IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MEMPREDIKSI JUMLAH PENDUDUK DI PROVINSI KALIMANTAN UTARA

Mia Putri Avrilia, Syaripuddin Syaripuddin, Rinancy Tumilaar

Abstract


Jaringan Syaraf Tiruan (JST) adalah metode kecerdasan buatan yang mampu mengenali pola dan melakukan prediksi berbasis data historis. Kalimantan Utara sebagai provinsi relatif muda di Indonesia mengalami perkembangan pesat, terutama di sektor kependudukan. Prediksi jumlah penduduk diperlukan untuk mendukung perencanaan pembangunan yang tepat sasaran. Penelitian ini bertujuan untuk memprediksi jumlah penduduk di Provinsi Kalimantan Utara dengan menerapkan metode Jaringan Syaraf Tiruan (JST) Backpropagation. Metode JST Backpropagation digunakan untuk mencari model terbaik yang akan digunakan untuk memprediksi jumlah penduduk Provinsi Kalimantan Utara pada tahun 2024-2028 dengan menggunakan data jumlah penduduk Kalimantan Utara tahun 2015-2023. Hasil dari penelitian ini menunjukkan bahwa model yang digunakan untuk memprediksi jumlah penduduk untuk tahun 2024-2028 adalah model arsitektur 2-2-1 yang merupakan model terbaik dengan nilai MSE terkecil. Adapun hasil prediksi jumlah penduduk Provinsi Kalimantan Utara untuk tahun 2024 sebesar 738.284 jiwa, tahun 2025 sebesar 746.337 jiwa, tahun 2026 sebesar 753.568 jiwa, tahun 2027 sebesar 759.980 jiwa, dan tahun 2028 sebesar 765.600 jiwa. Hasil ini menunjukkan tren peningkatan jumlah penduduk setiap tahunnya, yang sejalan dengan proyeksi BPS.

Keywords


JST Backpropagation; Kalimantan Utara; Penduduk; Prediksi.

Full Text:

PDF

References


Hutabarat, M.A., Handrizal, & Jalaluddin. 2020. Penerapan Algoritma Backpropagation Dalam Memprediksi Jumlah Penduduk di Kecamatan Pematang Bandar Berdasarkan Nagori/Kelurahan. Journal of Information System Research (JOSH), 1(2), p.63-69.

Pane, N., Sri, D.B.S., & Ikhwani, U. 2020. Pengaruh Pembangunan Infrastuktur Kesehatan, Pendidikan dan Jumlah Penduduk Terhadap Pertumbuhan Ekonomi di Sumatera Utara. Jurnal Sekolah PGSD FIP UNIMED, 4(1), p.172-182.

Badan Pusat Statistik (BPS). 2020. Proyeksi Penduduk Kabupaten/Kota Provinsi Kalimantan Utara 2020–2035.

Mubarokh, M., Nasir, M., & Komalasari, D. 2020. Jaringan Syaraf Tiruan Untuk Memprediksi Penjualan Pakaian Menggunakan Algoritma Backpropagation. Journal of Computer and Information Systems Ampera, 1(1), p.29-43.

Sudarsono, A. 2016. Jaringan Syaraf Tiruan Untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode backpropagatioan. Jurnal Media Infotama, 12(1), p.61-69.

Arman, S.A., Vany, T., & Gumelar, R.T. 2020. Penerapan Algoritma Backpropagation Untuk Memprediksi Jumlah Pasien Pra-Kanker Serviks. Jurnal Ilmiah Teknologi & Informasi, 1(1), p.10-16.

Hasan, N.F., Kusrini, & Hanif A.F. 2019. Peramalan Jumlah Penjualan Menggunakan Jaringan Syaraf Tiruan Backpropagation Pada Perusahaan Air Minum Dalam Kemasan. Jurnal Teknik Informatika dan Sistem Informasi, 5(2), p.179-188.

Kafil, M. 2019. Penerapan Metode K-Nearest Neighbors Untuk Prediksi Penjualan Berbasis Web Pada Boutiq Dealove Bondowoso. JATI (Jurnal Mahasiswa Teknik Informatika), 3(2), p.59-66.

Wahyudi, A.S., Khairil, & Ricky Z. 2024. Penerapan Metode Regresi Linear Berganda Dalam Prediksi Jumlah Pemakaian Obat Pada Rumah Sakit Rafflesia Kota Bengkulu. Jurnal Media Infotama, 20(2), p.525-533.

Cahyo, E.N, & Erma, S. 2022. Analisis Time Series Untuk Deep Learning Dan Prediksi Data Spasial Seismik : Studi Literatur. Jurnal Teknologi, 15(2), p.124 136.

Sutojo, T., Edy M., & Vincen, S. 2011. Kecerdasan Buatan. Yogyakarta : ANDI.

Suhardi, I. 2022. Jaringan Syaraf Tiruan Untuk Karakter Tulisan Tangan Jenis Cetak. Jakarta: AZKA PUSTAKA.

Tamaji, Yoga, A.K.U., & Josie S. 2022. Jaringan Syaraf Tiruan Menggunakan Metode Backpropagation untuk Prediksi Curah Hujan. TELEKONTRAN, 10(1), p.30-37.

Ashshiddiqi, A.J.R. 2018. Implementasi Jaringan Syaraf Tiruan Backpropagation untuk Memprediksi Jumlah Penduduk Miskin di Indonesia dengan Optimasi Algoritme Genetika. Universitas Brawijaya.

Ang, Ester Verawati & An., Nisa Santi Kiswanto. 2019. The Effect Of The Number Of Hidden Layers In The Backpropagation In Case Study Weather Classification. Proxies Vol. 2 No. 2.




DOI: https://doi.org/10.15548/map.v8i1.12033

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

Lisensi Creative Commonsis licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.