Perbandingan Metode Backpropagation Neural Network (BPNN) dan Metode Support Vector Machine (SVM) untuk Klasifikasi Penggunaan Metode Kontrasepsi di Kota Bandung 2018

Abdul Gofur Rochman

Abstract


Masalah kependudukan merupakan masalah yang dihadapi oleh semua negara termasuk Indonesia. Tingginya laju pertumbuhan penduduk yang tidak diiringi dengan peningkatan kualitas penduduk akan berpengaruh negatif terhadap tingkat kehidupan dan kesejahteraan penduduk. Untuk mengatasi masalah kependudukan khususnya tingginya laju pertumbuhan penduduk, pemerintah Indonesia mengeluarkan kebijakan program Keluarga Berencana (KB). Kota Bandung sebagai ibu kota Provinsi Jawa Barat merupakan kota besar di Indonesia yang tidak luput dari sasaran Program KB. Berdasarkan data dari BPS, pada tahun 2017 Kota Bandung memiliki jumlah penduduk terbesar keenam di Jawa Barat yaitu sebesar 2.490.622 jiwa. Meskipun jumlah penduduknya terbesar keenam di Jawa Barat, namun ternyata kepadatan penduduk Kota Bandung menempati peringkat kedua setelah Kota Cimahi, yaitu sebesar 14.854,31 jiwa/km2. Oleh karena itu, laju pertumbuhan penduduk di Kota Bandung terus berusaha untuk dikendalikan agar kepadatan penduduknya tidak terus bertambah, sehingga Kota Bandung menjadi salah satu wilayah yang menjadi prioritas program KB. Dalam program KB, metode kontrasepsi merupakan variabel penting yang digunakan untuk menurunkan angka fertilitas. Berdasarkan lama efektifitasnya, metode kontrasepsi diklasifikasikan menjadi dua, yaitu Metode Kontrasepsi Jangka Panjang (MKJP) dan Bukan Metode Kontrasepsi Jangka Panjang (Non MKJP). Klasifikasi digunakan ketika suatu objek perlu diklasifikasikan ke dalam kelas/kelompok/grup yang telah ditetapkan berdasarkan atribut objek tersebut. Saat ini telah banyak berkembang metode data mining untuk mengetahui ketepatan dalam pengklasifikasian suatu objek. Dua diantara metode data mining tersebut adalah metode Neural Network dan metode Support Vector Machine (SVM). Menurut [4], Neural Network memiliki kelebihan dalam hal ketelitian yang sangat tinggi dan kemampuan jaringan untuk mengenali pola. Backpropagation merupakan salah satu bagian dari Neural Network. Backpropagation merupakan metode pelatihan terawasi (supervised learning), dalam artian mempunyai target yang akan dicari. Ciri dari Backpropagation adalah meminimalkan error pada output yang dihasilkan oleh jaringan. Dalam metode backpropagation, biasanya digunakan jaringan multilayer. Sedangkan menurut [7], SVM memiliki keunggulan dibanding metode klasifikasi yang lain yaitu memiliki kemampuan generalisasi yang lebih baik karena dalam SVM tidak hanya memperhitungkan nilai error pada training set tetapi memperhitungkan nilai dari expected error. Berdasarkan analisis yang telah dilakukan diperoleh kesimpulan bahwa metode kontrasepsi yang digunakan dengan menggunakan metode SVM dengan fungsi kernel linier, fungsi kernel radial, dan fungsi kernel polynomial dengan parameter optimal menghasilkan tingkat akurasi masing-masing sebesar 66,83 persen, 71,63 persen, dan 71,36 persen. Sedangkan metode yang paling cocok digunakan dalam klasifikasi akseptor KB di Kota Bandung adalah metode BPNN, karena metode tersebut menghasilkan tingkat akurasi yang paling tinggi dibanding yang lain, yakni 75,84 persen.


Keywords


kontrasepsi; klasifikasi; BPNN; SVM;

Full Text:

PDF

References


Arifin, O dan Sasongko, T.B. 2018. Analisa Perbandingan Tingkat Performansi Metode Support Vector Machine Dan Naïve Bayes Classifier Untuk Klasifikasi Jalur Minat SMA. Jurnal.

Dariyo, A. 2003. Psikologi Perkembangan Dewasa Muda. Gresindo. Jakarta.

Eflan, J.D, 2017. Pemodelan Pemilihan Jenis Kontrasepsi Wanita di Indonesia Menggunakan Regresi Logistik Multinomial Dengan Interaksi. Thesis. Institut Teknologi Sepuluh Nopember. Surabaya

E. Prasetyo, 2012. Data Mining: Konsep dan Aplikasi menggunakan Matlab, 1 ed. Yogyakarta: Andi Offset.

Fibrianda, M.F dan Bhawiyuga,F.,2018. Analisis Perbandingan Akurasi Deteksi Serangan Pada Jaringan Komputer dengan Metode Naïve Bayes Dan Support Vector Machine (SVM). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer. Vol. 2, No. 9, Hal.31123123.

Ibrahim, M and Lan, B.R. Lan. 2007. University Technology Mara Foreign Exchange Market Prediction Using Standard Backpropagation Neural Network.

Johra, M.B, 2018. Penerapan Non-Linier Support Vector Machine Pada Penggunaan Alat Kontrasepsi Di Provinsi Maluku Utara. Jurnal Matematika. Vol. 04, No. 02.

Johra, M.B, 2018. Perbandingan Kernel Trick Pada Non-Linier Support Vector Machine (Studi Kasus: Pemilihan Penolong Persalinan di Provinsi Maluku Utara 2016). Skripsi. Bandung. Universitas Padjajaran.

Karima, I.S, 2014. Optimasi Parameter Pada Support Vector Machine Untuk Klasifikasi Fragmen Metagenome Menggunakan Algoritme Genetika. Thesis. Institut Pertanian Bogor. Bogor

Kusumadewi, S.2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta. Penerbit Graha Ilmu.

Kusumaningrum, A.P, 2017. Optimasi Parameter Support Vector Machine Menggunakan Genetic Algorithm Untuk Klasifikasi Microarray Data. Skripsi. Institut Teknologi Sepuluh Nopember. Surabaya

M. Sokolova dan G. Lapalme, 2009. A Systematic Analysis Of Performance Measures For Classification Tasks. Inf. Process. Manag. Vol. 45, No. 4, Hal. 427–437.

Ningrum, H.C.S, 2018. Perbandingan Metode Support Vector Machine (SVM) Linear, Radial Basis Function (RBF), Dan Polinomial Kernel Dalam Klasifikasi Bidang Studi Lanjut Pilihan Alumni Uii. Skripsi. Yogyakarta. Universitas Islam Indonesia.

Notoatmodjo, S. 2001. Ilmu Kesehatan Masyarakat, Prinsip-Prinsip Dasar. Rineka Cipta.Jakarta

Puspitasari, A.M, dkk, 2018. Klasifikasi Penyakit Gigi Dan Mulut Menggunakan Metode Support Vector Machine. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer. Vol. 2, No. 2, Hal. 802-810.

Proyeksi Penduduk Indonesia 2015-2045 Hasil Supas 2015, 2018. Badan Pusat Statistik. Jakarta.

Proyeksi Penduduk Kabupaten/Kota Provinsi Jawa Barat 2015-2025 Hasil Supas 2015, 2019. Badan Pusat Statistik. Jakarta.

Ramdhani, Y, dkk. 2018. Penerapan Algoritma Neural Network Untuk Klasifikasi Kardiotokografi. Jurnal Informatika, Vol.5, No.01.

Suryanti,Y, 2019. Fakto- Faktor Yang Berhubungan Dengan Penggunaan Metode Kontrasepsi Jangka Panjang Wanita Usia Subur. Jambura Journal Of Health Sciences And Research.

Suwardika, G. 2016. Pengelompokkan Dan Klasifikasi Penggunaan Kontrasepsi Di Indonesia. Jurnal Matematika, Saint, Dan Teknologi, Vol. 17, No. 01, Hal. 9-19.

Todaro, M. 2006. Pengembangan Ekonomi Dunia Ketiga. Edisi Kedelapan. Penerbit Erlangga. Jakarta.

Veronika, 2010. Hubungan Pengetahuan, Pendapatan dan konseling KB dengan Pemilihan Alat Kontrasepsi suntik secara rasional pada akseptor KB di Puskesmas Kampung Baqa Kecamatan Samarinda Seberang Kota Samarinda Tahun 2010. Jurnal Keperawatan. Vol. 1 No. 4:, Hal. 1086-1228


Refbacks

  • There are currently no refbacks.




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

© 2017-2020 | Hak Cipta Dilindungi | Departemen Statistika FMIPA Universitas Padjadjaran | Powered by OJS