ADRIAN, IMAM (2023) PERBANDINGAN HASIL PEMODELAN METODE ARTIFICIAL NEURAL NETWORK (ANN) DAN METODE REGRESI NONPARAMETRIK KERNEL (STUDI KASUS DATA DAN INFORMASI KEMISKINAN KABUPATEN/KOTA SELURUH INDONESIA TAHUN 2012). S1 thesis, Universitas Mataram.
Text
SKRIPSI ADRIAN IMAM (G1D015001).pdf Restricted to Repository staff only Download (2MB) |
||
|
Text
JURNAL ADRIAN IMAM (G1D015001).pdf Download (305kB) | Preview |
Abstract
Kemiskinan adalah definisi dari kelompok atau perorangan dakam masyarakat dengan keadaan yang kurang sejahtera dan sulit untuk mencukupi seluruh kebutuhan dasar mereka. Banyak negara di dunia yang menjadikan kemiskinan sebagai masalah inti dari negara tersebut, Indonesia adalah salah satu dari negara berkembang dengan penduduk miskin yang cukup banyak. Persentase penduduk miskin adalah alat ukur untuk mengukur kemiskinan suatu wilayah. Metode yang digunakan untuk memodelkan persentase penduduk miskin adalah Artificial Neural Network (ANN) dan regresi nonparametrik kernel. Penerapan model ANN pada persentase penduduk miskin di Indonesia mempunyai MSE sebesar 0,000027409 dari pembentukan model menggunakan data train dan mempunyai MSE sebesar 0,02794672 dari pengujian model yang diperoleh dari proses training terhadap data test. Penerapan model regresi nonparametrik kernel pada persentase penduduk miskin di Indonesia mempunyai MSE sebesar 0,00162719 dari pembentukan model menggunakan data train dan mempunyai MSE sebesar 0,00017045 dari pengujian model yang diperoleh dari proses training terhadap data test.
Item Type: | Thesis (S1) |
---|---|
Keywords (Kata Kunci): | Regresi Nonparametrik Kernel, Artificial Neural Network (ANN), Mean Square Error (MSE) |
Subjects: | Q Science > QA Mathematics Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
Divisions: | Fakultas Matematika dan ilmu Pengetahuan Alam |
Depositing User: | Meike Megawati |
Date Deposited: | 01 Nov 2023 23:36 |
Last Modified: | 01 Nov 2023 23:36 |
URI: | http://eprints.unram.ac.id/id/eprint/43024 |
Actions (login required)
View Item |