Pengertian Artificial Neural Network

Artificial Neural Network (ANN) merupakan salah satu contoh model non linear yang mempunyai bentuk fungsional fleksibel dan mengandung beberapa parameter yang tidak dapat diinterpretasikan seperti pada model parametrik. ANN juga dikenal dengan kotak hitam (Black Box Technology) atau tidak transparan (opaque) karena tidak dapat menerangkan bagaimana suatu hasil didapatkan. Hal inilah yang membuat ANN mampu digunakan untuk menyelesaikan persoalan yang tidak terstruktur dan sulit didefinisikan.
Wutsqa (2006) dalam laporan penelitiannya menyebutkan bahwa ANN terbentuk dari suatu pengembangan model matematika yang mensimulasikan suatu teknologi intelegensi manusia dengan didasari oleh beberapa asumsi berikut:
a. Proses informasi terjadi pada banyak elemen sederhana yang disebut neuron.
b. Sinyal-sinyal dikirim antar neuron melalui connection-links (sinapsis).
c. Setiap sinapsis mempunyai bobot tertentu, tergantung tipe ANN.
d. Setiap neuron menggunakan fungsi aktivasi yang merupakan penjumlahan dari sinyal-sinyal input untuk menentukan sinyal-sinyal output.
Suhartono (2007) menyatakan bahwa secara umum, aplikasi non linear least squares pada ANN terbagi dalam dua pendekatan untuk meng-update bobot-bobot, yaitu yang dikenal dengan adaptasi off-line dan on-line. Pada adaptasi off-line, bobot-bobot di-update pada setiap pasangan input-output, sedangkan adaptasi on-line atau yang dikenal dengan batch mode, bobot-bobot hanya di-update setelah seluruh pasangan data input-output pada data training terproses.
Wutsqa (2006) menambahkan, ANN merupakan model regresi non linear dimana kompleksitas modelnya dapat diubah-ubah. Pada level kompleksitas yang rendah, ANN hanya terdiri dari satu lapisan input dan satu lapisan output. ANN memungkinkan untuk mengubah kompleksitas jaringan sehingga dapat mengakomodasi efek non linear. Hal ini dilakukan dengan menambahkan satu atau lebih hidden layer pada jaringan.

Estimasi Tingkat Pengangguran Terbuka Level Kecamatan di Kabupaten Lebak Tahun 2008 Menggunakan Feed Forward Neural Network

ABSTRAK

DWI ASIH SEPTI WAHYUNI, “Estimasi Tingkat Pengangguran Terbuka Level Kecamatan di Kabupaten Lebak Tahun 2008 Menggunakan Feed Forward Neural Network”.

ix + 128 halaman

Pengangguran merupakan salah satu persoalan nasional yang sampai saat ini belum berhasil terpecahkan secara optimal. Usaha mengurangi jumlah pengangguran harus dititikberatkan pada daerah-daerah yang memiliki jumlah pengangguran terbanyak agar kebijakan akan tepat sasaran dan efektif. Oleh karena itu, diperlukan informasi yang lebih rinci dan tepat tentang pengangguran pada lingkup yang lebih kecil, seperti kecamatan, dan kelurahan/desa. Pengukuran pengangguran menggunakan data survei akan memberikan akurasi yang baik hanya pada level provinsi dan kabupaten. Permasalahan muncul ketika dari data survei ingin diperoleh informasi pada level yang lebih rendah, seperti kecamatan dan kelurahan/desa. Hal ini akan menyebabkan data survei kurang representatif karena ukuran sampel kurang cukup untuk menghasilkan data yang dapat dipercaya (reliable). Penelitian ini bertujuan untuk memperoleh estimasi pada level kecamatan dengan presisi yang lebih baik yaitu dengan cara menggabungkan data Sakernas dengan Sensus Penduduk atau disebut dengan metode Small Area Estimation. Pembangunan metode ini dilakukan dengan pendekatan Feed Forward Neural Network. Hasil dari penelitian ini menunjukkan bahwa Tingkat Pengangguran Terbuka (TPT) di Kabupaten Lebak tahun 2008 sebesar 12,11 persen. Lima kecamatan di Kabupaten Lebak yang harus mendapatkan perhatian khusus pemerintah Kabupaten Lebak yaitu kecamatan Cibadak, Cukulur, Rangkasbitung, Warunggunung, dan Kalanganyar. Lima kecamatan tersebut memiliki angka TPT yang tinggi, yaitu di atas 15 persen.

Kata Kunci: feed forward neural network, tingkat pengangguran terbuka, small area estimation