Peningkatan Akurasi Pada Backpropagation Dengan Teknik Grid Search Terhadap Prediksi Kemiskinan Di Indonesia

Abstract

Kemiskinan merupakan permasalahan sosial yang kompleks dan masih menjadi tantangan besar di berbagai negara, termasuk Indonesia. Prediksi tingkat kemiskinan yang akurat sangat penting untuk mendukung perencanaan kebijakan pemerintah dalam mengurangi jumlah penduduk miskin. Penelitian ini bertujuan untuk meningkatkan akurasi model prediksi kemiskinan dengan menggunakan Jaringan Syaraf Tiruan (JST) berbasis algoritma Backpropagation, yang dioptimalkan melalui teknik Grid Search. Dataset yang digunakan diambil dari Kaggle dan mencakup 13 atribut sosial ekonomi. Proses penelitian terdiri dari enam tahapan, yaitu pengumpulan data, pra-pemrosesan, perancangan model Backpropagation, penerapan Grid Search, pengujian model, dan evaluasi. Hasil eksperimen menunjukkan bahwa model Backpropagation biasa menghasilkan akurasi sebesar 97,0873% dengan nilai loss sebesar 0,1353. Sementara itu, setelah penerapan Grid Search, akurasi meningkat menjadi 99,0291% dengan nilai loss menurun menjadi 0,0666. Hasil ini membuktikan bahwa penerapan Grid Search secara sistematis dapat meningkatkan performa model secara signifikan dalam konteks prediksi kemiskinan.