Pelatihan Feedforward Neural Network Menggunakan PSO untuk Prediksi Jumlah Pengangguran Terbuka di Indonesia

Transkripsi

1 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer e-issn: X Vol. 1, No. 11, November 2017, hlm Pelatihan Feedforward Neural Networ Menggunaan PSO untu Predisi Jumlah Pengangguran Terbua di Indonesia Bayu Septyo Adi 1, Dian Ea Ratnawati 2, Marji 3 Program Studi Teni Informatia, 1 bayusa69@gmail.com, 2 dian_ilom@ub.ac.id, 3 marji@ub.ac.id Abstra Pengangguran terbua merupaan permasalahan yang dihadapi Indonesia setiap tahunnya. Jumlah pengangguran terbua di Indonesia masih cuup tinggi. Banya fator yang mempengaruhi jumlah penganggura terbua, salah satunya adalah tida sebandingnya jumlah lapangan erja dengan jumlah angatan erja. Semain tinggi jumlah pengangguran, maa aan berdampa pula pada setor lainnya, terutama setor eonomi arena jumlah pengangguran yang tinggi menyebaban penurunan pendapatan nasional dan emisiinan juga meningat. Dengan mempredisian jumlah pengangguran terbua, data hasil predisi diharapan dapat membantu pemerintah dan instansi terait untu membuat program untu mengurangi jumlah pengangguran terbua di Indonesia. Feedforward Neural Networ merupaan salah satu model dari jaringan saraf tiruan yang dapat diimplementasian untu melauan predisi. Algoritme Particle Swarm Optimization (PSO) dapat menggantian algoritme Bacpropagation untu melatih Feedforward Neural Networ. Hasil pengujian pada penelitian ini, nilai rata-rata error yang dihitung menggunaan Average Forecast Error Rate (AFER) sebesar %. Dari nilai AFER yang dihasilan dapat disimpulan bahwa Feedforward Neural Networ yang dilatih dengan PSO dapat digunaan untu predisi jumlah pengangguran terbua di Indonesia dengan tingat aurasi yang bai. Kata unci: pengangguran terbua, feedforward neural networ (FFNN), particle swarm optimization (PSO), average forecasting error rate (AFER) Abstract Open unemployment is a problem who faced by Indonesia in every year. In Indonesia, the number of an open unemployment is still in the high level. There are many factors influence the number of open unemployment, the one of that factor is the number of employement not comparable with the number of labor force. When the number of unemployment at the high level, it can influence the other sector, especially at the economy sector. Because of the number of unemployment is high, national income getting decrease and poorness getting increase. Prediction the number of open unemployment, can be expect to help government and other agence to decreasing the number of open unemployment in Indonesian. Feedforward Neural Networ is model from artificial neural networ which can be implemented for prediction. Bacpropagation algorithm can be replaced by Particle Swarm Optimization Algorithm (PSO) for training Feedforward Neural Networ. The result in this research, average value of error which is calculated by Average Forecast Error Rate (AFER) is %. Based on value of AFER in this reaserch, Feedforward Neural Networ trained by PSO method can be using for predicting the number of open unemployment in Indonesia with better accuracy. Keywords: open unemployment, feedforward neural networ (FFNN), particle swarm optimization (PSO), average forecasting error rate (AFER) 1. PENDAHULUAN Indonesia merupaan salah satu negara berembang di dunia dan juga salah satu negara yang memilii pendudu terbesar didunia. Namun semain banyanya jumlah pendudu, semain banya pula permasalahan yang muncul di tengah-tengah masyaraat, terutama masalah pengangguran. Pengangguran merupaan permasalahan di mana angatan erja yang tersedia tida sebanding dengan lapangan erja yang ada Faultas Ilmu Komputer Universitas Brawijaya 1260

2 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer 1261 (HM, 2016). Pada tahun 2015 lalu, survei yang dilauan Badan Pusat Statisti (BPS) pada bulan Februari dan Agustus mencatat jumlah pengangguran terbua mengalami enaian, dari 7.45 juta menjadi 7.56 juta jiwa (BPS, 2017). Kenaian jumlah pengangguran aan berdampa pada berbagai setor. Setor yang paling terasa adalah setor eonomi, arena secara langsung, jumlah pengangguran aan menurunan pendapatan nasional dan juga meningatan anga emisinan (Harjanto, 2014). Jumlah pengangguran terbua dari tahun e tahun tentu tida dapat dipastian sebelum adanya survei yang dilauan oleh piha terait di mana prosesnya juga memaan watu yang cuup lama. Permasalahan yang ada pada proses survei, dapat diatasi dengan menggunaan metode predisi. Dengan mempredisian jumlah penganggruan terbua di Indonesia, data hasil predisi dapat digunaan oleh pemerintah sebagai data acuan untu membuat ebijaan mengatasi jumlah pengangguran terbua di Indonesia. Predisi merupaan sebuah cara untu memperiraan ejadian dimasa depan berdasaran data dimasa lalu dengan menggunaan model matematia (Heizer dan Barry, 2009). Salah satu model matematia yang dapat digunaan untu predisi data time series adalah model feedforward neural networ. Feedforward neural networ harus melalui proses pelatihan agar jaringan dapat menghasilan data predisi yang aurat. Dari beberapa penelitian, ebanyaan pelatihan feedforward neural networ menggunaan algoritme bacpropagation. Bacpropagation merupaan algoritme yang berbasis gradient, sehingga permasalahan yang sering muncul di dalam penggunaan algoritme ini adalah sering terjeba di dalam loal optimum (Bisi dan Goyal, 2015). Untu mengatasi elemahan tersebut, pelatihan feedforward neural networ dapat digantian dengan algoritme particle swarm optimization (PSO) di mana algoritme ini termasu di dalam algoritme ecerdasan berelompo (swarm intelligence). Penelitian yang menggunaan algoritme PSO untu pelatihan feedforward neural networ sudah banya dilauan. Rashid et al. (2015) menggunaan feedforward neural networ yang dilatih dengan PSO untu mempredisian energi untu menanaman silus daya gabungan. Saat proses pelatihan, nilai MSE yang diperoleh sebesar 1.019e-04 dan saat predisi, nilai MSE yang diperoleh sebesar Penelitian lainnya untu predisi sistem metering gas yang dilauan oleh Rosli et al. (2016) juga menggunaan PSO untu pelatihan feedforward neural networ. Penelitian ini menghasilan tingat error yang dihasilan jaringan urang dari 1%. Berdasaran dari permasalahan yang sudah disebutan, fous penelitian ini adalah bagaimana mengimplementasian algoritme PSO untu pelatihan feedforward neural networ untu mempredisian jumlah pengangguran terbua di Indonesia. 2. DASAR TEORI 2.1. Pengangguran Terbua Pengangguran terbua merupaan pengangguran yang muncul diarenaan angatan erja yang tinggi namun esempatan erja yang ada rendah. Di dalam pereonomian, dampa yang diaibatan adalah banyanya tenaga erja yang tida mendapatan peerjaan, sehingga dalam janga watu yang lama, tenaga erja ini aan menganggur secara watu penuh (Harjanto, 2014) Predisi Predisi merupaan ilmu untu memperiraan apa yang terjadi dimasa mendatang dengan memproyesian data yang ada pada masa lalu. Teni pendeatannya ada dua, yaitu secara uantitatif dan ualitatif (Heizer dan Render, 2009) Feedforwad Neural Networ (FFNN) Jaringan saraf tiruan adalah neuron yang saling teronesi berdasaran model omputasional. Secara sederhana, jaringan saraf tiruan terdiri dari tiga lapisan utama, yaitu lapisan input, lapisan tersembunyi dan lapisan output. Jumlah neuron pada lapisan input selalu sama dengan jumlah fitur yang digunaan namun jumlah neuron pada lapisan output tergantung dari output yang diinginan (Rashid et al., 2015).

3 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer 1262 dalam optimum loal, namun jia terlalu besar juga aan menurunan performansi algoritme. Tida ada aturan husus terait uuran swarm. Tetapi umunya, jia permasalahan yang dihadapi besar, maa uuran swarm dapat diperbesar. Gambar 1. Arsitetur Feedforward Neural Networ Proses pelatihan maupun testing pada feedforward neural networ adalah sebagai beriut (Siang, 2005): 1. Inisialisasian bobot Wj dan bias Vij secara aca. 2. Hitung eluaran pada hidden unit Zj, menggunaan Persamaan 1 dan 2. Z net V j0 n _ (1) X V i1 i ji Z _ j f ( Z _ net) 1 z _ net (2) j 1 e 3. Hitung eluaran jaringan Y, menggunaan Persamaan 3 dan 4. p Y _ net W Z W (3) 0 j j1 j Y f ( y _ net ) 1 y _ net 1 e (4) 2.4. Particle Swarm Optimization (PSO) Particle Swarm Opitimization (PSO) adalah teni optimasi yang menganalogian perilau seawanan burung dan pembelajaran ian yang diembangan oleh Eberhart dan Kennedy pada tahun 1990-an. Di dalam PSO, setiap individu aan menuar pengalaman hasil pembelajaran sebelumnya. PSO termasu di dalam ranah penelitian ecerdasarn berelompo (swarm intelligence). PSO memanfaatan beberapa titi pencarian di dalam ruang solusi. Penggunaan PSO ditujuan untu mengatasi permasalahan non-linier di mana variabel awalnya bersifat ontinyu. Di dalam pengembangannya, selain dapat mengatasi permasalahan ontinyu, PSO juga dapat mengatasi permasalahan disret (Fuuyama, 2008). Di dalam menyelesaiaan permasalahan menggunaan PSO, parameter-parameter yang digunaan adalah sebagai beriut (Jordehi dan Jasni, 2013): 1. Swarm Size Uuran swarm sangat berpengaruh pada performa PSO. Uuran swarm yang terlalu ecil aan menyebaban algoritme terjeba di 2. Teni Inisialisasi Hasil penelitian membutian bahwa inisialisasi partiel secara aca dapat memfasilitasi esplorasi yang efetif dari berbagai ruang pencarian. 3. Nilai Kecepatan Masimum Nilai ecepatan masimum aan mempengaruhi inerja PSO. Jia ecepatan terlalu besar, partiel aan bergera ta menentu dan aan mudah terjeba di dalam optimum global. Namun disisi lain, jia ecepatan partiel terlalu ecil, pergeraan partiel aan terlalu dibatasi yang mana dalam hal ini peningatan watu omputasi juga mungin terjadi. 4. Koefisien Aselerasi Nilai oefisien aselerasi merepresentasian bobot aselerasi stochastic. Jia nilai ini terlalu besar, partiel aan bergera terlalu cepat dan dapat terjeba di dalam optimal palsu. Sebalinya jia nilainya terlalu ecil, partiel aan terlalu lambat bergera dan dan watu omputasi juga aan meningat. Bila nilai oefisien aselerasi ognitif (C1) meningat, maa aan meningatan daya tari partiel terhadap PBest dan aan mengurangi daya tari terhadap GBest. Dari penelitian yang membahas tentang nilai oefisien aselerasi, dietahui bahwa nilai C1 = C2 = 2 umumnya dapat diterima untu menyelesaian permasalahan. 5. Kondisi Berhenti Kriteria ondisi berhenti tergantung dari permasalahan yang dihadapi. Bisa jadi dengan iterasi yang ecil, algoritme sudah memberian solusi, disisi lain tida menutup emunginan jumlah iterasi yang diberian lebih besar diarenaan jumlah iterasi yang ecil belum memberian solusi Penerapan Algoritme PSO 1. Kecepatan dan Posisi Partiel Di dalam ruang pencarian D, swarm memilii N partiel. Partiel e i-th pada iterasi

4 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer 1263 e t-th merupaan posisi partiel saat ini dan ecepatan saat ini. Posisi partiel disimbolan dengan X dan ecepatan partiel disimbolan dengan V (Li dan Liu, 2016). Xi( t) ( Xi1( t), Xi2( t),..., XiD( t)) (5) Vi t) ( V ( t), V ( t),..., V ( )) (6) ( i1 i2 id t 2. PBest dan GBest PBest (Personal Best) adalah posisi terbai partiel yang disimpannya disebut juga dengan local best position. Sementara GBest (Global Best) adalah posisi terbai eseluruhan partiel, disebut juga dengan global position. PBest dapat dinotasian dengan Persamaan 7 sedangan GBest dapat dinotasian dengan Persamaan 8 (Li dan Liu, 2016). Pi ( t) ( Pi 1( t), Pi 2( t),..., PiD( t)) (7) G t) ( G ( t), G ( t),..., G ( )) (8) ( 1 2 D t 3. Update Kecepatan dan Posisi Partiel Disetiap iterasi, ecepatan partiel dan posisi partiel aan terus di-update. Proses update ecepatan menggunaan Persamaan 9 sedangan proses update posisi partiel menggunaan Persamaan 10 (Juneja dan Nagar, 2016). V ( id Vid c r pbest id xid 2 ( c2r gbest id xid ) (9) 1 1 X X V (10) id V dan id pbest id c 1 dan r 1 dan X id dan c 2 r 2 id id = Kecepatan dan posisi partiel saat iterasi e-i. gbest id = Pbest dan Gbest iterasi e-i. = Bobot inersia iterasi e-i. = Merupaan nilai oefisien aselerasi. = Nilai aca di dalam range [0, 1]. 4. Nilai Bobot Inersia Bobot inersia berfungsi untu mengendalian efe yang diberian oleh ecepatan partiel. Jia nilai ω cenderung besar, maa algoritme aan meningatan emampuan pencarian global. Sementara jia nilainya ecil, maa aan meningatan emampuan pencarian parsial (Juneja dan Nagar, 2016). ) Pada umumnya, algoritme PSO menggunaan peneatan linier decreasing inertia weight (LDIW) untu mencari nilai ω. Namun, LDIW memilii elemahan, antara lain (Li dan Liu, 2016): 1. Di dalam tahap awal, emampuan pencarian loal tida bai. Bahan jia partiel sudah terlalu deat dengan solusi optimal global, patiel selalu ehilangan solusi. Hal ini diarenaan ecepatan partiel terlalu cepat. 2. Di dalam tahap ahir, emapuan pencarian global menjadi buru. Pada saat ini, algoritme dengan mudah terjeba di dalam optimum loal. Berdasaran elemahan dari LDIW, nilai bobot inersia pada penelitian ini dihitung menggunaan pendeatan non-linier decreasing inertia weight yang ditunjuan pada Persamaan 11 (Li dan Liu, 2016). t 1 max min (11) max t max 1 = Nilai bobot inersia. max = Nilai ω masimum. = Nilai ω minimum. = Iterasi masimum. = Iterasi saat ini. min t max t 2.6. Normalisasi Data Normalisasi data diperluan untu untu mempercepat pelatihan di dalam jaringan saraf tiruan (Haviluddin et al., 2016). Normalisasi data di dalam penelitian ini mengubah data e dalam range [0.1, 0.9], yang mana prosesnya berdasaran Persamaan 12 (Siang, 2005). 0.8X a X (12) ' b a 0.1 X = Data normalisasi. X = Data asli. a = Data minimum. b = Data masimum Denormalisasi Data Proses denormalisasi data adalah proses untu mengubah data yang ada di dalam range [0.1, 0.9] e dalam nilai riil. Proses denormalisasi data menggunaan Persamaan 13 (Siang, 2005).

5 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer 1264 X X ' 0.1 x.max x.min x.min (13) 0.8 X = Data denormalisasi. X = Data normalisasi. x.max = Nilai masimum data atual. x.min = Nilai minimum data atual Perhitungan Kesalahan Predisi Besarnya error yang dihasilan oleh suatu metode merupaan riteria penolaan terhadap metode predisi yang digunaan. Di dalam perhitungan error ini pula, dapat dilihat goodness of fit, yaitu emampuan sebuah metode seberapa jauh dapat melauan predisi pada data yang sudah dietahui (Syuriyawati, 2015). Di dalam penelitian ini, perhitungan esalahan predisi menggunaan AFER (Average Forecasting Error Rate). Perhitungan AFER menggunaan Persamaan 14 (Syuriyawati, 2015). Dari Gambar 2 dijelasan bahwa di dalam arsitetur jaringan saraf tiruan pada penelitian ini, lapisan input memilii jumlah neuron yang disesusaian dengan pola data yang digunaan. Satu buah neuron pada lapisan input mewaili data pengangguran 1 tahun. Bias pada lapisan input dan lapisan tersembunyi yang digunaan sama-sama Alur Penyelesaian Masalah Menggunaan PSO-Feedforward Neural Networ Secara umum, proses penyelesaian permasalahan pelatihan feedforward neural networ untu predisi jumlah pengangguran terbua ditunjuan pada Gambar 3. Ai Fi / Ai AFER 100% (14) n AFER = Nilai Average Forecasting Error Rate. Ai Fi n = Data atual e-i. = Data hasil predisi e-i. = Jumlah data. 3. METODOLOGI PENELITIAN 3.1. Arsitetur Jaringan Saraf Tiruan Di dalam penelitian ini, arsitetur jaringan saraf tiruan yang digunaan terdiri dari 1 buah lapisan input, 1 buah lapisan tersembunyi dan satu 1 buah lapisan output. Secara umum, arsitetur jaringan saraf tiruan yang digunaan ditunjuan pada Gambar 2. Gambar 2. Arsitetur Jaringan Saraf Tiruan Penelitian Gambar 3. Diagram Alir Pelatihan Feedforward Neural Networ Menggunaan PSO Sebelum proses pelatihan dilauan, ada dua hal yang harus terdefinisi terlebih dahulu. Dua hal tersebut adalah sebagai beriut: 1. Representasi partiel Representasi partiel berupa real code particle swarm optimization. Nilai-nilai yang ada di dalam partiel digunaan sebagai bobot dan bias jaringan. Besarnya dimensi partiel dihitung menggunaan Persamaan 15 (Asriningtias, Dachlan dan Yudaningtias, 2015). w ( m1) n ( n 1) q (15) w = Bobot dan bias jaringan. m = Jumlah unit input.

6 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer 1265 n q = Jumlah unit hidden. = Jumlah unit output. Berdasaran arsitetur jaringan yang ditunjuan pada Gambar 2, representasi partiel yang didapatan adalah sebagai beriut: w ( m 1) n ( n 1) q (5 1) 2 (2 1) 1 15 Keterangan: Bias dari lapisan input e lapisan tersembunyi. Bobot dari lapisan input e lapisan tersembunyi. Bias dari lapisan tersembunyi e lapisan output. Bobot dari lapisan tersembunyi e lapisan output. 2. Fungsi fitness Selama proses pelatihan, setiap partiel membawa satu solusi. Untu melihat seberapa bai solusi yang dibawa setiap partiel, maa harus dilauan evaluasi partiel melalui fungsi fitness (Asriningtias, Dachlan dan Yudaningtias, 2015). Fungsi fitness yang digunaan selama pelatihan menggunaan ditunjuan pada Persamaan 16 (Rashid et al., 2015). 1 1 Fitness (16) MSE N 1 2 i; x y i n i1 Fitness = Nilai fitness. ( i ; x) = Target atual. y i = Data predisi. n = Jumlah data latih. Setelah representasi partiel dan fungsi fitness sudah jelas terdefinisi, proses pelatihan feedforward neural networ menggunaan PSO sudah dapat dilauan. Langah-langah pelatihan feedforward neural networ menggunaan PSO (PSO+FFNN) adalah sebagai beriut (Rashid et al., 2015): 1. Inisialisasi semua parameter PSO dan juga jumlah lapisan input dan lapisan tersembunyi pada jaringan saraf tiruan. 2. Inisialisasi posisi partiel sebagai bobot dan bias jaringan. Selain itu, inisialisasian juga ecepatan partiel. 3. Hitung nilai fitness setiap partiel menggunaan Persamaan 16. Nilai fitness didapatan dari proses feedforward neural networ. 4. Update PBest dan GBest berdasaran nilai fitness yang dihasilan setiap partiel. 5. Jia ondisi berhenti belum tercapai, ulangi langah 3 dan Jia ondisi berhenti terpenuhi, gunaan GBest hasil pelatihan pada iterasi terahir sebagai bobot dan bias jaringan saraf tiruan. 7. Lauan proses predisi menggunaan feedforward neural networ Data Penelitian Pada penelitian ini, data yang digunaan adalah data jumlah pengangguran terbua di Indonesia dari tahun yang diambil dari website Badan Pusat Statisti (BPS). 4. HASIL PENGUJIAN DAN ANALISIS 4.1. Hasil Pengujian Jumlah Neuron Pada Lapisan Input. Pengujian ini bertujuan untu mengetahui jumlah neuron pada lapisan input yang menghasilan nilai AFER terecil. Jumlah neuron yang diuji dimulai dari 4 sampai 10 sedangan jumlah neuron pada lapisan tersembunyi adalah 2. Jumlah partiel yang digunaan 20, iterasi 150, nilai C1=C2= 2, ω max 0.9, nilai ω min 0.4, data latih 32 dan data uji 9. Pengujian dilauan sebanya 10 ali. Gambar 4. Grafi Pengujian Jumlah Neuron pada Lapisan Input Gambar 4 menunjuan bahwa jumlah neuron pada lapisan input dari 4 sampai 10 nilai AFER yang dihasilan jaringan cenderung

7 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer 1266 mengalami enaian. Kenaian nilai AFER secara signifian terjadi saat jumlah neuron pada lapisan input sebesar 7 sampai 10 dengan enaian nilai AFER disetiap jumlah neuron sebesar 0.4. Hal ini diarenaan semain besar jumlah neuron pada lapisan input, maa jaringan urang dapat memproses informasi yang diberian dengan bai. Selain itu, jaringan juga urang dapat merepresentasian pola predisi sehingga nilai AFER yang dihasilan mangalami enaian cuup besar sehingga hasil predisi urang mendeati nilai atual. Sementara itu, etia jaringan menggunaan jumlah neuron pada lapisan input sebesar 4 sampai 6, nilai AFER yang dihasilan jaringan mengalami enaian namun tida terlalu siginifian. Dengan ata lain, jumlah neuron pada lapisan input di dalam rentang 4 sampai 6 di dalam penelitian ini dapat memproses informasi dengan lebih bai dan juga dapat merepresentasian pola predisi sehingga hasil predisi dapat mendeati nilai atual Hasil Pengujian Jumlah Neuron Pada Lapisan Tersembunyi. Pengujian ini bertujuan untu mengetahui jumlah neuron pada lapisan tersembunyi yang menghasilan nilai AFER terecil. Jumlah neuron yang diuji dimulai dari 1 sampai 10 sedangan jumlah neuron pada lapisan input yang digunan adalah 4. Jumlah partiel yang digunaan 20, iterasi 150, nilai C1=C2= 2, ω max 0.9, nilai ω min 0.4, data latih 32 dan data uji 9. Pengujian dilauan sebanya 10 ali. seluruh sinyal pada seumpulan data yang rumit (Karsoliya, 2012). Demiian juga etia jumlah neuron lebih besar dari 5, rata-rata nilai AFER yang dihasilan tida lebih ecil saat jumlah neuron sama dengan 5, namun nilai rata-rata AFER cenderung ecil. Kondisi ini disebut dengan overfitting. Hal ini diarenaan jaringan dapat mendetesi seluruh sinyal pada seumpulan data yang rumit, namun hanya pada saat proses pelatihan saja. Sementara etia proses predisi, pola data predisi sulit didetesi. Agar jaringan tida mengalami ondisi underfitting maupun overfitting, maa perlu dilauan uji coba untu mencari jumlah neuron pada lapisan tersembunyi yang menghasilan nilai AFER terecil. Hal ini diarenaan sampai saat ini tida ada persamaan untu menghitung berapa banya jumlah neuron pada lapisan tersembunyi yang bai untu jaringan (Karsoliya, 2012) Hasil Pengujian Jumlah Partiel Pengujian ini bertujuan untu mengetahui jumlah partiel yang menghasilan nilai AFER terecil. Jumlah partiel yang diujian dimulai dari 15 sampai 50 dengan elipatan 5. Jumlah neuron pada lapisan input yang digunaan 4, jumlah neuron pada lapisan tersembunyi yang digunaan adalah 5. Jumlah iterasi 150, nilai C1=C2= 2, ω max 0.9, nilai ω min 0.4, data latih 32 dan data uji 9. Pengujian dilauan sebanya 10 ali. Gambar 6. Grafi Pengujian Jumlah Partiel Gambar 5. Grafi Pengujian Jumlah Neuron pada Lapisan Tersembunyi Gambar 5 menunjuan bahwa etia jumlah neuron urang dari 5, rata-rata nilai AFER yang dihasilan jaringan cuup tinggi. Kondisi ini disebut dengan underfitting. Underfitting adalah ondisi di mana neuron pada lapisan tersembunyi terlalu sediit sehingga jaringan esulitan untu mendetesi Gambar 6 menunjuan bahwa saat jumlah partiel sebesar 15 sampai 30, nilai AFER yang dihasilan cenderung menurun. Hal ini menunjuan bahwa pencarian solusi sudah didapat berdasaran jumlah partiel di dalam rentang tersebut. Saat proses pelatihan, semain besar jumlah partiel yang diberian, maa calon solusi yang diberian juga aan semain banya (Eliantara, Cholissodin dan Indriati, 2016). Namun, saat jumlah partiel 35 sampai

8 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer , nilai rata-rata AFER nai secara signifian. Kemudian embali turun saat jumlah partiel yang diberian sebesar 45 sampai 50. Hal ini menunjuan bahwa pada jumlah partiel tertentu, nilai rata-rata AFER yang dihasilan jaringan aan tinggi, mesipun jumlah partiel yang digunaan cuup besar Hasil Pengujian Iterasi Pengujian ini bertujuan untu mengetahui jumlah iterasi yang menghasilan nilai AFER terecil. Jumlah iterasi yang diujian dimulai dari 50 sampai 300 dengan elipatan 50. Jumlah neuron pada lapisan input yang digunaan 4, jumlah neuron pada lapisan tersembunyi yang digunan adalah 5. Jumlah partiel 30, nilai C1=C2= 2, ω max 0.9, nilai ω min 0.4, data latih 32 dan data uji 9. Pengujian dilauan sebanya 10 ali. Gambar 7. Grafi Pengujian Jumlah Iterasi Gambar 7 menunjuan bahwa pengaruh jumlah iterasi terhadap nilai AFER tida memilii pola dan juga jumlah iterasi yang diberian semain besar, belum tentu menghasilan nilai rata-rata AFER yang ecil. Hal ini dapat dilihat saat iterasi sebesar 50, 150, 200 dan 300, nilai rata-rata AFER yang dihasilan cenderung besar, sementara saat iterasi sebesar 100 dan 250, nilai rata-rata AFER cenderung ecil. Pada proses pelatihan dengan menggunaan PSO, proses yang ada di dalamnya melibatan proses global optimization. Proses global optimization adalah proses yang mana sifatnya aca. Sehingga, setiap ali proses pelatihan, nilai error yang dihasilan aan selalu berbeda mesipun jumlah iterasinya sama (Asriningtias, Dachlan dan Yudaningtyas, 2015) Hasil Pengujian Nilai Bobot Inersia Pengujian ini bertujuan untu mengetahui nilai bobot inersia yang menghasilan nilai AFER terecil. Nilai bobot inersia yang diujian berada di dalam range [0.4, 0.9]. Jumlah neuron pada lapisan input yang digunaan 4, jumlah neuron pada lapisan tersembunyi yang digunan adalah 5. Jumlah partiel 30, jumlah iterasi 100, nilai C1=C2= 2, data latih 32 dan data uji 9. Pengujian dilauan sebanya 10 ali. Gambar 8. Grafi Pengujian Jumlah Iterasi Gambar 8 menunjuan bahwasannya nilai AFER saat nilai bobot inersia hasil ombinasi dari ω max 0.5 dan ω min 0.4 dan ω max 0.6 dan ω min 0.4 cenderung besar. Hal ini diarenaan rentang ω max dan ω min saat ombinasinya 0.4 dan 0.5 atau 0.4 dan 0.6 cenderung ecil, maa nilai bobot inersia juga aan ecil sehingga menyebaban ecepatan partiel menurun. Diarenaan ecepatan partiel menurun, daerah esplorasi swarm menjadi ecil dan solusi optimal aan lebih cepat ditemuan. Sementara itu, nilai rata-rata AFER saat nilai hasil ombinasi dari ω max 0.7, 0.8, 0.9 dan ω min 0.4 cenderung ecil. Hal ini diarenaan nilai bobot inersia hasil ombinasi dari nilai-nilai tersebut cenderung besar. Jia nilai bobot inersia besar, maa ecepatan partiel juga aan meningat sehingga daerah esplorasi swarm menjadi lebih besar Hasil Pengujian Jumlah Data Latih dan Data Uji Pengujian ini bertujuan untu mengetahui nilai jumlah data latih dan data uji yang menghasilan nilai AFER terecil. Jumlah data latih dan data uji yang diujian berada di dalam range [5, 36]. Jumlah neuron pada lapisan input yang digunaan 4, jumlah neuron pada lapisan tersembunyi yang digunan adalah 5. Jumlah partiel 30, jumlah iterasi 100, nilai C1=C2= 2, nilai ω max 0.9 dan ω min 0.4 Pengujian dilauan sebanya 10 ali.

9 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer Rata-Rata Gambar 9. Grafi Pengujian Jumlah Iterasi Gambar 9 menunjuan bahwasannya nilai rata-rata AFER cenderung menurun. Hal ini dapat dilihat saat jumlah data latih yang digunaan sebanya 24, 28 dan 32. Nilai AFER yang tadinya % saat data latih yang digunaan sebanya 24 data, turun secara signifian menjadi % saat data latih yang digunaan sebanya 32. Namun, saat data latih yang digunaan sebanya 36 data, nilai rata-rata AFER nai namun tida signifian. Berdasaran hal tersebut, dapat dietahui bahwa jumlah data latih dan data uji yang proporsional dapat menghasilan nilai AFER yang ecil Analisis Hasil Berdasaran hasil pengujian, Tabel 1 menunjuan nilai yang optimal untu setiap parameter yang digunaan di dalam pelatihan feedforward neural networ menggunaan PSO untu predisi jumlah pengangguran terbua di Indonesi. Tabel 2 menunjuan hasil pengujian parameter optimal. Tabel 1. Parameter Optimal Hasil Pengujian No Parameter Nilai 1 Jumlah neuron lapisan input 4 2 Jumlah neuron lapisan tersembunyi 5 3 Jumlah partiel 30 4 Jumlah Iterasi ω max 0.9 ω min Jumlah data latih 32 7 Jumlah data uji 9 Tabel 2. Hasil Pengujian Parameter Optimal Uji Coba Ke - AFER (%) Watu Eseusi Berdasaran Tabel 1, nilai AFER terecil didapat pada uji coba e-6 dengan nilai AFER sebesar % dan watu omputasi sebesar deti. Sementara nilai AFER terbesar didapat pada uji coba e-10 dengan nilai AFER sebesar % dan watu omputasi sebesar deti. Secara umum, pelatihan feedforward neural networ menggunaan PSO memberian hasil predisi yang cuup bai dan juga tida memaan watu yang cuup lama saat proses pelatihan. Dengan menggunaan ombinasi nilai disetiap parameter yang tepat, maa hasil predisi juga aan semain bai. Hal ini ditunjuan dengan nilai AFER yang dihasilan jaringan dari 10 ali pengujian, nilai AFER yang dihasilan berisar antara 2.1% sampai 3.7% Hasil Predisi Berdasaran Data Uji Setelah didapat seluruh parameter optimal dan mengetahui rata-rata esalahan predisi, terahir adalah melihat hasil predisi pada data uji. Hasil predisi berdasaran data uji ditunjuan pada Tabel 3. Tabel 3. Hasil Predisi Berdasaran Data Uji Tahun 2012 Februari 2012 Agustus 2013 Februari 2013 Agustus 2014 Februari 2014 Agustus 2015 Februari 2015 Agustus 2016 Februari Data Atual Hasil Predisi Selisih

10 Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer PENUTUP 5.1. Kesimpulan 1. Algoritme PSO dapat diimplementasian untu pelatihan feedforward neural networ. Proses pelatihan terjadi saat perhitungan nilai fitness setiap partiel, diarenaan perhitungan fitness menggunaan langah-langah yang ada pada feedforward neural networ. 2. Dari pengujian setiap parameter yang diperluan untu pelatihan feedforward neural networ menggunaan PSO, didapatan nilai-nilai parameter yang optimal, antara lain jumlah neuron pada lapisan input sebesar 4, jumlah neuron pada lapisan tersembunyi sebesar 5, jumlah partiel sebesar 30, jumlah iterasi sebesar 100, nilai ω max 0.9, nilai ω min 0.4 dan nilai C1 = C2 = 2, jumlah data latih 32 dan jumlah data uji Hasil pengujian berdasaran parameter optimal didapatan nilai AFER terecil sebesar % dan nilai AFER terbesar sebesar %. Secara rata-rata, nilai AFER yang dihasilan algoritme sebesar %. 6. DAFTAR PUSTAKA Asriningtias, S. R., Dachlan, H.S. & Yudaningtias E., Optimasi Training Neural Neural Networ Menggunaan Hybrid Adaptive Mutation PSO-BP. Jurnal EECCIS. 9 (1) Badan Pusat Statisti., [data] Jumlah Pengangguran Terbua di Indonesia (online). Tersedia di: s/view/id/972. Bisi M. & Goyal N. K., Predicting Cummulative Number of Failures in Software using an ANN-PSO based approach. IEEE, pp Eliantara F., Cholissodin I., Indriati., Optimasi Pemenuhan Kebutuhan Gizi Keluarga Menggunaan Particle Swarm Optimization. Prosiding Seminar Nasional Riset Terapan (SNRT), 9-10 Nopember, Politeni Negeri Banjarmasin. Fuuyama, Y., Modern Heuristic Optimization Techniques. Institute of Electrical an Electronics Engineers Inc. Harjanto, T., 2014.Pengangguran dan Pembangunan Nasional..Jurnal Eonomi, 2 (2). Heizer, J. & Reizer B., Manajemen Operasi. Jaarta:Salemba Empat. HM, Muhdar., Potret Ketengaerjaan, Pengangguran dan Kemisinan di Indonesia:Masalah dan Solusi. Al- Buhuts, 11 (1) Jordehi, A. R. & Jasni J., Parameter Selection in Particle Swarm Optimization:A survei. Journal of Experimental & Theoritical Artificial Intelligence. 25 (4) Juneja M. & Nagar S.K., Particle Swarm Optimization Algorithm and Its Parameters:A review. International Conference on Control, Computing, Communication and Materials (ICCCCM). Karsoliya S., Approximating Number of Hidden Layer Neurons in Multiple Hidden Layer BPNN Architecture. International Journal of Enginnering Trends and Technology. 3 (6) Li C. & Liu X., An Improved PSO-BP Neural Networ and Its Application to Earthquae Prediction. 28 th Chinese Control and Decision Conference pp Rashid et al., Energy Prediction of a Combined Cycle Power Plant Using a Particle Swarm Optimization Trained FeedForward Neural Networ. International Conference on Mechanical Engineering, Automation and Control Systems (MEACS). Rosli N. S., Ibrahim R., & Ismail I., Neural Networ Model with Particle Swarm Optimization for Prediction in Gas Metering Systems. IEEE. Syuriyawati G., Implementasi Metode Average-Based Fuzzy Time Series Models Pada Predisi Jumlah Pendudu Provinsi DKI Jaarta. S1. Universitas Brawijaya. Siang, J. J., Jaringan Saraf Tiruan dan Pemrogramannya Menggunaan MATLAB. Yogyaarta:Andi.