Seminar Hasil Tugas Akhir
|
|
- Lanny Kurnia
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Seminar Hasil Tugas Akhir Klasifikasi Pasien Penderita Diabetes Melitus Menggunakan Metode Hybrid Analisis Diskriminan dan Algoritma Genetika Ramadhana Dio Gradianta Dosen pembimbing : Dr. Irhamah, S.Si.,M.Si. Selasa, 24 Juni 2014 Ruang Sidang Lantai 4
2 AGENDA Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran Daftar Pustaka 2
3 Pendahuluan Klasifikasi Pasien Penderita Diabetes Melitus Menggunakan Metode Hybrid Analisis Diskriminan dan Algoritma Genetika
4 Latar belakang 4
5 Latar belakang Jumlah Penderita Diabetes Melitus Dunia (dalam juta) China India USA Indonesia 5
6 Latar belakang Tipe 1 Tipe 2 Tipe Lain Tipe Lain 2% Tipe 1 8% Tipe 2 90% 6
7 Latar belakang HYBRID ANALISIS DISKRIMINAN & ALGORITMA GENETIKA Gula darah teregulasi Gula darah belum teregulasi 7
8 Penelitian Sebelumnya Zamani (2013) Implementasi Algoritma Genetika Pada Struktur Backpropagation Neural Network Untuk Klasifikasi Kanker Payudara Neural Network yang dioptimalkan parameternya menggunakan algoritma genetika terbukti mampu menghasilkan nilai rata-rata akurasi yang tinggi Raj dan Rajesh (2012) Classification Rule Discovery for Diabetes Patients by Using Genetic Programming Menggunakan algoritma genetika, akurasi yang diperoleh dari hasil klasifikasi lebih tinggi dibandingkan dengan metode konvensional. 8
9 Penelitian Sebelumnya Agus Nurkhozin (2011) Komparasi Hasil Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Backpropagation dan Learning Vector Quantization Klasifikasi menggunakan LVQ memberikan tingkat akurasi yang lebih tinggi dibandingkan dengan jaringan Backpropagation Jehri Wahyu (2012) Boosting Neural Network dan Boosting CART Pada Klasifikasi Diabetes Melitus Tipe II Boosting CART menghasilkan akurasi yang lebih tinggi dibandingkan dengan Boosting Neural Network 9
10 Perumusan masalah Bagaimana ketepatan klasifikasi penderita diabetes melitus tipe dua dengan menggunakan analisis diskriminan? Bagaimana ketepatan klasifikasi penderita diabetes melitus tipe dua dengan menggunakan metode hybrid analisis diskriminan dan algoritma genetika? Bagaimana perbandingan ketepatan klasifikasi menggunakan metode analisis diskriminan dan hybrid diskriminan-algoritma genetika? 10
11 Tujuan Penelitian Mendapatkan nilai ketepatan klasifikasi penderita diabetes melitus tipe dua dengan menggunakan analisis diskriminan Mendapatkan nilai ketepatan klasifikasi penderita diabetes me-litus tipe dua dengan menggunakan metode hybrid analisis dis-kriminan-algoritma genetika. Membandingan ketepatan klasifikasi dengan menggunakan metode analisis diskriminan dan hybrid diskriminan-algoritma genetika 11
12 Manfaat Penelitian Sebagai informasi tambahan untuk mengambil suatu tindakan pada pasien diabetes melitus berdasarkan pengklasifikasian. Menjadi informasi tambahan bagi Dinas Kesehatan dalam membuat kebijakankebijakan untuk menekan angka penderita diabetes melitus di Indonesia Hasil perbandingan metode dapat digunakan sebagai dasar untuk menentukan klasifikasi pasien penyakit lain dengan akurasi yang lebih tinggi. 12
13 Batasan Masalah 1 Penelitian tugas akhir hanya difokuskan pada pasien penderita diabetes melitus di klinik penyakit dalam dr. Ipung Puruhito Sp.PD. 2 Pasien yang menjadi responden diasumsikan hanya menderita diabetes melitus tanpa komplikasi. 13
14 TINJAUAN PUSTAKA Klasifikasi Pasien Penderita Diabetes Melitus Menggunakan Metode Hybrid Analisis Diskriminan dan Algoritma Genetika
15 Uji Distribusi Normal Multivariat Hipotesis : H 0 : Data pengamatan berdistribusi normal multivariat H 1 : Data pengamatan tidak berdistribusi normal multivariat Statistik Uji : d 2 j x 1 x j j Jika terdapat sekitar 50% ; maka dapat dikatakan bahwa variabel random x berdistribusi normal multivariat. 15
16 Uji Kesamaan Varian-Kovarian Hipotesis : H 0 : 0 = 1 = 2 =... k =. H 1 : Sedikitnya ada dua kelompok yang berbeda. Statistik uji Box s M (Johnson & Wichern, 2007) : M 2ln * k j 1 ( n j 1) ln S k n j 1 ln S j H0 ditolak jika C > χ 2 p(p+1)(k-1)/2,α dan dapat disimpulkan bahwa antar kelompok mempunyai matriks varian - kovarian yang berbeda pooled j 1 16
17 Uji Perbedaan Rata-rata Hipotesis : H 0 : µ 1 = µ 2 = = µ k H 1 : µ i µ j (minimal terdapat 2 kelompok yang berbeda) Statistik Uji Wilks Lambda (Johnson & Wichern, 2007): ˆ ˆ 0 Wilks Lambda mendekati nilai nol, maka H 0 ditolak, artinya terdapat perbedaan kelompok di antara individu. n / 2 17
18 Analisis Diskriminan Dillon and Goldstein (1984) Suatu teknik analisa statistik untuk mengklasifikasikan objek ke dalam suatu kelompok tertentu berdasarkan peubah bebasnya Johnson Wichern (2007) Suatu metode yang dapat menghasilkan pemisahan yang terbaik antara berbagai macam populasi berdasarkan kombinasi linear dari peubah-peubah bebasnya 18
19 Analisis Diskriminan Persamaan umum dari fungsi diskriminan untuk setiap objek sebagai berikut. Z jk a w x w x k Nilai prediksi dari fungsi diskriminan merupakan skor diskriminan (Z). Skor diskriminan dikalkulasi untuk setiap objek di dalam analisis (Hair, 2009) 2 2k w n x nk 19
20 Membentuk Klasifikasi Grup A Actual Negatif Predict Klasifikasi Positif Negatif TN FP Positif FN TP jika Z k < Z ct Grup B jika Z k > Z ct 20
21 Algoritma Genetika Holland (1975) Algoritma genetika adalah metode untuk memecahkan masalah optimasi yang didasarkan pada seleksi alam dan proses yang mendorong evolusi biologis. 21
22 Langkah-langkah algoritma genetika : Membuat populasi awal secara acak. Menciptakan urutan populasi baru. SELEKSI PINDAH Elitisme ORANG SILANG TUA SELEKSI ORANG TUA K40 0 Fitness = a K1 NILAI FITNESS K3 KONVERGEN 1 1 PINDAH SILANG Orang Tua Fitness = 1 b Algoritma berhenti ketika salah satu kriteria telah terpenuhi Anak Elitisme K Fitness 1 = z
23 Diabetes Melitus Diabetes melitus (kencing manis) adalah kelainan yang disebabkan metabolik oleh banyak faktor dengan simtoma berupa hiperglikemia kronis dan gangguan metabolisme karbohidrat, lemak, dan protein. Berbagai penyakit dan sindrom dapat terpicu oleh diabetes melitus, antara lain: sindom Down, penyakit Hungtinton, penyakit Parkinson, leukoaraiosis, hipotiroidisme, hipogonadisme, dan lainlain. 23
24 Tipe-Tipe Diabetes Melitus Tipe 12 Terjadi karena 90% berkurangnya rasio insulin dalam sirkulasi darah akibat hilangnya sel beta penghasil insulin Pasien diabetes melitus tipe dua Tipe Kondisi 2 pasca pemberian obat Tipe lain Terjadi bukan disebabkan oleh rasio insulin di dalam sirkulasi darah, melainkan merupakan Terjadi hanya selama kehamilan dan pulih Gula darah teregulasi setelah melahirkan, dengan keterlibatan interleukin-6 dan Gula kelainan darah metabolisme belum protein teregulasi reaktif C pada yang disebabkan oleh lintasan mutasi pada banyak patogenesisnya gen 24
25 METODOLOGI PENELITIAN Klasifikasi Pasien Penderita Diabetes Melitus Menggunakan Metode Hybrid Analisis Diskriminan dan Algoritma Genetika
26 Sumber Data DATA SEKUNDER TEMPAT PRAKTEK dr. IPUNG PARUHITO Sp.PD DATA PASIEN
27 Variabel Penelitian Variabel Dependen 1 : Gula darah pasien telah teregulasi 2 : Gula darah pasien belum teregulasi 27
28 Variabel Penelitian Variabel Independen Gula darah 2 jam post prandial (mg/dl) Tekanan darah sistolic (mmhg) Tekanan darah diastolic (mmhg) Gula darah puasa (mg/dl) Usia (tahun) 28
29 Langkah Penelitian Studi Literatur Menentukan Variabel Penelitian Mengumpulkan Data Penelitian Menarik kesimpulan Membandingkan hasil analisis kedua metode Melakukan pengolahan data dengan analisis diskriminan dan algoritma genetika 29
30 ANALISIS & PEMBAHASAN Klasifikasi Pasien Penderita Diabetes Melitus Menggunakan Metode Hybrid Analisis Diskriminan dan Algoritma Genetika
31 Karakteristik Pasien DM Tipe 2 Variabel Prediktor Rata-rata Simpangan baku Max Min Gula darah 2jpp 219,10 113, GD2JPP > 200 mg/dl Sistolic 132,16 19, Diastolic 81,635 9, Gula darah puasa 159,06 80, GDP > 140 mg/dl Usia 56,59 10,
32 Karakteristik Pasien DM Tipe 2 Variabel prediktor Gula darah 2jpp Rata-rata Simpangan baku Max Min T BT T BT T BT T BT 147,54 320,70 47,23 101, Rata-rata = 128,64 mg/dl < 140 mg/dl Sistolic 127,95 138,14 17,16 21, Diastolic 79,18 85,12 8,81 10, Gula darah puasa 109,74 229,00 28,94 79, Rata-rata = 275,85 mg/dl > 140 mg/dl Usia 59,56 52,37 10,98 8,
33 Uji asumsi analisis diskriminan Uji Distribusi Normal Multivariat Hipotesis : H 0 : Data pengamatan berdistribusi normal multivariat H 1 : Data pengamatan tidak berdistribusi normal multivariat Statistik Uji : Proporsi nilai ; = 4,351 sebesar 59,6% Kesimpulan : Gagal tolak H 0, karena proporsi di sekitar 50%. q dd Data berdistribusi normal multivariat 33
34 Uji asumsi analisis diskriminan Uji Kesamaan Matriks Varian-Kovarian Hipotesis : H 0 : 0 = 1 = 2 =... k =. H 1 : Sedikitnya ada dua kelompok yang berbeda. Statistik Uji : Box s M = 36,510 χ 2 15;0,05 = 24,996 Kesimpulan : Tolak H 0, karena statistik uji Box s M > χ 2 15;0,05 Varian-kovarian kedua kelompok tidak homogen Analisis fungsi diskriminan tetap robust walaupun asumsi kesamaan variankovarian tidak terpenuhi (Gozhali, 2006) 34
35 Uji asumsi analisis diskriminan Uji Perbedaan Rata-Rata Antar Kelompok Hipotesis : H 0 : µ 1 = µ 2 = = µ k H 1 : µ i µ j (minimal terdapat 2 kelompok yang berbeda) Kesimpulan : Tolak H 0, terdapat 3 variabel yang mengandung statistik uji wilk s lambda yang menjauhi 1. Statistik Uji : Variabel prediktor Wilks' Lambda Pvalue GD2JPP 0,430 0,000 Sistolic 0,935 0,009 Diastolic 0,911 0,002 GDP 0,467 0,000 Usia 0,886 0,000 Data memiliki rata-rata yang berbeda antar kelompok 35
36 Pemilihan model terbaik Variabel pembentuk fungsi diskriminan : Gula darah 2 jam past prandial Usia Tekanan darah diastolic Berhenti ketika tidak ada lagi F hitung > F tabel = 3,84 36
37 Pembentukan Model Diskriminan Z 2,912 0,013( gd 2 jpp) 0,031( diastolic ) 0,042( usia) Grup Centroid Kelompok 1 = -1,100 Grup Centroid Kelompok 2 = 1,560 Critical Cutting Score = 0,23 37
38 Histogram Z score Domain antara -3,125 hingga 1,25 Domain antara -0,625 hingga 6,125 38
39 Membentuk klasifikasi Aktual Prediksi Kelompok 1 Kelompok 2 Total Kelompok Kelompok Ketepatan klasifikasi = 0,846 84,6%
40 Inisialisasi Kromosom KROMOSOM FITNESS KROMOSOM , , , ,
41 Roulette Wheel Populasi Fitness Relatif Fitness Komulatif Fitness ke- (rk) (kk) Bilangan Random 1 0,0769 0, , , ,4231 0, , , ,5769 0, , Populasi ke-dua terpilih sebagai induk untuk proses crossover 41
42 Crossover INDUK ANAK Kedua kromosom telah berpindahsilang 42
43 Elitisme KROMOSOM FITNESS KROMOSOM Generasi Pertama Generasi Kedua
44 Hasil Algoritma Genetika Z 2,639 0,273( gd 2 jpp) 0,016( diastolic ) 1,033( usia) Ketepatan Klasifikasi = 92,31% 44
45 Perbandingan Metode Parameter Ketepatan Klasifikasi Analisis diskriminan a = -2,912 w 1 = 0,013 w 3 = 0,031 w 5 = -0,042 84,6% a = -2,6393 Hybrid analisis w diskriminan dan 1 = 0,2739 w algoritma genetika 3 = -0,0169 w 5 = -1, ,31% Hybrid analisis diskriminan-algoritma genetika memberikan akurasi yang lebih tinggi 45
46 Kesimpulan 1 2 Akurasi dengan analisis diskriminan sebesar 84,6% dengan parameter fungsi diskriminan antara lain a=-2,912; w 1 = 0,013; w 3 = 0,031; dan w 5 = -0,042. Akurasi dengan hybrid analisis diskriminan dan algoritma genetika sebesar 92,31%. Parameter fungsi diskriminan yang diperoleh antara lain a = -2,6393; w 1 = 0,2739; w 3 = -0,0169; dan w 5 = -1, Hybrid diskriminan-algoritma genetika menghasilkan ketepatan klasifikasi yang lebih tinggi dibandingkan analisis diskriminan. 46
47 Saran 1 Menambah jumlah variabel penelitian yang berhubungan dengan kondisi gula darah pada pasien diabetes melitus tipe dua 2 Mengambil sampel dengan jumlah yang lebih banyak karena pada analisis diskriminan, semakin banyak sampel yang diambil semakin baik analisis yang akan dihasilkan. 47
48 Daftar Pustaka Darmanto, E Implementasi Algoritma Genetika Pada Pelatihan Jaringan Syaraf Tiruan Untuk Klasifikasi Skala Sentra Industri: Studi Kasus Skala Industri Di Kabupaten Kudus. Yogyakarta: UGM. Engelbrecht, A.P Computaional Intelligence. South Africa: John Wiley & Sons. Inc. Fernanda, J. W Boosting Neural Network dan Boosting Cart Pada Klasifkasi Diabetes Militus Tipe II. Surabaya: ITS. Ghozali, Imam Aplikasi Analisis Multivariate dengan Program SPSS. Semarang : Badan Penerbit Universitas Diponegoro Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E Multivariate Data Analysis (7th Edition ed.). New Jersey: Pearson Prentice Hall. Johnson, N. & Wichern, D Applied Multivariate Statistical Analysis, 6th Edition. New Jersey: Prentice Hall, Englewood Cliffs. Kumar, R. & Verma, R Classification Rule Discovery for Diabetes Patients by Using Genetic Programming. India : International Journal of Soft Computing and Engineering (IJSCE). 48
49 Daftar Pustaka MathWorks Diakses 23 Oktober 2013, dari How The Genetic Algorithm Works: Nurkhozin, A Komparasi Hasil Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Backpropa-gation Dan Learning Vector Quantization. Surabaya: ITS. Suyanto Algoritma Genetika dalam Matlab. Yogyakarta : Andi Offset. Tjokronegoro,A & Utama, H Ilmu Penyakit Dalam. Jakarta: Gaya Baru. Widodo, T.S Komputasi Evolusioner. Yogyakarta: Graha Ilmu. Wikipedia, Diakses 23 Oktober 2013, dari Diabetes Melitus: Zamani Implementasi Algoritma Genetika Pada Struktur Backpropagation Neural Network Untuk Klasifikasi Kanker Payudara. Surabaya: ITS. 49
50 Proposal Tugas Akhir Klasifikasi Pasien Penderita Diabetes Melitus Menggunakan Metode Hybrid Analisis Diskriminan dan Algoritma Genetika Ramadhana Dio Gradianta Dosen pembimbing : Dr. Irhamah, S.Si.,M.Si. Selasa, 24 Juni 2014 Ruang Sidang Lantai 4
Klasifikasi Pasien Penderita Diabetes Melitus Tipe Dua Menggunakan Metode Analisis Diskriminan Hybrid Algoritma Genetika
1 Klasifikasi Pasien Penderita Diabetes Melitus Tipe Dua Menggunakan Metode Analisis Diskriminan Hybrid Algoritma Genetika Ramadhana Dio Gradianta dan Irhamah Jurusan Statistika, Fakultas Matematika dan
Lebih terperinciBAB I PENDAHULUAN. akut maupun komplikasi vaskuler jangka panjang, baik mikroangiopati maupun
BAB I PENDAHULUAN A. Latar Belakang Masalah Diabetes mellitus merupakan suatu penyakit yang ditandai oleh kadar glukosa darah melebihi normal dan gangguan metabolisme karbohidrat, lemak dan protein yang
Lebih terperinciKLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN
Lebih terperinciPENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL
Lebih terperinciPEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM
PEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM Syafiul Muzid Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta E-mail:
Lebih terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih terperinciKOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN
Lebih terperinciAPLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS Hafid Hazaki 1, Joko Lianto Buliali 2, Anny Yuniarti 2
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
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 terperinciPENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X)
PENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X) Ria Krisnanti 1, Andi Sudiarso 2 1 Jurusan Teknik Mesin dan Industri, Fakultas Teknik,
Lebih terperinciBAB I. Pendahuluan. diamputasi, penyakit jantung dan stroke (Kemenkes, 2013). sampai 21,3 juta orang di tahun 2030 (Diabetes Care, 2004).
BAB I Pendahuluan 1. Latar Belakang Penyakit Tidak Menular (PTM) sudah menjadi masalah kesehatan masyarakat, baik secara global, regional, nasional dan lokal. Salah satu PTM yang menyita banyak perhatian
Lebih terperinciRANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA
ABSTRAKSI RANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA Tedy Rismawan, Sri Kusumadewi Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciKomparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation
Komparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation DOSEN PEMBIMBING Prof. Dr. Moh. Isa Irawan, M.T. Dr. Imam Mukhlash,
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY
PENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY Arief Kelik Nugroho Fakultas Teknik, Universitas PGR Yogyakarta e-mail : ariefkeliknugroho@gmail.com Abstrak
Lebih terperinciBAB 1 : PENDAHULUAN. pergeseran pola penyakit. Faktor infeksi yang lebih dominan sebagai penyebab
BAB 1 : PENDAHULUAN 1.1 Latar Belakang Perkembangan zaman dan kemajuan teknologi mengakibatkan terjadinya pergeseran pola penyakit. Faktor infeksi yang lebih dominan sebagai penyebab timbulnya penyakit
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1. Analisis Sistem Berjalan 3.1.1. Penyusunan Menu Makanan Dalam penyusunan menu makanan banyak hal yang perlu diperhatikan, terutama jika menu makanan yang disusun untuk
Lebih terperinciBAB I PENDAHULUAN. merealisasikan tercapainya Millenium Development Goals (MDGs) yang
BAB I PENDAHULUAN A. Latar Belakang Indonesia sebagai masyarakat dunia berkomitmen untuk ikut merealisasikan tercapainya Millenium Development Goals (MDGs) yang bertujuan untuk meningkatkan kesejahteraan
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciBAB I PENDAHULUAN. kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta
BAB I PENDAHULUAN A. Latar Belakang Matematika adalah cabang ilmu pengetahuan yang dapat digunakan dalam kehidupan sehari-hari dan juga merupakan disiplin ilmu yang berdiri sendiri serta tidak merupakan
Lebih terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciKlasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan
Statistika, Vol. 15 No. 2, 87-97 November 215 Klasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan Fitriana A.R. 1, Nurhasanah 2, Ririn Raudhatul
Lebih terperinciJl. Ahmad Yani, Pontianak Telp./Fax.: (0561)
APLIKASI PENCARIAN RUTE TERPENDEK MENGGUNAKANALGORITMA GENETIKA (Studi Kasus: Pencarian Rute Terpendek untuk Pemadam Kebakaran di Wilayah Kota Pontianak) [1] Putri Yuli Utami, [2] Cucu Suhery, [3] Ilhamsyah
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih terperinciOleh : Arief Yudissanta ( ) Pembimbing : Prof. Susanti Linuwih Mstat.PHD
TUGAS AKHIR Oleh : Arief Yudissanta (1307 030 019) Pembimbing : Prof. Susanti Linuwih Mstat.PHD PENGELOMPOKAN SEKOLAH DASAR BERDASARKAN RATA-RATA NILAI UJIAN AKHIR SEKOLAH BERSTANDAR NASIONAL DI SETIAP
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciSemakin besar persentase CCR yang dihasilkan, maka tingkat akurasi yang dihasilkan semakin tinggi (Hair et. al., 1995).
3 fungsi diskriminan cukup untuk memisahkan k buah kelompok. Karena fungsi-fungsi diskriminan tidak saling berkorelasi, maka komponen aditif dari V masing-masing didekati dengan khi-kuadrat dengan V j
Lebih terperinciDIABETES MELLITUS I. DEFINISI DIABETES MELLITUS Diabetes mellitus merupakan gangguan metabolisme yang secara genetis dan klinis termasuk heterogen
DIABETES MELLITUS I. DEFINISI DIABETES MELLITUS Diabetes mellitus merupakan gangguan metabolisme yang secara genetis dan klinis termasuk heterogen dengan manifestasi berupa hilangnya toleransi karbohidrat.
Lebih terperinciVolume I No. 1, Februari 2016 ISSN
Volume I No., Februari 26 ISSN 252-3764 PERBANDINGAN ANALISIS DISKRIMINAN LINEAR, REGRESI LOGISTIK BINER DAN RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) (STUDI KASUS PADA PENGKLASIFIKASIAN KETEPATAN WAKTU
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)
Abstrak PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP) Aulia Fitrah 1, Achmad Zaky 2, Fitrasani 3 Program Studi Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
Lebih terperinciPEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 3 No. 1 Hal. 98 106 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL YOSI PUTRI, NARWEN
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN Tedy Rismawan 1, Sri Kusumadewi 2 Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas Islam Indonesia e-mail: 1
Lebih terperinciModel Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur M.Fariz Fadillah Mardianto,
Lebih terperinciPENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA
LOGO PENENTUAN KOMBINASI OPTIMUM JUMLAH, BERAT, DAN WAKTU TAMBAT KAPAL DI PT (PERSERO) PELABUHAN INDONESIA III GRESIK MENGGUNAKAN ALGORITMA GENETIKA Oleh : Aris Saputro 1206100714 Pembimbing : Dr. M. Isa
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-222
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-222 Implementasi Algoritma Genetika pada Struktur Backpropagation Neural Network untuk Klasifikasi Kanker Payudara Adam Mizza Zamani, Bilqis Amaliah
Lebih terperinciALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Disusun oleh: Achmad Basuki Politeknik Elektronika Negeri Surabaya, PENS ITS Surabaya 2003 Algoritma
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Gizi 2.1.1 Jenis-Jenis Zat Gizi Zat gizi dapat dibedakan menjadi dua kelompok sesuai kebutuhan, yaitu makronutrien dan mikronutrien. Makronutrien adalah zata-zat makanan yang
Lebih terperinciOPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENDUGAAN PARAMETER DALAM ANALISIS STRESS DAN STRAIN TERHADAP MATERIAL MENGGUNAKAN ALGORITMA GENETIKA Mike Susmikanti Pusat Pengembangan Informatika Nuklir, Badan Tenaga Nuklir Nasional Kawasan
Lebih terperinciBAB I PENDAHULUAN. Diabetes Mellitus (DM) merupakan gangguan metabolisme dengan. yang disebabkan oleh berbagai sebab dengan karakteristik adanya
BAB I PENDAHULUAN A. Latar Belakang Diabetes Mellitus (DM) merupakan gangguan metabolisme dengan karakteristik adanya tanda-tanda hiperglikemia akibat ketidakadekuatan fungsi dan sekresi insulin (James,
Lebih terperinciDINAMISASI PARAMETER ALGORITMA GENETIKA MENGGUNAKAN POPULATION RESIZING ON FITNESS IMPROVEMENT FUZZY EVOLUTIONARY ALGORITHM (PROFIFEA)
DINAMISASI PARAMETER ALGORITMA GENETIKA MENGGUNAKAN POPULATION RESIZING ON FITNESS IMPROVEMENT FUZZY EVOLUTIONARY ALGORITHM (PROFIFEA) Syafiul Muzid Program Studi Sistem Informasi, Fakulktas Teknik, Universitas
Lebih terperinciPenjadwalan Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) A-127 Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS Wiga Ayu Puspaningrum, Arif Djunaidy, dan Retno
Lebih terperinciPENDAHULUAN. Latar Belakang. Tujuan Penelitian
PENDAHULUAN Latar Belakang Fungsi Cobb-Douglas dengan galat aditif merupakan salah satu fungsi produksi yang dapat digunakan untuk menganalisis hubungan antara hasil produksi dan faktor-faktor produksi.
Lebih terperinciRancang Bangun Robot PANTILT: Pendeteksian Posisi Kepala Manusia Menggunakan Algoritma Genetika
Rancang Bangun Robot PANTILT: Pendeteksian Posisi Kepala Manusia Menggunakan Algoritma Genetika Ferman Hakiki 1, Indra Adji Sulistijono 2 1 Jurusan Teknik Elektornika, Politeknik Elekronika Negeri Surabaya
Lebih terperinciBAB I PENDAHULUAN. terbesar di dunia. Menurut data dari International Diabetes Federation (IDF)
BAB I PENDAHULUAN A. Latar Belakang Diabetes Mellitus (DM) merupakan salah satu masalah kesehatan yang terbesar di dunia. Menurut data dari International Diabetes Federation (IDF) tahun 2013, didapatkan
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman Online di:
ISSN: 339-541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 014, Halaman 313-3 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN ANALISIS KLASIFIKASI MENGGUNAKAN METODE K-NEAREST NEIGHBOR
Lebih terperinciPIPA PVC PUTU WITRI DEWAYANTI Dosen Pembimbing: Dr. Muhammad Mashuri, MT. Co Pembimbing: Wibawati, S.Si, M.Si. Kamis, 7 Juli 2011
PUTU WITRI DEWAYANTI 137131 1 PENERAPAN DIAGRAM KONTROL KOMBINASI MULTIVARIATE EXPONENTIAL WEIGHTED MOVING AVERAGE (MEWMA) PADA TAHAP CUTTING PROSES PRODUKSI PIPA PVC Dosen Pembimbing: Dr. Muhammad Mashuri,
Lebih terperinciBAB 1 PENDAHULUAN. Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Semakin bervariasinya jenis makanan yang dikonsumsi oleh masyarakat serta pola makan dan pola hidup yang semakin kurang sehat, membawa berbagai dampak dibidang
Lebih terperinciHASIL DAN PEMBAHASAN. dengan hipotesis nolnya adalah antar peubah saling bebas. Statistik ujinya dihitung dengan persamaan berikut:
. Menyiapkan gugus data pencilan dengan membangkitkan peubah acak normal ganda dengan parameter µ yang diekstrimkan dari data contoh dan dengan matriks ragam-peragam yang sama dengan data contoh. Proses
Lebih terperinciBAB I PENDAHULUAN. Pola penyakit yang diderita masyarakat telah bergeser ke arah. penyakit tidak menular seperti penyakit jantung dan pembuluh darah,
BAB I PENDAHULUAN A. Latar Belakang Masalah Pola penyakit yang diderita masyarakat telah bergeser ke arah penyakit tidak menular seperti penyakit jantung dan pembuluh darah, serta kanker dan Diabetes Melitus
Lebih terperinciOptimasi Persediaan Multi-item Fuzzy EOQ Di PT UWBM dengan Algoritma Genetika
Optimasi Persediaan Multi-item Fuzzy EOQ Di PT UWBM dengan Algoritma Genetika Disusun Oleh : Ainy Mahmudah 1307 100 002 Pembimbing I Pembimbing II : Dr. Irhamah, S.Si., M.Si : Dra. Sri Mumpuni R, M.Si
Lebih terperinciBAB I PENDAHULUAN. insulin yang tidak efektif. Hal ini ditandai dengan tingginya kadar gula dalam
BAB I PENDAHULUAN 1.1 Latar Belakang Diabetes Melitus merupakan penyakit kronis yang disebabkan oleh ketidak mampuan tubuh untuk memproduksi hormon insulin atau karena penggunaan insulin yang tidak efektif.
Lebih terperinciREGRESI SPLINE BIRESPON UNTUK MEMODELKAN KADAR GULA DARAH PENDERITA DIABETES MELITUS
REGRESI SPLINE BIRESPON UNTUK MEMODELKAN KADAR GULA DARAH PENDERITA DIABETES MELITUS Dhina Oktaviana P, I Nyoman Budiantara Mahasiswa Jurusan Statistika ITS Surabaya, Dosen Jurusan Statistika ITS Surabaya
Lebih terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
Lebih terperinciPENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Lebih terperinciANALISIS DISKRIMINAN FISHER POPULASI GANDA UNTUK KLASIFIKASI NASABAH KREDIT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 575-581 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DISKRIMINAN FISHER POPULASI GANDA UNTUK KLASIFIKASI
Lebih terperinciPROSIDING ISSN : Seminar Nasional Statistika 12 November 2011 Vol 2, November 2011
(DS.6) ANALISIS KURVA PERTUMBUHAN SEBAGAI ANALISIS SETELAH MANOVA UNTUK DATA LONGITUDINAL Enny Supartini Statistika F MIPA Universitas Padjadjaran Bandung e-mail : arthinii@yahoo.com Abstrak Eksperimen
Lebih terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
Lebih terperinciBAB I PENDAHULUAN. demografi, epidemologi dan meningkatnya penyakit degeneratif serta penyakitpenyakit
BAB I PENDAHULUAN A. Latar Belakang Perkembangan dan kemajuan zaman membawa dampak yang sangat berarti bagi perkembangan dunia, tidak terkecuali yang terjadi pada perkembangan di dunia kesehatan. Sejalan
Lebih terperinciBAB II TINJAUAN PUSTAKA. konsep-konsep dasar pada QUEST dan CHAID, algoritma QUEST, algoritma
BAB II TINJAUAN PUSTAKA Bab ini akan membahas pengertian metode klasifikasi berstruktur pohon, konsep-konsep dasar pada QUEST dan CHAID, algoritma QUEST, algoritma CHAID, keakuratan dan kesalahan dalam
Lebih terperinciBAB 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
Lebih terperinciBAB I PENDAHULUAN. diatas atau sama dengan 126 mg/dl (Misnadiarly, 2006). Gangguan. jaringan tubuh. Komplikasi DM lainnya adalah kerentanan terhadap
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Diabetes melitus (DM) atau biasa yang disebut penyakit kencing manis merupakan suatu penyakit menahun yang ditandai dengan kadar glukosa darah (gula darah)
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI PENJURUSAN SISWA MELALUI ANALISIS DISKRIMINAN. Nerli Khairani Lia Anggriani Siregar. Abstrak
97 FAKTOR-FAKTOR YANG MEMPENGARUHI PENJURUSAN SISWA MELALUI ANALISIS DISKRIMINAN Nerli Khairani Lia Anggriani Siregar Abstrak Analisis diskriminan adalah metode statistika yang digunakan untuk mengelompokkan
Lebih terperinciBAB 1 : PENDAHULUAN. 1.1 Latar Belakang American Diabetes Association (ADA) menyatakan bahwa Diabetes melitus
BAB 1 : PENDAHULUAN 1.1 Latar Belakang American Diabetes Association (ADA) menyatakan bahwa Diabetes melitus merupakan suatu kelompok penyakit metabolik dengan karakteristik hiperglikemia yang terjadi
Lebih terperinciEPIDEMIOLOGI DIABETES MELLITUS
EPIDEMIOLOGI DIABETES MELLITUS Diabetes mellitus, DM diabaínein (bhs yunani): διαβαίνειν,, tembus atau pancuran air Mellitus (bahasa Latin): rasa manis dikenal di Indonesia dengan istilah penyakit kencing
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 295-304 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN DISKRIMINAN KUADRATIK KLASIK DAN DISKRIMINAN KUADRATIK
Lebih terperinciAPLIKASI ANALISIS DISKRIMINAN UNTUK MENENTUKAN FUNGSI PENGELOMPOKAN PADA PROGRAM PEMBAGIAN KARTU KELUARGA SEJAHTERA (KKS)
APLIKASI ANALISIS DISKRIMINAN UNTUK MENENTUKAN FUNGSI PENGELOMPOKAN PADA PROGRAM PEMBAGIAN KARTU KELUARGA SEJAHTERA (KKS) (Studi Kasus pada Kelurahan 1 Ulu Kecamatan Seberang Ulu 1 Palembang) Didin Astriani
Lebih terperinciBAB 1 PENDAHULUAN. Diabetes melitus merupakan suatu kelompok penyakit metabolik dengan
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Diabetes melitus merupakan suatu kelompok penyakit metabolik dengan karakteristik hiperglikemia yang terjadi karena kelainan sekresi insulin, kerja insulin atau kedua-duanya
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciBAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih terperinci1 BAB I PENDAHULUAN A. Latar belakang Diabetes Melitus (DM) adalah salah satu penyakit yang berbahaya yang kerap disebut sebagai silent killer selain penyakit jantung, yang merupakan salah satu masalah
Lebih terperinciOPTIMASI HASIL PREDIKSI KETERSEDIAAN ENERGI SUMBER DAYA MINERAL MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI HASIL PREDIKSI KETERSEDIAAN ENERGI SUMBER DAYA MINERAL MENGGUNAKAN ALGORITMA GENETIKA Eka Handayani 1, Jondri,Drs.,M.T. 2, Siti Sa adah,s.t.,m.t. 3 1,2,3 ProdiS1 Teknik Informatika, Fakultas Teknik,
Lebih terperinciANALISIS FAKTOR TERHADAP DATA PENGGUNAAN WEB PERSONAL DOSEN ITS DAN PERBANDINGAN TERHADAP PENCAPAIAN IPK DAN LAMA STUDI MAHASISWA
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 ANALISIS FAKTOR TERHADAP DATA PENGGUNAAN WEB PERSONAL DOSEN ITS DAN PERBANDINGAN TERHADAP PENCAPAIAN IPK DAN LAMA STUDI
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Konsep Umum Optimasi Optimasi merupakan suatu cara untuk menghasilkan suatu bentuk struktur yang aman dalam segi perencanaan dan menghasilkan struktur yang
Lebih terperinciBAB III METODE PENELITIAN. Penelitian dilaksanakan di 35 Fasyankes primer Klaten
digilib.uns.ac.id 21 BAB III METODE PENELITIAN A. Tempat Penelitian Penelitian dilaksanakan di 35 Fasyankes primer Klaten B. Waktu Penelitian Penelitian dilakukan mulai bulan September sampai dengan bulan
Lebih terperinciOptimasi Penjadwalan Ujian Menggunakan Algoritma Genetika
Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika Nia Kurnia Mawaddah Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Jurusan Matematika, FMIPA Universitas Brawijaya, Malang 65145 Abstrak Penjadwalan
Lebih terperinciBAB III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian
BAB III PEMBAHASAN Dalam bab ini akan dibahas mengenai pembentukan portofolio optimum menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model Fuzzy Mean Absolute Deviation (FMAD)
Lebih terperinciTeknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil
Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil Ronny Susetyoko, Elly Purwantini Politeknik Elektronika Negeri Surabaya
Lebih terperinciKata Kunci : Optimasi, Naïve Bayes, Risiko Kredit, Algoritma Genetika, Seleksi Fitur.
OPTIMASI SELEKSI FITUR KLASIFIKASI NAÏVE BAYES MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI RISIKO KREDIT KONSUMEN (Studi Kasus : PT. Finansia Multi Finance (KreditPlus) Tanjungpinang) Sisma Tri Wulan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. dikembangkan kerangka pemikiran penelitian sebagai berikut: indikator Penyakit
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran dan Hipotesis 3.1.1 Kerangka pemikiran Berdasarkan kerangka teori yang telah dijelaskan pada gambaran umum objek, maka dikembangkan kerangka pemikiran
Lebih terperinciStatistika Regresi Logistik Neural Network Deskriptif Ketepatan Klasifikasi Model dengan Input Signifikan
Statistika Regresi Logistik Neural Network Deskriptif Ketepatan Klasifikasi Model dengan Input Signifikan Predicted Predicted Actual < 3,5 3,5 Actual Tidak tepat Tepat waktu < 3,5 36 10 Tidak tepat 74
Lebih terperinciPENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE
PENERAPAN ALGORTMA GENETK UNTUK OPTMAS DENGAN MENGUNAKAN PENYELEKStAN RODA ROULETTE Samuel Lukas, M.Tech." Abstract The purpose of this paper is to introducing genetic algorithm. This algorithm is one
Lebih terperinciBAB I PENDAHULUAN. utama bagi kesehatan manusia pada abad 21. World Health. Organization (WHO) memprediksi adanya kenaikan jumlah pasien
BAB I PENDAHULUAN A. Latar Belakang Diabetes Mellitus (DM) merupakan salah satu ancaman utama bagi kesehatan manusia pada abad 21. World Health Organization (WHO) memprediksi adanya kenaikan jumlah pasien
Lebih terperinciPROBABILISTIC NEURAL NETWORK BERBASIS GUI MATLAB UNTUK KLASIFIKASI DATA REKAM MEDIS
PROBABILISTIC NEURAL NETWORK BERBASIS GUI MATLAB UNTUK KLASIFIKASI DATA REKAM MEDIS (Studi Kasus: Penyakit Diabetes Melitus di Balai Kesehatan Kementerian Perindustrian Jakarta) SKRIPSI Disusun oleh: JOHAN
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciDETEKSI MAHASISWA BERPRESTASI DAN BERMASALAH DENGAN METODE K- MEANS KLASTERING YANG DIOPTIMASI DENGAN ALGORITMA GENETIKA
DETEKSI MAHASISWA BERPRESTASI DAN BERMASALAH DENGAN METODE K- MEANS KLASTERING YANG DIOPTIMASI DENGAN ALGORITMA GENETIKA Akmal Hidayat 1) & Entin Martiana 2) 1) Teknik Elektro Politeknik Bengkalis Jl.
Lebih terperinciPERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI
ISSN 1858-4667 JURNAL LINK Vol 16/No. 1/Februari 212 PERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI Ronny Susetyoko 1, Elly Purwantini 2 1,2 Departemen Teknik Elektro,
Lebih terperinciBAB I PENDAHULUAN. Menurut kamus kedokteran tahun 2000, diabetes melitus (DM) adalah
BAB I PENDAHULUAN 1.1. Latar Belakang Menurut kamus kedokteran tahun 2000, diabetes melitus (DM) adalah penyakit metabolik yang disebabkan ketidakmampuan pankreas mengeluarkan insulin. American Diabetes
Lebih terperinciDenny Hermawanto
Algoritma Genetika dan Contoh Aplikasinya Denny Hermawanto d_3_nny@yahoo.com http://dennyhermawanto.webhop.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
Lebih terperinciBAB 1 PENDAHULUAN. penduduk dunia meninggal akibat diabetes mellitus. Selanjutnya pada tahun 2003
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pada tahun 2000, World Health Organization (WHO) menyatakan bahwa dari statistik kematian didunia, 57 juta kematian terjadi setiap tahunnya disebabkan oleh penyakit
Lebih terperinciBAB I PENDAHULUAN. Association, 2013; Black & Hawks, 2009). dari 1,1% di tahun 2007 menjadi 2,1% di tahun Data dari profil
BAB I PENDAHULUAN A. Latar Belakang Diabetes mellitus (DM) adalah sekelompok penyakit metabolisme yang ditandai oleh glukosa darah melebihi normal yang diakibatkan karena kelainan kerja insulin maupun
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI SKRIPSI
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI
Lebih terperinciBAB 1 PENDAHULUAN. Diabetes mellitus (DM) adalah salah satu penyakit. degenerative, akibat fungsi dan struktur jaringan ataupun organ
BAB 1 PENDAHULUAN A. Latar Belakang Diabetes mellitus (DM) adalah salah satu penyakit degenerative, akibat fungsi dan struktur jaringan ataupun organ tubuh secara bertahap menurun dari waktu ke waktu karena
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinciBAB I PENDAHULUAN. suatu kumpulan gejala yang timbul pada seseorang karena adanya
1 BAB I PENDAHULUAN 1.1 Latar Belakang Diabetes mellitus adalah penyakit metabolisme yang merupakan suatu kumpulan gejala yang timbul pada seseorang karena adanya peningkatan kadar glukosa darah di atas
Lebih terperinciMinimum Variance Unbiased Estimator (MVUE) K-Fold Cross Validation
6 Individu kemudian diseleksi dengan metode Roulette Wheel, dengan peluang suatu individu untuk terpilih dinyatakan dengan persamaan sebagai berikut: 4. Pindah silang (cross-over) Metode pindah silang
Lebih terperinci