Optimasi Parameter Artificial Neural Network Menggunakan Algoritma Genetika Untuk Prediksi Kelulusan Mahasiswa

Ali, Irfan; Sularto, Lana

doi:10.36054/jict-ikmi.v18i1.52

Cited by 5 publications

(5 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…d. Artificial Neural Network, atau jaringan syaraf tiruan adalah model non-linear yang rumit dibangun dari komponen yang secara individu berperilaku mirip seperti model regresi yang dapat merepresentasikan sebuah grafik, dan beberapa sub-grafik tampaknya ada integritas yang sama dengan gerbang logika. struktur dari jaringan neuron atau saraf secara terperinci dirancang terlebih dahulu [17].…”

Section: Klasifikasiunclassified

Klasifikasi Konsumsi Energi Industri Baja Menggunakan Teknik Data Mining

Rahayu¹,

Purnama

2022

JTI

View full text Add to dashboard Cite

Human needs in fulfilling clothing, food and housing in today's life cannot be separated from the involvement of electrical energy. In several sectors of life, namely the household sector, industry, business, social, government office buildings, and public street lighting, electricity is needed. The energy consumption industry sector is relatively higher than other sectors, so it is necessary to control energy consumption, especially in the industrial sector. As a result, for a nation or region, forecasting the use of electrical energy becomes urgent and crucial. Research on this issue has emerged from various countries, for example, research from Korea on energy consumption prediction models for smart factories using a data mining algorithm that introduces and explores the steel industry energy consumption prediction model by producing the best model, namely Random Forest with an RMSE value of 7.33 in the test set. In addition, another study raised the title of an efficient energy consumption prediction model for an analytical data of industrial buildings in a smart city by presenting and exploring a predictive energy consumption model based on data mining techniques for a smart smallscale steel industry in South Korea using variables such as lagging and current. main reactive power, lagging power factor and leading current, carbon dioxide emission and load type. Research from Australia is also not left behind, discussing the prediction of industrial energy consumption using data mining techniques which presents and explores energy consumption prediction models using a data mining approach for the steel industry to show that the Random Forest model can best predict energy consumption and outperform other conventional algorithms in comparison. This study presents a classification of energy consumption in the steel industry, in order to know the pattern of using light loads, medium loads, and maximum loads using data mining techniques on public data that is already available on this matter, with the aim that energy users in the steel industry are wiser in using energy because you already know the pattern of each load. The methods used include Random Forest, Decision Tree, Naïve Bayes and Artificial Neural Networks resulting in accuracy of 91.13%, 90.50%, 70.97% and 75.56%, so that the classification method is the most suitable for use. In classifying industrial energy consumption on the steel industry energy consumption dataset, Random Forest.

show abstract

Section: Klasifikasiunclassified

Klasifikasi Konsumsi Energi Industri Baja Menggunakan Teknik Data Mining

Rahayu¹,

Purnama

2022

JTI

View full text Add to dashboard Cite

show abstract

“…Selain itu, pernah dilakukan penelitian prediksi harga saham dengan menggunakan GA dan Evolution Strategies [11]. Banyak penelitian yang telah menerapkan algoritma genetika untuk memecahkan persoalan optimasi, seperti optimasi dalam artificial neural network untuk menentukan parameter terbaik tiap neuron, ataupun menentukan jumlah neuron terbaik untuk proses training [12][13] [14].…”

Section: Pendahuluanunclassified

Optimasi Parameter Support Vector Machine Menggunakan Algoritma Genetika untuk Meningkatkan Prediksi Pergerakan Harga Saham

Sudriyanto¹,

Hidayad²,

Ronaldo³

et al. 2022

COREAI

View full text Add to dashboard Cite

Prediksi pergerakan harga saham menjadi satu topik yang menarik terutama bagi para investor saham, dealer dan broker. Kesulitan dalam memprediksi pergerakan harga saham dikarenakan banyak faktor ketidak pastian yang terlibat seperti kinerja perusahaan, faktor ekonomi nasional maupun internasional, iklim politik dan perbedaan persepsi dari setiap orang terhadap suatu saham. Tujuan penelitian ini adalah meningkatkan hasil prediksi pergerakan harga saham. Salah satu metode yang dapat digunakan untuk memprediksi pergerakan harga saham yaitu Support Vector Machine (SVM). SVM memiliki kelemahan pada sulitnya memilih parameter terbaik dari suatu kernel termasuk parameter pinalti untuk data yang diklasifikasikan secara benar. Untuk meningkatkan akurasi dari prediksi harga saham, yang bertujuan untuk mengoptimasi algoritma SVM dengan algoritma genetika (GA) untuk mendapatkan parameter terbaik sehingga akurasi prediksi dapat ditingkatkan. Pada penelitian ini menggunakan data historis dari perusahaan PT Astra International Tbk mulai dari 2013 sampai 2021. Atribut yang digunakan pada penelitian ini yaitu (Date, Open, High, Low, Close dan Volume). Dari hasil percobaan didapat akurasi prediksi dengan metode Support Vector Machine dengan nilai Root Mean Squared Error (RMSE) sebesar 140.000 +/- 5.698 dan Squared Error (SE) sebesar 19629.215 +/- 1609.864. Sedangkan dengan metode Support Vector Machine Berbasis Algoritma Genetika dengan nilai Root Mean Squared Error (RMSE) sebesar 101.208 +/- 9.475 dan Squared Error (SE) sebesar 10323.858 +/- 1956.237. Dari hasil percobaan dapat dilihat bahwa nilai tingkat akurasi untuk prediksi pergerakan harga saham menggunakan metode Support Vector Machine Berbasis Algoritma Genetika mendapatkan hasil dengan tingkat akurasi yang lebih baik.

show abstract

“…Dalam mengukur status kelulusan dapat diperoleh dari indeks prestasi mahasiswa setiap semester. Jika indeks prestasi mahasiswa lebih rendah maka mahasiswa akan mengakibatkan lulus tidak tepat waktu [1].…”

Section: Pendahuluanunclassified

Prediksi Kelulusan Mahasiswa Dengan Metode Naive Bayes dan Artificial Neural Network : Studi Kasus Fakultas Teknik UNIS Tangerang

Romlah,

Solichin

2022

FaktorExacta

View full text Add to dashboard Cite

Sheikh -Yusuf Islamic University (UNIS) is one of the leading Islamic Universities in Tangerang City which has a vision of making Islamic Higher Education superior in the field of science and technology in Southeast Asia by 2036. With the vision of the university, the engineering faculty must produce graduates in the engineering field who are superior, strong, and able to compete at national and international levels. The problems faced by the Faculty of Engineering, UNIS Tangerang, are the low percentage of students who graduate on time compared to students who graduate late. This study aims to assist the Faculty of Engineering in predicting student graduation so that it can be anticipated earlier. This study uses the attribute number of credits, IP from semesters 1 to 4. The methods used in this study are Naïve Bayes and Artificial Neural Network. The data used in this study used 330 student records who graduated from 2012 to 2016. Accuracy results obtained after testing with a system using 20% data testing obtained an accuracy of 63.63%, precision 71.05%, recall 67.5%, and AUC 62.6%.

show abstract

Optimasi Parameter Artificial Neural Network Menggunakan Algoritma Genetika Untuk Prediksi Kelulusan Mahasiswa

Cited by 5 publications

References 7 publications

Klasifikasi Konsumsi Energi Industri Baja Menggunakan Teknik Data Mining

Klasifikasi Konsumsi Energi Industri Baja Menggunakan Teknik Data Mining

Optimasi Parameter Support Vector Machine Menggunakan Algoritma Genetika untuk Meningkatkan Prediksi Pergerakan Harga Saham

Prediksi Kelulusan Mahasiswa Dengan Metode Naive Bayes dan Artificial Neural Network : Studi Kasus Fakultas Teknik UNIS Tangerang

Contact Info

Product

Resources

About