalam melakukan prediksi. Dari 70 data set yang digunakan selanjutnya akan dipecah menjadi data training dan data testing. Berdasarkan 5 hasil pengujian yang telah dilakukan, didapatkan bahwa tingkat akurasi dan error rate akan berbanding lurus terhadap jumlah data training dan data testing yang ditentukan.
Article Details
References
Budhi, S., & Kembar, M. (2013). Analisis Faktor-Faktor yang Berpengaruh Terhadap Pengentasan Kemiskinan di Bali: Analisis FEM Data Panel. Jurnal Ekonomi Kuantitatif Terapan, 6(1), 1–6.
Budianita, E., & Prijodiprodjo, W. (2013). Penerapan Learning Vector Quantization (LVQ) untuk Klasifikasi Status Gizi Anak. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 7(2), 155–166. https://doi.org/10.22146/ijccs.3354
Hamdani, D. (2019, February 6). Pemkab Cirebon Turunkan Angka Kemiskinan? Begini Cara Mengukur Versi BPS. Radar Cirebon. Retrieved from https://radarcirebon.com
Hartatik, H. (2017). Klasifikasi Konsentrasi Penjurusan Mahasiswa Universitas AMIKOM Yogyakarta. Data Manajemen Dan Teknologi Informasi (DASI), 18(1), 57–63.
Indradewi, I. G. A. A. D., & Ariantini, M. S. (2019). Jaringan Syaraf Tiruan LVQ Berbasis Parameter HSV dalam Penentuan Uang Rupiah Palsu. Jurnal Ilmiah Teknologi Informasi Asia, 13(1), 47–52.
Kusumadewi, S. (2003). Artificial Intellligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu.
Munawar, M., & Hafnani, H. (2015). Prediksi Tingkat Kemiskinan di Provinsi Aceh dengan Model AR. GRADIEN: Jurnal Ilmiah MIPA, 11(1), 1061–1065.
Narayan, D., Patel, R., Schafft, K., Rademacher, A., & Koch-Schulte, S. (2000). Voices Of The Poor Can Anyone Hear Us? New York: Oxford University Press, Inc.
Pujianto, W. H., Hariadi, M., & Sumpeno, S. (2013). Klasifikasi Berbasis LVQ Menggunakan Optimasi Learning Rate Untuk Memilih SIswa Peserta OSN. Prosiding Seminar Nasional Manajemen Teknologi XVII, C-15-1 sampai C-15–17. Surabaya: Institut Teknologi sepuluh November (ITS).
Ramdhani, F., Hoyyi, A., & Mukid, M. A. (2015). Pengelompokan Provinsi Di Indonesia Berdasarkan Karakteristik Kesejahteraan Rakyat Menggunakan Metode K-Means Cluster. Jurnal Gaussian, 4(4), 875–884.
Sa’diyah, Y. H., & Arianti, F. (2012). Analisis Kemiskinan Rumah Tangga Melalui Faktor-faktor Yang Mempengaruhinya Di Kecamatan Tugu Kota Semarang. Universitas Diponegoro.
Tripp, D. (2005). Action research: a methodological introduction. Educ. Pesqui., 31(3), 443–466. https://doi.org/dx.doi.org/10.1590/S1517-97022005000300009
Wang, J., & Zhang, Y. (2011). Research on Prediction of Water Resource Based on LVQ network. 2011 International Conference on Electrical and Control Engineering, 4047–4049. IEEE.
Wanto, A. (2018). Penerapan Jaringan Saraf Tiruan Dalam Memprediksi Jumlah Kemiskinan Pada Kabupaten/Kota Di Provinsi Riau. Kumpulan JurnaL Ilmu Komputer (KLIK), 5(1), 61–74.
Widianto, B. (2013). Unifikasi Sistem Penetapan Sasaran Nasional. Jakarta: Kementerian Sekretariat Negara RI.