Penerapan Artifical Intellegence Radial Basis Function (RBF) dalam memproyeksikan Data Indeks Pembangunan Manusia (IPM) di NTB Menggunakan Software Matlab

Main Article Content

Rani Astikayanti
Siti Lida Haspiani
Wiwin Diyana Safitri
Martin Ruhma Indayani
Lila Wahyuni

Abstract

Abstrak : Dalam menentukan Indeks Pembangunan Manusia di tahun yang akan datang dapat menggunakan peramalan. Dimana dalam melakukan peramalan tersebut terdapat beberapa metode, salah satunya Radial Basis Function (RBF). Metode RBF  ini merupakan bagian dari Artificial Intellegence dengan Network type yang digunakan pada penelitian ini yaitu Radial Basis (fewer network). Untuk melakukan peramalan dengan metode tersebut, diperlukan dua tipe data yaitu data input dan data target guna menghasilkan data output dan data error, dimana penentuannya juga tergantung dari besarnya nilai performance goal dan spread constant. Dalam penelitian ini, data yang digunakan adalah data Indeks Pembangunan Manusia (IPM) NTB tahun 2010-2018 dengan hasil ramalan yang didapatkan tidak jauh dengan nilai data dari tahun sebelumnya. Seperti, Lombok Barat Sebesar 66.7917 dengan error 0.26835; Lombok Tengah 65.0776 dengan error -0.0075804; Lombok Timur 65.1453 dengan error 0.054664; Sumbawa 66.3912 dengan error -0.12115; Dompu 66.9601 dengan error -0.15005; Bima 65.6131 dengan error -0.043123; Sumbawa Barat 70.41 dengan error 6.0736e-07; Lombok Utara 64.1411 dengan error -0.0011034; Mataram 78.73 dengan error 0; dan Bima 74.85 dengan error -2.8422e-14.


Kata kunci : artificial intellegence; radial basis function; network; indeks pembangunan manusia; nusa tenggara barat


Abstract : In determining the Human Development Index in the coming year can use forecasting. Where in doing the forecasting there are several methods, one of which is the Radial Basis Function (RBF). This RBF method is part of Artificial Intelligence with Network type used in this study, namely the fewer network. To do forecasting with this method, it takes two types of data, namely input data and target data to produce output data and data errors, where the determination also depends on the value of the performance goal and spread constant. In this study, the data used is the NTB Human Development Index (HDI) data for 2010-2018 with the forecast results obtained not far from the data values ​​from the previous year. Such as, West Lombok as much as 66.7917 with an error of 0.26835; Central Lombok 65.0776 with error -0.0075804; East Lombok 65.1453 with an error of 0.054664; Sumbawa 66.3912 with error -0.12115; Dompu 66.9601 with error -0.15005; Bima 65.6131 with error -0.043123; Sumbawa Barat 70.41 with an error 6.0736e-07; North Lombok 64.1411 with error -0.0011034; Mataram 78.73 with error 0; and Bima 74.85 with error -2.8422e-14.


Keywords : artificial intelligence; radial base function; network; human development index; West Nusa Tenggara

Article Details

How to Cite
Astikayanti, R., Haspiani, S. L., Safitri, W. D., Indayani, M. R., & Wahyuni, L. (2019). Penerapan Artifical Intellegence Radial Basis Function (RBF) dalam memproyeksikan Data Indeks Pembangunan Manusia (IPM) di NTB Menggunakan Software Matlab. Jurnal Riset Teknologi Dan Inovasi Pendidikan, 2(2), 85-93. Retrieved from http://journal-litbang-rekarta.co.id/index.php/jartika/article/view/134
Section
Articles

References

Apriyanto, F., Sujono, H. A., & Hermanto, L. A. (2016). Klasifikasi Kualitas Pisau Potong Tembakau (CUT CELL) Menggunakan Metode Radial Basis Function (RBF). INTEGER: Journal of Information Technology, 1(2), 22-31.
Ayunda, N. (2017). Analisa Perbandingan Hasil Peramalan Data Time Series dengan Jaringan Syaraf Tiruan RBF dan FRBF. JMPM: Jurnal Matematika dan Pendidikan Matematika, 2(1), 68-77.
Baeti, N. (2013). Pengaruh Pengangguran, Pertumbuhan Ekonomi, dan Pengeluaran Pemerintah Terhadap Pembangunan Manusia Kabupaten/Kota di Provinsi Jawa Tengah Tahun 2007-2011. Economics Development Analysis Journal, 2(3), 85-98.
Meliani, G. R., & Suryadi, A. (2017). GAME ARTIFICIAL INTELEGENT: RAM CITY TOWER DENGAN ALGORITMA A. Jurnal Petik, 3(2), 31-38.
Nasution, H. (2012). Implementasi Logika Fuzzy pada Sistem Kecerdasan Buatan. ELKHA, 4(2), 4-8.
Putra, P. G. M., & Ulupui, I. G. K. A. (2015). Pendapatan Asli Daerah, Dana Alokasi Umum, Dana Alokasi Khusus, Untuk Meningkatkan Indeks Pembangunan Manusia. E-Jurnal Akuntansi, 11(3), 863-877.
Rafflesia, U., & Irawan, M. I. (2010). Perbandingan Performansi Jaringan Learning Vector Quantization (Lvq) Dan Radial Basis Function (Rbf) Untuk Permasalahan Klasifikasi Penyakit Karies Gigi.
Ritonga, A. S., & Atmojo, S. (2018). Pengembangan Model Jaringan Syaraf Tiruan untuk Memprediksi Jumlah Mahasiswa Baru di PTS Surabaya (Studi Kasus Universitas Wijaya Putra). Jurnal Ilmiah Teknologi Informasi Asia, 12(1), 15-24.
Santosa, S., Widjanarko, A., & Supriyanto, C. S. (2016). Model Prediksi Penyakit Ginjal Kronik Menggunakan Radial Basis Function. Pseudocode, 3(2), 163-170.
Wijaya, E. (2013). Analisis Penggunaan Algoritma Breadth First Search Dalam Konsep Artificial Intellegencia. Jurnal TIMES, 2(2).
Yuliana, A., & Surya, I. (2012). Implementasi Algoritma A Star pada Pemecahan Puzzle 8. Jurnal Teknik Informatika, 1, 1-9.