PERAMALAN KASUS PERCERAIAN DENGAN DEEP NEURAL NETWORK DAN SELEKSI FITUR

• MUHAMMAD JA’FAR SHIDIQ
• 14002228

---

ABSTRAK

ABSTRAK

 

 

Nama                   : Muhammad Ja’far Shidiq

NIM                    : 14002228

Program Studi     : Magister Ilmu Komputer

Jenjang                : Strata Dua (S2)

Konsentrasi         : Data Mining

Judul Tesis           : “Peramalan Kasus Perceraian Dengan Deep Neural Network Dan Seleksi Fitur”

 

Perceraian merupakan fenomena sosial yang menarik untuk diteliti, bahkan dibeberapa negara angka perceraian meningkat. Indonesia termasuk pada negara dengan angka perceraian tertinggi di Asia, tercatat tahun 2019 terjadi 604.997 kasus perceraian. Banyak faktor yang dapat menyebabkan perceraian terjadi, salahsatu faktornya karena masalah internal dari pasangan tersebut. Machine learning merupakan metode analisis yang dapat menangani dan memperlajari data dengan pengembangan algoritma komputer sehingga dapat memprediksi bagaimana keluaran di masa depan, atau dengan cara menemukan pola yang tersembunyi pada data. Deep neural network merupakan salahsatu metode yang terkelompok pada algoritma machine learning. Berbagai teknik dapat dilakukan untuk meningkatkan kinerja pada algoritma machine learning, diantaranya dengan melakukan seleksi fitur yang merupakan bagian dari preprocessing data. Dengan seleksi fitur pada dataset divorce predictor datasets, kinerja algoritma deep neural network meningkat sebesar 1.17% pada skor validasi model dan tingkat peramalan sebesar 100%.

 

Kata Kunci : Deep Neural Network, Seleksi Fitur, Perceraian, Prediksi Perceraian

KATA KUNCI

DEEP NEURAL NETWORK

---

DAFTAR PUSTAKA

DAFTAR REFERENSI

 

[1]      J. M. Weaver and T. J. Schofield, “Mediation and moderation of divorce effects on children’s behavior problems,” J. Fam. Psychol., vol. 29, no. 1, pp. 39–48, 2015, doi: 10.1037/fam0000043.

[2]      M. Kalmijn, “How Childhood Circumstances Moderate the Long-Term Impact of Divorce on Father-Child Relationships,” J. Marriage Fam., vol. 77, no. 4, pp. 921–938, 2015, doi: 10.1111/jomf.12202.

[3]      C. Christiansen, J. S. Joensen, and J. Rangvid, “Understanding the effects of marriage and divorce on financial investments: The role of background risk sharing,” Econ. Inq., vol. 53, no. 1, pp. 431–447, 2015, doi: 10.1111/ecin.12113.

[4]      C. R. Tamborini, K. A. Couch, and G. L. Reznik, “Long-term impact of divorce on women’s earnings across multiple divorce windows: A life course perspective,” Adv. Life Course Res., vol. 26, no. 1, pp. 44–59, 2015, doi: 10.1016/j.alcr.2015.06.001.

[5]      Yontem Mustafa Kemal, Adem Kemal, ?lhan Tahsin, and Kilicarlslan Serhat, “Divorce Prediction Using Correlation Based Feature Selection and Artificial Neural Networks,” Nev?ehir Hac? Bekta? Veli Üniversitesi SBE Derg., vol. 9, no. 1, pp. 259–273, 2019.

[6]      J. Li, G. Zhang, H. Yan, L. Yu, and T. Meng, “A Markov logic networks based method to predict judicial decisions of divorce cases,” Proc. - 3rd IEEE Int. Conf. Smart Cloud, SmartCloud 2018, no. 1, pp. 129–132, 2018, doi: 10.1109/SmartCloud.2018.00029.

[7]      I. M. Nasser, “Predicting Whether a Couple is Going to Get Divorced or Not Using Artificial Neural Networks,” Int. J. Eng. Inf. Syst., vol. 3, no. 10, pp. 49–55, 2019, [Online]. Available: www.ijeais.org.

[8]      Y. Liu, C. Labiak, M. Kliemannn, K. Srivastava, and Y. Xiao, “Identification of Promising Couples using Machine Learning,” vol. 2013, pp. 1–7, 2013.

[9]      B. Arpino, M. Le Moglie, and L. Mencarini, “Machine-Learning techniques for family demography?: An application of random forests to the analysis of divorce determinants in Germany,” Res. Expert. Cent. Surv. Methodol., no. 56, p. 32, 2018.

[10]    N. H. Wolfinger, “An Alternative Method of Forecasting Divorce Rates Based on the Parametric Sickle Model,” vol. 0080, 2018.

[11]    S. Goel, S. Roshan, R. Tyagi, and S. Agarwal, “Augur Justice: A Supervised Machine Learning Technique To Predict Outcomes Of Divorce Court Cases,” Proc. IEEE Int. Conf. Image Inf. Process., vol. 2019-Novem, pp. 280–285, 2019, doi: 10.1109/ICIIP47207.2019.8985764.

[12]    N. Hafidz, Sfenrianto, Y. Pribadi, and E. Fitri, “ANN and SVM Algorithm in Divorce Predictor,” Int. J. Eng. Adv. Technol., vol. 9, no. 3, pp. 2523–2527, 2020, doi: 10.35940/ijeat.c5902.029320.

[13]    A. S. B. Asmoro, W. S. G. Irianto, and U. Pujianto, “Perbandingan Kinerja Hasil Seleksi Fitur pada Prediksi Kinerja Akademik Siswa Berbasis Pohon Keputusan,” J. Edukasi dan Penelit. Inform., vol. 4, no. 2, p. 84, 2018, doi: 10.26418/jp.v4i2.29294.

[14]    L. A. A. R. Putri, “Seleksi Fitur Dalam Klasifikasi Genre Musik,” J. Ilmu Komput., vol. 10, no. 1, pp. 19–26, 2017.

[15]    R. E. Pawening, T. Darmawan, R. R. Bintana, A. Z. Arifin, and D. Herumurti, “FEATURE SELECTION METHODS BASED ON MUTUAL INFORMATION FOR CLASSIFYING HETEROGENEOUS FEATURES,” J. Ilmu Komput. dan Inf., vol. 9, no. 2, p. 106, 2016, doi: 10.21609/jiki.v9i2.384.

[16]    I. made B. Adnyana, “Penerapan Feature Selection untuk Prediksi Lama Studi Mahasiswa,” J. Sist. Dan Inform., vol. 13, pp. 72–76, 2019.

[17]    T. W. Cenggoro, B. Mahesworo, A. Budiarto, J. Baurley, T. Suparyanto, and B. Pardamean, “Features importance in classification models for colorectal cancer cases phenotype in Indonesia,” Procedia Comput. Sci., vol. 157, no. September, pp. 313–320, 2019, doi: 10.1016/j.procs.2019.08.172.

[18]    F. Ma’arif and T. Arifin, “Optimasi Fitur Menggunakan Backward Elimination Dan Algoritma SVM Untuk Klasifikasi Kanker Payudara,” J. Inform., vol. 4, no. 1, pp. 46–53, 2017.

[19]    M. F. Nugroho and S. Wibowo, “Fitur Seleksi Forward Selection Untuk Menetukan Atribut Yang Berpengaruh Pada Klasifikasi Kelulusan Mahasiswa Fakultas Ilmu Komputer UNAKI Semarang Menggunakan Algoritma I Bayes,” J. Inform. Upgris, vol. 3, no. 1, pp. 63–70, 2017, doi: 10.26877/jiu.v3i1.1669.

[20]    Reski Yulina Widiastuti, “Dampak perceraian pada perkembangan sosial dan emosional anak usia 5-6 tahun,” PG-Paud Trunojoyo, vol. 2, no. 5, pp. 76–86, 2015.

[21]    A. Suryanto, I. Alfarobi, and T. A. Tutupoly, “Komparasi Algoritma C4.5, I Bayes Dan Random Forest Untuk Klasifikasi Data Kelulusan Mahasiswa Jakarta,” Mitra dan Teknol. Pendidik., vol. iv nomor 1, pp. 2–14, 2018, [Online]. Available: https://www.publikasiilmiah.com/jurnal-mitra-dan-teknologi-pendidikan-volume-iv-nomer-1-februari-2018/.

[22]    M. Azhar Razak and E. Riksakomara, “Forecasting the number of fish production using backpropagation neural network (case study: uptd banjarmasin fisheries port),” J. Eng. ITS, vol. 6, no. 1, pp. 142–148, 2017.

[23]    V. Chandani, F. I. Komputer, and U. D. Nuswantoro, “Komparasi Algoritma Klasifikasi Machine Learning Dan Feature Selection pada Analisis Sentimen Review Film,” J. Intell. Syst., vol. 1, no. 1, pp. 56–60, 2015.

[24]    N. Vecoven and P. Geurts, “Feature selection with deep neural networks,” University of Liege, 2017.

[25]    Julpan, E. B. Nababan, and M. Zarlis, “ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA,” J. Teknovasi, vol. 02, pp. 103–116, 2015.

[26]    F. Gunawan, M. Bettiza, and N. Ritha, “Prediksi Tinggi Muka Air Harian Menggunakan Algoritma Backpropagation (Study Kasus: Sungai Pulai Tanjungpinang) Fredy,” vol. 44, no. 10–12, pp. 160–197, 2016, doi: 10.21608/aafu.2016.14660.

[27]    L. A. Wulandari, “Artificial Neural Network Part 3,” 2018. socs.binus.ac.id/2018/07/17/ann3/ (accessed Jul. 26, 2020).

[28]    S. Zahara, Sugianto, and M. Bahril Ilmiddafiq, “Prediksi Indeks Harga Konsumen Menggunakan Metode Long Short Term Memory (LSTM) Berbasis Cloud Computing,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 3, pp. 357–363, 2019, doi: 10.29207/resti.v3i3.1086.

[29]    L. A. Andika, H. Pratiwi, and S. S. Handajani, “Klasifikasi Penyakit Pneumonia Menggunakan Metode Convolutional Neural Network Dengan Optimasi Adaptive Momentum,” Indones. J. Stat. Its Appl., vol. 3, no. 3, pp. 331–340, 2019.

[30]    A. S. Prabowo, A. Sihabuddin, and A. SN, “Adaptive Moment Estimation On Deep Belief Network For Rupiah Currency Forecasting,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 13, no. 1, p. 31, 2019, doi: 10.22146/ijccs.39071.

[31]    I. Digmi, “Memahami Epoch Batch Size Dan Iteration,” Jan. 25, 2018.

[32]    S. Sena, “Pengenalan Deep Learning Part 3?: BackPropagation Algorithm,” 2017. https://medium.com/@samuelsena/pengenalan-deep-learning-part-3-backpropagation-algorithm-720be9a5fbb8 (accessed Jul. 26, 2020).

[33]    M. Yanto, S. R. Mulyani, and L. Mayola, “Peramalan Jumlah Produksi Air Dengan Algoritma Backpropagation,” Sebatik, vol. 23, no. 1, pp. 172–177, 2019.

[34]    Y. Lecun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015, doi: 10.1038/nature14539.

[35]    A. Rahmansyah, O. Dewi, P. Andini, T. Hastuti, P. Ningrum, and M. E. Suryana, “Membandingkan Pengaruh Feature Selection Terhadap Algoritma Naïve Bayes dan Support Vector Machine,” Semin. Nas. Apl. Teknol. Inf., pp. 1–7, 2018.

[36]    P. Connect, “Apa itu Python dan Fungsinya di Dunia Nyata?,” 2019. https://medium.com/purwadhikaconnect/apa-itu-python-dan-fungsinya-di-dunia-nyata-d5b533117c63 (accessed Jul. 26, 2020).

[37]    S. Sohail, S. Aziz, F. Tahir, S. Haqqui, and A. Hussain, “Implementation of machine learning algorithm on factors effecting divorce rate,” 2018 Int. Conf. Eng. Emerg. Technol. ICEET 2018, vol. 2018-Janua, pp. 1–5, 2018, doi: 10.1109/ICEET1.2018.8338618.

[38]    D. Gunawan, “Evaluasi Performa Pemecahan Database dengan Metode Klasifikasi Pada Data Preprocessing Data mining,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 2, no. 1, p. 10, 2016, doi: 10.23917/khif.v2i1.1749.

[39]    D. P. Kingma and J. L. Ba, “Adam: A method for stochastic optimization,” 3rd Int. Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., pp. 1–15, 2015.

[40]    M. A. D. Suyudi, E. C. Djamal, and A. Maspupah, “Prediksi Harga Saham menggunakan Metode Recurrent Neural Network,” in Seminar Nasional Aplikasi Teknologi Informasi, 2018, pp. 217–257, doi: 10.1007/978-1-4842-3564-5_10.

[41]    H. Fatah and A. Subekti, “PREDIKSI HARGA CRYPTOCURRENCY DENGAN METODE K-NEAREST NEIGHBOURS,” J. Pilar Nusa Mandiri, vol. 14, no. 2, p. 137, 2018, doi: 10.33480/pilar.v14i2.894.

[42]    V. T. Widyaningrum and A. S. Romadhon, “Pengaruh Pemberian Momentum Pada,” Semin. Nas. Sains dan Teknol. 2014, no. November, 2014.

[43]    K. Potdar, T. S., and C. D., “A Comparative Study of Categorical Variable Encoding Techniques for Neural Network Classifiers,” Int. J. Comput. Appl., vol. 175, no. 4, pp. 7–9, 2017, doi: 10.5120/ijca2017915495.

[44]    Z. Fitri, “Analisis Error dan Epoch dengan Pengembangan Adaptive Learning Rate dan Parameter Momentum pada Metode Backpropagation,” J. Infomedia, vol. 3, no. 2, 2018, doi: 10.30811/jim.v3i2.680.