ESTIMASI PENDUDUK MISKIN DI INDONESIA SEBAGAI UPAYA PENGENTASAN KEMISKINAN DALAM MENGHADAPI REVOLUSI INDUSTRI 4.0

Anjar Wanto, Jaya Tata Hardinata

Abstract


Kemiskinan merupakan masalah serius yang dihadapi Indonesia. Oleh karena itu, penulis mencoba membantu pemerintah dengan melakukan analisa untuk melihat tingkat perkembangan penduduk miskin di Indonesia untuk tahun yang akan datangi. Metode yang digunakan untuk melakukan hal ini adalah jaringan saraf tiruan Bayesian Regulation. Metode ini merupakan pengembangan dari metode backpropagation yang sering digunakan untuk mengestimasi data. Data yang digunakan adalah data penduduk miskin di Indonesia tahun 2012-2018, yang bersumber dari Badan Pusat Statistik Indonesia. Berdasarkan data ini akan dibentuk dan ditentukan model arsitektur jaringan yang digunakan dengan metode Bayesian Regulation, antara lain 10-5-10-2, 10-10-10-2, 10-10-15-2, 10-10-20-2, 10-15-10-2, 10-15-15-2, 10-15-20-2, 10-20-20-2, 10-25-25-2 dan 10-30-30-2. Dari 10 model ini setelah dilakukan pelatihan dan pengujian diperoleh hasil bahwa model arsitektur terbaik adalah 10-25-25-2. Tingkat akurasi dari model arsitektur ini adalah 94,1% dan 61,8% dengan nilai MSE sebesar 0,00013571 dan 0,00005189. Hasil penelitian ini berupa estimasi penduduk miskin untuk 5 tahun yang akan datang

Keywords


Estimation, Population, Poverty, Bayesian Regulation, Industrial Revolution 4.0

Full Text:

PDF

References


A. Syahza, “Model Pengembangan Daerah Tertinggal Dalam Upaya Percepatan Pembangunan Ekonomi Pedesaan,” Ekuitas : Jurnal Ekonomi dan Keuangan, vol. 18, no. 3, pp. 365–386, 2014.

L. B. H. Rubiyanah, Maria Magdalena Minarsih, “Implementasi Program Nasional Pemberdayaan Masyarakat Mandiri Perkotaan Dalam Penanggulangan Kemiskinan,” Journal Of Management, vol. 2, no. 2, pp. 1–18, 2016.

M. T. Binti, “Analisa Pengaruh Pertumbuhan Ekonomi Terhadap Penurunan Tingkat Kemiskinan di Kalimantan Tengah,” Jurnal Komunikasi Bisnis dan Manajemen, vol. 3, no. 6, pp. 69–78, 2016.

S. Sudiar, “Konsolidasi Potensi Pembangunan: Studi Tentang Penanganan Kemiskinan di Kecamatan Muara Muntai-Kutai Kartanegara,” Jurnal Paradigma, vol. 4, no. 2, pp. 69–79, 2015.

N. Zuhdiyaty and D. Kaluge, “Analisis Faktor-faktor yang Mempengaruhi Kemiskinan di Indonesia Selama Lima Tahun Terakhir (Studi Kasus Pada 33 Provinsi),” Jurnal Jibeka, vol. 11, no. 2, pp. 27–31, 2017.

R. Atalay, “The Education and the Human Capital to Get Rid of the Middle-income Trap and to Provide the Economic Development,” Procedia - Social and Behavioral Sciences, vol. 174, pp. 969–976, 2015.

BPS, “Jumlah Penduduk Miskin Menurut Provinsi, 2007-2018,” Badan Pusat Statistik (BPS) Indonesia, 2018. [Online]. Available: https://www.bps.go.id/dynamictable/2016/01/18/1119/jumlah-penduduk-miskin-menurut-provinsi-2007-2018.html.

A. Wanto, “Penerapan Jaringan Saraf Tiruan Dalam Memprediksi Jumlah Kemiskinan Pada Kabupaten/Kota Di Provinsi Riau,” Kumpulan jurnaL Ilmu Komputer (KLIK), vol. 5, no. 1, pp. 61–74, 2018.

S. Setti and A. Wanto, “Analysis of Backpropagation Algorithm in Predicting the Most Number of Internet Users in the World,” JOIN (Jurnal Online Informatika), vol. 3, no. 2, pp. 110–115, 2018.

Y. Andriani, H. Silitonga, and A. Wanto, “Analisis Jaringan Syaraf Tiruan untuk prediksi volume ekspor dan impor migas di Indonesia,” vol. 4, no. 1, pp. 30–40, 2018.

I. S. Purba and A. Wanto, “Prediksi Jumlah Nilai Impor Sumatera Utara Menurut Negara Asal Menggunakan Algoritma Backpropagation,” Jurnal Teknologi Informasi Techno, vol. 17, no. 3, pp. 302–311, 2018.

B. K. Sihotang and A. Wanto, “Analisis Jaringan Syaraf Tiruan Dalam Memprediksi Jumlah Tamu Pada Hotel Non Bintang,” Jurnal Teknologi Informasi Techno, vol. 17, no. 4, pp. 333–346, 2018.

N. Nasution, A. Zamsuri, L. Lisnawita, and A. Wanto, “Polak-Ribiere updates analysis with binary and linear function in determining coffee exports in Indonesia,” IOP Conference Series: Materials Science and Engineering, vol. 420, no. 12089, pp. 1–9, 2018.

B. Febriadi, Z. Zamzami, Y. Yunefri, and A. Wanto, “Bipolar function in backpropagation algorithm in predicting Indonesia’s coal exports by major destination countries,” IOP Conference Series: Materials Science and Engineering, vol. 420, no. 12089, pp. 1–9, 2018.

R. A. Kurniawan, “Pengaruh Pendidikan dan Pengangguran Terhadap Kemiskinan di Kota Surabaya tahun 2007-2016,” Jurnal Pendidikan Ekonomi (JUPE), vol. 6, no. 2, pp. 103–109, 2018.

Suwarno and A. Abdillah, “Penerapan Algoritma Bayesian Regularization Backpropagation Untuk Memprediksi Penyakit Diabetes,” Jurnal MIPA, vol. 39, no. 45, pp. 150–158, 2016.

X. Pan, B. Lee, and C. Zhang, “A Comparison of Neural Network Backpropagation Algorithms for Electricity Load Forecasting,” Intelligent Energy System (IWIES), pp. 22–27, 2013.

Z. Yue, Z. Songzheng, and L. Tianshi, “Bayesian Regularization BP Neural Network Model for Predicting Oil-gas Drilling Cost,” in International Conference on Business Management and Electronic Information, 2011, pp. 483–487.

A. Wanto, M. Zarlis, Sawaluddin, and D. Hartama, “Analysis of Artificial Neural Network Backpropagation Using Conjugate Gradient Fletcher Reeves in the Predicting Process,” Journal of Physics: Conference Series, vol. 930, no. 1, pp. 1–7, 2017.

S. P. Siregar and A. Wanto, “Analysis of Artificial Neural Network Accuracy Using Backpropagation Algorithm In Predicting Process (Forecasting),” International Journal Of Information System & Technology, vol. 1, no. 1, pp. 34–42, 2017.

A. Wanto, A. P. Windarto, D. Hartama, and I. Parlina, “Use of Binary Sigmoid Function And Linear Identity In Artificial Neural Networks For Forecasting Population Density,” International Journal Of Information System & Technology, vol. 1, no. 1, pp. 43–54, 2017.

A. Wanto, “Prediksi Angka Partisipasi Sekolah dengan Fungsi Pelatihan Gradient Descent With Momentum & Adaptive LR,” Jurnal Ilmu Komputer dan Informatika (ALGORITMA), vol. 3, no. 1, pp. 9–20, 2019.

A. Wanto, “Prediksi Produktivitas Jagung Indonesia Tahun 2019-2020 Sebagai Upaya Antisipasi Impor Menggunakan Jaringan Saraf Tiruan Backpropagation,” SINTECH (Science and Information Technology), vol. 1, no. 1, pp. 53–62, 2019.




DOI: https://doi.org/10.24114/cess.v4i2.13601

Article Metrics

Abstract view : 1111 times
PDF - 859 times

Refbacks

  • There are currently no refbacks.


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

CESS (Journal of Computer Engineering, System and Science)

Creative Commons License
CESS (Journal of Computer Engineering, System and Science) is licensed under a Creative Commons Attribution 4.0 International License