PADA jaman sekarang ini sudah banyak sarana dan
|
|
- Hartanti Darmadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Sistem Tutor Cerdas Menggunakan Metode Bayesian Network Variq 1, Surya Sumpeno 2, Moch. Hariadi 3, Purnama 4 1,2,3,4 Bidang Studi Teknik Komputer dan Telematika Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember, Jl. keputih Sukolilo - Surabaya Abstrak Sistem Tutor Cerdas atau Intelligent Tutoring System (ITS) merupakan sebuah teknologi pembelajaran yang dinamis dan dapat menyesuaikan isi atau output program sesuai dengan kebutuhan dari objek sasaran menggunakan keahliannya dalam metode pembelajaran dan materi yang diajarkan. Hal ini dapat dilakukan karena ITS dilengkapi oleh Artificial Intelligence (AI), dan Bayesian Network adalah metode AI yang digunakan dalam tugas akhir ini. Bayesian Network menyediakan sebuah pendekatan probabilistik untuk mendapatkan suatu inference atau kesimpulan tentang karakteristk setiap pengguna program ITS. Dalam simulasi program ITS berbasis metode Bayesian Network diketahui bahwa keandalan program tersebut adalah 52,3%. Kata Kunci STC, Bayesian Network, Inference I. PENDAHULUAN PADA jaman sekarang ini sudah banyak sarana dan prasarana yang digunakan untuk pembelajaran di lingkup pendidikan. Dan salah satu sarana yang digunakan adalah komputer. Dalam sarana ini, sedang terdapat penelitian tentang program pembelajaran yang dapat berpikir atau dilengkapi dengan AI (Artificial Intelligence) yaitu penelitian tentang Sistem Tutor Cerdas (STC) atau Intelligent Tutoring System (ITS). ITS merupakan sistem pembelajaran dengan menggunakan AI. Artificial Intelligence yang terdapat di ITS seperti knowledge, mekanisme, dan machine learning [1]. Di kelas, seorang guru mengajar dengan pola yang sama kepada semua siswanya. Dan itu tidak efektif karena setiap siswa memiliki karakteristik pengetahuan yang berbeda. ITS adalah kemampuan untuk menyediakan referensi materi pembelajaran yang sesuai dengan pengguna [2]. Dengan itu pembelajaran akan berlangsung lebih efektif dan efisien. harus mempertimbangkan riset-riset lain yang sudah ada. Karena Intelligent Tutoring System adalah sebuah istilah yang luas, mencakup program komputer apapun yang berisi tentang kecerdasan atau Intelligence serta dapat digunakan dalam pembelajaran. Oleh karena itu ada beberapa definisi dari ITS antara lain: Sistem Tutor Cerdas (STC) atau Intelligent Tutoring System (ITS) adalah sebuah program software yang menyediakan instruksi-instruksi untuk seorang pelajar dengan cara membimbing seperti seorang guru. Secara luas Intelligent Tutoring System diartikan sebagai software di bidang pendidikan yang berisi komponen Artificial Intelligence. Software ini dapat merekam semua pekerjaan siswa sepanjang dia menggunakan program ini, dengan mengumpulkan semua informasi tersebut, program ini dapat membuat atau menghasilkan kesimpulan tentang kelemahan dan kekuatan pengguna, serta dapat menyarankan sebuah pekerjaan tambahan [3]. Kunci dari sebuah program ITS adalah kemampuannya dalam beradaptasi sebaik mungkin dalam aktivitas pedagogik yang baik kepada siswa secara individu. Jadi, ITS mencoba untuk mengidentifikasi beberapa karakteristik dari seorang siswa yang sesuai dengan kriteria tertentu untuk menyajikan sebuah action, bagaimana cara bereaksi terhadap beberapa tindakan siswa. Contoh model dari program ITS lihat gambar 1. II. METODOLOGI Rancangan metodologi yang digunakan dalam tugas akhir ini adalah sebagai berikut : 1) Analisa kebutuhan pengguna dan software 2) Perancangan software 3) Implementasi pembuatan software 4) Pengujian program ITS 5) Penyusunan laporan A. Sistem Tutor Cerdas III. DASAR TEORI Saat kita bebicara tentang arti dari Sistem Tutor Cerdas (STC) atau Intelligent Tutoring System (ITS) maka kita juga Gambar 1. Model Program ITS B. Bayesian Network Bayesian Network berasal dari teorema Bayes, teorema Bayes adalah sebuah pendekatan untuk sebuah ketidakpastian yang diukur dengan probabilitas. Teorema ini dikemukakan oleh Thomas Bayes dengan rumus dasar: P (B A) = P (A B)P (B) P (A) Bayesian Network (BN) adalah sebuah Directed Acyclic Graph (DAG) dan dilengkapi dengan Conditional Probability
2 2 distribution Table (CPT) untuk setiap node-nya. Setiap node merepresentasikan sebuah domain variable dan setiap arc/panah antar node merepresentasikan sebuah probabilistic dependency (Pearl, 1988). Secara umum, BN dapat digunakan untuk menghitung probabilitas bersyarat dari suatu node dengan memberi nilai pada node lain yang berhubungan. 1) NAÏVE-BAYES Sebuah Naïve-Bayes Bayesian Network, seperti dibahas dalam (Duda dan Hart, 1973), adalah sebuah struktur sederhana yang mempunyai node terklasifikasi sebagai parent node dari beberapa node yang lainnya (gambar 2). untuk sebuah pengamatan atau hipotesa, atau dengan menyisipkan logika berikutnya ke dalam sebuah pola terintuisi. Contoh kasus dari sebuah inference sederhana seperti di bawah ini: semua A adalah B C adalah A maka, C adalah B D. BAYESIAN NETWORK INFERENCE Pemikiran Bayesian menyediakan sebuah pendekatan probabilistik untuk mendapatkan suatu inference atau kesimpulan [6]. Inference dalam sebuah Bayesian Network didapat dari hubungan setiap node yang ada pada struktur Bayesian tersebut. Untuk setiap perubahan yang terjadi dari sebuah node maka juga akan mempengaruhi nilai probabilitas dari nodenode yang lain, yang secara langsung maupun tidak langsung berhubungan dengan node tersebut. Sebagai contoh perhatikan gambar 4 yang menggambarkan sebuah struktur Bayesian Network tentang penyakit dan penyebabnya. Gambar 2. Struktur Naïve-Bayes Sederhana Perhitungan nilai peluang pada sebuah node dalam struktur Bayesian Network adalah dengan rumus sebagai berikut: Sebagai contoh, bila ada struktur Bayesian Network sederhana seperti pada gambar 3. Gambar 4. Struktur BN Penyakit pada Paru-paru Pada gambar 4, dapat dilihat bahwa node Kanker_paruparu berhubungan secara langsung dengan node Tuberculosis, dan node Tuberculosis berhubungan juga dengan node Mengunjungi_Asia. Dengan asumsi bahwa Tuberculosis adalah salah satu penyebab kanker paru-paru dan mengunjungi Asia dapat meningkatkan peluang terkena Tuberculosis, maka saat nilai peluang true untuk node Mengunjungi_Asia semakin tinggi maka semakin tinggi pula nilai peluang true dari node Kanker_paru-paru. Gambar 3. Contoh BN Sederhana Maka rumus untuk menghitung peluang pada node C atau P(C = True) : dengan: C. INFERENCE αɛ{t rue, F alse} βɛ{t rue, F alse} Inference adalah proses menarik sebuah kesimpulan dengan menerapkan heuristik (didasarkan pada logika, statistik, dll) E. Bayesian Network dalam ITS Penempatan metode Bayesian Network dalam program ITS adalah sebagai artificial intelligence (AI). Dengan memanfaatkan kemampuan Bayesian Network inference, program ITS dapat membuat suatu kesimpulan tentang karakteristik dari pengguna secara individu, dengan cara menerima datadata informasi berupa input dari pengguna tersebut. Dengan mendapatkan input kuantitatif dari pengguna, maka perhitungan dengan menggunakan metode bayesian Network dapat dilakukan. Dan pada akhirnya program akan mendapatkan nilai-nilai secara kuantitatif yang mewakili karakteristik dari pengguna secara individu.
3 3 A. Desain dan Implementasi IV. PEMBAHASAN DESAIN SISTEM 1) Pembagian Topik Bahasa Inggris Pada tugas akhir ini, topik bahasa Inggris yang diambil sebagai mata pelajaran yang digunakan dalam implementasi program ITS. Dan bidang bahasan yang diambil adalah grammar dengan pokok bahasan present tense, past tense, dan future tense. Kemudian pokok bahasan tersebut masih dibagi lagi menjadi empat subtopik utama. Pembagian tersebut yang di susun menjadi sebuah bagan (gambar 5) yang dijadikan dasar pembuatan struktur dari Bayesian Network. Setelah melakukan desain sistem program Intelligent Tutoring System (ITS), tahap selanjutnya adalah implementasi dari desain tersebut. Pada tahap implementasi yang paling penting adalah tahap pembuatan struktur Bayesian Network beserta penentuan Conditional Probability Table (CPT). 1) Struktur Bayesian Network Dari bagan yang menggambarkan pembagian topik dalam pelajaran Bahasa Inggris (gambar 5), dapat dibuat struktur Bayesian Network (gambar 6) yang terbagi menjadi tiga kelompok. Gambar 6. Struktur Bayesian Network Gambar 5. Bagan Pembagian Topik Bahasa Inggris 2) Model Program ITS Untuk memenuhi semua fungsi pada program Intelligent Tutoring System (ITS), sebuah program ITS memiliki bagian-bagian penting (gambar 1) yang harus ada agar fungsinya berjalan dengan baik. Yang berperan sebagai domain knowledge adalah database yang menjadi bank soal atau tempat penyimpanan soal dan jawaban yang akan ditampilkan dalam program ITS. Yang berperan menjadi user model adalah metode Bayesian Network yang akan mengolah data dari pedagogical module untuk memutuskan bagaimana karakteristik pengguna secara individu. Dalam program adaptation module diterapkan dengan adanya proses autolevel pada saat pengguna melakukan ujian lebih lanjut. Proses tersebut merupakan kemampuan beradaptasi dari program untuk menyesuaikan isi dengan kemampuan pengguna. Peran pedagogical module dalam program ini diterapkan dengan penyampaian nilai dan penyampaian referensi materi, yang data-datanya didapat dari domain knowledge, user model dan adaptation module. Peran communications module dalam program ini adalah Graphical User Interface (GUI) yang ada pada program, dengan itu pengguna dapat memasukkan input serta mendapatkan output dari sistem yang ada dalam program ITS. IMPLEMENTASI SISTEM Kelompok ke-1 : Node Q1 - Q12 mewakili 12 pertanyaan yang ada pada setiap sesi tes yang dijalankan oleh program. Kelompok ke-2 : Node R1 - R12 mewakili setiap rule atau setiap subtopik pelajaran Bahasa Inggris. Kelompok ke-3 : PRE adalah node yang mewakili pokok bahasan present tense. PST adalah node yang mewakili pokok bahasan past tense. FUT adalah node yang mewakili pokok bahasan future tense. 2) Implementasi Program ITS Program ini mempunyai tiga level berbeda yaitu: easy, intermediate dan hard. Pada saat program pertama kali dimulai, secara otomatis soal yang ditampilkan atau diujikan adalah level intermediate, untuk ujian selanjutnya level disesuaikan dengan nilai yang didapat oleh setiap pengguna. Dalam tahap implementasi ini ada bagian yang menampilkan soal dan pilihan jawaban (gambar 7), bagian ini juga yang menerima input dari pengguna dengan cara memilih salah satu jawaban dari empat pilihan jawaban yang tersedia. Setelah pengguna sudah memilih salah satu jawaban yang tersedia, pengguna harus menekan tombol next untuk melanjutkan ke soal berikutnya, soal berjumlah dua belas, dan pada soal ke-12 tombol next akan tidak aktif, dan pengguna harus menekan tombol finish maka program menampilkan bagian GUI selanjutnya yang menampilkan hasil dan referensi materi untuk penggu-
4 4 B. Pengujian Gambar 7. Tampilan GUI Bagian Ujian PENGUJIAN AWAL PROGRAM Pengujian ini dilakukan untuk mengetahui keandalan awal dari program ITS yang sudah dibuat. Lebih spesifik lagi, untuk mengetahui proses autolevel yang ada pada program ITS, sudah sesuai dengan desain atau tidak. Tabel I menunjukkan hasil pengujian awal program. Nilai Level Setelah Pengujian PRE PST FUT PRE PST FUT Pengujian ke ,2 5,9 hard inter easy Pengujian ke ,2 25,6 hard inter easy pengujian ke-3 25,4 20,6 80 inter easy inter na (gambar 8), sehingga pengguna dapat mengetahui kelebihan dan kekurangan dirinya dalam menghadapi soal pelajaran Bahasa Inggris. Tabel I HASIL PENGUJIAN AWAL Dari hasil pengujian pada tabel I, proses autolevel berlangsung dengan baik dan sesuai dengan yang diharapkan pada desain dan implementasi program. PENGUJIAN PROGRAM DENGAN SIMULASI Pada tahap pengujian program ITS ini, pengujian dilakukan dengan simulasi seratus user dengan tingkat pengetahuan pelajaran Bahasa Inggris yang berbeda-beda. Tabel II merupakan daftar kecerdasan delapan jenis user serta jumlah setiap jenis user tersebut pada awal simulasi atau pada ujian sesi ke-1. Gambar 8. Tampilan GUI Bagian Hasil Dalam bagian ini ditampilkan hasil berupa skor untuk setiap pokok bahasan pelajaran grammar Bahasa Inggris. Dan juga ditampilkan referensi materi yang harus dipelajari oleh pengguna sebelum mengikuti tes selanjutnya. Jika kita menekan tombol Next Test maka akan dilanjutkan dengan tahap ujian selanjutnya. Untuk ujian selanjutnya, program juga akan melakukan penyesuaian sesuai dengan hasil yang didapat oleh setiap pengguna, yaitu proses autolevel. Autolevel pada program ini akan membuat tingkat kesulitan untuk soal ujian selanjutnya disesuaikan dengan nilai yang didapat oleh setiap pengguna. Nilai dibawah 45 maka level turun satu tingkat. Nilai diatas atau sama dengan 70 maka level naik satu tingkat. Nilai kurang dari 70 dan diatas atau sama dengan 45 maka level tetap. Dalam tugas akhir ini, server yang digunakan adalah server database Derby. Derby ditulis sepenuhnya dalam bahasa pemrograman JAVA. Oleh sebab itu penggunaan database ini sangat mudah diintegrasikan dengan NetBeans IDE 5.5 yang saya gunakan. Database ini saya gunakan sebagai bank soal dan jawaban yang akan digunakan sebagai materi ujian pelajaran Bahasa Inggris untuk mendapatkan informasi spesifik dari setiap pengguna. Jenis User ke- Nilai 1 Nilai 0,5 Nilai 0,5 Nilai 0 Jumlah User 1 95% 2% 2% 1% % 5% 5% 10% % 20% 10% 10% % 25% 20% 5% % 20% 15% 15% % 20% 10% 30% % 10% 10% 60% % 15% 10% 70% 5 Tabel II DAFTAR PROSENTASE KECERDASAN SETIAP User Simulasi ini dilakukan sebanyak lima sesi ujian untuk melihat keandalan program ITS. Dalam asumsi awal ditentukan bahwa: Jenis user ke-1 dan ke-2 : user dengan level kepintaran hard yaitu 15 user. Jenis user ke-3, ke-4 dan ke-5 : user dengan level kepintaran intermediate yaitu 55 user. Jenis user ke-6, ke-7 dan ke-8 : user dengan level kepintaran easy yaitu 30 user. Untuk sesi-sesi selanjutnya prosentase kecerdasan setiap user disesuaikan dengan hasil yang didapat, penyesuaiannya yaitu: Saat user tersebut naik level maka prosentase kecerdasannya diturunkan ke jenis lebih bodoh satu step sesuai dengan tabel II. Saat user tersebut levelnya tetap maka prosentase kecerdasannya tetap. Saat user tersebut turun level maka prosentase kecerdasannya dinaikkan ke jenis lebih pintar satu step sesuai dengan tabel II.
5 5 ANALISA 3) Setelah simulasi sesi ketiga. Dari lima sesi simulasi yang dilakukan didapat analisa sebagai berikut: 1) Setelah simulasi sesi pertama. Gambar 11. Grafik Setelah Simulasi Sesi ke-3 Gambar 9. Grafik Setelah Simulasi Sesi ke-1 Dari gambar 9 didapat hasil seperti pada tabel III yang program ITS setelah simulasi ujian sesi pertama dilakukan. Error Keandalan Program 76% 65% 61% Tabel III DAFTAR Error DAN KEANDALAN PROGRAM SETELAH SESI KE-1 Dari gambar 11 didapat hasil seperti pada tabel V yang program ITS setelah simulasi ujian sesi ketiga dilakukan. Error Keandalan Program 59% 54% 52% Tabel V DAFTAR Error DAN KEANDALAN PROGRAM SETELAH SESI KE-3 4) Setelah simulasi sesi keempat. 2) Setelah simulasi sesi kedua. Gambar 12. Grafik Setelah Simulasi Sesi ke-4 Dari gambar 12 didapat hasil seperti pada tabel VI yang program ITS setelah simulasi ujian sesi keempat dilakukan. Gambar 10. Grafik Setelah Simulasi Sesi ke-2 Dari gambar 10 didapat hasil seperti pada tabel IV yang program ITS setelah simulasi ujian sesi kedua dilakukan. Error Keandalan Program 57% 58% 49% Tabel VI DAFTAR Error DAN KEANDALAN PROGRAM SETELAH SESI KE-4 Error Keandalan Program 61% 57% 63% Tabel IV DAFTAR Error DAN KEANDALAN PROGRAM SETELAH SESI KE-2
6 6 5) Setelah simulasi sesi kelima. Gambar 13. Grafik Setelah Simulasi Sesi ke-5 Dari gambar 13 didapat hasil seperti pada tabel VII yang program ITS setelah simulasi ujian sesi kelima dilakukan. Error Keandalan Program 58% 55% 44% Tabel VII DAFTAR Error DAN KEANDALAN PROGRAM SETELAH SESI KE-5 V. PENUTUP 1) KESIMPULAN Dari pengerjaan tugas akhir yang sudah dilakukan, dapat ditarik beberapa kesimpulan, antara lain : a) Bagian terpenting dari Intelligent Tutoring System (ITS) adalah User Model, karena bagian ini yang akan membuat keputusan tentang bagaimana karakteristik spesifik setiap pengguna. b) Bayesian Network adalah metode Artificial Intelligence (AI) yang digunakan pada bagian User Model dalam program ITS. c) Bagian Adaptation Module yang semakin baik seperti adanya proses autolevel, akan membuat program ITS mendapatkan informasi yang lebih spesifik lagi, sehingga kemampuan bagian User Model dan Pedagogical Module semakin baik. d) Semakin banyak pengguna mengulang tahapan ujian, maka semakin jelas pula informasi karakteristik tentang kemampuan kognitif dari setiap pengguna. e) Setelah dilakukan simulasi program ITS sebanyak 5 sesi, maka keandalan program ITS yang didapat adalah sebagai berikut: i) Untuk pokok bahasan Present Tense : 58% ii) Untuk pokok bahasan Past Tense : 55% iii) Untuk pokok bahasan Future Tense : 44%. f) Secara rata-rata, keandalan program ITS atau Sistem Tutor Cerdas menggunakan metode Bayesian Network adalah 52,3%. 2) SARAN Ada beberapa hal yang disarankan untuk pengembangan implentasi dari program Intelligent Tutoring System (ITS) selanjutnya, antara lain : a) Adanya database yang digunakan untuk menyimpan data tentang kemampuan kognitif setiap pengguna yang disinkronisasikan dengan proses authentication. b) Penentuan nilai Conditional Probability distribution Table (CPT) harus sesuai dengan data statistik yang valid dan akurat, agar program mendapatkan parameter yang sesuai dengan lingkungan pendidikan sebenarnya. REFERENCES [1] Siswanto, Surya Sumpeno, Moch. Hariadi, 2009, Sistem Tutor Cerdas Berbasis Metode Bayesian Network untuk Klasifikasi Autonomous Tingkat Kognisi, Paper Program Pascasarjana Bidang Studi Sistem Komputer, Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember. [2] Ioannis Hatzilygeroudis, Jim Prentzas, 2003, Using a Hybrid Rule-based Approach in Developing an Intelligent Tutoring System with Knowledge Acquisition and Update Capabilities, Departement of Computer Engineering and Informatics, School of Engineering, University of Patras. [3] Arturas Kaklauskas, Ruslanas Ditkevicius, Leonarda, Intelligent Tutoring System for Real Estate Management, Gargasaite International Journal of Strategic Property Management; Jun 2006; 10, 2; ABI/INFORM Global. [4] Jie Cheng, Russell Greiner, Comparing Bayesian Network Classifiers, Department of Computing Science University of Alberta. [5] Aytu rk Keles, Rahim Ocak, Ali Keles, Aslan Gu lcu, 2009, ZOSMAT: Web-based Intelligent Tutoring System for Teaching learning Process, Atatu rk University, TR Erzurum, Turkey. [6] Rui Chang, Wilfried Brauer, Martin Stetter, 2007, Modeling Semantics of Inconsistent Qualitative Knowledge for Quantitative Bayesian Network Inference, Department of Computer Science, Technical University of Munich, Germany. [7] John Eastwood, 2002, Oxford Practice Grammar with Answer, Oxford University Press, New York, USA. Variq Mithri Firdaus dilahirkan di Situbondo pada tanggal 14 Desember 1987, merupakan anak pertama dari dua bersaudara dari pasangan Hasyim Ilyas dan Esy Sekarwati. Ia menempuh pendidikan dasar di SDN 1 Gudang Asembagus, pendidikan menengah pertama di SMP Negeri 3 Jember, dan pendidikan menengah atas di SMA Negeri 1 Jember. Setelah lulus SMA, ia memilih untuk melanjutkan pendidikan tingginya di Jurusan Teknik Elektro, Fakultas Teknologi Industri ITS melalui jalur SPMB pada tahun Saat di bangku kuliah, penulis aktif pada berbagai macam kegiatan kemahasiswaan diantaranya adalah sebagai Panitia Lomba Cipta Elektroteknik Nasional 2008 (LCEN) dan Festival Game Teknologi dan Animasi Indonesia 2008 (FGTA) Teknik Elektro FTI- ITS, sekaligus peserta pada FGTA serta menjadi asisten laboratorium di Laboratorium Telematika (Lab. B-201). Dari berbagai kegiatan tersebut, penulis akhirnya tertarik pada bidang-bidang teknologi informasi.
Struktur Bayesian Network untuk Penentuan Class Karakteristik Siswa pada Sistem Tutor Cerdas
Struktur Bayesian Network untuk Penentuan Class Karakteristik Siswa pada Sistem Tutor Cerdas Ika Widiastuti #1, Ratih Ayuninghemi #2 # Jurusan Teknologi Informasi, Politeknik Negeri Jember Jl. Mastrip
Lebih terperinciIntelligent Tutoring System Untuk Mengukur Kemampuan Kognitif Dalam Fisika Dasar Berbasis Metode Bayesian Network
Vol.2 No.2, November 2017, pp. 40~47 ISSN: 2527-449X E-ISSN: 2549-7421 40 Intelligent Tutoring System Untuk Mengukur Kemampuan Kognitif Dalam Fisika Dasar Berbasis Metode Bayesian Network Miftah Farid
Lebih terperinciAlgoritma Bayesian Network Untuk Simulasi Prediksi Pemenang PILKADA Menggunakan MSBNx
Algoritma Bayesian Network Untuk Simulasi Prediksi Pemenang PILKADA Menggunakan MSBNx Andi Lukman Dosen Teknik Informatika STIMED Nusa Palapa Makassar, Indonesia uke@stimednp.ac.id Muh Nadzirin Anshari
Lebih terperinciINTELLIGENT TUTORING SYSTEM UNTUK PEMBELAJARAN BAHASA PEMROGRAMAN BERBASIS BAYESIAN NETWORK DI STMIK WIDYA PRATAMA PEKALONGAN
INTELLIGENT TUTORING SYSTEM UNTUK PEMBELAJARAN BAHASA PEMROGRAMAN BERBASIS BAYESIAN NETWORK DI STMIK WIDYA PRATAMA PEKALONGAN Taryadi Komputerisasi Akuntansi, STMIK Widya Pratama Jalan Patriot No. 25,
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN
31 BAB 3 ANALISA DAN PERANCANGAN 3.1 Analisis Permasalahan Besarnya tingkat kesalahan dalam pemilihan jurusan sudah pasti membawa kerugian yang besar. Tidak hanya materi, tapi waktu juga ikut terbuang.
Lebih terperinciPENGEMBANGAN ALGORITMA CB UNTUK KONSTRUKSI STRUKTUR BAYESIAN NETWORK DARI DATA TIDAK LENGKAP
PENGEMBANGAN ALGORITMA CB UNTUK KONSTRUKSI STRUKTUR BAYESIAN NETWORK DARI DATA TIDAK LENGKAP Humasak Tommy Argo Simanjuntak 1) Manajemen Informatika, Politeknik Informatika Del Jl. Sisingamangaraja, Sitoluama,
Lebih terperinciBAB I PENDAHULUAN. WebGL adalah standar web untuk pemrograman grafik yang menggunakan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah WebGL adalah standar web untuk pemrograman grafik yang menggunakan standar OpenGL ES 2.0. Standar ini diperkenalkan sebagai standar yang harus diikuti semua
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) LEARNING BAYESIAN NETWORK PADA GAME SPORT PINGPONG
80 LEARNING BAYESIAN NETWORK PADA GAME SPORT PINGPONG Prama Azaria Nurhalim Putra 1, Nelly Indriani Widiastuti 2 Program Studi Teknik Informatika. Universitas Komputer Indonesia. Jl. Dipatiukur 112 114
Lebih terperinciAkhmad Arif Dosen Pembimbing: Diah Puspito Wulandari, ST., MSc.
SISTEM TUTOR CERDAS DENGAN PENDEKATAN BERBASIS ATURAN UNTUK MEMPELAJARI KALIMAT MAJEMUK DALAM BAHASA INGGRIS Akhmad Arif 2209105085 Dosen Pembimbing: Diah Puspito Wulandari, ST., MSc. Daftar Isi Latar
Lebih terperinciGAME CATUR JAWA WITH REINFORCEMENT LEARNING
GAME CATUR JAWA WITH REINFORCEMENT LEARNING Muhammad Fauzy Teknik Informatika Politeknik Elekronika Negeri Surabaya Institut Teknologi Sepuluh Nopember Surabaya Email: fauze86@gmail.com, ABSTRAK Kecerdasan
Lebih terperinciREKAYASA PERANGKAT LUNAK DETEKSI DINI KECENDERUNGAN GANGGUAN KESEHATAN MASYARAKAT TERTINGGAL DAN PESISIR DENGAN BAYESIAN NETWORK
REKAYASA PERANGKAT LUNAK DETEKSI DINI KECENDERUNGAN GANGGUAN KESEHATAN MASYARAKAT TERTINGGAL DAN PESISIR DENGAN BAYESIAN NETWORK Ilham, Dwi Rolliawati Universitas Muhammadiyah Gresik, Jl.Sumatra 101 GKB
Lebih terperinciSistem Deteksi Kemiripan antar Dokumen Teks Menggunakan Model Bayesian pada Term Latent Semantic Analysis (LSA)
Tugas Akhir Sistem Deteksi Kemiripan antar Dokumen Teks Menggunakan Model Bayesian pada Term Latent Semantic Analysis (LSA) Oleh: Danang Wahyu Wicaksono (1210100027) Pembimbing: 1. Prof. DR. Mohammad Isa
Lebih terperinciBAB I PENDAHULUAN. Mesin inferensi konvensional pada umumnya dikembangkan menggunakan
BAB I PENDAHULUAN 1.1. Latar Belakang Mesin inferensi konvensional pada umumnya dikembangkan menggunakan pendekatan Rule-Based System di mana dalam proses pengembangannya menggunakan banyak sekali conditional
Lebih terperinciKajian Arsitektur Intelligent Tutoring System (ITS) dengan Pendekatan Bayesian Network
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Kajian Arsitektur Intelligent Tutoring System (ITS) dengan Pendekatan Bayesian Network IKP Suniantara 1, M. Rusli 2 STMIK
Lebih terperinciBAB I PENGANTAR KECERDASAN BUATAN
BAB I PENGANTAR KECERDASAN BUATAN 1. 1 DEFINISI Kecerdasan buatan (Artificial Intelligence) : Bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan pekerjaan seperti
Lebih terperinciPengenalan Kecerdasan Buatan (KB)
Pengenalan Kecerdasan Buatan (KB) Pengertian Kecerdasan Buatan VS Kecerdasan Alami Komputasi KB VS Komputasi Konvensional Sejarah KB Lingkup KB Soft Computing Referensi Luger & Stubblefield - bab 1 Sri
Lebih terperinciARTIFICIAL INTELLIGENCE / AI (Kecerdasan Buatan)
ARTIFICIAL INTELLIGENCE / AI (Kecerdasan Buatan) Definisi : - Awalnya komputer difungsikan sebagai alat hitung. - Seiring dengan perkembangan jaman, komputer diharapkan dapat diberdayakan untuk mengerjakan
Lebih terperinciIMPLEMENTASI DAN PERANCANGAN APLIKASI PADA PERENCANAAN BANTALAN DAN BEARING
Jurnal POROS TEKNIK Volume 8, No. 2, Desember 2016 :55-103 ISSN 2085-5761 (Print) IMPLEMENTASI DAN PERANCANGAN APLIKASI PADA PERENCANAAN BANTALAN DAN BEARING Asrul Sudiar (1) asrulsudiar@poliban.ac.id
Lebih terperinciSISTEM PAKAR PENILAIAN PENGUASAAN MATERI PELAJARAN BERBASIS WEBSITE DENGAN METODE BAYESIAN NETWORK (Studi Kasus di SMA Angkasa Yogyakarta)
ALGORITMA MASIH MUSLIATUN (MM) UNTUK MENDUKUNG SISTEM OTOMATISASI PENDAFTARAN PRAKTIKUM DENGAN PENGUJIAN PADA JARINGAN KOMPUTER (STUDI KASUS DI STTA YOGYAKARTA) SISTEM PAKAR PENILAIAN PENGUASAAN MATERI
Lebih terperinciKecerdasan Buatan (Artificial Intelligence) Muhammad Dahria
Kecerdasan Buatan (Artificial Intelligence) Muhammad Dahria Abstrak Kecerdasan Buatan (Artificial Intelligence) merupakan salah satu bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer)
Lebih terperinciPERANCANGAN SISTEM PAKAR UNTUK PENENTUAN JURUSAN DENGAN MENGGUNAKAN PENDEKATAN BAYESIAN NETWORK
PERANCANGAN SISTEM PAKAR UNTUK PENENTUAN JURUSAN DENGAN MENGGUNAKAN PENDEKATAN BAYESIAN NETWORK EDWIEN SYAHRIAL MUCHTAR Jakarta, 082123474755, edwiensyahrial@ymail.com ANDRE GIOVAN Jakarta, 081310396049,
Lebih terperinciREKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER
REKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER Titis Suwartiningsih (11 1065 1116) 1, Bagus Setya Rintyarna,
Lebih terperinciKecerdasan Buatan dalam Game untuk Merespon Emosi dari Teks Berbahasa Indonesia Menggunakan Klasifikasi Teks dan Logika Fuzzy
Kecerdasan Buatan dalam Game untuk Merespon Emosi dari Teks Berbahasa Indonesia Menggunakan Klasifikasi Teks dan Logika Fuzzy Mitra Istiar Wardhana 1), Surya Sumpeno 2), Mochamad Hariadi 3) 1,2 Pasca Sarjana
Lebih terperinciBEASISWA DEPKOMINFO. Departemen Komunikasi dan Informasi (Depkominfo) RI. Bekerjasama dengan
BEASISWA DEPKOMINFO Departemen Komunikasi dan Informasi (Depkominfo) RI Bekerjasama dengan Institut Teknologi Sepuluh Nopember (ITS) Jurusan Teknik Elektro FTI Membuka Program S-2 (Magister Teknik) Telekomunikasi
Lebih terperinciBAB I PENDAHULUAN. dilakukan secara sadar dengan cara menganalisa kemungkinan - kemungkinan
BAB I PENDAHULUAN I.1. Latar Belakang Keputusan adalah suatu reaksi terhadap beberapa solusi alternatif yang dilakukan secara sadar dengan cara menganalisa kemungkinan - kemungkinan dari alternatif tersebut
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang. Cepatnya perkembangan ilmu pengetahuan di era Teknologi Informasi
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Cepatnya perkembangan ilmu pengetahuan di era Teknologi Informasi sekarang ini secara tidak langsung membawa dampak kepada sistem pendidikan kita. Hal itu terbukti
Lebih terperinciArtificial intelligence
Artificial intelligence Team teaching: Sri Winiarti, Andri Pranolo, dan Anna Hendri SJ Andri Pranolo W : apranolo.tif.uad.ac.id M : 081392554050 E : andri.pranolo@tif.uad.ac.id Informatics Engineering,
Lebih terperinci@UKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Selama ini komputer dapat dipakai untuk membantu orang dalam memecahkan masalah. Semakin cerdas sistem itu dan semakin ditingkatkan level penanganan informasinya,
Lebih terperinciKECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE) By :Suthami A.
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE) By :Suthami A. Definisi Kecerdasan buatan (Artificial Intelligence) : Bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan
Lebih terperinciGame NIM with Reinforcement Learning ABSTRAK
Game NIM with Reinforcement Learning Kresna Ade Putra Teknik Informatika Politeknik Elekronika Negeri Surabaya Institut Teknologi Sepuluh Nopember Surabaya Email: kresnoado@ymail.com, ABSTRAK Kecerdasan
Lebih terperinciKecerdasan Buatan/ Artificial Intelligence
Kecerdasan Buatan/ Artificial Intelligence Bayesian Network Imam Cholissodin, S.Si., M.Kom. Pokok Bahasan 1. Syntax & Semantics 2. Compact conditional distributions 3. Efficient Inference 4. Latihan Individu
Lebih terperinciBAB I PENDAHULUAN. orang tua yang dapat menghambat pengetahuan anak. Masalah tersebut akan
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Banyak orang tua mempunyai pengertian terbatas mengenai proses pengetahuan anak, sehingga sering terjadi pengetahuan yang tidak diketahui oleh orang tua yang
Lebih terperinciIMPLEMENTASI DAN PENGUJIAN
BAB. V. IMPLEMENTASI DAN PENGUJIAN V.1 Implementasi SIDAMIBAYES Hasil perancangan yang telah dilakukan pada pada tahap perancangan selanjutnya akan diimplementasi menjadi program/perangkat lunak yang siap
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA 25 BAB IV HASIL DAN UJI COBA IV.1. Hasil Dalam perancangan pengamanan gambar menggunakan Metode Naive Bayes memiliki hasil yang telah didapat. Aplikasi ini menggambarkan proses
Lebih terperinciIntelligent Tutoring System
Intelligent Tutoring System ISSN 2085-4579 Fitria Amastini Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang, Indonesia amastini22@gmail.com Diterima 08 April 2014 Disetujui
Lebih terperinciSistem Pakar Untuk Mendiagnosa Penyakit Mata Dengan Metode Bayesian Network
Sistem Pakar Untuk Mendiagnosa Penyakit Mata Dengan Metode Bayesian Network Rahmad Kurniawan, Luh Kesuma Wardhani Jurusan Teknik Informatika UIN SUSKA Riau Jl. H.R Subrantas KM. 15 no. 155 Simpang Baru,
Lebih terperinciRANCANG BANGUN SISTEM EVALUASI PEMBELAJARAN INTERAKTIF BERBASIS ARTIFICIAL INTELLIGENCE DENGAN METODE BAYESIAN NETWORK. Skripsi
RANCANG BANGUN SISTEM EVALUASI PEMBELAJARAN INTERAKTIF BERBASIS ARTIFICIAL INTELLIGENCE DENGAN METODE BAYESIAN NETWORK Skripsi Untuk memenuhi sebagian persyaratan mencapai derajat Sarjana S-1 Program Studi
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Visualisasi Sistem Pakar Dalam Menganalisis Tes Kepribadian Manusia (Empat Aspek Tes Kepribadian Peter Lauster) Sri Winiarti
Lebih terperinciDESAIN APLIKASI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA. Oleh : Rita Prima Bendriyanti ABSTRAK
DESAIN APLIKASI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA Oleh : Rita Prima Bendriyanti ABSTRAK Penelitian ini menggunakan metode observasi, dengan melihat atau mengamati secara langsung
Lebih terperinciREKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN SISTEM INFERENSI FUZZY TSUKAMOTO
REKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN SISTEM INFERENSI FUZZY TSUKAMOTO Endra Pratama, Titin Sri Martini, Mania Roshwita Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciArtificial Intelegence. Eka Yuniar
Artificial Intelegence Eka Yuniar DEFINISI Awalnya komputer difungsikan sebagai alat hitung. Seiring dengan perkembangan jaman, komputer diharapkan dapatdiberdayakan untuk mengerjakan segala sesuatu yang
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Umum Pada bab ini akan dijelaskan mengenai pembuatan Rancang Bangun Aplikasi Perencanaan Stok Barang dengan Menggunakan Teori Trafik dari tahap awal perancangan sampai
Lebih terperinciLatar Belakang Masalah Masing-masing algoritma hanya dapat bekerja pada pada data lengkap (algoritma CB) dan data tidak lengkap (algortima BC) untuk m
Harmonisasi Algoritma Hybrid Untuk Membangun Struktur Bayesian Network Pada Basisdata Dosen Pembimbing : Prof.Dr.Ir.Handayani TJandrasa,MSc.PhD Ilham M.Said 5108201020 Latar Belakang Masalah Masing-masing
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Artificial Intelligence (AI) agen adalah fitur standar game komputer modern, baik sebagai lawan, teman atau tutor dari pemain. Agar tampil otentik, agen tersebut
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Di era globalisasi seperti saat ini setiap industri baik di bidang manufaktur maupun jasa dituntut untuk selalu meningkatkan kualitas di setiap aspek terhadap produk
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Telkom University yang lebih dikenal sebagai Tel-U adalah sebuah lembaga pendidikan yang didirikan tahun 2013, yang terletak di Jl. Telekomunikasi Terusan Buah Batu
Lebih terperinciBAB I PENDAHULUAN. Peminatan atau bidang peminatan adalah sebuah jurusan yang harus di
BAB I PENDAHULUAN I. Latar Belakang Peminatan atau bidang peminatan adalah sebuah jurusan yang harus di ambil oleh mahasiswa untuk menentukan arah kompetensi dan keahlian mahasiswa tersebut yang mana di
Lebih terperinciTOPIK PENELITIAN MAHASISWA PRODI S-1 SISTEM INFORMASI UNIVERSITAS U'BUDIYAH INDONESIA TAHUN AJARAN 2015/2016
TOPIK PENELITIAN MAHASISWA PRODI S-1 SISTEM INFORMASI UNIVERSITAS U'BUDIYAH INDONESIA TAHUN AJARAN 2015/2016 Bidang Ilmu : Sistem Informasi NO TOPIK PENELITIAN SUB TOPIK Arsitektur, Dukungan layanan Algortitma
Lebih terperinciWeb SCADA untuk Mengendalikan Miniatur Pintu Air
Web SCADA untuk Mengendalikan Miniatur Pintu Air Iwan Handoyo Putro 1), Handy Wicaksono 2), Abdinata Payung Allo 3) 1,2,3) Jurusan Teknik Elektro, Universitas Kristen Petra Surabaya Siwalankerto 121-131
Lebih terperinciBAB 1 PENDAHULUAN. terhadap peran sistem informasi dalam perusahaan sebagai bagian dari produktivitas.
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan teknologi informasi telah mampu mengubah persepsi manusia terhadap peran sistem informasi dalam perusahaan sebagai bagian dari produktivitas.
Lebih terperinciBAB III METODOLOGI PENELITIAN
40 BAB III METODOLOGI PENELITIAN 3.1 DESAIN PENELITIAN Dalam melakukan penelitian, dibutuhkan desain penelitian agar penelitian yang dilakukan dapat berjalan dengan baik. Berikut ini merupakan desain penelitian
Lebih terperinciREPRESENTASI PENGETAHUAN (KNOWLEDGE) BERBASIS RULE (RULE-BASED) DALAM MENGANALISA KEKURANGAN VITAMIN PADA TUBUH MANUSIA
REPRESENTASI PENGETAHUAN (KNOWLEDGE) BERBASIS RULE (RULE-BASED) DALAM MENGANALISA KEKURANGAN VITAMIN PADA TUBUH MANUSIA Ruri Hartika Zain, S. Kom, M. Kom*) Dosen Tetap Universitas Putra Indonesia YPTK
Lebih terperinciSA N BUA BU T A A T N
MATERI KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE) PENGANTAR by : Suthami A MATERI No 1. Pendahuluan Materi 2. Masalah dan Ruang Keadaan 3. Metode Pelacakan/Pencarian 4. Representasi Pengetahuan 5. Penalaran
Lebih terperinciBAB I PENDAHULUAN. membahayakan nyawa seseorang, Ironisnya gejala gejala tersebut seringkali
1 BAB I PENDAHULUAN 1.1 Latar Belakang Gejala penyakit merupakan awal timbulnya sebuah penyakit yang dapat membahayakan nyawa seseorang, Ironisnya gejala gejala tersebut seringkali diabaikan sehingga membuat
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining
Lebih terperinciBAB I PENDAHULUAN. dinding sistem pencernaan, mulai dari mulut hingga ke anus. Tapi kondisi ini
BAB I PENDAHULUAN I.1. Latar Belakang Penyakit crohn adalah salah satu penyakit radang usus dan merupakan kondisi jangka panjang yang mana peradangan bisa terjadi pada seluruh lapisan dinding sistem pencernaan,
Lebih terperinciDevri Suherdi Politeknik Ganesha Medan Jl. Veteran No 190 Pasar VI Manunggal
ANALISA DAN PERANCANGAN APLIKASI SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN PEMINATAN JURUSAN BERBASIS ANDROID DEVELOPMENT TOOLS (ADT) DENGAN PENERAPAN METODE NAIVE BAYES DAN TEOREMA BAYES Devri Suherdi Politeknik
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih terperinciSISTEM KLASIFIKASI PENYEBARAN PENYAKIT MATA DI JAWA BARAT DENGAN ALGORITMA ITERATIVE DICHOTOMISER 3 DAN NAÏVE BAYES CLASSIFIER
SISTEM KLASIFIKASI PENYEBARAN PENYAKIT MATA DI JAWA BARAT DENGAN ALGORITMA ITERATIVE DICHOTOMISER 3 DAN NAÏVE BAYES CLASSIFIER Wina Witanti 1*, Dian Nursantika 2, Zillan Taufiq Budiman 3 1,2,3 Program
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Universitas Muhammadiyah Yogyakarta (UMY) merupakan salah satu kampus terbesar di Yogyakarta yang berdiri sejak tahun 1981. UMY memiliki 8 fakultas dan 7 program
Lebih terperinciModul Ajar Algoritma Searching Non Linier
Modul Ajar Algoritma Searching Non Linier Fera Laila Farida,Entin Martiana.K, Arna Fariza Politeknik Elektronika Negeri Surabaya Kampus PENS-ITS, Keputih, Sukolilo, Surabaya. Email: feraelfarida@google.com,entin@eepis-its.edu,arna@eepis-its.edu
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Internet saat ini merupakan kebutuhan pokok yang tidak bisa dipisahkan dari segenap sendi kehidupan. Berbagai pekerjaan ataupun kebutuhan dapat dilakukan melalui media
Lebih terperinciBAB I Pengenalan Kecerdasan Buatan (Artificial Inteligent / AI ) Created A.Tohir from Dosen Mr.Zulkifli
BAB I Pengenalan Kecerdasan Buatan (Artificial Inteligent / AI ) Created A.Tohir from Dosen Mr.Zulkifli Definisi Kecerdasan Buatan Merupakan salah satu bagian dari ilmu komputer Yang membuat agar mesin
Lebih terperinciEXPERT SYSTEM DENGAN BEBERAPA KNOWLEDGE UNTUK DIAGNOSA DINI PENYAKIT-PENYAKIT HEWAN TERNAK DAN UNGGAS
EXPERT SYSTEM DENGAN BEBERAPA KNOWLEDGE UNTUK DIAGNOSA DINI PENYAKIT-PENYAKIT HEWAN TERNAK DAN UNGGAS Agus Sasmito Aribowo Teknik Informatika. UPN Veteran Yogyakarta Jl. Babarsari no 2 Tambakbayan 55281
Lebih terperinciBAB 1 PENDAHULUAN. Berbagai cabang ilmunya telah membantu manusia menyelesaikan pekerjaan dengan
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan ilmu kecerdasan buatan saat ini sudah berkembang pesat. Berbagai cabang ilmunya telah membantu manusia menyelesaikan pekerjaan dengan lebih baik, cepat,
Lebih terperinciSistem Tutor Cerdas dengan Pendekatan Berbasis Aturan Untuk Mempelajari Kalimat Majemuk dalam Bahasa Inggris
Sistem Tutor Cerdas dengan Pendekatan Berbasis Aturan Untuk Mempelajari Kalimat Majemuk dalam Bahasa Inggris Akhmad Arif 1, Surya Sumpeno, ST., MSc 2, Diah Puspito Wulandari, ST.,MSc 2 1 Mahasiswa S1 Teknik
Lebih terperinciSISTEM INFORMASI PERUSAHAAN DAERAH PASAR SURYA SURABAYA
SISTEM INFORMASI PERUSAHAAN DAERAH PASAR SURYA SURABAYA Surya Prasetiaji¹,Arna Fariza², Arif Basofi.² Mahasiswa Jurusan Teknik Informatika 1, Dosen Pembimbing 2 Politeknik Elektronika Negeri Surabaya Institut
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring dengan perkembangan zaman, kemajuan dalam bidang ilmu pengetahuan dan teknologi informasi berkembang sangat pesat. Maka informasi juga semakin banyak dan membuat
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Lebih terperinciPEMANFAATAN TEKNOLOGI KNOWLEDGE-BASED EXPERT SYSTEM UNTUK MENGIDENTIFIKASI JENIS ANGGREK DENGAN MENGGUNAKAN BAHASA PEMROGRAMAN JAVA
Yogyakarta, 22 Juli 2009 PEMANFAATAN TEKNOLOGI KNOWLEDGE-BASED EXPERT SYSTEM UNTUK MENGIDENTIFIKASI JENIS ANGGREK DENGAN MENGGUNAKAN BAHASA PEMROGRAMAN JAVA Ana Kurniawati, Marliza Ganefi, dan Dyah Cita
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciPemanfaatan Komputer di Bidang Pendidikan
Pemanfaatan Komputer di Bidang Pendidikan 1. Pemanfaatan Komputer Untuk Pembelajaran Kemajuan teknologi komputer membuat aktivitas menjadi serba cepat serta menjadikan dunia seperti tanpa batas. Berbagai
Lebih terperinciII. METODE PENELITIAN. A. Studi Literatur
1 Pembuatan Sistem Informasi Beasiswa Internal Direktorat Jenderal Perbendaharaan Menggunakan PHP dan MySQL Candra Dwi Aprida dan Febriliyan Samopa Jurusan Sistem Informasi, Fakultas Teknologi Informasi,
Lebih terperinciMANAJEMEN INTERNET CONTENT DAN INTEGRASI APLIKASI UNTUK MENDUKUNG ENTERPRISE INFORMATION PORTAL EKSEKUTIF
MANAJEMEN INTERNET CONTENT DAN INTEGRASI APLIKASI EMAIL UNTUK MENDUKUNG ENTERPRISE INFORMATION PORTAL EKSEKUTIF D. Faroq Romdhoni 1, Rengga Asmara 2, Arif Basofi 2 Mahasiswa 1, Dosen Pembimbing 2 Politeknik
Lebih terperinciPENERAPAN METODE BAYESIAN NETWORK DALAM APLIKASI E-LEARNING BERBASIS WEB
PENERAPAN METODE BAYESIAN NETWORK DALAM APLIKASI E-LEARNING BERBASIS WEB Muhammad Hasbi, Muhammad Syarip Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Jakarta hasbi.mti@gmail.com Abstract
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring dengan perkembangan zaman perkembangan dunia informasi semakin pesat, hal ini tentunya sangat berpengaruh pada perkembangan internet. Web based merupakan teknologi
Lebih terperinciPERAMALAN CUACA KOTA SURABAYA TAHUN 2011 MENGUNAKAN METODE MOVING AVERAGE DAN KLASIFIKASI NAIVE BAYES
PERAMALAN CUACA KOTA SURABAYA TAHUN 2011 MENGUNAKAN METODE MOVING AVERAGE DAN KLASIFIKASI NAIVE BAYES Mohammad Aminudin Jurusan Teknik Informatika, Entin Martiana K. Politeknik Elektronika Negeri Surabaya
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHANKELAS UNGGULAN IPA DI SMA NEGERI 1 PATIANROWO MENGGUNAKAN METODE NAÏVE BAYES
SISTEM PENDUKUNG KEPUTUSAN PEMILIHANKELAS UNGGULAN IPA DI SMA NEGERI 1 PATIANROWO MENGGUNAKAN METODE NAÏVE BAYES SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom)
Lebih terperinciPERANCANGAN SISTEM INFORMASI MANAJEMEN PERPUSTAKAAN MENGGUNAKAN POLA MODEL-VIEW- CONTROLLER (MVC)
PERANCANGAN SISTEM INFORMASI MANAJEMEN PERPUSTAKAAN MENGGUNAKAN POLA MODEL-VIEW- CONTROLLER (MVC) Rangga Sanjaya Fakultas Teknik, Universitas BSI Jalan Sekolah Internasional No. 1-6, Bandung 40282, Indonesia
Lebih terperinciVisualisasi Konsep Umum Sistem Pakar Berbasis Multimedia
Riau Journal Of Computer Science Vol.3 No.1 Januari 2016 : 17-22 17 Visualisasi Konsep Umum Sistem Pakar Berbasis Multimedia B. HERAWAN HAYADI 1 1 Dosen Fakultas Ilmu Komputer Universitas Pasir Pengaraian
Lebih terperinciKLASIFIKASI DOKUMEN REPOSITORY SECARA OTOMATIS MENGGUNAKAN METODE BAYESIAN NETWORK
Lukman Syafie / JUPITER Volume XV No.2 (2016) 109 KLASIFIKASI DOKUMEN REPOSITORY SECARA OTOMATIS MENGGUNAKAN METODE BAYESIAN NETWORK Lukman Syafie Staf Pengajar Teknik Informatika, Fakultas Ilmu Komputer
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi dan informasi telah berdampak pada semua bidang. Semakin banyaknya aplikasi yang dapat mendukung mengerjakan suatu pekerjaan tertentu agar menjadi
Lebih terperinciBAB I PENDAHULUAN. tindakan di antara beberapa alternatif yang tersedia. Setiap proses pengambilan. mencapai tujuan melalui pelaksanaan atau tindakan.
BAB I PENDAHULUAN I.1. Latar Belakang Pengambilan keputusan dapat dianggap sebagai suatu hasil atau keluaran dari proses mental atau kognitif yang membawa pada pemilihan suatu jalur tindakan di antara
Lebih terperinciBAB I PENDAHULUAN. Semakin pesatnya perkembangan teknologi informasi saat ini sangat berdampak
BAB I PENDAHULUAN I. Latar Belakang Perkembangan zaman tidak luput dari perkembangan teknologi informasi. Semakin pesatnya perkembangan teknologi informasi saat ini sangat berdampak pada pola pikir dan
Lebih terperinciAUTONOMOUS LEVELING BERBASIS FSM UNTUK PEMBUATAN GAME EDUKASI
AUTONOMOUS LEVELING BERBASIS FSM UNTUK PEMBUATAN GAME EDUKASI David Hermansyah dan Mochamad Hariadi Bidang Keahlian Jaringan Cerdas Multimedia ( Game Teknologi ) Jurusan Teknik Elektro, Fakultas Teknologi
Lebih terperinciBAB I PENDAHULUAN. Sistem pakar menirukan perilaku seorang pakar dalam menangani suatu
BAB I PENDAHULUAN I.1. Latar Belakang Sistem pakar menirukan perilaku seorang pakar dalam menangani suatu persoalan. Pada suatu kasus seorang pasien mendatangi dokter untuk memeriksa badannya yang mengalami
Lebih terperinciBAB 1 PENDAHULUAN. Dewasa ini, lahan parkir menjadi kebutuhan utama pengguna kendaraan,
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dewasa ini, lahan parkir menjadi kebutuhan utama pengguna kendaraan, terutama di kota-kota besar. Pada tempat-tempat yang ramai dikunjungi, untuk memudahkan dokumentasi
Lebih terperinciBAB I PENDAHULUAN. sangatlah pesat, ini dapat dilihat dari kemunculan berbagai aplikasi-aplikasi yang
BAB I PENDAHULUAN I.1. Latar Belakang Perkembangan teknologi perangkat lunak pada masa sekarang ini sangatlah pesat, ini dapat dilihat dari kemunculan berbagai aplikasi-aplikasi yang dapat memudahkan user
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Kecepatan perkembangan software saat ini cukup pesat, tidak hanya dalam hal software aplikasi saja, tetapi juga didalam dunia game. Game dibuat untuk digunakan sebagai
Lebih terperinci1. PENGANTAR KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
1. PENGANTAR KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE) 1.1 DEFINISI KECERDASAN BUATAN Definisi Kecerdasan Buatan H. A. Simon [1987] : Kecerdasan buatan (artificial intelligence) merupakan kawasan penelitian,
Lebih terperinciSISTEM BASIS DATA MANAJEMEN AKADEMIK BERBASIS WEB PADA SMA MUHAMMADIYAH 4 BANDUNG
SISTEM BASIS DATA MANAJEMEN AKADEMIK BERBASIS WEB PADA SMA MUHAMMADIYAH 4 BANDUNG Ayu Hidayah Aslamiah Faculty of Computer Science, Bina Nusantara University Jl.U 3 No. 42, Kebon Jeruk, Jakarta Barat 11480
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kecerdasan buatan merupakan sub-bidang ilmu komputer yang khusus ditujukan untuk membuat software dan hardware yang sepenuhnya bisa menirukan beberapa fungsi
Lebih terperinciBAB 2 TINJAUAN TEORI. Artificial Intelligence. Jika diartikan Artificial memiliki makna buatan,
BAB 2 TINJAUAN TEORI 2.1 Kecerdasan Buatan Kecerdasan buatan adalah sebuah istilah yang berasal dari bahasa Inggris yaitu Artificial Intelligence. Jika diartikan Artificial memiliki makna buatan, sedangkan
Lebih terperinciPenyusunan Kurikulum S1 Teknik Informatika ITB Ayu Purwarianti, Ph. D.
Penyusunan Kurikulum S1 Teknik Informatika ITB Ayu Purwarianti, Ph. D. 1 Informatika Organisasi pada STEI STEI (Sekolah Teknik Elektro dan Informatika) 5 Program Studi Sarjana Teknik Informatika Sistem
Lebih terperinciImplementasi Sinkronisasi Uni-Direksional antara Learning Management System Server dan User pada Institusi Pendidikan Berbasis Moodle
Implementasi Sinkronisasi Uni-Direksional antara Learning Management System Server dan User pada Institusi Pendidikan Berbasis Moodle DZATA FARAHIYAH NRP 2206100140 Bidang Studi Telekomunikasi Multimedia
Lebih terperinciCHAPTER 5 SUMMARY BINA NUSANTARA UNIVERSITY. Faculty of Humanities. English Department. Strata 1 Program
CHAPTER 5 SUMMARY BINA NUSANTARA UNIVERSITY Faculty of Humanities English Department Strata 1 Program 2013 TEACHING SIMPLE PRESENT TENSE TO ENGLISH DEPARTMENT FRESHMEN BY USING COMMUNICATIVE PICTURES Nelly
Lebih terperinciBAB 1 PENDAHULUAN. Perkembangan jaman semenjak abad ke-20 ditandai dengan bertumbuhnya
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan jaman semenjak abad ke-20 ditandai dengan bertumbuhnya penemuan-penemuan yang memberikan kemudahan bagi manusia. Dimulai dari masa revolusi industri, di
Lebih terperinciCONTOH KASUS DATA MINING
CONTOH KASUS DATA MINING CONTOH KASUS DATA MINING Sebuah rumah sakit ingin ingin menekan biaya perawatan pasien tanpa mengurangi kualitas pelayanan. Salahsatu potensi yang dapat dimanfaatkan pada penerapan
Lebih terperinciSISTEM PENUNJANG KEPUTUSAN PENERIMAAN GURU BERBASIS WEB
SISTEM PENUNJANG KEPUTUSAN PENERIMAAN GURU BERBASIS WEB Widya Wisanti Dosen Jurusan Teknik Elektro Universitas Sawerigading Makassar Email : wwisanty@yahoo.co.id ABSTRAK Kegiatan dalam menerima calon guru
Lebih terperinci