Aplikasi Artificial Neural Network (ANN) untuk Memprediksi Masa Studi Mahasiswa Program Studi Teknik Informatika Universitas Muhammadiyah Gresik

Bhakti, Henny Dwi

doi:10.30864/eksplora.v9i1.234

Cited by 5 publications

(5 citation statements)

References 5 publications

(7 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Proses preprocessing pertama dilakukan terhadap data latih, perhitungan yang didapatkan dari proses ini akan digunakan sebagai preprocessing terhadap data uji [8]. Sementara untuk pembagian data dalam penelitian ini menggabungkan metode Holdout dan 5-fold cross-validation yang disajikan dalam gambar 2.…”

Section: Gambar 1 Cross Industry Standard Process For Data Miningunclassified

Pengembangan Sistem Prediksi Bantuan Program Keluarga Harapan (PKH) Berbasis Machine Learning

Supriana,

Raharja,

Bimantara

2023

SINTECH Journal

View full text Add to dashboard Cite

The Family Hope Program (PKH) is a poverty alleviation program which is one of the government's strategies in reducing the poverty line. This program provides cash social assistance to poor families who are included in the list of beneficiary families with a focus on education and health. The purpose of implementing the PKH program is not only to reduce poverty and increase human resources but to break the poverty chain. The implementation of PKH in its realization experienced many obstacles that caused the program not to be on target, this was because the data verification process was not yet effective and was still carried out manually. A process is needed to digitize the distribution and realization of the family of hope program. Through this research, a system was developed that can predict the value of PKH beneficiary assistance. The system developed is based on machine learning with a prediction model using Artificial Neural Network (ANN) and Backpropagation learning algorithm. Parameters in the learning system using PKH assessment as many as 8 indicators from the data of PKH beneficiaries in Tabanan Regency. Based on the prediction model testing using two data treatments, namely with and without preprocessing data. Parameters treated with data on numeric attributes and categories provide optimal values with an R2 Score of 0.695824 with a number of hidden layers of 500 and a max epoch of 375

show abstract

Section: Gambar 1 Cross Industry Standard Process For Data Miningunclassified

Pengembangan Sistem Prediksi Bantuan Program Keluarga Harapan (PKH) Berbasis Machine Learning

Supriana,

Raharja,

Bimantara

2023

SINTECH Journal

View full text Add to dashboard Cite

show abstract

“…Support Vector Machine (SVM) merupakan algoritma pembelajaran klasifikasi yang dapat menghasilkan solusi berupa global optium, pada setiap running mencapai solusi yang sama [6][7] [8]. Artificial Neural Network (ANN) yaitu algoritma yang dapat menghasilkan solusi berupa local optimal, setiap melakukan training menghasilkan solusi yang berbeda [9] [10]. Naïve Bayes merupakan metode klasifikasi yang dapat memprediksi probabilitas sebuah kelas [11][13], dimana teknik ini adalah teknik yang paling baik dalam hal waktu komputasi dibanding dengan teknik algoritma data mining lainnya [14].…”

Section: Latar Belakangunclassified

Analisis Risiko Pinjaman dengan Metode Support Vector Machine, Artificial Neural Network dan Naïve Bayes

Pernama

Purnomo

2023

jtik

View full text Add to dashboard Cite

Perbankan merupakan lembaga industri yang berpengaruh dalam perekonomian suatu negara. Bank bergerak di bidang keuangan yang menghimpun dana dari masyarakat dalam bentuk simpanan dan menyalurkan pinjaman kepada masyarakat. Tidak dapat dipungkiri, dalam memberikan pinjaman kepada masyarakat pasti akan timbul permasalahan, seperti peminjam terlambat melakukan pembayaran angsuran atau penyalahgunaan dana untuk keperluan lain, peminjam gagal membangun usahanya, sehingga menghambat pembayaran angsuran. Dalam penelitian ini, kami akan memprediksi risiko pinjaman dengan pendekatan machine learning menggunakan beberapa metode seperti Support Vector Machine (SVM), Artificial Neural Network (ANN), dan Naive Bayes. Dari hasil penelitian yang telah menguji ketiga metode dengan menggunakan cross validation, confusion matrix, dan kurva ROC, metode Support Vector Machine (SVM) yang merupakan metode dengan hasil terbaik akurasi 92,0%, kemudian metode kedua adalah Artificial Neural Network (ANN) sebesar 91,2% dan akurasi terendah adalah metode Naïve Bayes dengan akurasi 81,2%.

show abstract

“…Di mana RNN juga merupakan salah satu metode dalam Jaringan Syaraf Tiruan (JST) yang menerapkan data sekuensial dalam arsitekturnya [16]. Jaringan Syaraf Tiruan atau JST merupakan suatu metode yang diadopsi dari jaringan syaraf biologis untuk mempelajari sesuatu [17]. JST mampu mempelajari suatu permasalahan terutama yang melibatkan pengelompokan dan pengenalan pola [18].…”

Section: Long Short Term Memory (Lstm)unclassified

Peramalan Emisi Karbon Menggunakan Metode SARIMA dan LSTM

Suwandi¹,

Tyasnurita²,

Muhayat³

2022

J-Cosine

View full text Add to dashboard Cite

The majority of greenhouse gas (GHG) effects are caused by very high levels of carbon emissions in the world. Therefore, it is necessary to take action to control the levels of carbon emissions in the world. In this study, the world's carbon emission levels were forecasted based on time series data on carbon emissions from 1949 to 2018 in North America. This study uses 2 forecasting methods, namely SARIMA and LSTM, with the consideration that both methods are considered capable of providing good results. Forecasting results show that the best parameter for SARIMA is [(0,1,0) (1,1,0)12] with a MAPE of 1.995%. Meanwhile, if you use the LSTM method with parameters 1 input, 4 hidden layers, and output 1, it produces a MAPE of 0.540%. This condition makes the LSTM method more optimal for predicting carbon emission levels in the world.

show abstract

Aplikasi Artificial Neural Network (ANN) untuk Memprediksi Masa Studi Mahasiswa Program Studi Teknik Informatika Universitas Muhammadiyah Gresik

Cited by 5 publications

References 5 publications

Pengembangan Sistem Prediksi Bantuan Program Keluarga Harapan (PKH) Berbasis Machine Learning

Pengembangan Sistem Prediksi Bantuan Program Keluarga Harapan (PKH) Berbasis Machine Learning

Analisis Risiko Pinjaman dengan Metode Support Vector Machine, Artificial Neural Network dan Naïve Bayes

Peramalan Emisi Karbon Menggunakan Metode SARIMA dan LSTM

Contact Info

Product

Resources

About