Optimisasi Prediksi Angka Harapan Hidup: Memanfaatkan Keunggulan Algoritma Conjugate Gradient Polak-Ribiere Di Sumatera Utara

Abstract

Angka Harapan Hidup (AHH) merupakan salah satu indikator utama yang digunakan untuk menilai tingkat kesehatan penduduk. Menurut Badan Pusat Statistik, AHH pada saat lahir (life expectancy at birth) mengacu pada rata-rata tahun hidup yang diharapkan akan dijalani oleh seorang bayi yang baru lahir pada tahun tertentu. Penelitian ini bertujuan untuk memprediksi AHH menggunakan metode Conjugate Gradient-Backpropagation Polak-Ribiere (TrainCGP). Algoritma TrainCGP ini didasarkan pada arah konjugasi, yang memungkinkan pencarian solusi lebih efisien dan konvergen lebih cepat. Inti dari algoritma ini adalah menentukan arah konjugasi negatif dari gradien dan memanfaatkan arah pencarian terakhir untuk mempercepat proses pelatihan dan meningkatkan akurasi. Data penelitian diambil dari situs web Badan Pusat Statistik untuk periode 2017-2022. Model prediksi yang dianalisis menggunakan algoritma Conjugate Gradient Polak-Ribiere meliputi arsitektur jaringan 5-10-1, 5-55-1, 5-65-1, dan 5-75-1. Hasil analisis melalui perhitungan proses pelatihan dan pengujian menggunakan aplikasi Matlab-2011b menunjukkan bahwa model arsitektur 5-55-1 adalah yang terbaik, dengan Mean Squared Error (MSE) sebesar 0,00000078, dibandingkan dengan model lainnya.