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

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 sara...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autores principales:	Anjar Wanto, Jaya Tata Hardinata
Formato:	article
Lenguaje:	ID
Publicado:	Universitas Negeri Medan 2019
Materias:	estimation, population, poverty, bayesian regulation, industrial revolution 4.0 Electronic computers. Computer science QA75.5-76.95
Acceso en línea:	https://doaj.org/article/6540d2d589d44da18eea37bc85dafa23
Etiquetas:	Agregar Etiqueta Sin Etiquetas, Sea el primero en etiquetar este registro!

id	oai:doaj.org-article:6540d2d589d44da18eea37bc85dafa23
record_format	dspace
spelling	oai:doaj.org-article:6540d2d589d44da18eea37bc85dafa232021-11-27T05:26:26ZESTIMASI PENDUDUK MISKIN DI INDONESIA SEBAGAI UPAYA PENGENTASAN KEMISKINAN DALAM MENGHADAPI REVOLUSI INDUSTRI 4.02502-71312502-714X10.24114/cess.v4i2.13601https://doaj.org/article/6540d2d589d44da18eea37bc85dafa232019-07-01T00:00:00Zhttps://jurnal.unimed.ac.id/2012/index.php/cess/article/view/13601https://doaj.org/toc/2502-7131https://doaj.org/toc/2502-714XKemiskinan 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 datangAnjar WantoJaya Tata HardinataUniversitas Negeri Medanarticleestimation, population, poverty, bayesian regulation, industrial revolution 4.0Electronic computers. Computer scienceQA75.5-76.95IDCESS (Journal of Computer Engineering, System and Science), Vol 4, Iss 2, Pp 198-207 (2019)
institution	DOAJ
collection	DOAJ
language	ID
topic	estimation, population, poverty, bayesian regulation, industrial revolution 4.0 Electronic computers. Computer science QA75.5-76.95
spellingShingle	estimation, population, poverty, bayesian regulation, industrial revolution 4.0 Electronic computers. Computer science QA75.5-76.95 Anjar Wanto Jaya Tata Hardinata ESTIMASI PENDUDUK MISKIN DI INDONESIA SEBAGAI UPAYA PENGENTASAN KEMISKINAN DALAM MENGHADAPI REVOLUSI INDUSTRI 4.0
description	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
format	article
author	Anjar Wanto Jaya Tata Hardinata
author_facet	Anjar Wanto Jaya Tata Hardinata
author_sort	Anjar Wanto
title	ESTIMASI PENDUDUK MISKIN DI INDONESIA SEBAGAI UPAYA PENGENTASAN KEMISKINAN DALAM MENGHADAPI REVOLUSI INDUSTRI 4.0
title_short	ESTIMASI PENDUDUK MISKIN DI INDONESIA SEBAGAI UPAYA PENGENTASAN KEMISKINAN DALAM MENGHADAPI REVOLUSI INDUSTRI 4.0
title_full	ESTIMASI PENDUDUK MISKIN DI INDONESIA SEBAGAI UPAYA PENGENTASAN KEMISKINAN DALAM MENGHADAPI REVOLUSI INDUSTRI 4.0
title_fullStr	ESTIMASI PENDUDUK MISKIN DI INDONESIA SEBAGAI UPAYA PENGENTASAN KEMISKINAN DALAM MENGHADAPI REVOLUSI INDUSTRI 4.0
title_full_unstemmed	ESTIMASI PENDUDUK MISKIN DI INDONESIA SEBAGAI UPAYA PENGENTASAN KEMISKINAN DALAM MENGHADAPI REVOLUSI INDUSTRI 4.0
title_sort	estimasi penduduk miskin di indonesia sebagai upaya pengentasan kemiskinan dalam menghadapi revolusi industri 4.0
publisher	Universitas Negeri Medan
publishDate	2019
url	https://doaj.org/article/6540d2d589d44da18eea37bc85dafa23
work_keys_str_mv	AT anjarwanto estimasipendudukmiskindiindonesiasebagaiupayapengentasankemiskinandalammenghadapirevolusiindustri40 AT jayatatahardinata estimasipendudukmiskindiindonesiasebagaiupayapengentasankemiskinandalammenghadapirevolusiindustri40
_version_	1718409163591122944

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

Ejemplares similares