Aplikasi Radial Basis Function Network (Rbfn) Pada Prediksi Jumlah Penduduk Kabupaten Banjarnegara

Cherryana Cesta Sandira, Noor Sofiyati

Abstract


Kabupaten Banjarnegara memiliki tantangan dalam mengantisipasi pertumbuhan jumlah penduduk guna mendukung perencanaan kebijakan yang lebih efektif dan sesuai dengan kebutuhan masyarakat. Penelitian ini bertujuan untuk memprediksi jumlah penduduk di Kabupaten Banjarnegara dengan menggunakan metode Radial Basis Function Network (RBFN), yaitu salah satu jenis jaringan syaraf tiruan yang efektif dalam menangani data non-linier. Data yang digunakan merupakan data historis jumlah penduduk selama 10 tahun terakhir yang kemudian dibagi menjadi data latih dan data uji untuk melatih model RBFN. Model ini dievaluasi menggunakan Mean Absolute Percentage Error (MAPE) untuk mengukur tingkat akurasi hasil prediksi. Berdasarkan hasil analisis, metode RBFN menunjukkan kemampuan yang baik dalam memprediksi jumlah penduduk dengan tingkat akurasi yang tinggi. Hasil prediksi menunjukkan jumlah penduduk Kabupaten Banjarnegara pada tahun 2024 sebanyak 1.059.211 jiwa dengan nilai MAPE 0.391033%. Informasi yang dihasilkan diharapkan dapat mendukung perencanaan pembangunan yang lebih efektif dan efisien.

Kata Kunci:  prediksi penduduk, deret waktu, jaringan syaraf tiruan.


References


A. P. Sari, G. Rahmadini, H. Carlina, M. I. Ramadan, and Z. E. Pradani, “Analisis Masalah Kependudukan Di Indonesia.,” J. Econ. Educ., vol. 2, no. 1, pp. 29-37., 2023, [Online]. Available: https://online-journal.unja.ac.id/JEec/article/view/23180

S. Khotijah, S. Samaniyah, L. Sarifah, and F. Faisol, “Peramalan Jumlah Penduduk Kecamatan Pragaan Menggunakan Metode Statistical Staight Line,” Zeta - Math J., vol. 8, no. 2, pp. 55–59, 2023, doi: 10.31102/zeta.2023.8.2.55-59.

A. Azulaidin, “Pengaruh Pertumbuhan Penduduk Terhadap Pertumbuhan Ekonomi,” Juripol, vol. 4, no. 1, pp. 30–34, 2021, doi: 10.33395/juripol.v4i1.10961.

R. N. Gurianto, I. Purnamasari, and D. Yuniarti, “Peramalan Jumlah Penduduk Kota Samarinda dengan Menggunakan Metode Pemulusan Eksponensial Ganda dan Tripel dari Brown,” J. Eksponensial, vol. 7, no. 1, Mei 2016, pp. 23–32, 2016.

P. Kurniawan et al., “Prediksi Jumlah Penduduk Jakarta Selatan Menggunakan Metode Regresi Linear Berganda,” J. Sist. dan Teknol. Inf., vol. 10, no. 4, p. 518, 2022, doi: 10.26418/justin.v10i4.48331.

Mira tania, Ruri Ashari Dalimunthe, and Sri Rezki Maulina Azmi, “Penerapan Metode Single Moving Average Untuk Memprediksi Jumlah Pertumbuhan Penduduk,” Decod. J. Pendidik. Teknol. Inf., vol. 4, no. 2, pp. 452–465, 2024, doi: 10.51454/decode.v4i2.490.

E. N. Sari and T. Mahatma, “Peramalan Jumlah Penduduk Kabupaten Semarang dengan Metode Box-Jenkins,” J. Stat. dan Apl., vol. 5, no. 1, pp. 71–79, 2021.

I. Maemanah, N. Sofiyati, U. Purwokerto-Jl Sultan Agung No, P. Selatan, and J. Tengah, “Peramalan Jumlah Penduduk Desa Pandak Tahun 2022 Dengan Metode Exponential Smoothing Forecasting the Number of Population of Pandak Village in 2022 Using Exponential Smoothing Method,” Sci.Line, vol. 2, pp. 97–105, 2022, [Online]. Available: https://jurnal.unupurwokerto.ac.id/index.php/sciline

R. Aspriyani and N. Istikaanah, “Analisis time series untuk memprediksi jumlah penduduk miskin di Cilacap,” Delta-Pi J. Mat. dan Pendidik. Mat., vol. 12, no. 2, pp. 61–75, 2023, doi: 10.33387/dpi.v12i2.6707.

“Kabupaten Banjarnegara Dalam Angka 2024 - Badan Pusat Statistik Kabupaten Banjarnegara.” Accessed: Jul. 28, 2025. [Online]. Available: https://banjarnegarakab.bps.go.id/id/publication/2024/02/28/af2dd9a8f8e3365a5342a130/kabupaten-banjarnegara-dalam-angka-2024.html

V. Wahyuningrum, “Penerapan Radial Basis Function Neural Network dalam Pengklasifikasian Daerah Tertinggal di Indonesia,” J. Apl. Stat. Komputasi Stat., vol. 12, no. 1, p. 37, 2020, doi: 10.34123/jurnalasks.v12i1.250.

I. Ambarwati, “Metode Radial Basis Function Neural Network (RBFNN) untuk Peramalan Kunjungan Wisatawan dengan Perbandingan Kombinasi Fungsi Pelatihan. PRISMA, Prosiding Seminar Nasional Matematika 6,” Prisma, vol. 6, pp. 687–693, 2023, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/

T. Sitamahalakshmi, A. V. Babu, M. Jagadeesh, and K. V. V. C. Mouli, “Performance Comparison of Radial Basis Function Networks and,” no. February, 2016.

B. Warsito, H. Yasin, and A. R. Hakim, “Komputasi Model Generalized Space Time Autoregressive–Radial Basis Function Network (Gstar-Rbfn),” Pros. Semin. Nas. VARIANSI, pp. 60–66, 2020.

F. Azmi, “Analisis Learning Jaringan Rbf (Radial Basis Function Network)Pada Pengenalan Pola Alfanumerik,” J. TIMES, vol. 5, no. 2, pp. 32–34, 2017, doi: 10.51351/jtm.5.2.2016554.

I. Nabillah and I. Ranggadara, “Mean Absolute Percentage Error untuk Evaluasi Hasil Prediksi Komoditas Laut,” JOINS (Journal Inf. Syst., vol. 5, no. 2, pp. 250–255, 2020, doi: 10.33633/joins.v5i2.3900.

V. Reis and Q. Leithardt, “Insulators Using Enhanced Time Series Forecasting Models,” pp. 1–22, 2022.

D. I. Purnama and O. P. Hendarsin, “Peramalan Jumlah Penumpang Berangkat Melalui Transportasi Udara di Sulawesi Tengah Menggunakan Support Vector Regression (SVR),” Jambura J. Math., vol. 2, no. 2, pp. 49–59, Mar. 2020, doi: 10.34312/jjom.v2i2.4458.

Simon Haykin, “Neural Networks - A Comprehensive Foundation - Simon Haykin.pdf,” 2005.




DOI: http://dx.doi.org/10.24014/jsms.v11i2.36463

Refbacks

  • There are currently no refbacks.


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

Jurnal JSMS

p-ISSN     : 2460-4542 (print)
e-ISSN     : 2615-8663 (online)
Alamat   : Program Studi Matematika
                   Fakultas Sains dan Teknologi, UIN Suska Riau
                   Jl. H.R Soebrantas, No. 155, Tampan, Pekanbaru.
Website : http://ejournal.uin-suska.ac.id/index.php/JSMS
e-mail    : jsmsfst@uin-suska.ac.id

   

 

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