Jurnal Sistem Komputer dan Kecerdasan Buatan Vol I No 2 Tahun 2018 Pemodelan Prediksi Hasil Pilkada Dengan Mengunakan Jaringan Saraf Tiruan Back Propagation Annisa Dayumi1.
Arman2.
Yuti C3.
Saipul Anwar4 Teknik Informatika.
Universitas Tanri Abeng Jalan Swadarma Raya no 58.
Ulujami.
Jakarta Selatan.
Indonesia dayumi@student.
id, arman@student.
id, saipul@tau.
Diterima: 29 Agustus 2017 Disetujui: 22 Desember 2017 Abstract Ai Now days, on dynamic political environment.
PILKADA is one of the hottest issue besides the presidential election.
The proposed application intends to assist the stakeholders to react with the dynamic political environment by providing PILKADA The application is developed based on Artifcial Neural Network framework.
Valid data from Komisi Pemilihan Umum (KPU) dan Lembaga Skala Survei Indonesia (SSI) is used as the training and testing data.
Lavernberg Marquadt is used as the learning algorithm to tune the ANN model parameters.
Based on the simulations, the proposed ANN model based application shows satisfying prediction performance which is indicate by high coefficient correlation (R=0.
In addition.
Lavernberg Marquadt is able to achieve fast convergence which is indicated by low epoch value .
Index TermsAi Artificial Neural Network.
Levernberg Marquadt.
Jaringan Saraf Tiruan.
Back Propagation.
Lavernberg Marquadt.
Gradient Descent
PENDAHULUAN
II.
Beberapa bulan lalu negri ini dihebohkan oleh hiruk pikuk pilkada yang mulai kembali diselenggarakan secara serentak.
Banyak lembaga survey yang membuat penelitian untuk memprediksi hasil pilkada di beberapa daerah di Indonesia.
JARINGAN SARAF TIRUAN
Jaringan Saraf Tiruan adalah sebuah metode komputasi yang meniru cara kerja jaringan saraf biologi mahluk hidup yang memerlukan proses pembelajaran untuk mengenali sesuatu .
Dalam pembangunan model jaringan saraf tiuran ada 3 .
hal mendasar yang harus diperhatikan yaitu arsitektur jaringan, fungsi pembelajaran yang digunakan .
Penelitian ini dilakukan untuk melakukan prediksi hasil pilkada melalui pendekatan yang Model prediksi yang dikembangkan dibangun dengan basis Jaringan Saraf Tiruan (JST).
Arsitektur Jaringan Saraf Tiruan Jaringan Saraf Tiruan sendiri adalah sebuah metode komputasi yang meniru cara kerja jaringan saraf biologi mahluk hidup yang mengenali suatu bentuk pola dari suatu Jaringan Syaraf Tiruan.
Dalam dikembangkan model prediksi berbasis JST Back propagation dengan dua metode pembelajaran yaitu gradient descent dan Lavernberg Marquadt.
Untuk pengujian model yang di susun, dilakukan pengujian dengan data primer yang diperoleh dari KPU dan SSI.
Secara umum jaringan saraf tiruan terdiri atas tiga bagian penting .
yaitu lapisan input, lapisan tersembunyi dan lapisan output.
Pada lapisan tersembunti terdapat dua komponen penting yaitu fungsi penjumlah .
dan fungsi aktivasi .
ctivation functio.
Jurnal Sistem Komputer dan Kecerdasan Buatan Vol I No 2 Tahun 2018 Least-Squares (DLS), memperkirakan hasil berikutnya berdasarkan data Ae data sebelumnya .
ang sudah ad.
Algoritma ini biasanya digunakan dalam menyelesaikan permasalahan non linier yang menggunakan prinsip pencarian nilai minimum berdasarkan jumlah kuadrat terendah.
Gambar 1.
Arsitektur JST.
Sumber (A.
MODEL PREDIKSI
Telah dilakukan pemodelan untuk meprediksi hasil pilkada berdasarkan JST.
Pemodelan ini terkait dengan: penentuan parameter input dan penentuan funngsi aktivasi serta metode pembelajaran yang digunakan.
Signal input akan dikirim ke neuron dengan bobot tertentu yang kemudian hasil keluaran dari fungsi penjumlahan akan dibandingkan dengan sebuah nilai threshold tertentu melalui fungsi aktivasi setiap neuron.
Neuron akan diaktifkan apabila perkalian antar input dan bobot melewati nilai threshold.
Ketika neuron diaktifkan makan neuron akan mengirimkan nilai bobot kesuluruh neuron yang terhubung dengannya maka dari itu akan menghasilkan sebuah keluaran bedasarkan input yang sudah dimaksuk kan.
Berikut adalah parameter input yang digunakan dalam penelitian ini:
Tabel 1.
Parameter Pengukuran Metode Pembelajaran Metode pembelajaran adalah bagian dari JST yang berfungsi sebagai algoritma untuk menentukan dan mengupdate bobot sehingga diperoleh prediksi output yang memiliki error paling kecil .
Terdapat banyak metode atau algoritma pembelajaran yang telah banyak dikembangkan oleh para peneliti pendahulu, seperti gradient descent.
Lavernberg Marquadt.
One Step Secant.
Scaled Conjugate Gradien.
Bayesian Regularization, dan lain sebagainya.
Nama Parameter Kuantifik Pengaruh Partai Pengusung Pengaruh Dinasti Politik Kesamaan keyakinan Visi Misi calon Prosentasi Partisipasi DPT tahanu-tahun sebelumnya Jumlah Semua nilai pada parameter pengukuran diatas di normalisasi sehingga rentang nilai menjadi 0-1 Dalam penelitian ini digunakan dua algoritma pembelajaran yaitu gradient descent dan Lavernberg Marquadt.
Target luaran adalah menang .
dan kalah .
Sehingga pada model prediksi ini memiliki target luaran berbentuk biner.
Metode pembelajaran Gradient Descent Metode pembelajaran yang digunakan adalah metode gradient descent dan Lavernberg Marquadt.
Sedang fungsi aktifasi yang digunakan adalah fungsi sigmoid seperti yang tertera pada persamaan dibawah ini:
Merupakan metode gradient sederhana yang menentukan arah pencarian pada setiap iterasi .
Juga digunakan untuk mencari minimum suatu fungsi, yakni dengan menggunakan nilai negative dari gradient fungsi suatu titik.
Gradient Descent juga dikenal sebagai Steepest Descent.
IV.
Metode Pembelajaran Lavernberg Marquardt
HASIL SIMULASI DAN DISKUSI
Digunakan 24 data primer yang diperoleh dari KPU dan SSI.
Data latih dan data uji digunakan Levenberg-Marquardt Algoritma (LMA atau LM), juga dikenal sebagai metode Damped Jurnal Sistem Komputer dan Kecerdasan Buatan Vol I No 2 Tahun 2018 dengan rasio 50:50.
Dalam Gambar 2 sampai dengan Gambar 5 berikut ditampilkan Gambar 5.
Nilai Koefisien Regresi dengan menggunakan Algoritma pembelajaran Gradient Descent Gambar 2.
Nilai Epoch dengan menggunakan Algoritma pembelajaran LM Pada gambar 2 dan gambar 3 digambarkan performa prediksi hasil pilkada dengan model prediksi berbasis JST dengan metode pebelajaran Lavernberg Marquadt.
Sedangkan pada gambar 4 dan gambar 5 digambarkan performa predisik hasil pilkada dengan model prediksi berbasis JST dengan metode pembelajaran Gradient Descent.
Dapat dilihat bahwa kedua model memberikan performa yang baik, namun demikian metode pembelajaran LM memiliki performa yang jauh lebih baik dengan tingkat epoch yang sangat rendah yaitu 4.
Ini artinya hanya diperlukan 4 iterasi untuk mencapai konvergensi atau error yang diharapkan.
Selain itu nilai koefisian regreasi juga sangat baik yaitu 0.
9999 sangat Gambar 3.
Nilai Koefisien Regresi dengan menggunakan Algoritma pembelajaran LM
SIMPULAN
Telah dilakukan pembangnan model prediksi hasil pilkada berbasis JST dengan dua metode pembelajaran Gradient Descent dan Lavernberg Marquardt.
Beberapa data terkait calon kepala daerah yaitu:Pengaruh Partai Pengusung, dinasti politik, visi misi calon, jumlah parti pengusung, prosentase keikutsertaan DPT pada periode sebelumnya dna kesamaan keyakinan dijadikan parmater input yang mempengarui keluaran biner yang berupa kalah .
atau menang .
Gambar 4.
Nilai Epoch dengan menggunakan Algoritma pembelajaran Gradient Descent
DAFTAR PUSTAKA