Neural Network Berbasis Algoritma Genetika untuk Prediksi Kesempatan Kerja
Abstract
ABSTRAK
Kesempatan kerja merupakan aspek kehidupan yang paling dibutuhkan dalam memenuhi kebutuhan hidup manusia. Oleh karena itu perlu diketahui faktor-faktor ekonomi apa saja yang mempengaruhi pertumbuhan kesempatan kerja dengan cara pengelolaan yang tepat untuk mengantisipasi kemungkinan buruk yang dapat mengganggu pertumbuhan kesempatan kerja. Tujuan dari penelitian ini adalah untuk mengetahui akurasi dari prediksi kesempatan kerja dengan menggunakan Neural Network dan pembobotan menggunakan Algoritma Genetika. Hasil penelitian menunjukkan bahwa akurasi yang didapatkan untuk prediksi kesempatan kerja menggunakan Algoritma Neural Network adalah sebesar 87,45 % dengan AUC 0,89 termasuk dalam good classification, sedangkan apabila menggunakan Algoritma Neural Network berbasis Algoritma Genetika untuk pembobotan atribut maka nilai akurasi yang didapatkan adalah sebesar 88,30 % dan AUC 0,92 termasuk dalam excelent classification.
ABSTRACT
Employment is an aspect of life is most needed in meeting human needs. Therefore, please note the economic factors that influence the growth of employment by means of proper management to anticipate the possibility of bad that can interfere with the growth of employment. The purpose of this study was to determine the accuracy of the prediction of employment by using Neural Network and weighting using Genetic Algorithms. The results showed that the prediction accuracy is obtained for employment using Neural Network algorithm is equal to 87.45% with 0.89 AUC included in good classification.
References
S. Lee and W. S. Choi, “A multi-industry bankruptcy prediction model using back-propagation neural network and multivariate discriminant analysis,” Expert Syst. Appl., vol. 40, no. 8, pp. 2941–2946, 2013.
S. Ding, C. Su, and J. Yu, “An optimizing BP neural network algorithm based on genetic algorithm,” Artif. Intell. Rev., vol. 36, no. 2, pp. 153–162, 2011.
M. J. Kim and D. K. Kang, “Classifiers selection in ensembles using genetic algorithms for bankruptcy prediction,” Expert Syst. Appl., vol. 39, no. 10, pp. 9308–9314, 2012.
M. Ridwan, H. Suyono, and M. Sarosa, “Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier,” Eeccis, vol. 7, no. 1, pp. 59–64, 2013.
D. C. P. Buani, “Optimasi Algoritma Naïve Bayes dengan Menggunakan Algoritma Genetika untuk Prediksi Kesuburan (Fertility),” vol. 4, 2016.
R. Rismala, “Penerapan Teknik Klasifikasi pada Sistem Rekomendasi Menggunakan Algortima Genetika,” vol. II, no. 3, 2016.
J. H. dan M. Kamber, “Data Mining: Concepts, Models, and Techniques,” dalam Springer , Verlag Berlin Heidelberg.,” 2011.
F. Gorunescu, “Data Mining: Concept, Models and Tsechniques.pdf.” Springer, 2011.
S. Sukirno, Ekonomi Pembangunan (Edisi Kedua). jakarta: KENCANA Prenada Media Group, 2010.
Hakim Abdul, “Ekonomi Pembangunan (Cetakan Kedua).,” 2004.
Bastian, “Akuntansi Perbankan, Edisi Pertama,” vol. edisi Pert, 2006.
G. N. Mankiw, Principles of Economocs, ??? Edi. Cengage Learning Asia Pte Ltd., 2007.
W. Utomo, “Prediksi Nilai Ujian Nasional Produktif Sekolah Menengah Kejuruan Menggunakan Metode Neural Network,” vol. 14, no. 1, pp. 33–41, 2015.
Prasetyo Eko, Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab, Aldo Sahala, Ed. Yogyakarta: CV. Andi Offset, 2014.
Bishop, “Neural Networks,” Pattern Recognit., 1999.
Apriliyah and A. W. W. M, Wayan Firdaus, “Perkiraan Penjualan Beban Listrik Menggunakan Jaringan Syaraf Tiruan Resilent Backpropogation (RPROP),” vol. 4, no. 32, pp. 14–21, 2008.
N. Yanti, “Penerapan Metode Neural Network Dengan Struktur Backpropagation Untuk Prediksi Stok Obat Di Apotek(Studi Kasus?: Apotek Abc),” Snati, vol. 2011, no. Snati, pp. C15–C20, 2011.
Suyanto, Algoritma Genetika. Yogyakarta: C.V Andi Offset, 2011.
A. M. Zamani and B. Amaliah, “Implementasi Algoritma Genetika pada Struktur Backpropagation Neural Network untuk Klasifikasi Kanker Payudara,” J. Tek. POMITS, vol. 1, no. 1, pp. 1–6, 2012.
M. Bramer, “Principles of Data Mining, ser. Undergraduate Topics in Computer Science,” Vasa, pp. 221–238, 2007.
H. Liu, F. Hussain, C. L. Tan, and M. Dash, “Discretization: An enabling technique,” Data Min. Knowl. Discov., vol. 6, no. 4, pp. 393–423, 2002
