PERBANDINGAN PERFORMA PREDIKSI TINGKAT KEMISKINAN ANTARA BACKPROPAGATION NEURAL NETWORK DAN GENERALIZED REGRESSION NEURAL NETWORK
PDF

How to Cite

Mamase, R., & Sinukun, R. (2018). PERBANDINGAN PERFORMA PREDIKSI TINGKAT KEMISKINAN ANTARA BACKPROPAGATION NEURAL NETWORK DAN GENERALIZED REGRESSION NEURAL NETWORK. Jurnal Technopreneur (JTech), 6(2), 89 - 93. https://doi.org/10.30869/jtech.v6i2.210

Keywords

prediksi, tingkat kemiskinan penduduk. BPNN, GRNN

Abstract

Menurunkan tingkat kemiskinan penduduk merupakan suatu program kerja Pemerintah Indonesia yang hingga saat ini masih berlangsung.  Pemberian bantuan secara merata, tepat dan cepat merupakan salah satu upaya pemerintah dalam menangani masalah kemiskinan. Upaya tersebut dapat diwujudkan dengan penyajian data kemiskinan secara cepat dan akurat melalui prediksi tingkat kemiskinan menggunakan suatu metode yang efektif. Kemiskinan adalah masalah multi dimensional, sehingga diperlukan kesepakatan pendekatan/metode  yang dipakai apabila ingin memprediksi tingkat kemiskinan. Masalah kemiskinan tidak hanya berasal dari ketidakmampuan dalam memenuhi kebutuhan dasar saja, melainkan ada juga faktor atau indikator lain yang dapat mempengaruhi tingkat kemiskinan penduduk disuatu daerah/wilayah, seperti indikator pertanian, perdagangan dan industri.  Selain penggunaan indikator kebutuhan dasar  seperti kependudukan, tenaga kerja, pendidikan, dan kesehatan, penelitian ini juga mencoba menambahkan indikator pertanian, industri, dan perdagangan dalam prediksi tingkat kemiskinan. Metode prediksi yang digunakan dalam penelitian ini adalah Backpropagation Neural Network (BPNN) dan Generalized Regression Neural Network (GRNN). Pengujian dilakukan dengan menggunakan data tingkat kemiskinan di Provinsi Gorontalo pada tahun 2016 dan 2017. Mean  Absolute Percentage Error (MAPE) digunakan sebagai kriteria evaluasi model prediksi. Hasil dari prediksi tingkat kemiskinan diperoleh bahwa metode GRNN memiliki performa 14-16% lebih baik jika dibandingkan dengan metode BPNN.

https://doi.org/10.30869/jtech.v6i2.210
PDF