MODEL DATA MINING UNTUK KLASIFIKASI TINGKAT PENGUASAAN MARTERI BAHAN AJAR
|
|
- Devi Kusuma
- 6 tahun lalu
- Tontonan:
Transkripsi
1 MODEL DATA MINING UNTUK KLASIFIKASI TINGKAT PENGUASAAN MARTERI BAHAN AJAR Oman Somantri 1) Slamet Wiyono 2) 1) Teknik Informatika, Politeknik Harapan Bersama Tegal Jl. Mataram No.09 Pesurungan Lor, Kota Tegal Indonesia 1) oman.somantri@poltektegal.ac.id, 2) slamet2wiyono@gmail.com ABSTRACT Universities have difficulty in assessing the performance of lecturers, therefore required a system that can help the institution in making assessment. This paper proposes a model of Data Mining to solve the problem. The Model of data mining that is used; Naïve Bayes(NB), Support Vector Machine (SVM) and Neural Network. The Model is used for the classification of the ability of lecturers in understanding the lesson materials. Tools Rapid miner also used for analyzing data into the proposed model. The research results show that the model of the Neural Network is the best that is the level of accuracy of 85.36%. With this model of the Neural Network is the best model for the classification of the ability of lecturers in understanding the lesson materials Keywords Classification, Naïve Bayes(NB), Support Vector Machine (SVM) and Neural Network 1. Pendahuluan Didalam Undang-Undang nomor 14 tahun 2005 tentang Guru dan Dosen mengatakan bahwa tugas utama dari seorang Dosen adalah melaksana Tri Dharma perguruan tinggi yaitu melaksanakan pengajaran, penelitian dan pengabdian masyarakat. Untuk menjamin profesionalisme dosen dalam Undang-Undang dinyatakan bahwa dosen harus memiliki serifikat kompetensi agar yang bersangkutan dikatakan sebagai dosen profesional. Hal inilah yang menjadikan bahwa kinerja seorang dosen dalam melaksanakan kegiatan tugas dan fungsinya harus selalu sesuai dengan harapan yang diinginkan. Pengajaran merupakan salah satu tugas utama dosen untuk memberikan dan mentransfer ilmunya kepada mahasiswa. Kompetensi akademik yang dimiliki oleh dosen sesuai dengan bidangnya menjadi tolak ukur dalam proses ini, dimana ilmu yang dimiliki tentunya sesuatu hal yang harus dikuasai oleh dosen. Kinerja seorang dosen dapat dinilai dari beberapa aspek penilaian, diantaranya penilaian internal institusi melalui DP3, ataupun penilaian lain yang bisa dijadikan sebagai informasi pendukung keputusan dalam menilai dosen apakah berkinerja baik atau tidak. Salah satu penilaian lain adalah dengan berdasarkan pada penilaian hasil umpan balik mahasiswa terhadap kinerja dosen. Kinerja dosen adalah unjuk kerja yang diperlihatkan atau ditampilkan dosen dalam melaksanakan tugasnya pada proses pembelajaran berdasarkan tingkat kualitas proses pembelajaran dan penilaian subjektifitas mahasiswa, atau tingkat kualitas dari proses yang sistematik dan kompleks yang terdiri atas: (1) cara penyampaian materi kuliah; (2) cara berkomunikasi; (3) kreatifitas dosen; (4) disiplin dosen; (5) penilaian terhadap hasil karya mahsiswa; dan (6) kepuasan terhadap sarana dan prasarana yang mendukung secara langsung maupun tidak langsung dalam proses pembelajaran [1]. Penilaian kinerja dosen yang dilakukan tentunya harus bisa menjadi sebuah pendukung keputusan bagi para pengambil keputusan di instansi homebase dosen yang bersangkutan dalam memutuskan nilai kinerja dosen tersebut. Masih sulitnya dalam memperoleh informasi yang akurat dalam memutuskan penilaian kinerja dosen akan sangat menyulitkan para pengambil keputusan dalam hal ini pimpinan perguruan tinggi untuk menilai kinerja dosen yang bersangkutan, maka untuk mengatasi permasalahan tersebut sangat diperlukan sebuah metoda analisis yang tepat untuk bisa menjadi solusi yang terbaik sebagai pedukung keputusan satunya adanya penilaian terhadap penguasaan dosen terhadap bahan ajar yang akan diajarkannya pada mahasiswa. Penelitian mengenai kinerja dosen telah banyak dilakukan salah satunya melakukan penelitian mengenai pengukuran kepuasan mahasiswa berdasarkan kinerja Dosen dalam proses perkuliahan di Universitas Muhammadiyah Purwokerto [2], dalam penelitian ini 74
2 tingkat kepuasan mahasiswa terhadap dosen diukur kedalam beberapa aspek yaitu keandalan, reponsevenes, tangibles, empati dan jaminan. Berdasarkan hasil penelitian menunjukan bahwa tingkat kepuasan mahasiswa dalam hal kehandalan, reponsivines, tangibles, empati dan jaminan memiliki hubungan yang kuat dan berpengaruh signifikan terhadap kinerja kuliah di kelas. Salah satu metode pembelajaran data mining yang dapat digunakan sebagai metode dalam menganalisis data kinerja dosen adalah neural network, algoritma ini dapat digunakan untuk analisis klasifikasi data. Neural Network mempunyai kelebihan dapat melakukan pembelajaran berdasarkan data yang digunakan untuk pelatihan, dapat melakukan self organization atau melakukan representasi dari informasi yang diterimanya dan memiliki real time operation dengan kata lain neural network dapat melakukan perhitungan secara paralel [3]. Dalam perkembangannya, penelitian mengenai kinerja dosen telah banyak dilakukan dengan menerapkan konsep data mining secara terkomputerisasi. Penggunaan data mining ini dapat berguna sekali untuk dijadikan sebagai alat bantu strategis dalam menunjang keputusan berdasarkan data pendidikan untuk mengatasi tantangan yang sangat sulit dan penting untuk meningkatkan kualitas proses pendidikan [4]. Beberapa penelitian penerapan data mining telah dilakukan, seperti Atika, L (2010) meneliti mengenai sistem penunjang keputusan penilaian kinerja pemilihan dosen berprestasi menggunakan metode AHP [5]. Nur Wahyudi, Eko & Janato, Arif (2013) menerapkan teknik klastering K-Means untuk final repport penilaian kinerja Dosen oleh mahasiswa pada satu periode tahun akademik [6], kemudian Izzudin, Ahmad (2015) melakukan penelitian mengenai optimasi cluster pada algoritma K-Means dengan reduksi dimensi dataset menggunakan principal component analysis untuk pemetaan kinerja dosen [7]. Pada penelitian ini untuk memetakan kinerja dosen digunakan teknik clustering yaitu K-Means dan dipadukan dengan metode PCA, dataset yang digunakan adalah data kinerja dosen prodi Teknik Elektro Universitas Panca Marga Probolinggo yang terdiri dari inisial dosen, nilai aspek pedagogik, nilai aspek professional, nilai aspek kepribadian dan nilai aspek sosial. Dari hasil penelitian yang dilakukan, reduksi dimensi dataset menggunakan PCA terbukti dapat meningkatkan kualitas cluster yang dihasilkan oleh algoritma K-Means. Berdasarkan penelitian yang telah dilakukan sebelumnya, maka tujuan dari penelitian ini adalah mengusulkan model data Mining sebagai solusi untuk klasifikasi tingkat penguasaan materi bahan ajar. Model yang diusulkan adalah Neural Network, sehingga dihasilkan sebuah analisis klasifikasi data dengan tingkat akurasi terbaik. 2. Tinjauan Studi 2.1 Neural Network Neural Network (NN) merupakan algoritma yang bekerja didasarkan pada suatu usaha untuk meniru fungsi otak manusia. Otak manusia terdiri dari jutaan unit pengolahan kecil yang bekerja secara paralel yang disebut dengan neuron dimana saling terhubung satu sama lain. Setiap individu mengambil input dari satu neuron, kemudian memprosesnya dan melewati output untuk satu set neuron. Keluaran dikumpulkan oleh neuron lain untuk diproses lebih lanjut (Shukla, A., 2010) [8]. Setiap Neural Network satu sma lain dibedakan oleh beberapa hal, diantaranya adalah (Ling, S. H., 2009) [9]: 1. Pola koneksi antar neuron 2. Metode penentuan bobot pada koneksi-koneksi (training, learning atau algoritma). 3. Fungsi aktivasi Gambaran arsitektur neural network digambarkan seperti pada gambar 1 dibawah ini: Gambar 1 Arsitektur Neural Network Pada gambar 1 terlihat bahwa input berasal dari neuron (X1,X2, Xn dengan bobot hubungan masing-masing adalah w1, w2, wn. Impuls neuron yang ada dijumlahkan seperti rumus dibawah ini: = X1W1 + X2W2 + + WNXN + Bias..(1) Neural Network terdiri dari dua atau lebih lapisan, meskipun sebagian besar jaringan terdiri dari tiga lapisan, diantaranya lapisan input, lapisan tersembunyi, dan lapisan output. Algoritma backpropagation merupakan salah satu dari bagian dari metode neural network. Backpropagation pertama kali dirumuskan oleh Paul Werbos pada tahun 1974 dan dipopulerkan oleh Rumelhart bersama McClelland untuk dipakai pada neural network feedforward, tetapi perkembangannya metode ini diadaptasi untuk pembelajaran pada model neural network lainnya (Astuti, E. D., 2009) [10]. Algoritma backpropagation merupakan salah satu metode pelatihan 75
3 yang terawasi, serta metode ini mempunyai ciri meminimalkan error pada output yang dihasilkan. 2.1 Penelitian Terkait F.S, Dini (2015) [11] meneliti mengenai pengenalan pola kepuasan mahasiswa terhadap kegiatan belajar mengajar di STMIK AKAKOM Yogjakarta dengan menggunakan algoritma Learning Vector Quantization (LVQ). Dalam penelitian ini dilakukan untuk melihat pola tingkat kepuasan mahasiswa yang dapat mendukung keberhasilan belajar mengajar yang meliputi motivasi dan kemampuan dosen dalam mengajar, motivasi diukur dari metode dan kehadiran mengajar. Lestari, Sri & Suryadi, Arman (2014) meneliti mengenai Model Klasifikasi Kinerja dan Seleksi Dosen Berprestasi dengan Algoritma C.45, pada penelitian ini di fokuskan pada implementasi C45 untuk pembentukan model klasifikasi kinerja dan penetapan dosen berprestasi [12]. Ridawan, Mujib., dkk (2013) meneliti terkait dengan penerapan Data Mining untuk evaluasi kinerja kademik Mahasiswa menggunakan algoritma Naïve Bayes Classifier. Pada penelitian ini penelitian di fokuskan untuk mengevaluasi kirja akademik mahasiswa padatahun ke-2 dan diklasifikasikan dalam kategori mahasiswa yang dapat lulus tepat waktu atau tidak. Berdasarkan pengujian pada data mahasiswa ternyata algoritma NBC menghasilkan nilai akurasi 70% [13]. Berdasarkan pada beberapa penelitian yang telah disebutkan diatas, berbeda dengan penelitian yang telah dilakukan sebelumnya, pada makalah ini diusulkan Neural Network (NN) untuk digunakan sebagai model klasifikasi tingkat penguasaan bahan ajar dosen berdasarkan data pada evaluasi kinerja dosen yang telah dilakukan oleh mahasiswa. 3. Metode Penelitian 3.1 Tahapan Penelitian a. Data Penelitian Data penelitian yang digunakan adalah data primer, dalam penelitian ini data yang digunakan adalah data yang berasal dari kuesioner lembar reaksi mahasiswa terhadap kinerja dosen dalam mengampu mata kuliah, mulai tahun 2014 s.d 2016 pada perguruan tinggi Politeknik Harapan Bersama Tegal. Adapun penilaian yang dilakukan oleh mahasiswa tersebut terdiri dari beberapa variable yang akan dijadikan sebagai dataset penelitian, diantaranya adalah: Memberikan dan menjelaskan Silabus Memberikan dan menjelaskan Kontrak Kuliah Menyajikan materi pengajaran sesuai dengan Silabus Menguasai Materi Pengajaran Menjelaskan aplikasi mata kuliah untuk Profesi dan atau Kehidupan Penyampaian materi mudah dipahami oleh mahasiswa Metode pengajaran bervariasi (ceramah, diskusi, presentasi, role play, dll) Menggunakan audio visual (Transparasi, LCD atau Flip Chart) dan berbasis teknologi (Blog, Website, ) Mendorong mahasiswa untuk mengajukan pertanyaan atau pendapat Menghargai perbedaan pendapat dengan mahasiswa Santun dengan mahasiswa Hadir dikelas tepat waktu Meninggalkan kelas tepat waktu b. Pengolahan data awal (preprocessing data) Sebelum dilakukan proses analisis data dengan cara memasukan dataset ke dalam model melalui tools yang digunakan, terlebih dahulu dataset dilakukan normalisasi, yaitu proses dimana dataset real yang sudah diperoleh dirubah menjadi nilai yang mudah untuk dimasukan kedalam model. c. Penentuan Data Training dan Testing Dataset yang sudah di normaliasi kemudian akan dibagi menjadi dua bagian, diantaranya data training dan data testing. Data Training akan dipergunakan sebagai data latih untuk menemukan model yang tepat, dan setelah didapatkan model yang tepat kemudian dimasukan data testing sebagai data untuk mengetahui validasi dari model yang sudah didapatkan apakah sesuai dengan yang diharapkan atau belum. d. Eksperimen dan Pengujian Ekperimen dilakukan dengan memasukan dataset kedalam tools yang dipergunakan dan dilakukan pengujian-pengujian terhadap kombinasi model yang didapatkan sehingga nantinya didapatkan model yang terbaik. Pada penelitian ini validasi data akan menggunakan k-fold cross Validation untuk mencari dan mendapatkan model yang terbaik. e. Evaluasi Model Evaluasi dilakukan untuk melihat sejauh mana keberhasilan dari model yang diusulkan sehingga model tersebut lebih baik tingkat akurasinya dibandingkan dengan sebelumnya. Evaluasi dilakukan dengan cara membandingkan tingkat akurasi model yaitu neural network dibandingkan dengan model data mining lain 76
4 yaitu Naive Bayes (NB), dan Support Vector Machine (SVM). 3.2 Rancangan Penelitian Sesuai dengan tujuan dari penelitian ini adalah untuk mendapatkan nilai tingkat akurasi yang lebih baik dibandingkan dengan model sebelumnya. Algoritma neural network diusulkan sehingga nantinya diharapkan terjadinya peningkatan akurasi dalam mengklasifikasikan tingkat penguasaan dosen dalam menguasai bahan ajar berdasarkan kinerja dosen. Adapun rancangan penelitian yang diusulkan adalah seperti pada gambar 2. Gambar 2 Rancangan penelitian dan Metode yang diusulkan Pengumpulan data dilakukan dengan melakukan questioner terhadap seluruh mahasiswa Politeknik Harapan Bersama Tegal dari berbagai jurusan yang ada yaitu Teknik Komputer, Teknik Informatika, Teknik Elektro, Teknik Mesin, Farmasi, Akuntasi, dan Kebidanan. Untuk mendapatkan informasi lebih jauh lagi terkait dengan penelitian yang dilakukan maka wawancara dilakukan kepada pimpinan perguruan tinggi untuk mendapatkan informasi terkait dengan berbagai kendala yang dihadapi terkait dengan penilaian kinerja dosen. Berbagai studi literatur dilakukan baik itu dari buku, internet, jurnal dan lain sebagainya untuk mendapatkan bebagai macam informasi terkait dengan data penelitian dan metode yang diusulkan dalam penelitian. 4. Hasil dan Pembahasan Dengan menggunakan Tools Software RapidMiner-5.3 sebagai alat untuk menganalisis model yang diusulkan, untuk mendapatkan hasil dari penelitian yang dilakukan. Ekperimen dilakukan dengan menggunakan tools Rapid Miner untuk mendapatkan hasil dari model yang diusulkan. Berdasarkan hasil yang telah didapatkan pada ekperimen dari model yang diusulkan yaitu dengan menggunakan algoritma Neural Network dengan fungsi aktivasi menggunakan sigmoid. 4.1 Ekperimen Neural Network Untuk mendapatkan model yang diinginkan, hal yang harus dilakukan adalah dengan melakukan penentuan nilai parameter neural-network. Eksperimen menggunakan fungsi aktivasi sigmoid, dengan input data berupa data numerik sebanyak 12 input data. Penentuan Nilai Training Cycles Pada tahapan ini dilakukan ekperimen untuk mendapatkan nilai parameter training cycle yang terbaik dengan tingkat akurasi tinggi. Penentuaan nilai parameter ini dilakukan dengan menentukan nilai secara kombinasi, pada eksperimen ini diteapkan untuk nilai parameter learning rate = 0.3 dan momentum = 0.2. Hasil nilai parameter training cycle yang terbaik seperti yang ditunjukan pada tabel 1. Tabel 1. Penentuan parameter training cycle terbaik No. Training Cycles Accuracy % +/- 2.15% % +/- 2.22% % +/- 2.20% % +/- 2.17% % +/- 2.55% % +/- 2.54% % +/- 2.57% % +/- 2.71% % +/- 2.64% % +/- 2.73% % +/- 2.70% % +/- 2.64% % +/- 2.58% % +/- 2.41% % +/- 2.33% % +/- 2.40% % +/- 2.34% % +/- 2.75% % +/- 2.36% % +/- 2.60% 77
5 Pada tabel 2, terlihat bahwa nilai akurasi terbaik adalah 85.36% dengan nilai paremeter learning rate terbaik 0,2. Penentuan Nilai Momentum Setelah mendapatkan nilai training cycle dan learning rate terbaik, selanjutnya adalah ekperimen dengan melakukan pencarian nilai parameter momentum yang terbaik. Dengan menggunakan training cycle = 1000, leraning rate = 0,2, berdasarkan hasil eksperimen didapatkan nilai parameter momentum terbaik seperti pada tabel 3. Gambar 3 Parameter Training Cycle NN Terbaik Pada tabel 1, untuk tingkat akurasi yang terbia yaitu dengan menggunakan nilai parameter training cycle Penentuan Nilai Learning Rate Tahapan selanjutnya adalah melakukan ekperimen dengan mencari nilai parameter learning rate terbaik dari Neural Network sebagai model yang diusulkan. Hasil ekperimen dalam mencari nilai parameter learning rate terbaik dengan menggunakan training cycle = 1000 dan momentum= 0.2, hasilnya ditunjukan pada tabel 2. Tabel 2. Penentuan parameter learning rate terbaik No. Learning Rate Accuracy Tabel 3. Penentuan parameter momentum terbaik No. Momentum Accuracy % +/- 2.17% % +/- 1.65% % +/- 2.16% % +/- 3.01% % +/- 1.89% % +/- 2.57% % +/- 2.25% % +/- 2.28% % +/- 3.90% % +/- 2.41% % +/- 1.65% % +/- 2.60% % +/- 2.26% % +/- 2.10% % +/- 1.64% % +/- 1.51% % +/- 1.77% % +/- 2.21% Gambar 5 Parameter momentum NN Terbaik Berdasarkan pada tabel 3 terlihat bahwa nilai terbaik dari model Neural Network didapatkan adalah momentum = 0.2 dengan tingkat akurasi sebesar 85.36%. Gambar Model NN Terbaik Berdasarkan hasil dari ekperimen dengan nilai tingkat akurasi yang trebaik, maka gambar model Neural Network yang dihasilkan adalah seperti pada gambar 6. Gambar 4 Parameter Learning Rate NN Terbaik 78
6 Gambar 7 Evaluasi Model NN, SVM dan NB Berdasarkan hasil analisa dalam eksperimen yang telah dilakukan terlihat bahwa Neural Network (NN) mempunyai tingkat akurasi tertinggi yaitu 85.36%. Dengan demikian neural network merupakan model yang dapat diterapkan untuk klasifikasi tingkat penguasaaan bahan ajar dengan mempunyai tingkat akurasi tertinggi. 4. Kesimpulan Gambar 6. Arsitektur Model Neural Network Terbaik yang dihasilkan Pada gambar 6 arsitektur model Neural Network yang dihasilkan adalah terdiri dari 12 neuron input, 9 neuron hidden, dan 4 neuron output. 4.2 Evaluasi Model Berdasarkan dari analisa pengujian antara model neural network dengan model data mining lainnya maka dapat dirangkumkan hasilnya pada tabel 4. Tabel 4. Hasil komparasi NN, SVM dan NB No. Model Algoritma Accuracy 1 Neural Network (NN) 85.36%. 2 Support Vector Machine (SVM) 62.81% 3 Naïve Bayes (NB) 71.24% Berdasarkan penelitian yang telah dilakukan, maka kesimpulan yang dapat diambil adalah untuk klasifikasi tingkat penguasaan materi bahan ajar menggunakan algoritma Neural Network (NN) mempunyai tingkat akurasi cukup tinggi. Tingkat akurasi dari penerapan Neural Network yang didapatkan adalah sebesar 85.36%., sehingga dapat dikatakan tingkat akurasi tersebut cukup baik. Untuk memperoleh sebuah akurasi dengan tingkat akurasi yang lebih baik lagi, terdapat beberapa saran yang harsu dilakukan, sebagai berikut: Model yang didapatkan perlu untuk di eksperimenkan dengan menggunakan berbagai dataset yang sesuai sehingga dapat dilihat performance dari model tersebut. Perlu dilakukan ekperimen percobaan model lain untuk optimaliasi tingkat akurasi klasifikasi Tingkat Penguasaan Materi Bahan Ajar sebagai bagian dari evaluasi model yang sudah didaptkan sebelumnya. Adanya sebuah optimasi peningkatan akurasi dengan menggunakan feature selection seperti dengan menggunakan algoritma Genetika. 79
7 REFERENSI [1] Ruslan Kepuasan Mahasiswa Terhadap Kinerja Dosen. Jurnal Ilmu Pendidikan (JIP). Vol 17. No.3. pp: [2] Sunyoto & Miftahudin, Agung Mengukur Kepuasan Mahasiswa Berdasarkan Kinerja Dosen Dalam Proses Perkuliahan. Sainteks. Vol 11. No.2. pp: [3] Zebulum Ricardo S, Vellasco Marley, Guedes Karla & Pacheco Marco Aurélio. Short term load forecasting using neural nets. In : Mira J, Sandoval F, editors. From natural to artificial neural computation. Berlin Heidelberg : Springer; 1995, p [4] Chalaris, M., Gritzali, S., Maragoudakis, M., Sgouropoulou, C & Tsolakidis, A Improving Quality of Educational Processes Providing New Knowledge using Data Mining Techniques. Procedia - Social and Behavioral Sciences. No pp: [5] Atika, Linda Sistem Penunjang Keputusan Penilaian Kinerja Pemilihan Dosen Berprestasi Menggunakan Metode AHP. Jurnal Imiah MATRIK. Vol.12. No.3. pp: [6] Nur Wahyudi, Eko & Jananto, Arif Final Report Penilaian kinerja Dosen oleh Mahasiswa pada Satau Tahun kademikk Menggunakan Teknik Klustering (Studi Kasus: Universitas Stikubang Semarang). Jurnal Teknologi Informasi DINAMIK. Vol.18 No.02. pp: ISSN [7] Izzuddin, Ahmad Optimasi Cluster pada Algoritma K-Means dengan Reduksi Dimensi Datset Menggunakan Principal Component Analysis untuk Pemetaan Kinerja Dosen. Energy : Jurnal Ilmiah Ilmu- Ilmu Teknik. Vol.5 No.2. November ISSN pp: [8] Shukla, A., Tiwari, R., & Kala, R Real Life Application of Soft Computing. CRC Press [9] Ling, S. H., Nguyen, H. T., & Chan, K. Y A New Particle Swarm Optimization Algorithm for Neural Network Optimization. Network and System Security, third International Conference. pp: [10] Astuti, E. D Pengantar Jaringan Saraf Tiruan. Wonosobo: Star Publishing. [11] Fakta Sari, Dini Pengenalan Pola Kepuasan Mahasiswa Terhadap Kegiatan Belajar Mengajar (Studi Kasus Di STMIK AKAKOM Yogjakarta). TEKNOMATIKA. Vol. 8. No.1. ISSN: [12] Lestari, Sri & Suryadi, Arman Model Klasifikasi Kinerja dan Dosen Berprestasi dengan Aalgoritma C45. Proseding Seminar Bisnis & Teknologi (SEMBISTEK 2014).ISSN pp: [13] Ridwan, Mujib., Suyono, Hadi & Sarosa, M Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes Classifier. Jurnal EECCIS. Vol.7, No.1. pp: Oman Somantri, memperoleh gelar S.Kom dari STMIK Sumedang dan gelar M.Kom dari Universitas Dian Nuswantoro Semarang tahun Saat ini sebagai Staf Pengajar program studi Teknik Informatika Politeknik Harapan Bersama Tegal Slamet Wiyono, memperoleh gelar S.Pd dari Universitas Negeri Semarang dan M.Eng dari Universitas Gadjah Mada (UGM) tahun Saat ini sebagai Staf Pengajar program studi Teknik Informatika Politeknik Harapan Bersama Tegal. 80
Peningkatan Akurasi Klasifikasi Tingkat Penguasaan Materi Bahan Ajar Menggunakan Jaringan Syaraf Tiruan Dan Algoritma Genetika
Tersedia di http://jtsiskom.undip.ac.id (26 Oktober 2017) DOI: 10.14710/jtsiskom.5.4.2017.147-152 Jurnal Teknologi dan Sistem Komputer, 5(4), 2017, 147-152 Peningkatan Akurasi Klasifikasi Tingkat Penguasaan
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
Lebih terperinciOptimalisasi Neural Network dengan Bootstrap Aggregating (Bagging) untuk Penentuan Prediksi Harga Listrik
Scientific Journal of Informatics Vol. 1, No. 2, November 2014 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Optimalisasi Neural Network dengan Bootstrap Aggregating (Bagging)
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciKLASIFIKASI HAMA DAN PENYAKIT TANAMAN JAGUNG DENGAN MENGGUNAKAN NEURAL NETWORK BERBASIS ALGORITMA GENETIKA
KLASIFIKASI HAMA DAN PENYAKIT TANAMAN JAGUNG DENGAN MENGGUNAKAN NEURAL NETWORK BERBASIS ALGORITMA GENETIKA Rais 1 email: rais.hojawa@gmail.com 1 Politeknik Harapan Bersama Jalan Mataram No 9 Kota Tegal
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
Lebih terperinciPREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION
JIMT Vol. 4 No. Juni 207 (Hal 47-55) ISSN : 2450 766X PREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION J.R. Mustakim, R. Ratianingsih 2 dan D. Lusiyanti 3,2,3 Program Studi
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciPERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI
Techno.COM, Vol. 15, No. 3, Agustus 2016: 241-245 PERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI Didik Srianto 1, Edy Mulyanto 2 1,2 Teknik Informatika,
Lebih terperinciBAB 1 PENDAHULUAN 1-1
BAB 1 PENDAHULUAN Bab ini menguraikan penjelasan umum mengenai tugas akhir yang dikerjakan. Penjelasan tersebut meliputi latar belakang masalah, tujuan tugas akhir, lingkup tugas akhir, metodologi yang
Lebih terperinciPEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK
PEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK Bilqis Amaliah 1, Amethis Oktaorora 2 1,2 Teknik Informatika, FTIf - ITS,Surabaya
Lebih terperinciPREDIKSI PENJUALAN HYDRATED LIME MENGGUNAKAN METODE NEURAL NETWORK
Jurnal Techno Nusa Mandiri Vol. XIV, No. 1 Bulan 2017 27 PREDIKSI PENJUALAN HYDRATED LIME MENGGUNAKAN METODE NEURAL NETWORK Asri Wahyuni Program Studi Sistem Informasi, STMIK Nusa Mandiri Jl. Damai No.
Lebih terperinciJaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit
Jaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit Abidatul Izzah 1), Ratih Kartika Dewi 2) 1)2) Jurusan Teknik Informatika ITS Surabaya Jl. Teknik
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciKAJIAN PENERAPAN ALGORITMA C4.5, NAIVE BAYES, DAN NEURAL NETWORK DALAM PEMILIHAN DOSEN TELADAN: STUDI KASUS UNIVERSITAS INDRAPRASTA
KAJIAN PENERAPAN ALGORITMA C4.5, NAIVE BAYES, DAN NEURAL NETWORK DALAM PEMILIHAN DOSEN TELADAN: STUDI KASUS UNIVERSITAS INDRAPRASTA LAKSANA PRIYO ABADI laksanarioabadi@gmail.com Program Studi Teknik Informatika
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA PADA PERGURUAN TINGGI KABUPATEN MAJALENGKA BERBASIS KNOWLEDGE BASED SYSTEM
PREDIKSI KELULUSAN MAHASISWA PADA PERGURUAN TINGGI KABUPATEN MAJALENGKA BERBASIS KNOWLEDGE BASED SYSTEM Teknik Informatika, Teknik Industri, Teknik Informatika Fakultas Teknik - Universitas Majalengka
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada masa sekarang ini komputer memiliki peran yang cukup besar dalam membantu menyelesaikan pekerjaan manusia. Seiring dengan perkembangan teknologi dan kecerdasan
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinci2 2 ... v... 3 Santoso... 21 abawa... 29... 37... 53... 59... 67... 77 Yohakim Marwanta... 85... 89... 101 ... 109... 117 D. Jaringan Komputer Amirudd... 135 andha... 141... 151... 165 Syahrir... 171...
Lebih terperinciText Mining Untuk Klasifikasi Kategori Cerita Pendek Menggunakan Naïve Bayes (NB)
Text Mining Untuk Klasifikasi Kategori Cerita Pendek Menggunakan Naïve Bayes (NB) Oman Somantri #1 # Program Studi Teknik Informatika, Politeknik Harapan Bersama Tegal Jln. Mataram.09 Pesurungan Lor Kota
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciKesehatan balita bisa diketahui salah satunya melalui penilaian status gizinya. Penelitian ini bertujuan untuk mempermudah
16 khazanah informatika Jurnal Ilmu Komputer dan Informatika 1* 1 1 Program Studi Informatika Universitas Muhammadiyah Surakarta Surakarta *fyai181@ums.ac.id Kesehatan balita bisa diketahui salah satunya
Lebih terperinciPENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
Lebih terperinciPerbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik
Perbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik Imam Sutoyo AMIK BSI JAKARTA e-mail: imam.ity@bsi.ac.id Abstrak - Klasifikasi peserta didik merupakan kegiatan yang sangat penting
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pengklasifikasian merupakan salah satu metode statistika untuk mengelompok atau menglasifikasi suatu data yang disusun secara sistematis. Masalah klasifikasi sering
Lebih terperinciPREDIKSI HARGA SAHAM PERUSAHAAN KELAPA SAWIT MENGGUNAKAN PEMODELAN MLP DAN RBF
PRDIKSI HARGA SAHAM PRUSAHAAN KLAPA SAWIT MNGGUNAKAN PMODLAN MLP DAN RBF Linda Sari Dewi Program Studi Sistem Informasi STMIK Nusa Mandiri Jakarta Jl. Damai No. 8 Warung Jati Barat (Margasatwa) Jakarta
Lebih terperinciMengenal Artificial Intelligence, Machine. Learning, Neural Network, dan Deep Learning
Mengenal Artificial Intelligence, Machine Learning, Neural Network, dan Deep Learning Abu Ahmad www.teknoindonesia.com E-mail: abuahmad@promotionme.com Abstract Dengan semakin canggihnya teknologi dan
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
Lebih terperinci5. Struktur Penulisan Tesis
Course Outline 1. Pengantar Penelitian 2. Tahapan Penelitian 3. Masalah Penelitian 4. Literature Review 5. Struktur Penulisan Tesis 6. Kesalahan Penulisan Tesis 7. Metode Eksperimen 8. Pengujian Tesis
Lebih terperinciKresna Ramanda Teknik Informatika, STMIK Nusa Mandiri Jalan Kramat raya no 25, Jakarta Pusat
PENINGKATAN KINERJA ALGORITMA NEURAL NETWORK BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK MEMPREDIKSI KELAHIRAN PREMATUR STUDI KASUS RSUPN CIPTO MANGUNKUSUMO JAKARTA Kresna Ramanda Teknik Informatika, STMIK
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 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciPENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK SELEKSI CALON PENERIMA BEASISWA TINGKAT UNIVERSITAS
9 PENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK SELEKSI CALON PENERIMA BEASISWA TINGKAT UNIVERSITAS Nadiya Hijriana 1) dan Muhammad Rasyidan 2) 1,2 Program Studi Teknik Informatika Universitas Islam
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Literatur Algoritma genetik merupakan salah satu algoritma yang biasanya digunakan dalam optimalisasi data. Namun penggunaan algoritma genetik dalam melakukan peramalan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan Support Vector Backpropagation. Pembahasan bertujuan untuk menguraikan teori dan algoritma yang digunakan dalam
Lebih terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL
1 SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (Human Face Detection System on Digital Images) Setyo Nugroho 1, Agus Harjoko 2 Program Studi Ilmu Komputer Program Pascasarjana Universitas Gadjah
Lebih terperinci2.1. Dasar Teori Bandwidth Regression
2.1. Dasar Teori 2.1.1. Bandwidth Bandwidth adalah ukuran kapasitas dari sistem transmisi (Comer, 2004) Bandwidth adalah konsep pengukuran yang sangat penting dalam jaringan, tetapi konsep ini memiliki
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
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 terperinciBAB 3 METODE PENELITIAN
31 BAB 3 METODE PENELITIAN 3.1 Pengumpulan Data (Data gathering). Pengumpulan data harus mampu mendeskripsikan data yang ada, serta memiliki kontribusi terhadap pengetahuan. Data yang tidak lengkap perlu
Lebih terperinciAkurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa
Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa dengan Metode NAÏVE BAYES M. Ridwan Effendi Fakultas Komputer Jurusan Sistem Informasi Universitas Mohammad Husni Thamrin Jakarta Email :
Lebih terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
Lebih terperinciDIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 7~12 7 DIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5 Tri Retnasari 1, Eva Rahmawati 2 1 STMIK
Lebih terperinciPREDIKSI NILAI UJIAN NASIONAL PRODUKTIF SEKOLAH MENENGAH KEJURUAN MENGGUNAKAN METODE NEURAL NETWORK
Techno.COM, Vol. 14, No. 1, Februari 15: 33-41 PREDIKSI NILAI UJIAN NASIONAL PRODUKTIF SEKOLAH MENENGAH KEJURUAN MENGGUNAKAN METODE NEURAL NETWORK Winarto Utomo SMK Negeri 1 Pringapus Jatirunggo Kecamatan
Lebih terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
Lebih terperinciPERANCANGAN PENGATURAN DURASI LAMPU LALU LINTAS ADAPTIF
PERANCANGAN PENGATURAN DURASI LAMPU LALU LINTAS ADAPTIF Rudericus Andika Pramudya, Mahmud Imrona 2, Fhira Nhita 3,2,3 Prodi S Teknik Informatika, Fakultas Teknik, Universitas Telkom rudericusdika@gmail.com,
Lebih terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih terperinciPENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT
PENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT Dedy Ahmad Kurniawan 1), Danny Kriestanto 2) Teknik Informatika, STMIK AKAKOM e-mail: dedyahmad.akakom10@gmail.com 1), danny@akakom.ac.id 2) ABSTRAK
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pendidikan merupakan salah satu aspek penting di dalam kehidupan. Oleh karena itu, pendidikan mendapat perhatian besar dalam kehidupan masyarakat dan negara. Pendidikan
Lebih terperinciKLASIFIKASI UNTUK DIAGNOSA DIABETES MENGGUNAKAN METODE BAYESIAN REGULARIZATION NEURAL NETWORK (RBNN)
JURNAL INFORMATIKA VOL.11.NO1, JAN 2017 KLASIFIKASI UNTUK DIAGNOSA DIABETES MENGGUNAKAN METODE BAYESIAN REGULARIZATION NEURAL NETWORK (RBNN) M.Fadly Rahman 1, M.Ilham Darmawidjadja 2, Dion Alamsah 3 Teknik
Lebih terperinciBAB I PENDAHULUAN. satu bagian sistem biometrika adalah face recognition (pengenalan wajah). Sistem
1 BAB I PENDAHULUAN 1.1. Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia yang memiliki keunikan. Salah satu bagian sistem biometrika
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pendidikan adalah salah satu aspek terpenting bagi kehidupan manusia, yang dapat mempengaruhi manusia itu sendiri, juga menjadi faktor pendukung dalam setiap sektor
Lebih terperinciData Mining Terapan dengan Matlab
Pendahuluan i ii Data Mining Terapan dengan Matlab Pendahuluan iii DATA MINING TERAPAN DENGAN MATLAB Oleh : Budi Santosa Edisi Pertama Cetakan Pertama, 2007 Hak Cipta 2007 pada penulis, Hak Cipta dilindungi
Lebih terperinciMetode K-Means untuk Optimasi Klasifikasi Tema Tugas Akhir Mahasiswa Menggunakan Support Vector Machine (SVM)
Scientific Journal of Informatics Vol. 3, No. 1, Mei 20xx p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Metode K-Means untuk Optimasi Klasifikasi Tema Tugas Akhir Mahasiswa
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA Erik Hadi Saputra 1), Burhan Alfironi Muktamar 2) 1), 2) Teknik Informatika
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciSISTEM KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN)
SISTEM KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN) Fitri Yunita Fakultas Teknik dan Ilmu Komputer, Universitas Islam Indragiri Email:Fitriyun@gmail.com Abstrak Diabetes
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST)
Berkala Fisika ISSN : 1410-9662 Vol. 15, No. 1, Januari 2012, hal 15-20 SISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST) Tri Mulyono, Kusworo Adi dan Rahmat Gernowo Jurusan
Lebih terperinciMoch. Ali Machmudi 1) 1) Stmik Bina Patria
UJI PENGARUH KARAKTERISTIK DATASET PADA PERFORMA ALGORITMA KLASIFIKASI Moch. Ali Machmudi 1) 1) Stmik Bina Patria 1) Jurusan Manjemen Informatika-D3 Email : 1 aliadhinata@gmail.com 1) Abstrak Tujuan utama
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciIMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI
IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com
Lebih terperinciWEIGHT K-SUPPORT VECTOR NEAREST NEIGHBOR
WEIGHT K-SUPPORT VECTOR NEAREST NEIGHBOR Eko Prasetyo 1), Rifki Fahrial Zainal 2), Harunur Rosyid 3) 1), 2) Teknik Informatika Universitas Bhayangkara Surabaya Jl. A. Yani 114, Surabaya, 60231 3) Teknik
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciLEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA
LEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA 1,2,3 Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara e-mail: edgar.audela.bb@students.usu.ac.id,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Jaringan Syaraf Tiruan (artificial neural network), atau disingkat JST menurut Hermawan (2006, hlm.37) adalah sistem komputasi dimana arsitektur dan operasi
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4A3 Pembelajaran Mesin Disusun oleh: Agung Toto Wibowo Said Al Faraby PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR PENGESAHAN
Lebih terperinciPERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA
PERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA Budho Setyonugroho 1), Adhistya Erna Permanasari 2), Sri Suning Kusumawardani
Lebih terperinciAplikasi Algoritma Competitive Network Untuk Clustering Minat Mahasiswa Terhadap Topik-Topik Penelitian
Aplikasi Algoritma Competitive Network Untuk Clustering Minat Mahasiswa Terhadap Topik-Topik Penelitian Wiji Lestari, Singgih Purnomo STMIK Duta Bangsa Surakarta ABSTRAK Clustering adalah suatu metode
Lebih terperinciPerbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit
Perbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit Sri Redjeki Program Studi Teknik Informatika STMIK AKAKOM Yogyakarta, Indonesia dzeky@akakom.ac.id Abstrak
Lebih terperinciPemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Pemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa Aidina Ristyawan 1), Kusrini 2), Andi Sunyoto
Lebih terperinciImplementasi jaringan syaraf tiruan untuk menilai kelayakan tugas akhir mahasiswa (studi kasus di amik bukittinggi)
10 Implementasi jaringan syaraf tiruan untuk menilai kelayakan tugas akhir mahasiswa (studi kasus di amik bukittinggi) Novia Lestari 1, Lucky Lhaura Van FC 2 1 Program Studi Manajemen Informatika AMIK
Lebih terperinciIMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI
Royani Darma Nurfita, Gunawan Ariyanto, Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI Royani Darma
Lebih terperinciANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN
ANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN Abstrak Vinsensius Rinda Resi - NIM : A11.2009.04645 Program Studi Teknik
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan dalam penelitian ini.
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciAnalisis Akurasi Support Vector Machine...
ANALISIS AKURASI SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF UNTUK PRAKIRAAN BEBAN LISTRIK HARIAN SEKTOR INDUSTRI Luqman Assaffat 1 * 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciEvaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes (Studi Kasus: Fasilkom Unilak)
n 1 Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes (Studi Kasus: Fasilkom Unilak) Nurliana Nasution 1, Khairani Djahara 2, Ahmad Zamsuri 3 1,2,3 Program Studi Teknik Informatika
Lebih terperinciPengolahan Data. Algoritma C4.5 Menghitung entropi : Data Training (75%) = 220 data Data Testing (25%) = 73 data
Algoritma C4.5 Menghitung entropi : engolahan Data Data Training (75%) = 220 data Data Testing (25%) = 73 data Entropi (y) = -p 1 log 2 p 1 p 2 log 2 p 2... p n log 2 p n Entropi IK -28/220*OG 2 (28/220)-156/220*OG
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 menggambarkan desain penelitian peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation.
Lebih terperinci