Melola Discovery

← Melola Discovery

Jurnal SINTA 2

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

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 2 No. 1 (2015) · pp. 34–40

DOI
10.25126/jtiik.201521128
ISSN
2528-6579, 2355-7699
Published
2015-12-05
Publisher
Fakultas Ilmu Komputer, Universitas Brawijaya
Language
en

Abstract

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.

Collaboration network of the authors

25 authors · 35 co-authorship links

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • University of Brawijaya
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Syaiful AnamUniversity of Brawijaya3
Yusuf Priyo AnggodoUniversity of Brawijaya2
Firnanda Al Islama Achyunda PutraUniversity of Brawijaya1
Fitri UtaminingrumUniversity of Brawijaya1
Ida WahyuniUniversity of Brawijaya1
Hilman Nuril HadiUniversity of Brawijaya1
Rizal Setya PerdanaUniversity of Brawijaya1
Ghenniy RachmansyahUniversity of Brawijaya1
Ria FebriyanaUniversity of Brawijaya1
Vitara Nindya Putri HasanUniversity of Brawijaya1
Mohammad Zoqi SarwaniUniversity of Brawijaya1
Luthfi HidayatUniversity of Brawijaya1
Rifki Setya ArmandaUniversity of Brawijaya1
Garsinia Ely RianiUniversity of Brawijaya1
Fita Lathifatul Mu’asyarohAffiliation unknown1
Agus Wahyu WidodoUniversity of Brawijaya1
Diva KurnianingtyasUniversity of Brawijaya1
Muchammad Chandra Cahyo UtomoUniversity of Brawijaya1
Adyan Nur AlfiyatinUniversity of Brawijaya1
Candra Fajri AnandaUniversity of Brawijaya1
Farhanna Mar’iUniversity of Brawijaya1
Cleoputri YusainyUniversity of Brawijaya1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, first harvested 27 Okt 2026, last seen 27 Okt 2026.
Original metadata (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Penentuan Upah Minimum Kota Berdasarkan Tingkat Inflasi Menggunakan Backpropagation Neural Network (BPNN)</dc:title>
	<dc:creator xml:lang="en">Yohannes, Ervin</dc:creator>
	<dc:creator xml:lang="en">Mahmudy, Wayan Firdaus</dc:creator>
	<dc:creator xml:lang="en">Rahmi, Asyrofa</dc:creator>
	<dc:description xml:lang="id">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.</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2015-12-05</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/128</dc:identifier>
	<dc:identifier>10.25126/jtiik.201521128</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 2 No 1: April 2015; 34-40</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 2 No. 1: April 2015; 34-40</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.201521</dc:source>
	<dc:language>en</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/128/pdf</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2016 Jurnal Teknologi Informasi dan Ilmu Komputer</dc:rights>
</oai_dc:dc>