MODEL MULTI LAYER PERCEPTRON DAN PARTICLE SWARM OPTIMIZATION UNTUK KLASIFIKASI BANTUAN PERIKANAN TANGKAP

Abstract

Bantuan perikanan tangkap dapat meningkatkan pendapatan nelayan dan berkontribusi bagi negara. Diperlukan klasifikasi dalam pemberian bantuan untuk meningkatkan pemanfaatan bantuan. Masalah yang ada terletak pada tingkat pemanfaatan bantuan yang masih rendah sebesar 50% dari total keseluruhan bantuan yang disalurkan. Penelitian ini menggunakan Machine Learning (ML) untuk mempelajari fitur pada dataset dari kombinasi database Kartu Nelayan dan data Monitoring dan Evaluasi bantuan perikanan tangkap. Proses ML dilakukan dengan Neural Network (NN) model Multi Layer Perceptron (MLP) yang dikombinasikan dengan Particle Swarm Optimization (PSO) menggukalan jumlah data latih yang relatif kecil sejumlah 50 dan dengan distribusi data yang sangat jauh dari normal yaitu dengan rata – rata mean 0,96234 dan standar deviasi 0,62971 yang membuat prorses learning sulit dilakukan, namun model ini mampu memperoleh hasil learning yang baik dengan capaian kualitatif model berupa presisi mencapai 0,80, sensitivitas 0,16 , capaian kuantitatif dengan akurasi lebih dari setengah mencapai 0,56 dan error 0,44 dengan model jaringan dan parameter yang kecil yaitu 1 hidden layer dengan 2 neuron dan 2 neuron pada out layer. Hasil dari penelitian ini sangat disarankan untuk digunakan dalam proses seleksi penyaluran bantuan karena mencapai presisi yang tinggi, sedangkan kecocokan akurasi model dengan persentase pemanfaatan bantuan yang disalurkan sangat dekat sehingga hasil klasifikasi dari model mampu memperkuat fungsi seleksi penyaluran bantuan, hal ini ditunjukan pada proses klasifikasi terhadap 20 (dua puluh) proposal permintaan bantuan dan memprediksi bahwa dari keseluruhan proposal tersebut hanya 4 (empat) proposal yang akan berhasil memanfaatkan bantuan dengan baik. Kata Kunci : Bantuan Perikanan Tangkap, Machine Learning, Neural Network model Multilayer Perceptron, Particle Swarm Optimization Fisher funding assistance can increase fishermen's income and contribute to the country. Classification is needed in providing assistance to increase the utilization of assistance. The problem in utilization of funding that is still low at 50% of the total distributed. This study uses Machine Learning (ML) to learning the features of the dataset from a Fisherman Card databases and data on Monitoring and Evaluation of fisheries assistance. The ML process is carried out with the Multi Layer Perceptron (MLP) Neural Network (NN) model, combined with Particle Swarm Optimization (PSO) using a relatively small amount of training data with 50 record of data and with a very far from normal distribution of data with an average mean of 0,96234 and standard deviation of 0,62971 which makes learning progress difficult, but this model is able to obtain good learning outcomes with qualitative achievement of models in the form of precision reaching 0,80, sensitivity 0,16, quantitative performance with accuracy of more than half reaching 0,56 and error 0,44 with network models and parameters small one hidden layer with 2 neurons and 2 neurons in the out layer. The results of this study are strongly recommended to be used in the selection process of aid distribution because it achieves high precision, while the suitability of model accuracy with the percentage of aid utilization that is channeled very close so that the classification results of the model are able to strengthen the selection of aid distribution function. this is shown in the classification process of 20 (twenty) proposals for assistance requests and predicts that from all of the proposals only 4 (four) proposals will successfully utilize the assistance. Keywords : Fishers Fund Classification, Machine Learning, Multilayer Perceptron Neural Network, Particle Swarm Optimization