Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan Metode Genetic-Based Backpropagation

Transkripsi

1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 1, No. 4, April 2017, hlm Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan Metode Genetic-Based Backpropagation Dyva Pandhu Adwandha 1, Dian Eka Ratnawati 2, Putra Pandu Adikara 3 Program Studi Teknik Informatika, 1 dyvapandhu989@gmail.com, 2 dian_ilkom@ub.ac.id, 3 adikara.putra@gmail.com Abstrak Setiap tahunnya jumlah pengangguran terbuka di Indonesia mengalami peningkatan dan penurunan. Faktor yang mempengaruhi hal tersebut adalah jumlah angkatan kerja tidak sebanding dengan lapangan pekerjaan yang tersedia. Selain itu melemahnya daya serap tenaga kerja di beberapa sektor industri juga menjadi penyebab meningkatnya jumlah pengangguran terbuka di Indonesia. Dengan adanya prediksi jumlah pengangguran terbuka, diharapkan dapat membantu pemerintah dan pihak terkait untuk mengambil kebijakan yang tepat untuk mengurangi jumlah pengangguran terbuka di Indonesia. Metode genetic-based backpropagation adalah salah satu metode yang dapat diimplementasikan untuk melakukan prediksi. Metode ini melakukan proses optimasi bobot dan bias menggunakan algoritma genetika sebagai parameter untuk proses training pada metode backpropagation. Dalam penelitian ini diperoleh rata-rata nilai Average Forecast Error Rate (AFER) untuk metode backpropagation sebesar % dan metode genetic-based backpropagation sebesar %. Dari nilai AFER yang diperoleh metode genetic-based backpropagation dapat digunakan untuk memprediksi jumlah pengangguran terbuka di Indonesia dengan tingkat akurasi yang lebih baik. Kata kunci: Algoritma genetika, backpropagation, genetic-based backpropagation, prediksi, time series. Abstract The number of open unemployment in Indonesia has increased and decreased every year. The factors that can make unemployment happens is the number of the labor force is not balanced to the available jobs. In addition, the weakening of labor absorption in some industrial sectors has also the cause of the increasing number of open unemployment in Indonesia. Predict the number of open unemployment, expected can help the government and related parties to take the appropriate policy to reduce the number of open unemployment in Indonesia. Genetic-based backpropagation is one of the methods that can be implemented to perform predictions. This method performs weight and biases optimization process as parameters in backpropagation training. In this research the result value of Average Forecast Error Rate (AFER) of backpropagation method is % and genetic-based backpropagation method is %. Based on the result value of AFER, genetic-based backpropagation method can be used to predict the number of open unemployment in Indonesia with a better accuracy. Keywords: Genetic algorithm, backpropagation, genetic-based backpropagation, predict, time series. 1. PENDAHULUAN Indonesia adalah salah satu yang termasuk ke dalam kategori negara berkembang. Berdasarkan taraf kesejahteraan masyarakatnya, salah satu permasalahan yang tengah dihadapinya adalah masalah pengangguran. Pada umumnya hal tersebut disebabkan karena lapangan pekerjaan yang tersedia tidak sebanding dengan jumlah angkatan kerja yang ada. Selain itu daya serap tenaga kerja di Indonesia yang melemah di beberapa sektor industri mengakibatkan jumlah pengangguran semakin bertambah. Pada tahun 2014 lalu Badan Pusat Statistik (BPS) mencatat bahwa jumlah Fakultas Ilmu Komputer Universitas Brawijaya 341

2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 342 pengangguran terbuka mencapai 7,24 juta jiwa. Dan pada bulan Agustus tahun 2015 pengangguran terbuka tercatat sebanyak 7,56 juta jiwa. Hal tersebut menandakan bahwa telah terjadi peningkatan jumlah pengangguran sebanyak 320 ribu jiwa. Pada bulan Agustus tahun 2015, tercatat jumlah angkatan kerja meningkat menjadi 122,38 juta jiwa dari tahun 2014 (Badan Pusat Statistik, 2015). Informasi terkait dengan jumlah pengangguran terbuka yang berubah dari tahun ke tahun, tentunya sangat diperlukan oleh pemerintah dan pihak terkait untuk menentukan sebuah kebijakan. Dengan adanya prediksi jumlah pengangguran, diharapkan dapat membantu pemerintah dan pihak terkait untuk mengambil kebijakan yang tepat serta tindakan preventif dalam menanggulangi permasalahan tersebut. Data hasil prediksi dapat digunakan untuk mengevaluasi program yang telah dijalankan oleh pemerintah pada tahun-tahun sebelumnya, serta mengukur persentase peningkatan atau penurunan jumlah pengangguran terbuka. Metode yang dapat diimplementasikan untuk melakukan prediksi salah satunya adalah jaringan saraf tiruan backpropagation, karena metode tersebut mampu mempelajari pola dalam dataset time-series. Penelitian yang telah menerapkan metode backpropagation dalam kaitannya untuk prediksi seperti, prediksi banjir dengan memperoleh nilai MSE sebesar 0,1139 (Soomlek, Kaewchainam, Simano, & So-In, 2016), prediksi nilai ujian sekolah dengan memperoleh hasil nilai MSE sebesar 0, (Kosasi, 2014), dan prediksi penyakit asma dengan memperoleh nilai MSE sebesar 0, (Tanjung, 2015). Banyak peneliti yang mengembangkan metode tersebut agar hasilnya dapat dioptimalkan, salah satunya menggunakan algortima genetika. Algoritma genetika merupakan jenis dari algoritma evolusi yang paling populer (Mahmudy, 2015). Kombinasi metode backpropagation dengan algoritma genetika dikenal dengan metode genetic-based backpropagation. Salah satu penelitian yang menerapkan metode ini adalah prediksi tentang aktifitas lalu lintas jaringan (Haviluddin & Alfred, 2015). Dalam penelitian tersebut, algoritma genetika dipakai untuk mengoptimasi bobot dan thresholds. Peneliti membandingkan metode backpropagation dengan genetic-based backpropagation dalam memprediksi aktifitas lalu lintas jaringan. Kemampuan metode tersebut diukur menggunakan analisis statistik yang dinamakan Mean of Square Error (MSE). Hasil nilai MSE terbaik yang didapatkan dari kedua metode tersebut berturut-turut adalah 0, dan 0, Dari hasil MSE yang diperoleh, dapat diketahui bahwa metode tersebut memiliki hasil yang baik dalam kasus prediksi. Berdasarkan dari latar belakang demikian dan tingkat akurasi yang baik, maka dalam penelitian ini akan menggunakan metode genetic-based backpropagation untuk memprediksi jumlah pengangguran terbuka di Indonesia. 2. DASAR TEORI 2.1 Backpropagation Backpropagation merupakan salah satu algoritma yang terdapat pada jaringan saraf tiruan dengan karakteristik meminimalkan error pada output yang dihasilkan oleh jaringan. Algoritma ini memiliki tiga tahapan yaitu memasukkan pola training (feedforward), propagasi balik dari nilai error (backpropagation error), dan penyesuaian bobot dan bias (update) (Fausett, 1994). Gambar 2.1 menunjukkan arsitektur jaringan saraf tiruan backpropagation dengan 1 hidden layer. Dari gambar tersebut terdapat 2 buah bobot dan bias yaitu w ij dan v ij. Bobot dan bias w menghubungkan input layer dan hidden layer, sedangkan bobot dan bias v menghubungkan hidden layer dengan output layer. Gambar 2.1 Arsitektur Jaringan Saraf Tiruan Backpropagation dengan 1 Hidden Layer Normalisasi Data Data dilakukan normalisasi sebelum diolah dengan tujuan untuk mempermudah perhitungan. Data dinormalisasi pada interval 0,1-0,9 karena fungsi sigmoid hampir tidak pernah mencapai nilai 0 atau 1 (Jauhari, Himawan, & Dewi, 2016).

3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 343 x = 0.8(x a) (2.1) b a Keterangan: a: nilai minimum b: nilai maksimum Langkah-langkah Algoritma Backpropagation Berikut merupakan langkah-langkah dari algoritma backpropagation (Fausett, 1994): 1. Menginisialisasi bobot dan bias. 2. Ketika kondisi berhenti belum terpenuhi, tahap 3-10 dilakukan. 3. Untuk setiap pasangan training, tahap 4-9 dilakukan. Tahap Feedforward 4. Menghitung nilai pada hidden unit (z j ). Nilai dari z j kemudian dimasukkan ke dalam fungsi aktivasi dengan sigmoid biner. z_in j = v 0j + i x i v ij (2.2) z j = 1 1+exp ( z_in j ) (2.3) 5. Menghitung nilai pada output unit (y k ). Nilai dari y k kemudian dimasukkan ke dalam fungsi aktivasi dengan sigmoid biner. y_in k = w 0j + i z i w ij (2.4) y k = 1 1+exp ( y_in k ) (2.5) Tahap Backpropagation Error 6. Menghitung nilai δ pada output unit untuk mengetahui tingkat error. δ k = (t k y k )f (y_in k ) (2.6) 7. Menghitung kebenaran bobot untuk memperbaiki (update) nilai dari bobot dan bias w jk. Δw jk = αδ k z j (2.7) Δw 0k = αδ k (2.8) 8. Menghitung nilai δ j pada hidden unit untuk mengetahui tingkat error. m δ_in j = k = 1 δ k w jk (2.9) δ j = δ_in j f (z_in j ) (2.10) 9. Menghitung kebenaran bobot untuk memperbaiki (update) nilai dari bobot dan bias v ij. Δv ij = αδ j x i (2.11) Δv 0j = αδ j (2.12) Tahap Update Bobot dan Bias 10. Menghitung bobot dan bias w jk baru. w jk (baru) = w jk (lama) + Δw jk (2.13) 11. Menghitung bobot dan bias v ij baru. v ij (baru) = v ij (lama) + Δv ij (2.14) 2.2 Perhitungan Error MSE Mean Square Error (MSE) merupakan salah satu dari beberapa fungsi untuk mengukur perbedaan diantara sebuah estimator dan nilai aktual. Semakin kecil nilai MSE, maka tingkat kesalahan yang diberikan semakin kecil (M.Deborah & Prathap, 2014). MSE = 1 n (Y n i=1 i Y i ) 2 (2.15) AFER Selain menggunakan MSE, dalam penelitian ini juga menggunakan perhitungan AFER untuk menghitung tingkat kesalahan. Average Forecasting Error Rate (AFER) merupakan salah satu perhitungan tingkat error yang dilakukan dengan cara menyatakan persentase selisih antara data aktual dengan data hasil prediksi (Syukriyawati, 2015). Semakin kecil nilai AFER, maka tingkat akurasi yang diberikan untuk prediksi semakin baik. AFER = Ai Fi Ai 2.3 Algoritma Genetika n 100% (2.16) Algoritma genetika atau biasa disebut genetic algorithms (GAs) adalah jenis dari algoritma evolusi (EA) yang paling terkenal.

4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 344 Seiring dengan perkembangan teknologi informasi yang sangat pesat, GA juga turut berkembang. Algoritma ini banyak diimplementasikan dalam bidang biologi, fisika, ekonomi, sosiologi, dan lainnya karena kemampuannya untuk menangani masalah yang kompleks terkait dengan masalah optimasi (Mahmudy, 2015). Ada 4 tahapan dalam algoritma genetika yaitu inisialisasi, reproduksi, evaluasi, dan seleksi Inisialisasi Inisialisasi merupakan proses membangkitkan individu secara acak yang memiliki susunan gen tertentu dan diletakkan pada penampungan atau wadah yang disebut popsize. PopSize menyatakan jumlah individu/chromosome yang ditampung dalam satu populasi. Panjang dari setiap chromosome disebut dengan stringlen (Mahmudy, 2015). Chromosome dapat direpresentasikan dalam bentuk biner dan pengkodean real. Representasi chromosome dalam bentuk biner memiliki kelemahan yaitu tidak dapat menjangkau beberapa titik solusi jika range solusi berada dalam daerah kontinyu, selain itu untuk mentransformasikan biner ke dalam bilangan desimal ataupun sebaliknya dapat menambah waktu perhitungan (Mahmudy, 2015). Maka dari itu dalam penelitian ini digunakan representasi chromosome dengan pengkodean bilangan real yang ditunjukkan pada Gambar 2.2. Panjang chromosome yang digunakan dalam penelitian ini adalah 9, dimana posisi 1-8 merepresentasikan bobot w, sedangkan untuk posisi 9 merepresentasikan bias w. Batas (constraints) untuk nilai bobot dan bias w i adalah -0,1 w i 0,9. crossover rate (cr) harus ditentukan terlebih dahulu. Crossover rate berfungsi untuk menunjukkan rasio offspring yang diperoleh dari proses crossover terhadap popsize, sehingga dihasilkan offspring sebanyak (cr x popsize). Selain cr, pada tahap ini juga dicari nilai mutation rate (mr). Mutation rate berfungsi untuk menunjukkan rasio offspring yang diperoleh dari proses mutasi terhadap popsize sehingga dihasilkan offspring sebanyak (mr x popsize). Metode crossover yang digunakan adalah one-cut point. Contoh jika ditentukan cr=0,2 dan popsize=10, maka terdapat 0,2 x 10 = 2 offspring. Jika ditentukan setiap crossover menghasilkan 2 buah child, maka terdapat satu kali proses crossover. Contoh jika P 1 dan P 4 induk terpilih, dan cut point adalah 3, maka diperoleh offspring C 1 dan C 2. Gambar 2.3 Proses Crossover Menggunakan One-Cut Point Dalam proses mutasi terdapat beberapa metode yang dapat diterapkan, salah satunya adalah metode reciprocal exchange. Metode ini memilih dua posisi secara acak lalu menukarnya. Misal P 5 merupakan induk terpilih dan ditentukan mr=0,1 dan popsize=10, maka terdapat 0,1 x 10 = 1 offspring. Gambar 2.4 Proses Mutasi Menggunakan Reciprocal Exchange Gambar 2.2 Representasi Chromosome Reproduksi Reproduksi merupakan proses untuk mendapatkan keturunan (offspring) baru dari individu yang terdapat pada populasi. Proses reproduksi dibagi menjadi 2 bagian yaitu tukar silang (crossover) dan mutasi (mutation) (Mahmudy, 2015). Pada tahap crossover, Evaluasi Evaluasi merupakan proses yang berfungsi untuk menghitung nilai fitness pada setiap chromosome. Semakin tinggi nilai fitness dari chromosome, maka semakin baik chromosome tersebut untuk dijadikan sebagai sebuah calon solusi (Mahmudy, 2015). Sebuah fungsi fitness merepresentasikan sebuah solusi dari masalah yang akan diselesaikan. Fungsi fitness digunakan untuk

5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 345 mengukur seberapa baik kualitas dari sebuah individu. Semakin tinggi nilai fitness, maka menandakan individu tersebut semakin baik untuk dijadikan sebagai sebuah solusi (Mahmudy, 2015). fitness = Seleksi 1 MSE (2.17) Proses seleksi bertujuan untuk menyaring individu dari populasi serta offspring yang akan dipertahankan pada generasi selanjutnya. Terdapat beberapa metode yang dapat diimplementasikan untuk proses seleksi, salah satunya adalah metode elitism selection. Cara kerja metode ini adalah dengan menghimpun semua individu dalam populasi dan offspring dalam satu wadah. Selanjutnya metode ini akan mengambil individu terbaik sebanyak popsize untuk diloloskan pada generasi selanjutnya (Mahmudy, 2015). Contoh terdapat himpunan individu dan offspring pada Tabel 2.1. Jika popsize awal adalah 10, maka setelah dilakukan proses seleksi akan diperoleh individu baru pada Tabel 2.2. Tabel 2.1 Himpunan Individu Tabel 2.2 Individu Baru asal Chromosome P(t) x 1 x 2 x 3 x 4 x 5 x 6 fitness P10-4,6 0,2 4,1 1,7-1,7 1,7 28,5 C1 1,5 2,1 8,5 6,7-0,2 2,9 25,8 P6 4,1 4,4 7,1 4,1 1,5 2,1 24,8 P2 8,5 2,5 1,4 6,3-1,7 1,7 24,7 C3-1,7 0,7 6,3 0,2 1,7 4,4 22,5 P8 5,2 0,7 4,4 5,2 1,4 6,3 22,2 C2 5,8 7,1 2,5 2,5 5,8 7,1 21,2 P3 1,4 6,3 5,8 7,1 4,1 4,4 20,6 P1 1,5 2,1 8,5 2,5 5,8 7,1 19,8 P7-0,2 2,9 1,7-0,2 8,5 2,5 19,6 3. PERANCANGAN DAN IMPLEMENTASI 3.1. Perancangan Alur Proses Algoritma Tahapan algoritma genetic-based backpropagation untuk memprediksi jumlah pengangguran terbuka di Indonesia dibagi menjadi 2 tahap, yang pertama yaitu algoritma genetika untuk mengoptimasi bobot dan bias w yang ditunjukkan pada Gambar 3.1. Tahap kedua yaitu backpropagation untuk melakukan prediksi yang ditunjukkan pada Gambar 3.2. P Chromosome x 1 x 2 x 3 x 4 x 5 x 6 fitness P1 1,5 2,1 8,5 2,5 5,8 7,1 19,8 P2 8,5 2,5 1,4 6,3-1,7 1,7 24,7 P3 1,4 6,3 5,8 7,1 4,1 4,4 20,6 P4 5,8 7,1 2,5 6,7-0,2 2,9 14,5 P5-1,7 1,7 6,3 0,2 0,7 4,4 11,5 P6 4,1 4,4 7,1 4,1 1,5 2,1 24,8 P7-0,2 2,9 1,7-0,2 8,5 2,5 19,6 P8 5,2 0,7 4,4 5,2 1,4 6,3 22,2 P9 9,4 6,7 2,9 7,1 5,8 7,1 12,5 P10-4,6 0,2 4,1 1,7-1,7 1,7 28,5 C1 1,5 2,1 8,5 6,7-0,2 2,9 25,8 C2 5,8 7,1 2,5 2,5 5,8 7,1 21,2 C3-1,7 0,7 6,3 0,2 1,7 4,4 22,5 Gambar 3.1 Diagram Alir Diagram Alir Algoritma Genetika untuk Optimasi Bobot dan Bias w

6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Melakukan evaluasi pada hasil reproduksi. 4. Melakukan seleksi menggunakan metode elitism selection untuk mendapatkan individu terbaik. 5. Jika sudah memenuhi kriteria yang telah ditentukan, maka sistem akan menghentikan proses training menggunakan algoritma genetika. Kriteria yang dimaksud adalah jumlah iterasi atau generasi. 6. Selanjutnya sistem akan memulai proses training menggunakan metode backpropagation menggunakan individu terbaik yang diperoleh, dalam hal ini bobot dan bias w. Prediksi dilakukan pada tahap ini. 4. PENGUJIAN DAN ANALISIS 4.1 Pengujian Pengaruh Ukuran Populasi Terhadap Nilai Fitness Ukuran populasi yang diuji adalah kelipatan 50 dari 50 sampai 700, sedangkan ukuran generasi yang dipakai adalah 10. Nilai cr dan mr yang digunakan berturut-turut adalah 0,5 dan 0,5. Pengujian dilakukan sebanyak 10 kali dan dicari rata-rata nilai fitness yang diperoleh. Tabel 4.1 Hasil Ukuran Populasi Gambar 3.2 Diagram Alir Algoritma Backpropagation Berikut merupakan langkah-langkah pada metode genetic-based backpropagation untuk prediksi: 1. Membangkitkan populasi awal (bobot dan bias w) yang akan dihitung menggunakan algoritma genetika. Hasil individu terbaik pada proses ini akan digunakan sebagai input untuk proses training pada metode backpropagation. 2. Melakukan proses reproduksi (crossover dan mutasi). Crossover menggunakan onecut point dan mutasi menggunakan reciprocal exchange Ukuran Populasi Fitness Terbaik ,92 x ,40 x ,11 x ,63 x ,57 x ,54 x ,68 x ,46 x ,18 x ,42 x ,83 x ,11 x ,74 x ,46 x 10-5

7 Fitness Fitness Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 347 1,00E+00 1,00E-01 1,00E-02 1,00E-03 1,00E-04 1,00E-05 1,00E-06 1,00E-07 Grafik Populasi Ukuran Populasi Gambar 4.1 Grafik Populasi Nilai fitness terkecil diperoleh pada jumlah populasi 50 dan nilai fitness terbesar diperoleh pada jumlah populasi 600. Dari grafik pada Gambar 4.1 dapat disimpulkan bahwa ukuran populasi sebesar 600 dapat menghasilkan nilai fitness terbaik, karena selebihnya nilai fitness yang dihasilkan cenderung menurun. Pada jumlah populasi sebesar 50, diperoleh nilai fitness terbesar disebabkan karena ukuran populasi yang digunakan masih sedikit, sehingga daerah yang dieksplorasi masih terbatas dan solusi yang diberikan belum mencapai hasil optimal, namun ukuran populasi yang terlalu besar tidak menjamin bahwa nilai fitness yang dihasilkan juga akan lebih baik. 4.2 Pengujian Pengaruh Jumlah Generasi Terhadap Nilai Fitness Ukuran populasi yang digunakan adalah sebanyak 600 individu yang berasal dari hasil pengujian pertama. Nilai cr dan mr yang digunakan berturut-turut adalah 0,5 dan 0,5. Jumlah generasi yang akan diuji adalah dari 1 sampai 10 generasi. Pengujian dilakukan sebanyak 10 kali dan dicari rata-rata nilai fitness yang diperoleh. Tabel 4.2 Hasil Jumlah Generasi Jumlah Generasi Fitness Terbaik 1 1 1,60 x ,64 x ,64 x ,64 x ,64 x ,51 x ,11 x ,11 x ,11 x ,11 x ,00E+00 1,00E-01 1,00E-02 1,00E-03 1,00E-04 1,00E-05 1,00E-06 1,00E-07 1,00E-08 Gambar 4.2 Grafik Generasi Dapat dilihat pada grafik tersebut nilai fitness terkecil terdapat pada generasi 1. Hal tersebut disebabkan karena jumlah generasi yang masih sangat kurang sehingga daerah eksplorasi masih sangat sempit. Pada umumnya semakin banyak jumlah generasi, maka dimungkinkan untuk mendapatkan nilai fitness yang lebih baik. Dapat disimpulkan bahwa berdasarkan grafik pada Gambar 4.2 jumlah generasi yang optimal diperoleh ketika jumlah generasi 7, karena selebihnya nilai fitness yang diperoleh bernilai konvergen. 4.3 Pengujian Kombinasi Nilai Crossover Rate (Cr) dan Mutation Rate (Mr) Ukuran populasi yang digunakan adalah sebanyak 600 individu yang berasal dari hasil pengujian pertama dan jumlah generasi yang digunakan adalah 7 generasi yang berasal dari hasil pengujian kedua. Nilai cr dan mr yang diuji adalah pada range 0 sampai dengan 1. Pengujian dilakukan sebanyak 10 kali dan dicari rata-rata nilai fitness yang diperoleh. Tabel 4.3 Hasil Kombinasi Cr dan Mr Grafik Generasi Generasi cr mr Fitness Terbaik ,55 x ,1 0,9 1,13 x ,2 0,8 4,33 x ,3 0,7 1,84 x ,4 0,6 1,04 x ,5 0,5 1,11 x ,6 0,4 9,13 x ,7 0,3 4,57 x ,8 0,2 4,55 x ,9 0,1 4,62 x ,15 x 10-6

8 Fitness AFER (%) Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 348 Grafik Kombinasi cr dan mr Grafik Nilai AFER Berdasarkan Jumlah Pola 1,00E+00 1,00E-01 1,00E-02 1,00E-03 1,00E-04 1,00E-05 1,00E Kombinasi cr dan mr Jumlah Pola Gambar 4.3 Grafik Kombinasi Cr dan Mr Nilai fitness terbaik adalah 1,11 x 10-1 ditemukan pada kombinasi cr 0,5 dan mr 0,5, sedangkan nilai fitness terendah adalah 4,55 x 10-6 diperoleh pada kombinasi cr 0,8 dan mr 0,2. Dapat disimpulkan bahwa kombinasi nilai cr dan mr terbaik berturut-turut adalah 0,5 dan 0, Pengujian Pengaruh Jumlah Pola Terhadap Nilai AFER Pola merupakan data jumlah pengangguran terbuka pada tahun tertentu yang digunakan untuk proses training. Contoh, untuk memprediksi tahun 2016 dibutuhkan data jumlah pengangguran terbuka pada tahun Pada pengujian ini dilakukan 10 kali uji coba untuk memprediksi jumlah pengangguran terbuka pada tahun 2016A menggunakan jumlah pola yang berbeda. Parameter pada algoritma backpropagation untuk training yang digunakan berupa nilai alpha sebesar 0,2 dan jumlah iterasi sebanyak Tabel 4.4 Hasil Jumlah Pola Jumlah Pola Tahun Awal Tahun Prediksi AFER (%) A 2016A 7, A 2016A 3, A 2016A 5, A 2016A 4, A 2016A 0, A 2016A 0, A 2016A 1, A 2016A 1, A 2016A 5, A 2016A 7,3563 Gambar 4.4 Grafik Nilai AFER Berdasarkan Jumlah Pola Pola yang dihasilkan pada Gambar 4.4 mengalami peningkatan dan penurunan, namun cenderung mengalami peningkatan. Dari uji coba 1 sampai 10, nilai AFER terkecil yang diperoleh terdapat pada uji coba ke-5 dengan jumlah pola 10 dan nilai AFER sebesar 0,3648%. Dapat disimpulkan bahwa penggunaan terlalu banyak pola dapat menyebabkan nilai AFER yang dihasilkan semakin tinggi. Hal tersebut dapat terjadi karena range nilai pada tahun awal dengan data satu tahun sebelum prediksi (2016A) relatif besar. 4.5 Pengujian Pengaruh Iterasi dan Nilai Alpha Terhadap Nilai AFER Parameter yang digunakan berupa jumlah iterasi mulai dari 1000, 5000, 10000, 15000, 20000, dan Nilai alpha yang akan diuji berada pada range 0,1 sampai 0,9. Tabel 4.5 Hasil Jumlah Iterasi dan Nilai Alpha (0,1-0,3) Iterasi AFER(%) α=0,1 α=0,2 α=0, ,3592 5,3987 4, ,6921 1,6792 0, ,5908 0,1669 0, ,4967 0,3648 1, ,0003 1,0639 3, ,2585 2,0489 5,3895

9 AFER (%) Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 349 Tabel 4.6 Hasil Jumlah Iterasi dan Nilai Alpha (0,4-0,6) Iterasi AFER(%) α=0,4 α=0,5 α=0, ,0288 3,5636 3, ,5081 0,3563 0, ,9311 2,0312 3, ,3879 5,6435 7, ,2318 9, , , ,509 13,434 Tabel 4.7 Hasil Jumlah Iterasi dan Nilai Alpha (0,7-0,9) Iterasi AFER(%) α=0,7 α=0,8 α=0, ,9754 2,8146 2, ,1263 0,5322 1, ,0007 6,6129 8, ,002 11,833 13, ,174 14,517 15, ,709 15,519 16,048 Grafik Iterasi dan Nilai Alpha Alpha (α) 1000 iterasi 5000 iterasi iterasi iterasi iterasi iterasi Gambar 4.5 Grafik Iterasi dan Nilai Alpha Dari Tabel 4.5, 4.6, dan 4.7 diperoleh nilai AFER terkecil yaitu 0,0003% ketika jumlah iterasi dan alpha 0,1. Pada umumnya nilai alpha yang semakin kecil, kemungkinan mendekati hasil prediksi semakin tinggi namun iterasi yang diperlukan juga semakin besar. Hal tersebut dapat terjadi karena dengan menggunakan nilai alpha 0,1 sistem mampu mencari hasil prediksi dengan ketelitian yang lebih tinggi sehingga data hasil prediksi dan data aktual memiliki selisih yang relatif kecil. 4.6 Pengujian Perbandingan Hasil Prediksi Pengujian ini bertujuan untuk membandingkan hasil prediksi yang diperoleh menggunakan metode backpropagation dan genetic-based backpropagation. Parameter yang digunakan berasal dari hasil pengujian sebelumnya. Tabel 4.8 Hasil Percobaan Metode Backpropagation Backpropagation Tahun Jumlah Hasil Waktu AFER (%) Prediksi (detik) B , A , B , A , B , A , B , A , B , A , Rata-rata 16, Tabel 4.9 Hasil Percobaan Metode Genetic- Based Backpropagation Genetic-Based Backpropagation Tahun Jumlah Hasil Waktu AFER (%) Prediksi (detik) B , A , B , A , B , A , B , A , B , A , E-06 Rata-rata 16,

10 Jumlah Pengangguran Terbuka 2011B 2012A 2012B 2013A 2013B 2014A 2014B 2015A 2015B 2016A Jumlah Pengangguran Terbuka 2011B 2012A 2012B 2013A 2013B 2014A 2014B 2015A 2015B 2016A Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 350 Grafik Perbandingan Kedua Metode Data Aktual Backpropagation Tahun Genetic-Based Backpropagation Gambar 4.6 Grafik Perbandingan Hasil Prediksi Dari Tabel 4.8 dan 4.9 diketahui bahwa metode genetic-based backpropagation memperoleh rata-rata nilai AFER yang lebih kecil dari metode backpropagation yaitu sebesar %. Hal tersebut dapat disebabkan karena dalam penentuan bobot dan bias w pada metode backpropagation dilakukan secara acak, sedangkan pada metode genetic-based backpropagation bobot dan bias w akan dicari yang paling optimal sebelum diproses. Sehingga hasil dari metode genetic-based backpropagation memperoleh nilai AFER yang lebih kecil daripada metode backpropagation. Namun waktu yang dibutuhkan metode geneticbased backpropagation untuk proses training sedikit lebih lama karena adanya proses optimasi bobot dan bias. 4.7 Pengujian Hasil Prediksi Beberapa Jangka Waktu Pengujian ini bertujuan untuk mengetahui hasil prediksi mengunakan metode geneticbased backpropagation untuk jangka 10 tahun ke depan. Pengujian dilakukan untuk memprediksi tahun 2016A menggunakan data aktual pada tahun 2006B sampai tahun 2011A. Tabel 4.10 Hasil Prediksi 10 Tahun Tahun Jumlah Hasil Prediksi AFER (%) 2011B , A , B , A , B , A , B , A , B , A , , Grafik Data Aktual dan Hasil Prediksi Hasil Prediksi Tahun Data Aktual Gambar 4.7 Grafik Data Aktual dan Hasil Prediksi Dari grafik pada Gambar 4.7, hasil prediksi yang paling mendekati data aktual adalah pada tahun 2011B sejumlah jiwa. Hal tersebut dapat terjadi karena prediksi yang dilakukan untuk jangka waktu 10 tahun ke depan menggunakan pola yang dilatih untuk tahun 2011B, sehingga hasil prediksi yang mendekati data aktual terdapat pada tahun 2011B. Dari hasil pengujian ini dapat dikatakan bahwa metode genetic-based backpropagation tidak cocok untuk memprediksi jumlah pengangguran terbuka untuk jangka waktu lebih dari 1 tahun ke depan. 5. KESIMPULAN Prediksi jumlah pengangguran terbuka di Indonesia dapat diimplementasikan menggunakan metode genetic-based backpropagation melalui 2 tahap. Tahap yang pertama adalah optimasi bobot dan bias w menggunakan algoritma genetika dan tahap kedua adalah proses prediksi menggunakan backpropagation. Algoritma genetika yang

11 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 351 digunakan pada penelitian ini memiliki beberapa kriteria yaitu menggunakan pengkodean bilangan real, chromosome dengan panjang 9 yang merepresentasikan bobot dan bias w. Proses crossover menggunakan metode one-cut point dan untuk mutasi menggunakan reciprocal exchange, sedangkan pada proses seleksi menggunakan elitism selection. Dan nilai fitness yang digunakan adalah 1/MSE. Dari hasil pengujian yang telah dilakukan, parameter optimal yang digunakan pada metode genetic-based backpropagation yaitu ukuran populasi sebesar 600, jumlah generasi 7, nilai cr dan mr 0,5 untuk parameter algoritma genetika. Dan untuk parameter backpropagation yaitu pola untuk training sebesar 10 pola, jumlah iterasi 20000, dan nilai alpha sebesar 0,1. Dari parameter tersebut metode genetic-based backpropagation memperoleh nilai AFER yaitu %. Namun metode ini tidak cocok untuk memprediksi dalam jangka waktu lebih dari 1 tahun. Computer Science and Engineering Conference: Hybrid Cloud Computing: A New Approach for Big Data Era Syukriyawati, G. (2015). Implementasi Metode Average-Based Fuzzy Time Series Models pada Prediksi Jumlah Penduduk Provinsi DKI Jakarta. Brawijaya University. Tanjung, D. H. (2015). Jaringan Saraf Tiruan dengan Backpropagation untuk Memprediksi Penyakit Asma, 2, DAFTAR PUSTAKA Badan Pusat Statistik. (2015). Keadaan Ketenagakerjaan Agustus Fausett, L. (1994). Fundamentals of Neural Networks (Prentice-H). Prentice-Hall. Haviluddin, & Alfred, R. (2015). A Genetic- Based Backpropagation Neural Network for Forecasting in Time-Series Data (p. 6). IEEE Jauhari, D., Himawan, A., & Dewi, C. (2016). PREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN, 3(2). Kosasi, S. (2014). Penerapan metode jaringan saraf tiruan backpropagation untuk memprediksi nilai ujian sekolah. Jurnal Teknologi, 7, M.Deborah, & Prathap, C. S. (2014). Detection of Fake currency using Image Processing. IJISET, 1(10), Mahmudy, W. F. (2015). Dasar-Dasar Algoritma Evolusi. Malang: Program Teknologi Informasi dan Ilmu Komputer (PTIIK) Universitas Brawijaya. Soomlek, C., Kaewchainam, N., Simano, T., & So-In, C. (2016). Using backpropagation neural networks for flood forecasting in PhraNakhon Si Ayutthaya, Thailand. ICSEC th International