Penentuan Upah Minimum Kota Berdasarkan Tingkat Inflasi Menggunakan Backpropagation Neural Network (BPNN)

Penulis

  • Ervin Yohannes
  • Wayan Firdaus Mahmudy Universitas Brawijaya
  • Asyrofa Rahmi

DOI:

https://doi.org/10.25126/jtiik.201521128

Abstrak

Upah Minimum Kota (UMK) adalah sebuah standardisasi upah atau gaji karyawan atau pegawai untuk diterapkan diperusahaan baik itu BUMN, BUMS, maupun perusahaan lain yang berskala besar. Faktor yang mempengaruhi UMK sangat banyak dan beragam salah satunya adalah rata-rata inflasi pengeluaran dimana terdapat 8 kategori yang dipakai. Tulisan ini memaparkan penggunaan Backpropagation Neural Network (BPNN) untuk memprediksi besarnya UMK. Pada tahap uji coba data dibagi menjadi dua bagian yaitu data latih dan data uji, dimana data latih digunakan untuk mencari jumlah iterasi, jumlah hidden layer, dan nilai learning rate yang optimal. Pengujian data latih memberikan hasil yakni jumlah iterasi optimal diperoleh pada saat iterasi 80, sedangkan untuk jumlah hidden layer yang optimal adalah sebanyak satu hidden layer dan untuk nilai learning rate optimal yakni pada saat bernilai 0.8. Semua variabel yang diperoleh dikatakan optimal karena memiliki rata-rata MSE paling kecil dibandingkan dengan data lainnya. Hasil yang diperoleh saat data uji dengan menggunakan iterasi, jumlah hidden layer, dan nilai learning rate yang optimal didapatkan hasil MSE sebesar 0.07280534710552478.

Downloads

Download data is not yet available.

Referensi

ANGGA, W. W. (2014). Penerapan Algoritma Jaringan Syaraf Tiruan Untuk Prediksi Status Permohonan Hutang Dan Harga Jaminan Hutang Motor. Skripsi, Fakultas Ilmu Komputer.

ANGGRAINY, KHOLIFAH. “Analisis Dampak Kenaikan Upah Minimum Kota (UMK) terhadap Kesempatan Kerja dan Investasi (Studi Kasus pada Kota Malang Periode 2001-2011)”. Jurnal ilmiah. Jurusan Ilmu Ekonomi, Fakultas Ekonomi dan Bisnis, Universitas Brawijaya, Malang, 2013

BABKIN, A. V., KARLINA, E. P., and EPIFANOVA, N. S., “Neural Networks as a Tool of Forecasting of Socioeconomic Systems Strategic Development,” Procedia - Soc. Behav. Sci., vol. 207, pp. 274–279, 2015.

CHEN H., and ZENG, Z., “Deformation Prediction of Landslide Based on Improved Back-propagation Neural Network,” pp. 56–62, 2013.

GAXIOLA, F., MELIN, P., VALDEZ, F., and CASTILLO, O., “Generalized type-2 fuzzy weight adjustment for backpropagation neural networks in time series prediction,” Inf. Sci. (Ny)., vol. 325, pp. 159–174, 2015

HEATON, JEFF. 2005. Introduction to Neural Network for Java, Second Edition. Heaton Research, Inc. St. Louis.

LESTARI, AYU WAFI. “Pengaruh Jumlah Usaha, Nilai Investasi, dan Upah Minimum terhadap Permintaan Tenaga Kerja pada Industri Kecil dan Menengah di Kabupaten Semarang”. Fakultas Ekonomi, Universitas Diponegoro, Semarang, 2011.

LIU, S., XU, L., and LI, D., “Multi-scale prediction of water temperature using empirical mode decomposition with back-propagation neural networks R,” Comput. Electr. Eng., vol. 49, pp. 1–8, 2016.

OU, Y., LIU, Y., and SHIH, F., “Risk prediction model for drivers ’ in-vehicle activities – Application of task analysis and back-propagation neural network,” Transp. Res. PART F, vol. 18, pp. 83–93, 2013

SULISTIAWATI, RINI. “Pengaruh Upah Minimum terhadap Penyerapan Tenaga Kerja dan Kesejahteraan Masyarakat di Provinsi di Indonesia,” vol. 8, pp. 195–211, 2012.

YIN, F., MAO, H., HUA, L., GUO, W., and SHU, M., “Back Propagation neural network modeling for warpage prediction and optimization of plastic products during injection molding.”

Unduhan

Diterbitkan

05-12-2015

Terbitan

Bagian

Teknologi Informasi

Cara Mengutip

Penentuan Upah Minimum Kota Berdasarkan Tingkat Inflasi Menggunakan Backpropagation Neural Network (BPNN). (2015). Jurnal Teknologi Informasi Dan Ilmu Komputer, 2(1), 34-40. https://doi.org/10.25126/jtiik.201521128