Corona is a very contagious virus. In a pandemic like this, people often worry whether they are infected or not. When they cough, they often worry whether it is a sign of covid-19 or an ordinary cough. From the clinical symptoms can actually be known whether someone has Covid or not. In this study, a clinical symptom dataset will be used to classify the symptoms using a Decision Tree algorithm. The decision trees used in this research are J48 and Hoeffding Tree. Decision Tree is one of the most popular classification methods because it is easy to interpret by Humans. the prediction model uses a hierarchical structure. The concept is to convert data into decision trees or decision rules. the result of J48 were slightly better than the Hoeffding tree in terms of accuracy, precision, and recall. Meanwhile, from the tree view results, the Hoeffding Tree is simpler and the number of nodes is less than J48.

Deep learning semakin berkembang pesat dan banyak dimanfaatkan dalam berbagai bidang kehidupan. Salah satunya bisa dimanfaatkan untuk klasifikasi image medis penderita covid. Keras adalah salah satu framework deep learning yang paling banyak digunakan. Dalam Keras, terdapat beberapa macam algoritma optimizer. Salah satunya adalah optimizer Adam. Untuk menggunakan optimizer Adam ini, perlu menentukan angka learning rate. Penentuan angka learning rate sangat penting karena salah dalam menentukan angka learning rate akan berdampak pada hasil deep learning yang dilakukan. Batch size juga salah satu hyperparameter penting dalam deep learning. Penelitian ini bertujuan untuk mengetahui dan membandingkan beberapa learning rate dan batch size agar diketahui efek dan dampaknya pada hasil loss dan akurasi training dan validasi pada proses deep learning yang dilakukan. Ada 6 learning rate dan 3 batch size yang akan dibandingkan. Hasil yang optimal diantara 6 learning rate dalam penelitian ini adalah 0.0001 dan 0.00001. Sedangkan batch size yang paling bagus hasilnya dari tiga angka yang dibandingkan adalah batch size 5

Klastering persebaran pandemi COVID-19 di Jawa Timur dapat dilakukan dengan melihat dinamika data harian yang disajikan dalam situs resmi pemerintah Jawa Timur terkait informasi COVID-19. Sumber data untuk proses klastering adalah data jumlah orang dalam resiko (ODR), orang tanpa gejala (OTG), orang dalam pemantauan (ODP), pasien dalam pengawasan (PDP) dan jumlah pasien positif  terpapar virus COVID-19 (Confirm) untuk seluruh kabupaten/kota di Propinsi Jawa Timur. Melalui algoritma klastering Non-Hirarki K-Means didaptkan bahwa jumlah klaster optimum adalah 5 klaster. Untuk membuktikan bahwa kelima klaster yang dibentuk ini berbeda secara signifikan maka dilakukan uji mean vektor dengan statistic Wilks Lambda dan dihasilkan perbedaan yang signifikan dengan tingkat kepercayaan 95%. Karakteristik klaster untuk setiap kelompok dapat disimpulkan secara umum adalah klaster dengan kasus PDP dan Confirm yang sangat tinggi (red zone) , klaster dengan kasus jumlah Confirm Tinggi ( Orange Zone), klaster dengan jumlah PDP Tinggi (Yellow Zone), klaster dengan jumlah kasus PDP dan Confirmed Sedang ( Green Zone) dan klaster dengan PDP dan Confirm rendah (Light Green Zone).

Abstract-Determining the right class on student achievement is important in an evaluation process, because placing students in the right class helps lecturer in reflecting the successfullness of learning process. This problem relates to the performance of classification method which is measured by the classifier metrics. High performance is indicated by the optimality of these classifier's metrics. Besides, meta-algorithm adaptive boosting has been proven to be able to improve the performance of classifier in various fields. Therefore, this paper employs adaptive boosting to reduce the number of incorrect student placement in a class. The experimental results of implementing adaptive boosting in classifying student achievement shows that there is an increase of performance of all classification metrics, i.e., Kappa, Precision, Recall, F-Measure, ROC, and MAE. In terms of accuracy, J-48 is able to rise about 3.09%, which means this method reduces three misclassified students. Additionally, decisionStump increases 12.37% of accuracy. This also means this method is able to decrease 12 misclassified students. Finally, Simple Cart reaches the highest accuracy of about 23.71%, while the number of misclassified students is reduced to 24 students. However, there is no improvement in Random Forest method by using this adaptive boosting. Intisari-Penetapan kelas yang tepat pada prestasi belajar mahasiswa adalah suatu hal yang penting dalam proses evaluasi.Hal ini disebabkan keberadaan mahasiswa pada kelas yang tepat dapat membantu dosen untuk merefleksikan berhasil tidaknya proses belajar mengajar yang telah dilakukan. Masalah ketepatan kelas ini berkaitan dengan kinerja metode klasifikasi yang diukur dengan ukuran-ukuran classifier. Kinerja yang tinggi diindikasikan dengan optimalnya ukuran-ukuran classifier tersebut. Di sisi lain, meta-algoritme adaptive boosting telah terbukti mampu meningkatkan kinerja classifier pada berbagai bidang. Oleh karena itu, makalah ini menerapkan adaptive boosting untuk meningkatkan kinerja classifier agar keberadaan mahasiswa pada kelas yang tidak sesuai bisa direduksi. Hasil uji coba penerapan adaptive boosting pada klasifikasi prestasi belajar mahasiswa ini menunjukkan peningkatan kinerja pada semua ukuran classifier, Penggunaan sistem e-learning dan sistem evaluasi ini akan menghasilkan tumpukan data pada tempat penyimpanan. Tumpukan data ini dapat digunakan untuk pengoptimalan pada proses-proses tersebut dengan penerapan data mining. Hal ini dapat dilakukan karena penerapan ini menghasilkan pengetahuan yang sangat berguna. Pengetahuan ini diperoleh dari beberapa aktivitas dari data mining, antara lain klasifikasi, klaster, dan analisis asosiasi. Beberapa penelitian tentang klasifikasi antara lain prediksi mahasiswa nonaktif dengan menggunakan beberapa metode klasifikasi [6], klasifikasi untuk memprediksi prestasi belajar siswa dengan menggunakan Naïve Bayesian [7], dan klasifikasi dengan decision tree untuk mengetahui hubungan kinerja akademik dan bidang minat [8]. Untuk penelitian pen...

No abstract

No abstract

No abstract

Banyaknya berita-berita online sering menarik minat masyarakat untuk membacanya, tetapi kadang dengan terlalu banyaknya berita tersebut membuat orang susah mendapatkan informasi yang terpercaya. Berita palsu merupakan kumpulan kata atau kalimat yang mengandung informasi yang tidak benar yang berupaya untuk membohongi atau mengarahkan pembaca atau pendengarnya agar mendukung atau percaya dengan isi beritanya. Penyebar berita palsu umumnya mengetahui bahwa berita yang disebarkan tidak benar. Tujuan penelitian ini adalah mendeteksi berita palsu yang tersebar pada media sosial. Dalam mengklasifikasi berita palsu, deteksi validitas berita digunakan algoritma naïve bayes sebagai kategorisasi teks berbasis pembelajaran mesin. Penelitian ini juga membangun website yang menyediakan fitur web service, pencarian berita yang ada di Twitter, dan klasifikasi berita secara manual. User interface merupakan website berbasis PHP dimana pengguna dapat melakukan interaksi secara langsung sepeti komentar, login, atau melihat artikel-artikel yang sudah diklasifikasi. Sedangkan back-end dari website ini adalah program klasifikasi teks berbasis Python. Dari percobaan yang telah dilakukan ternyata algoritma Naïve Bayes dapat digunakan untuk mengklasifikasi berita palsu. Berdasarkan eksperimen, penggunaan metode naive bayes untuk deteksi validitas berita dengan data uji media social Twitter dapat mencapai nilai akurasi dengan persentase terbaik yaitu 92% pada data ujicoba sebesar 309 artikel.