JARINGAN SYARAF TIRUAN MEMPREDIKSI
LAJU PERTUMBUHAN PENDUDUK KOTA BINJAI
METODE BACKPROPAGATION
(STUDI KASUS: DINAS KEPENDUDUKAN DAN
CATATAN SIPIL DIKOTA BINJAI)
Suci Ramadani
STMIK Kaputama, Binjai Email: [email protected]
ABSTRAK
Pertumbuhan penduduk yang sangat pesat sehingga mempengaruhi perekonomian dan tingkat pengangguran disuatu daerah yang memiliki tingkat pertumbuhan penduduk tersebut. Sehingga dibutuhkanlah suatu sistem yang dapat memprediksi jumlah pertumbuhan penduduk yang bertujuan untuk mengetahui berapa jumlah penduduk kota setiap tahunnya dengan mengunakan jaringan syaraf tiruan dengan metode
Backpropagation. Data jumlah penduduk yang digunakan yaitu data tahun 2009-2018 yang
berupa data setiap tahunnya. Dengan maksimum epoch antara 0-10000, learning rate 0.2 dan target error mulai dari 0.01. sampai dengan 56519.4 untuk mendapatkan hasil yang konvergen. Hasil prediksi laju pertumbuhan penduduk setelah melakukan proses pelatihan dan pengujian maka hasil prediksi laju pertumbuhan penduduk mengalami penurunan dengan rata-rata hasil prediksi 56516.9637 untuk mendapatkan hasil yang konvergen.
Kata Kunci: Backpropagation, Jaringan Saraf Tiruan, Laju Pertumbuhan PENDAHULUAN
Pemanfaatan teknologi infomasi yang semakin maju pada saat ini, Jaringan Syaraf Tiruan (Artificial Neural Network) dapat digunakan untuk memprediksi laju pertumbuhan penduduk di kota binjai (A. M.H. Pardede et al., 2019).
Teknologi informasi merupakan suatu teknologi yang digunakan untuk mengelola data, memproses, mendapatkan, menyusun, menyimpan data dalam berbagai cara untuk menghasilkan informasi yang berkualitas, yaitu informasi yang relevan, akurat dan tepat waktu, yang digunakan untuk keperluan pribadi, bisnis, swasta dan pemerintah yang
merupakan informasi yang strategis dalam pengambilan keputusan.
Dengan banyaknya pekerjaan yang harus dikerjakan oleh catatan sipil Kota Binjai dan terkadang kebutuhan data yang mendesak, sehingga untuk memprediksi laju pertumbuhan penduduk diperlukan suatu sistem yang dapat memprediksi tingkat laju penduduk tersebut, tingkat perkembangan penduduk Kota Binjai yang semakin meningkat di setiap tahunnya perlu suatu tindakan yang cepat pula untuk memprediksi tingkat perkembangan penduduk saat ini dan untuk tahun- tahun berikutnya.
Pertumbuhan penduduk yang sangat pesat sehingga mempengaruhi perekonomian dan tingkat penganguran disuatu daerah yang
memiliki tingkat pertumbuhan penduduk tersebut. Maka diperlukan sistem ini guna mengetahui daerah-daerah yang kemungkinan besar tingkat pertumbuhan penduduknya sangat tinggi dalam memprediksi jumlah penduduk dan menentukan daerah mana yang akan diberi penyuluhan atau seminar KB(keluarga berencana) agar tingkat pertumbuhan didaerah tersebut stabil.
Jaringan Syaraf Tiruan adalah paradigma pemprosesan suatu informasi yang terinspirasi oleh sistem sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistem pemrosesan informasi (Akim Manaor Hara Pardede, 2016). Peramalan/mempediksi dapat dilakukan dengan berbagai macam cara, salah satunya adalah dengan mengembangkan teknik kecerdasan buatan. Jaringan Syaraf Tiruan dapat menunjukkan sejumlah karakteristik yang dimiliki oleh otak manusia, diantaranya adalah kemampuan untuk belajar dari pengalaman
Jaringan Syaraf Tiruan Backpropagation memiliki kelebihan karena pembelajarnnya dilakukan berulang-ulang sehingga dapat mewujudkan sistem yang tahan akan kerusakan dan konsisten bekerja dengan baik. Dengan menggunakan Jaringan Syaraf Tiruan
Backpropagation diharapkan dapat memberikan
alternatif lain dalam memperkirakan dan memprediksi laju pertumbuhan penduduk di Kota Binjai pada setiap tahunnya.
Dari sebuah referensi jurnal penelitian yang dilakukan oleh Ahmad Revi, Syahrul Ramadan, dkk (2018) dengan judul “Model Jaringan Syaraf Tiruan Dalam Memprediksi Pendapatan Perkapita Masyarakat Perkotaan Pada Garis Kemiskinan Berdasarkan Propinsi”.
Dalam penelitian tersebut memiliki tujuan untuk memberikan kontribusi bagi pemerintah untuk dapat memprediksi pendapat perkapita masyarakat perkotaan
menurut garis kemiskinan berdasarkan propinsi ke depan.
Dari uraian di atas maka dapat dilakukan untuk melakukan penelitian dengan judul “Jaringan Syaraf Tiruan Memprediksi Laju Pertumbuhan Penduduk Kota Binjai Metode
Backpropagation. (Studi Kasus: Dinas
Kependudukan Dan Catatan Sipil di Kota Binjai)”. Dalam penelitian ini bertujuan untuk mengetahui persebaran dan kepadatan penduduk serta merencanakan pembangunan sarana dan prasarana sosial sesuai dengan kondisi kependudukan kota binjai.
LANDASAN TEORI Penelitian Terdahulu
Prediksi sebenarnya mempertimbangkan nilai yang belum terlihat di masa depan berdasarkan data masa lalu. Prediksi adalah proses memprediksi sesuatu dengan memperbaiki tindakan sebelumnya sehingga dapat menghasilkan informasi baru (Abdullah et al., 2019).
Penelitian ini didukung dengan jurnal Teknik ITS “Peramalan Jumlah Produksi Ikan dengan Menggunakan Backpropagation
Neural Network (Studi Kasus: UPTD
Pelabuhan Perikanan Banjarmasin”) yang menyatakan bahwa jumlah hasil produksi tangkapan ikan ini tidak menentu untuk setiap bulannya yang mungkin berdampak pada kegiatan penyediaan es pendingin dan penyediaan air bersih untuk proses produksi ikan.
Jumlah produksi ikan ini akan diramalkan untuk beberapa periode kedepan dengan menggunakan data–data history yang sudah ada dengan menggunakan metode BPNN (Backpropagation Neural Nerwork) yang hasil analisanya dapat digunakan UPTD pelabuhan perikanan ini sendiri sebagai salah satu bahan acuan yang berhubungan dengan kegiatan ini (Razak & Riksakomara, 2017).
Jaringan Syaraf Tiruan
Jaringan Syraf Tiruan (artifical neural
network) merupakan suatu sistem pemrosesan
informasi yang mempunyai karakteristik menyerupai jaringan syaraf biologis. Jaringan Syaraf Tiruan tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia (Tambunan, 2016).
Jaringan Syaraf Tiruan (JST) salah satu cabang ilmu kecerdasan buatan yang merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah (Nafisah et al., 2008).
Backpropagation
Backpropagation adalah algoritma
pembelajaran untuk memperkecil tingkat error dengan cara menyesuaikan bobotnya berdasarkan perbedaan output dan target yang diinginkan (Siang, 2009). Backpropagation juga merupakan sebuah metode sistematik untuk pelatihan multilayer JST. Backpopagation dikatakan sebagai algoritma pelatihan multilayer karena Backpropagation memiliki tiga layer dalam proses pelatihannya, yaitu input layer,
hidden layer dan output layer, dimana
backpropagation ini merupakan perkembangan dari single layer network (Jaringan Layar Tunggal) yang memiliki dua layer, yaitu input
layer dan output layer dengan adanya hidden layer pada backpropagation dapat menyebabkan
besarnya tingkat error pada backpropagation lebih kecil dibanding tingkat error pada single
layer network. Hal tersebut dikarenakan hidden layer pada backpropagation berfungsi
sebagai tempat untuk mengupdate dan menyesuaikan bobot, sehingga didapatkan nilai bobot yang baru yang bisa diarahkan mendekati dengan target output yang diinginkan.
Pelatihan Backpropagation meliputi tiga fase. Fase pertama adalah fase maju, pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur (Siang, 2009). Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit- unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi.
Fase I : Propagasi Maju
Selama propagasi maju, sinyal masukan (=xi) dipropagasikan ke layar tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit layar tersembunyi (=zj) tersebut selanjutnya dipropagasikan maju lagi ke layar tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (=yk).
Berikutnya, keluaran jaringan (=yk) dibandingkan dengan target yang harus dicapai (=tk). Selisih tk - yk adalah kesalahan yang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi.
Fase II : Propagasi Mundur
Berdasarkan kesalahan tk - yk, dihitung faktor δk (k = 1,2 , ... , m) yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang terhubung langsung dengan yk. δk juga dipakai
untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran.
Dengan cara yang sama, dihitung faktor di setiap unit di layar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung.
Fase III : Perubahan Bobot
Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ
neuron di layar atasnya. Sebagai contoh,
perubahan bobot garis yang menuju ke layar keluaran didasarkan atas δk yang ada di unit keluaran.
Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. Algoritma pelatihan untuk jaringan dengan satu layar tersembunyi (dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut : Step 0 :Inisialisasi bobot dan bias.Baik bobot maupun bias dapat diset dengan sembarang angka (acak) dan biasanya angka di sekitar 0 dan 1 atau -1 (bias positif atau negatif)
Step 1 :Jika stopping condition masih belum terpenuhi, jalankan step 2-9.
Step 2 :Untuk setiap data training, lakukan step 3-8
Umpan maju (feedforward)
Step 3 :Setiap unit input (Xi,i=1,…,n) menerima sinyal input xi dan menyebarkan sinyal tersebut pada seluruh unit pada hidden
layer. Perlu diketahui bahwa input xi yang dipakai di sini adalah input training data yang sudah diskalakan.
Step 4 : Setiap hidden unit (Zj,j=1,…,p) akan menjumlahkan sinyal-sinyal input yang sudah berbobot, termasuk biasnya
dan memakai fungsi aktivasi yang telah ditentukan untuk menghitung sinyal output dari hidden unit yang bersangkutan, lalu mengirim sinyal output ini ke seluruh unit pada unit output.
Laju Pertumbuhan penduduk
Laju pertumbuhan penduduk adalah kelahiran, kematian, dan perpindahan. Ketiga komponen tersebut akan menentukan jumlah dan struktur umur penduduk di masa depan. Untuk menentukan masing-masing asumsi diperlukan data yang menggambarkan tren di masa lampau hingga saat ini, faktor-faktor yang mempengaruhi tiap-tiap komponen, dan hubungan antara satu komponen dengan yang lain, termasuk target yang diharapkan dicapai pada masa (Mardiansjah et al., 2018).
Kepadatan penduduk dapat mempengaruhi kualitas hidup penduduknya. Pada daerah dengan kepadatan yang tinggi, usaha peningkatan kualitas penduduk akan lebih sulit dilakukan. Hal ini menimbulkan permasalahan sosial ekonomi, kesejahteraan, Keamanan, ketersediaan lahan, air bersih dan kebutuhan pangan. Dampak yang paling besar adalah kerusakan lingkungan. Semua kebutuhan manusia dipenuhi dari lingkungan, karena lingkungan merupakan sumber alam yang digunakan untuk memenuhi kebutuhan hidup manusia. Kebutuhan tersebut meliputi kebutuhan pangan, air bersih, udara bersih dan kebutuhan lainnya. Ledakan penduduk yang
cepat menimbulkan dampak buruk bagi kehidupan masyarakat terutama dalam bidang sosial ekonomi masyarakat.
Pengertian Flowchart
Menurut Yatini B (2010, h. 29), Flowchart adalah representasi grafis dan langkah-langkah yang harus diikuti dalam menyelesaikan suatu permasalahan yang terdiri dari sekumpulan simbol, dimana masing-masing simbol mempresentasikan kegiatan tertentu. Adapun fungsi masing – masing simbol Flowchart .
Use Case Diagram
Dalam membuat sebuah sistem, langkah awal yang perlu dilakukan adalah menentukan kebutuhan. Terdapat dua jenis kebutuhan, yaitu kebutuhan fungsional dan kebutuhan nonfungsional (Mujilan, 2013). Kebutuhan fungsional adalah kebutuhan pengguna dan
stakeholder sehari- hari yang akan dimiliki
oleh sistem, dimana kebutuhan ini akan digunakan oleh pengguna dan stakeholder. Sedangkan kebutuhan nonfungsional adalah kebutuhan yang memperhatikan hal-hal berikut yaitu performansi, kemudahan dalam menggunakan sistem, kehandalan sistem, keamanan sistem, keuangan, legalitas dan operasional.
Kebutuhan fungsional akan digambarkan melalui sebuah diagram yang dinamakan diagram use case. Use case diagram merupakan pemodelan untuk menggambarkan kelakuan (behaviour) sistem yang akan dibuat. Diagram use case mendeskripsikan sebuah interaksi antara satu atau lebih actor dengan sistem yang akan dibuat. Dengan pengertian yang cepat, diagram use case digunakan untuk mengetahui fungsi apa saja yang ada didalam sebuah sistem dan siapa saja yang berhak menggunakan fungsi-fungsi tersebut. Terdapat beberapa simbol dalam menggambarkan
diagram use case, yaitu use case, aktor dan relasi. Hal yang perlu diingat mengenai diagram use case adalah diagram use case bukan menggambarkan tampilan antarmuka
(user interface), arsitektur dari sistem,
kebutuhan nonfungsional, dan tujuan performansi.
MatLab
MatLab singkatan dari MATrix LABoratory, Matlab adalah software buatan the mathwork inc, yang sangat bermanfaat untuk menyelesaikan berbagai masalah numerik, perangkat lunak ini menawarkan kemudahan dan kesederhanaan dalam menyelesaikan masalah yang berhubungan dengan vektor dan matriks. Memperoleh inversi matriks dan menyelesaikan persamaan linier merupakan contoh permasalahan yang dapat dipecahkan dengan cara yang sangat singkat dan mudah sekali (Sudarsono, 2016). METODOLOGI PENELITIAN
Metodelogi penelitian dilakukan untuk mencari sesuatu secara sistematis dengan menggunakan metode ilmiah dari sumber yang ada. Dalam proses penelitian ini ditunjukkan untuk lebih memberikan hasil yang berarti bagi dinas kependudukan dan catatan sipil. Hasil dari konseptualisasi akan dituangkan menjadi suatu metode penelitian yang lengkap dengan pola studi literature, pengumpulan data yang diperlukan untuk menganalisis sistem prediksi yang akan dibuat yaitu untuk memprediksi laju pertumbuhan penduduk menggunakan metode
backpropagation.
Perancangan Sistem
Pada perancangan sistem jaringan saraf tiruan dengan menggunakan algoritma
Backpropagation. Penelitian ini dilakukan untuk
memprediksi laju pertumbuhan penduduk. Adapun rancangan proses pelatihan dan
pengujian pada jaringan saraf tiruan dapat dilihat pada flowchart dibawah ini:
Gambar 1. Flowchart Proses Sistem Perancangan Proses
Data yang diperlukan dalam proses analisis jaringan saraf tiruan ini adalah hasil data murni dengan mengambil variabel input berupa data pertumbuhan penduduk selama 10 tahun dari 2009 sampai tahun 2018 sebagai input dan total hasilnya adalah output.
Data laju pertumbuhan penduduk menggunakan data selama 10 tahun dari tahun 2009 sampai tahun 2018, data penduduk akan dibagi menjadi dua, data pertama digunakan untuk melatih agar mencapai data yang konvergen. Data yang kedua digunakan sebagai data uji, yaitu data yang belum pernah di latih untuk menghasilkan prediksi laju pertumbuhan penduduk pada tahun yang akan datang. Setiap
data pelatihan menggunakan 3 pola dan memiliki 3 target data latih. Sedangkan data pengujian menggunakan 3 pola dan memiliki 3 target data uji.
Tabel dibawah ini merupakan nilai latih data dan target latih berupa jumlah penduduk di kota binjai tahun 2009-2018.
Selanjutnya menentukan pola masukan data latih dan target latih seperti pada table dibawah ini yaitu nilai data latih dan target latih, berupa jumlah penduduk di kota binjai tahun 2009-2018.
Selanjutnya menentukan pola masukan data latih dan target latih seperti pada table dibawah ini yaitu nilai data latih dan target latih, berupa jumlah penduduk di kota binjai tahun 20016-2018.
Selanjutnya mentransformasi dari nilai masukan data latih dan target latih berdasarkan pertumbuhan penduduk. Dalam penelitian ini menggunakan fungsi aktivasi sigmoid (biner), maka data harus di transformasikan dulu karena range keluaran fungsi aktivasi sigmoid adalah [0,1]. Data bisa ditransformasikan ke interval [0,1]. Tapi akan lebih baik jika ditransformasikan ke interval lebih kecil, misal pada interval [0.1, 0.9]. Ini mengingat fungsi sigmoid merupakan fungsi asimtomik yang nilainya tidak pernah mencapai 0 ataupun 1. Jika a adalah data minimum dan b adalah data maksimum, transformasi linier yang dipakai untuk mentransformasikan data ke interval [0.1, 0.9] adalah :
Keterangan : 0.8 = Ketetapan X’ = Nilai data ke –n
a = Nilai data terendah (data terendah dari setiap input)
b = Nilai data tertinggi (data tertinggi dari setiap input)
Berikut ini tabel hasil transformasi dari nilai masukan data latih dan target latih seperti tabel dibawah ini :
Contoh Perhitungan
Proses secara manual menggunakan data penduduk dikota binjai. yang telah di transformasi dengan perhitungan sebagai berikut.
Pembahasan
Data akan dilatih dengan pengaruh model algoritma jaringan syaraf tiruan. Jumlah data input, jumlah data lapisan tersembunyi dan
output jumlah penduduk dikota binjai yang
digunakan untuk menghasilkan iterasi tercepat dengan nilai-nilai lapisan tersembunyi yang berubah-ubah.
Hasil pelatihan dilakukan melalui dua tahap, yaitu tahap pelatihan data yang dilatih,dan tah5a.p pengujian data yang baru. yang belum pernah dilatih yang teridiri 2 data yaitu jumlah data penduduk kota binjai tahun 2009-2018. Setelah itu, jaringan akan diuji dengan 1 data baru yaitu jumlah data penduduk dikota binjai 2016-2018. Hal tersebut berfungsi untuk menguji seberapa besar jaringan syaraf tiruan dapat mengenali data yang baru.
Data Inputan
Data inputan diambil dari data penduduk dikota binjai 3 tahun yaitu tahun 2016, 2017 dan tahun 2018 yang akan dilatih pada jaringan sebanyak 5 data latih, 5 data target latih dan 4 data sebagai data target. Data tersebut akan digunakan untuk menguji keakuratan sistem dalam mengenali masukan data yang lain. Seluruh data variabel akan dipisahkan menjadi dua bagian, yaitu data masukan dan data keluaran. Data masukan berfungsi sebagai proses pelatihan dan pengujian. Sedangkan keluaran sebagai data target pencapaian proses. Pembahasan Antar Muka
Dalam pembahasan antar muka ini akan dijelaskan mengenai hasil perancangan pemograman yang menggunakan GUI matlab. Adapun rancangan yang dibuat meliputi menu untuk halaman utama, menu JST_Backpro, analisa data, grafik data, info dan help. Halaman utama jaringan syaraf tiruan untuk memprediksi jumlah penduduk dikota binjai. Menu JST
Pada menu Jaringan Syaraf Tiruan
Backpropagation berisi tentang proses penginputan data yang akan dilatih dan diuji menggunakan metode backpropagation. Dengan cara menginputkan data latih dan data target latih, kemudian memilih fungsi aktivasi dan di lanjutkan pada proses penginputan maksimum
epoch, target error dan learning rate
kemudian klik tombol proses pelatihan. Dan langkah selanjutnya proses penginputan data uji setelah selesai klik tombol proses pengujian maka akan mendapat hasil prediksi data. Adapun tampilan menu jaringan syaraf tiruan
backpropagation untuk memprediksi laju
pertumbuhan penduduk dikota binjai menggunakan metode backpropagation.
KESIMPULAN
Berdasarkan hasil penelitian yang telah dilakukan menghasilkan sebuah perangkat lunak (software) yang dapat memprediksi laju pertumbuhan penduduk dengan menggunakan jaringan syaraf tiruan backpropagation. Selama proses perancangan dan implementasi program aplikasi pengenalan pola dapat diambil kesimpulan sebagai berikut:
1. Menganalisa data-data jumlah penduduk dapat dikenali oleh sistem jaringan syaraf tiruan dengan metode backpropagation, hasil dari pengujian ada yang mengalami peningkatan dan penurunan.
2. Hasil prediksi laju pertumbuhan penduduk setelah melakukan proses pelatihan dan pengujian maka hasil prediksi laju pertumbuhan penduduk mengalami penurunan dengan rata-rata hasil prediksi 56516.9637 Dengan adanya aplikasi ini, data hasil pelatihan dan pengujian yang telah diperoleh dapat diketahui informasi mengenai jumlah prediksi laju pertumbuhan penduduk. DAFTAR PUSTAKA
Abdullah, D., Pardede, A. M. H., Umami, L., Manurung, R., Suryani, R., Surya, S., Saddhono, K., Mulyaningsih, I., Sudarsana, I. K., Brata, D., Mahatmaharti, R. A. K., Novziransyah, N., Amalia, A., Effendi, S., Samidah, I., & Murwati, M. (2019). Drug Users Prediction Using Backpropagation EducationalMethod.
Journal of Physics: Conference Series,
1361, 012055.
https://doi.org/10.1088/1742-6596/1361/1/012055
Herdianto. (2013). Prediksi Kerusakan Motor Induksi Menggunakan Metode Jaringan Saraf Tiruan Backpropagation. Tesis,
Fakultas Teknik, Universitas Sumatera Utara.
Mardiansjah, F. H., Handayani, W., & Setyono, J. S. (2018). Pertumbuhan Penduduk Perkotaan dan Perkembangan Pola Distribusinya pada Kawasan Metropolitan Surakarta. Jurnal Wilayah Dan Lingkungan.
https://doi.org/10.14710/jwl.6.3.215-233 Mujilan, A. (2013). Analisis Dan Perancangan
Sistem. Universitas Widya Mandala
Madiun. https://doi.org/10.1086/597550
Nafisah, S., Puspitodjati, S., & Wulandari, S. (2008). Pengklasifikasian Jenis Tanah menggunakan Jaringan Syaraf Tiruan dengan Algoritma Backpropagation.
Seminar Ilmiah Nasional Komputer Dan Sistem Intelligent (KOMMIT 2008).
Pardede, A. M.H., Andrayani, F. W., Nurdin, Abdullah, D., Erliana, C. I., Dana, R. D., Dikananda, A. R., Fasya, F., Rahaningsih, N., Andriani, M., Subekti, P., Elisa, E., Sohibun, Noor Hasan Siregar, M., Ponidi, Winarno, E., & Ketut Sudarsana, I. (2019). Application of Data Mining Prediction of Electricity Deviation Flow Using Metode Backpropogation at PLN Binjai Area. Journal of Physics:
Conference Series.
https://doi.org/10.1088/1742-6596/1363/1/012067
Pardede, Akim Manaor Hara. (2016). Perancangan Sistem Pakar Diagnosa Penyakit Tanaman Kelapa Sawit Dengan Metode Bayes Study Kasus Pt.Ukindo Blankahan Estate. Jurnal KAPUTAMA. https://doi.org/10.21248/contrib.entomol.
13.7-8.894-901
Razak, A., & Riksakomara, E. (2017). Peramalan Jumlah Produksi Ikan dengan Menggunakan Backpropagation Neural Network (Studi Kasus: UPTD Pelabuhan Perikanan Banjarmasin. Jurnal Teknik
ITS.
https://doi.org/10.12962/j23373539.v6i1.2 2129
Siang, J. J. (2009). Jaringan Syaraf Tiruan dan
Pemogramannya Menggunakan Matlab.
CV. Andi Offset.
Sudarsono, A. (2016). Jaringan Syaraf Tiruan Untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode. Media
Infotama.
Tambunan, H. S. (2016). Pengenalan Pola Hiv Dan Aids Menggunakan Algoritma Kohonen Pada Jaringan Syaraf Tiruan Backpropagation. InfoTekJar (Jurnal
Nasional Informatika Dan Teknologi Jaringan).
https://doi.org/10.30743/infotekjar.v1i1.4 4
