PENERAPAN JARINGAN SYARAF TIRUAN UNTUK
MEMPREDIKSI JUMLAH PENGGUNA ALAT KB DI INDONESIA
DENGAN METODE
BACKPROPAGATION
Prionaka Luthfi Mahendra1(201253077), Risal Maulana Failun2(201253078) Wisnu anshori3(201253079), Arytha Apriyantho4(201253106)
Riyan Andriyansah5(201253066)
Mahasiswa Fakultas Teknik, Jurusan Sistem Informasi, Universitas Muria Kudus
Abstrak - Pada instansi pemerintah Badan Keluarga Berencana Dan Pemberdayaan Perempuan (Badan KB Dan PP) di indonesia memiliki data pengguna alat KB. Jumlah pengguna alat KB baru setiap bulan meningkat. Hal ini dapat dilihat dari jumlah kontrasepsi. Pengguna alat KB terdiri dari Kabupaten dan Kota di seluruh Indonesia. Penelitian ini adalah prediksi pengguna alat KB di Indonesia. Jadi teknik yang digunakan untuk penelitian adalah teknik prediksi. Dalam teknik prediksi akan menerapkan jaringan syaraf tiruan (JST) dengan menggunakan metode backpropagation. Penelitian dilakukan dengan menggunakan data pengguna alat KB pada tahun 2007-2009.
Kata Kunci : pengguna alat KB, Jaringan Syaraf Tiruan, Backpropagation
I. PENDAHULUAN
Pengertian Program Keluarga Berencana menurut UU No 10 tahun 1992 (tentang
perkembangan kependudukan dan pembangunan keluarga sejahtera) adalah upaya
peningkatan kepedulian dan peran serta masyarakat melalui Pendewasaan Usia Perkawinan
(PUP), pengaturan kelahiran, pembinaan ketahanan keluarga, peningkatan kesejahteraan
keluarga kecil, bahagia dan sejahtera. Program KB adalah bagian yang terpadu (integral)
dalam program pembangunan nasional dan bertujuan untuk menciptakan kesejahteraan
ekonomi, spiritual dan sosial budaya penduduk Indonesia agar dapat dicapai keseimbangan
yang baik dengan kemampuan produksi nasional [1].
Peserta KB baru adalah pasangan usia subur yang baru pertama kali menggunakan
alat/cara kontrasepsi dan atau pasangan usia subur yang kembali yang menggunakan metode
kontrasepsi setelah melahirkan/keguguran [2].
Setiap bulannya peserta KB baru mengalami peningkatan. Hal tersebut merupakan bukti
bahwa Badan KB dan PP mampu mengendalikan laju pertumbuhan penduduk seperti misi
yang yang telah ada. Salah satu misi tersebut adalah mengendalikan pertumbuhan penduduk
melalui peningkatan kepedulian dan peran serta masyarakat [2]. Sehingga peserta KB baru
perlu diprediksi dengan cepat dan akurat karena untuk mengetahui setiap bulan terjadi
Metode yang digunakan untuk memprediksi adalah Metode Backpropagation.
Backpropagation merupakan suatu pelatihan dengan jenis terkontrol (supervised) dimana
pelatihan tersebut menggunakan pola penyesuaian bobot untuk mencapai nilai kesalahan
yang minimum antara keluaran hasil prediksi dengan keluaran yang nyata [3].
Diharapkan metode Backpropagation dapat memprediksi jumlah peserta KB baru setiap
bulannya dengan hasil yang akurat.
II. PREDIKSI DAN JARINGAN SYARAF TIRUAN
A. Prediksi
Prediksi adalah mempertimbangkan nilai yang belum terlihat pada masa yang akan
datang berdasarkan pola-pola yang terjadi sebelumnya. Prediksi merupakan proses
memperkirakan sesuatu dengan mengoreksi aksi sebelumnya, untuk meramalkan suatu
kondisi dibutuhkan perhitungan yang tepat untuk menjawab permasalahan tersebut.
Perhitungan tersebut dapat menggunakan jaringan saraf tiruan dengan Metode
Backpropagation [4].
B. Peserta KB baru
Peserta KB baru adalah pasangan usia subur yang baru pertama kali menggunakan
alat/cara kontrasepsi dan atau pasangan usia subur yang kembali yang menggunakan metode
kontrasepsi setelah melahirkan/keguguran [2].
C. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan merupakan salah satu representasi buatan dari otak manusia
untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan
artinya adalah digunakan karena jaringan syaraf diimplemintasikan menggunakan program
komputer yang dapat menyelesaikan proses perhitungan selama proses pembelajaran [5].
D. Backpropagation
Backpropagation adalah sebuah metode umum pelatihan Jaringan Syaraf Tiruan
bagaimana melakukan tugas yang diberikan. Algoritma Backpropagation digunakan di layer
feed-forward Jaringan Syaraf Tiruan [3].
Dalam MLP Bakpropagation, algoritma pelatihan mempunyai dua fase.Fase pertama,
vektor pola masukan diberikan pada layer masukan.Jaringan kemudian. Jaringan kemudian
merambatkan pola masukan dari layer masukan ke layer tersembunyi pertama, kemudian
diteruskan ke layer tersembunyi berikutnya sampai nilai keluaran dibangkitkan oleh layer
keluaran. fase kedua, jika nilai pola keluaran berbeda dengan nilai keluaran yang diinginkan,
error akan dihitung, kemudian dirambatkan balik dari layer keluaran sampai kembali ke
Langkah- langkah metode backpropagation :
Langkah 1 : Inisialisasi
Inisisalisasi semua bobot pada layer tersembunyi dan layer keluaran, tetapkan fungsi aktivasi
yang digunakan pada setiap layer. Inisialisasi bisa menggunakan bilangan acak dalam
jangkauan [-0.5, 0.5] atau menggunakan distribusi uniform dalam jangkauan kecil :
Fi adalah jumlah neuron masukan neuron I dalam Jaringan Syaraf Tiruan. Langkah 2 : Aktivasi
Mengaktifkan jaringan dengan menerapkan masukan, X1(p), X2(p),...Xn(p), dan keluaran
yang diharapkan , Yd1(p), Yd2(p), ..., Ydn(p).
a. Hitung keluaran yang didapatkan dari neuron dalam layer tersembunyi :
n adalah jumlah masukan pada neuron j dalam layer tersembunyi
b. Hitung keluaran yang didapatkan dari neuron dalam layer keluaran
m adalah jumlah masukan pada neuron k dalam layer keluaran.
Langkah 3 : Perbarui Bobot
Bobot diperbarui pada saat error dirambatkan balik dalam Jaringan Syaraf Tiruan, error yang
dikembalikan sesuai dengan arah keluarnya sinyal keluaran.
a. Hitung gradien error untuk neuron dalam layer keluaran :
Hitung koreksi bobot :
Perbarui bobot pada neuron layer keluaran :
Hitung koreksi bobot :
Perbarui bobot pada neuron layer tersembunyi:
Langkah 4 : Iterasi
Naikan satu untuk iterasi p, kembali ke langkah 2 dan ulangi proses tersebut sampai kriteria
error tercapai.
III. IMPLEMENTASI
A. Objek Penelitian
Obyek penelitian yang digunakan adalah data pengguna alat KB baru di Indonesia
terdiri dari Kabupaten dan Kota di seluruh Indonesia. Data yang digunakan dari tahun
2007 – 2009. Namun, data yang digunakan sebagai pelatihan data tahun 2007 dan tahun
2008. Data tahun 2009 sebagai data pengujian. Data tahun 2009 digunakan sebagai
pembanding data hasil prediksi tahun 2009 dengan data asli tahun 2009.
B. Metode Pengumpulan Data
Jenis data yang digunakan pada penelitian ini adalah data kuantitatif. Data kuantitatif
merupakan data berupa angka. Data dalam penelitian ini yang digunakan adalah data
pengguna alat KB pada bulan Januari 2007 sampai bulan Desember 2009.. Data kami
peroleh dari http://data.go.id/dataset/persentase-pengguna-alat-keluarga-berencana-kb.
Data yang kami teliti berjumlah 482 record yang terdiri dari seluruh kabupaten dan kota di
Indonesia.
Tabel 1. Sampel data mentah
kode
provinsi nama_provinsi
Kode
kabkota nama_kabkota 2007 2008 2009
11 Prov. Nanggroe
Aceh Darussalam 1101 Kab. Simeulue 73.8 40.83 59.09
11 Prov. Nanggroe
Aceh Darussalam 1102 Kab. Aceh Singkil 73.5 54.33 64.18
11 Prov. Nanggroe
Aceh Darussalam 1103 Kab. Aceh Selatan 64.75 45.87 44.06
11 Prov. Nanggroe
Aceh Darussalam 1104 Kab. Aceh Tenggara 52.91 52.18 61.53
11 Prov. Nanggroe
Aceh Darussalam 1105 Kab. Aceh Timur 56.63 59.78 52.92
11 Prov. Nanggroe
Aceh Darussalam
Aceh Darussalam 1112
Kab. Aceh Barat
Aceh Darussalam 1174 Kota Lhokseumawe 60.01 60.14 71.44
11 Prov. Nanggroe
Aceh Darussalam 1175 Kota Subulussalam 53.09 64.8 59.61
12 Prov. Sumatera
Tabel 2. Sampel data yang sudah diolah
kode
Aceh Darussalam 1101 Kab. Simeulue
0.74 0.46 0.59
11 Prov. Nanggroe
Aceh Darussalam 1102 Kab. Aceh Singkil
0.74 0.61 0.64
11 Prov. Nanggroe
Aceh Darussalam 1103 Kab. Aceh Selatan
0.65 0.52 0.44
11 Prov. Nanggroe
Aceh Darussalam 1104 Kab. Aceh Tenggara
0.53 0.59 0.62
11 Prov. Nanggroe
Aceh Darussalam 1105 Kab. Aceh Timur
0.57 0.67 0.53
11 Prov. Nanggroe
Aceh Darussalam 1106 Kab. Aceh Tengah
0.70 0.94 0.83
11 Prov. Nanggroe
Aceh Darussalam 1107 Kab. Aceh Barat
0.51 0.48 0.43
11 Prov. Nanggroe
Aceh Darussalam 1108 Kab. Aceh Besar
0.47 0.50 0.47
11 Prov. Nanggroe
Aceh Darussalam 1109 Kab. Pidie
0.30 0.44 0.34
11 Prov. Nanggroe
Aceh Darussalam 1110 Kab. Bireuen
0.56 0.44 0.35
11 Prov. Nanggroe
Aceh Darussalam 1111 Kab. Aceh Utara
0.54 0.55 0.52
11 Prov. Nanggroe
Aceh Darussalam 1112
Kab. Aceh Barat Daya
0.56 0.63 0.49
11 Prov. Nanggroe
Aceh Darussalam 1113 Kab. Gayo Lues
0.70 0.83 0.93
11 Prov. Nanggroe
Aceh Darussalam 1114 Kab. Aceh Tamiang
0.64 0.80 0.71
11 Prov. Nanggroe
Aceh Darussalam 1115 Kab. Nagan Raya
11 Prov. Nanggroe
Aceh Darussalam 1116 Kab. Aceh Jaya
0.38 0.47 0.60
11 Prov. Nanggroe
Aceh Darussalam 1117 Kab. Bener Meriah
0.73 0.91 0.84
11 Prov. Nanggroe
Aceh Darussalam 1118 Kab. Pidie Jaya
0.41 0.49 0.46
11 Prov. Nanggroe
Aceh Darussalam 1171 Kota Banda Aceh
0.56 0.62 0.61
11 Prov. Nanggroe
Aceh Darussalam 1172 Kota Sabang
0.56 0.73 0.72
11 Prov. Nanggroe
Aceh Darussalam 1173 Kota Langsa
0.62 0.74 0.72
11 Prov. Nanggroe
Aceh Darussalam 1174 Kota Lhokseumawe
0.60 0.68 0.71
11 Prov. Nanggroe
Aceh Darussalam 1175 Kota Subulussalam
0.53 0.73 0.60
Utara 1205 Kab. Tapanuli Utara
0.42 0.43 0.28
Utara 1209 Kab. Simalungun
C. Implementasi Backpropagation
1. Pelatihan
Pelatihan jaringan dilakukan dengan menggunakan Matlab Tools. Inisiasi model
jaringan yang digunakan adalah sbb :
1) Variabel/parameter yang digunakan sebagai pembentuk jaringan antara lain :
a. jumlah epoch atau iterasi maksimal : 500 iterasi
b. target error : 0,0001
2) Selanjutnya hasil latihan akan disimpan dan diukur akurasinya dengan
dibandingkan dengan target seharusnya.
3) Untuk memvalidasi model NN yang sudah ditraining, dimasukkan data validation
yang akan diukur tingkat akurasinya dibandingkan dengan target data validation tsb.
4) Selanjutnya setelah validasi mencapai angka yang lebih baik atau minimal sama
dengan data training, maka dari jaringan yang sudah dilakukan pelatihan/learning
model tersebut disimpan untuk dapat dilakukan testing terhadap dataset testing yang
sudah diinisiasikan sebelumnya. Hasil testing ini juga akan diukur akurasinya,
dibandingkan dengan target data testing yang seharusnya.
5) Simulasi learning yang dilakukan dapat terlihat pada gambar simulasi berikut :
Gambar 1. Grafik nilai MSE pada pelatihan tahun 2007
Berdasarkan dari hasil pelatihan menggunakan data tahun 2007 nilai MSE didapatkan
Gambar 2. Grafik nilai MSE pada pelatihan tahun 2008
Berdasarkan dari hasil pelatihan menggunakan data tahun 2008 nilai MSE didapatkan
sebesar 0.0083285 pada iterasi ke-147.
Gambar 3. Grafik nilai MSE pada pelatihan tahun 2009
Berdasarkan dari hasil pelatihan menggunakan data tahun 2009 nilai MSE didapatkan
sebesar 0.00019095 pada iterasi ke-159.
IV. PENUTUP
Berdasarkan dari hasil pelatihan menggunakan data tahun 2007 nilai MSE didapatkan
sebesar 0.024469 pada iterasi ke-30. Sedangkan pelatihan dan pengujian data pada tahun 2008
nilai MSE didapatkan sebesar 0.00019095 pada iterasi ke-159. Dengan nilai MSE tersebut
sehingga metode Backpropagation mampu memprediksi dengan baik.
DAFTAR PUSTAKA
[1] Depkes, "1999".
[2] Badan KB dan PP, "Umpan Balik Program KB November 2012," Kabupaten Semarang,
2012.
[3] M.F Andrijasa and Mistianingsih , "Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi
Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma
Pembelajaran Backpropagation," Jurnal Informatika Mulawarman, 2010.
[4] Iriansyah BM Sangadji, "Prediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada
Toko Buku Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation,"
Teknik Informatika STT PLN, 2009.
[5] Abraham Isahk Bekalani, Yudha Arman, and Muhammad Ishak Jumarang, "Prediksi
Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia
Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik," PRISMA FISIKA, vol.
Vol. I, No. 1, p. 41, 2013.
[6] Administrator. (2014, Mei). Persentase Pengguna Alat Keluarga Berencana (KB) .
Retrieved Desember 23, 2014, from data.go.id:
