Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Strategi Penanganan Imbalance Class Pada Model Klasifikasi Penerima Kartu Indonesia Pintar Kuliah Berbasis Neural Network Menggunakan Kombinasi SMOTE dan ENN
Get PDFKeterbatasan kuota penerima program Kartu Indonesia Pintar Kuliah (KIP Kuliah) dari pemerintah mengharuskan Perguruan Tinggi (PT) menyeleksi dengan cermat calon mahasiswa yang berhak menerima program tersebut. Pembentukan model klasifikasi penerima program KIP Kuliah merupakan salah satu cara yang dapat membantu PT dalam menyeleksi calon mahasiswa agar tepat sasaran berdasarkan data lampau. Penelitian ini bertujuan untuk membentuk model klasifikasi penerima KIP Kuliah menggunakan Neural Network (NN). Strategi data processing level digunakan untuk mengatasi ketidakseimbangan data atau imbalance class yang terjadi antara kelas penerima KIP Kuliah sebagai kelas minoritas dan kelas bukan penerima KIP Kuliah sebagai kelas mayoritas. Teknik yang digunakan pada penelitian ini adalah mengkombinaskan metode oversampling Syntetic Minority Oversampling Technique (SMOTE), metode undersampling Edited Nearest Neighbor Rule (ENN), dan metode undersampling dengan penghapusan langsung pada sampel terpilih. Skema penggabungan dilakukan dengan cara mengelompokkan terlebih dahulu kelas mayoritas menjadi beberapa sub kelas (cluster) menggunakan algoritma k-means. Metode SMOTE dan ENN diterapkan secara bersamaan menggunakan rasio sampling tertentu pada dataset yang berasal dari kelas minoritas dan sub kelas mayoritas yang merupakan tetangga terdekat kelas minoritas tersebut. Metode penghapusan sampel diterapkan pada sub kelas mayoritas yang memiliki jarak yang sangat signifikan dari kelas minoritas. Tujuan dari skema yang diajukan adalah untuk meminimalkan terjadinya pembangkitan false sample pada kelas minoritas dan penghapusan sampel informatif pada kelas mayoritas. Hasil simulasi menunjukkan bahwa kombinasi teknik undersampling dan oversampling dengan skema yang diusulkan mampu meningkatkan kinerja model klasifikasi NN secara signifikan. Model klasifikasi terbaik menghasilkan nilai accuracy sebesar 93.45%, TPR sebesar 90,00%, TNR sebesar 93.67%, G-Mean sebesar 91,51%, dan nMCC sebesar 81.25%. Abstract The limited quota for recipients of the Kartu Indonesia Pintar Kuliah (KIP Kuliah) program requires the university to select carefully the students who are entitled to receive the program. This study aims to build the classification model for KIP Kuliah recipients using Neural Network (NN) which can be utilized by universities in selecting prospective KIP Kuliah recipients students. To solve the imbalanced KIP Kuliah recipients data, we propose a hybrid sampling technique that combines the Synthetic Minority Over-Sampling Technique (SMOTE) and the Edited Nearest Neighbor (ENN) and also samples selected deletion method with a new scheme. Firstly, the majority class is clustered into several sub-classes using the k-means algorithm. The SMOTE and ENN methods are applied simultaneously on a dataset derived from a minority class and a majority sub-class that is the nearest neighbor of the minority class with a certain sampling ratio. Furthermore, the sample-selected deletion method is applied to the majority sub-classes that have a very significant distance from the minority class. Lastly, The resampling results of the proposed scheme are combined into one training dataset in ANN. The objective of the proposed scheme is to minimize the generation of ‘false samples’ in the minority class and the elimination of informative samples in the majority class. The results show that the proposed scheme can significantly improve the performance of the NN classification model. The best classification model produces an accuracy value of 93.45%, TPR of 90.00%, TNR of 93.67%, G-Mean of 91.51%, and MCC of 81.25%
Perbandingan Kinerja Inception- Resnetv2, Xception, Inception-v3, dan Resnet50 pada Gambar Bentuk Wajah
Get PDFSaat ini, klasifikasi bentuk wajah banyak diterapkan dalam berbagai bidang. Dalam bidang industri fashion dapat digunakan untuk pemilihan gaya rambut, pemilihan bingkai kacamata, tata rias, dan mode lainnya. Selain itu, dalam bidang medis bentuk wajah digunakan untuk bedah plastik. Identifikasi bentuk wajah adalah tugas yang menantang karena kompleksitas wajah, ukuran, pencahayaan, usia dan ekspresi. Banyak metode yang dikembangkan untuk memberikan hasil akurasi terbaik dalam klasifikasi bentuk wajah. Deep learning menjadi tren dibidang komputer vision karena memberikan hasil yang paling baik dari pada metode sebelumnya. Makalah ini mencoba menyajikan perbandingan kinerja klasifikasi wajah dengan empat arsitektur deep learning Xception, ResNet50, InceptionResNet-v2, Inception-v3. Dataset yang digunakan berjumlah 4500 gambar yang terbagi lima kelas heart, long, oblong, square, round. Berbagai pengoptimal deep learning diantaranya; transfer learning, optimizer deep learning, dropout dan fungsi aktivasi diterapkan untuk meningkatkan kinerja model. Perbandingan antara berbagai model CNN didasarkan kinerja metrik seperti accuracy, recall, precision dan F1-score. Dengan demikian dapat disimpulkan bahwa model Inception-ResNet-V2 menggunakan fungsi aktivasi Mish dan optimizer Nadam mencapai nilai tertinggi dengan accuracy dan f1-score masing-masing 92.00%, dan penggunaan waktu 65.0 menit. AbstractCurrently, face shape classification is widely applied in various fields. In the fashion industry, it can be used for hairstyle selection, eyeglass frame selection, makeup, and other modes. In the medical field, the face shape is used for plastic surgery. Identification of face shape is a challenging task due to the complexity of the face, size, lighting, age and expression. Many methods have been developed to provide the best accuracy results in the classification of face shapes. Deep learning is becoming a trend in the field of computer vision because it gives the best results than the previous method. This paper attempts to present a comparison of the performance of face classification with four deep learning architectures Xception, ResNet50, InceptionResNet-v2, Inception-v3. The dataset used is 4500 images divided into five classes heart, long, oblong, square, round. Various deep learning optimizers include; transfer learning, deep learning optimizer, dropout and activation functions are implemented to improve model performance. Comparisons between various CNN models are based on performance metrics such as accuracy, recall, precision and F1-score. Thus, it can be concluded that the Inception-ResNet-V2 model using the Mish activation function and the Nadam optimizer achieves the highest value with an accuracy and f1-score of 92.00%, and a time usage of 65.0 minutes. Thus, it can be concluded that the Inception-ResNet-V2 model using the Mish activation function and the Nadam optimizer achieves the highest value with an accuracy and f1-score of 92.00%, and a time usage of 65.0 minutes.
Analisis Seleksi Atribut Dalam Memprediksi Kegagalan Skripsi Mahasiswa Menggunakan Algoritme Naïve Bayes pada Jurusan Sistem Informasi Universitas Brawijaya
Get PDFData mining dapat diterapkan pada bidang lembaga atau institusi Pendidikan dan sering disebut juga dengan Educational Data Mining (EDM) yaitu sebuah pengembangan metode dalam mengeksplorasi jenis tipe data pendidikan yang bersifat unik yang bertujuan untuk mempelajari dalam memahami kinerja siswa dan pengaturan lingkungan di tempat siswa belajar. Data mining juga dapat dimanfaatkan untuk analisa seleksi atribut untuk prediksi kegagalan belajar mahasiswa pada perkuliahan. Salah satunya kegagalan dalam menyelesaikan skripsi dengan menggunakan algoritme naïve bayes. Tahapan penelitian ini dimulai dari pengumpulan data, preproses data, implementasi algoritme naïve bayes, pengujian, dan analisa hasil. Data yang digunakan sebanyak 500 data untuk mahasiswa angkatan 2012-2015 dengan 24 atribut. Akurasi tertinggi yaitu algoritme naive bayes dengan menggunakan data latih yang menunjukkan hasil 412 prediksi benar dengan akurasi sebesar 82.4% dan 88 prediksi salah dengan presentasi sebesar 17.6%. Sedangkan hasil seleksi atribut yang telah dilakukan terdapat Lama P2 merupakan atribut dengan rankinging teratas yang mempengaruhi hasil klasifikasi. Abstract Data mining can be applied to the field of educational institutions or institutions and is often referred to as Educational Data Mining (EDM), which is a method development in exploring unique types of educational data types that aim to study in understanding student performance and environmental settings in which students learn. Data mining can also be used to analyze attribute selection for predicting student learning failure in lectures. One of them is the failure in completing the thesis using the naïve Bayes algorithm. The stages of this research started from data collection, data preprocessing, implementation of the Naïve Bayes algorithm, testing, and analysis of the results. The data used is as much as 500 data for students class 2012-2015 with 24 attributes. The highest accuracy is the Naive Bayes algorithm using data training which shows the results of 412 correct predictions with an accuracy of 82.4% and 88 false predictions with a presentation of 17.6%. Meanwhile, the result of attribute selection that has been carried out is that the Old P2 is the attribute with the top ranking that affects the classification results
Klasterisasi Berita Bahasa Indonesia Dengan Menggunakan K-Means Dan Word Embedding
Get PDFJumlah berita atau dokumen yang sangat melimpah merupakan sumber pengetahuan yang sangat berharga dan dapat digunakan untuk memperoleh wawasan dalam pengambilan keputusan. Namun, pertumbuhan jumlah berita dengan dimensi yang tinggi menjadi sebuah tantangan besar, yang menyebabkan sulitnya informasi pada berita dikategorikan secara efisien dan cepat. Kesulitan ini semakin kompleks dengan tidak adanya kelas atau label pada berita tersebut. Analisis konten dari berita yang belum memiliki kelas atau label dapat dilakukan dengan pendekatan data mining. Salah satu metode data mining yang dapat digunakan untuk mengelompokkan berita tanpa label, jumlah yang besar, dan sulit dilakukan secara manual adalah klastering. Klastering teks adalah salah satu metode penambangan data yang bertujuan untuk mengelompokkan dokumen berdasarkan kesamaan atau kemiripan di antara teks. Penelitian ini memberikan pendekatan baru dalam mengelompokkan berita Bahasa Indonesia dengan metode klastering, dimana ekstraksi fitur dilakukan melalui pendekatan Neural Network (Word Embedding) yang dapat menunjukkan kesamaan antar kata untuk mempertahankan semantik dan konteks dari kata yang ada pada berita. Sumber data yang digunakan adalah berita dari portal berita “Tempo” yang terdiri dari 520863 berita. Hasil penelitian menunjukkan bahwa jumlah klaster k = 4, dengan parameter Word Embedding: min_count=1 dan embedding_size=300 memberikan nilai silhouette coefficient terbaik sebesar 0.73. Hasil klasterisasi berita divisualisasikan dalam bentuk dimensi yang berbeda dan visualisasi World Cloud untuk menganalisis dan mengevaluasi metode yang diusulkan pada penelitian ini. AbstractThe enormous amount of news or documents is a precious source of knowledge and can be used to gain insight into decision-making. However, the growth in the number of news stories with high dimensions is a big challenge, making it difficult for information on the news to be categorized efficiently and quickly. This difficulty is further complicated by the absence of classes or labels on the news. Analysis of the content of news that does not yet have a class or label can be done with a data mining approach. The most used data mining method to group a tremendous amount of news without class labels is clustering. Text clustering is a data mining task that aims to group documents based on similarities. This study provides a new approach to classifying Indonesian news with the clustering method, where feature extraction is carried out through a Neural Network (Word Embedding) approach that can show similarities between words to maintain the semantics and context of the words in the news. The data source used is news from the news portal "Tempo," which consists of 5208063 news. The results showed that the number of clusters k = 4, with Word Embedding parameters: min_count=1 and embedding_size=300, produced the best silhouette coefficient value of 0.73. The results of news clustering were visualized in the form of different dimensions and World Cloud visualization to analyze and evaluate the proposed method
Pengukuran Tingkat Kapabilitas Sistem Pengolahan Data Survei Pada Manajamen Kinerja Dan Manajemen Data Operasi Menggunakan Dmbok Dan Cobit2019 Di BPS RI
Get PDFBPS telah membangun salah satu sistem pengolahan data survei yang disebut Integrated Collection System (ICS) dalam upaya melakukan transformasi digital. ICS merupakan sistem untuk mengumpulkan data multimetode yang terdiri dari Pen and Paper Interviewing (PAPI), Computer Assisted Personal Interviewing (CAPI), Computer Assisted Web Interviewing (CAWI), dan Acquisition of Administrative Data. Sistem ini mereformasi cara BPS mengumpulkan data menggunakan berbagai teknologi dan mengintegrasikan data. Sejak diinisiasi tahun 2019, penggunaan ICS semakin bertambah sejalan dengan meningkatnya kebutuhan data yang cepat dan akurat. Untuk menyukseskan transformasi digital, ICS diharapkan memiliki kemampuan manajemen kinerja dan operasi data yang baik maka penelitian ini mengakomodir untuk mengukur tingkat kapabilitas pada ICS dengan proses yang spesifik tersebut. Penelitian ini menggunakan acuan framework dari COBIT 2019, DMBoK dan CMMI. Dari hasil penelitian menunjukkan tingkat manajemen kinerja dari 5 sub domain area, yaitu MEA.01.01-MEA.01.05 masih berada pada tingkat 1, sedangkan hasil penelitian tingkat manajemen operasi data didapatkan bahwa 2 PA (practice areas) berada di level 1, 8 PA berada di level 2, dan 5 PA berada pada level 3. Rekomendasi disusun untuk mengoptimalkan tingkat kapabilitas pada manajemen kinerja dan manajemen operasi data pada ICS sehingga ICS dapat dijalankan dengan baik sesuai dengan target transformasi digital BPS. AbstractAs an effort to carry out digital transformation, BPS has built one of the survey data processing systems known as Integrated Collection System (ICS). ICS is a system for multimode data collection through Pen and Paper Interviewing (PAPI), Computer Assisted Personal Interviewing (CAPI), Computer Assisted Web Interviewing (CAWI), and Acquisition of Administrative Data. ICS reforms the way BPS collects and integrates data using various technologies. Since its initiation in 2019, the use of ICS has increased. With the increasing demand for data, a system that can produce fast and accurate data is extremely necessary. To achieve the goals of digital transformation through the implementation of ICS, it is crucial to have good performance and data operations managements. Therefore, this study accommodates to measure the Capability Level of ICS with these specific processes by applying the frameworks from COBIT 2019, DMBoK, and CMMI as references. From the Performance Management measurement, it was found that the 5 sub-domain areas (MEA.01.01-MEA.01.05) were still at Level 1. Furthermore, the Data Operations Management measurement showed that 2 PA (Practice Areas) were at Level 1, 8 PA were at Level 2, and 5 PA were at Level 3. Based on the results of this study, recommendations have been made to optimize the Capability Level in both Performance Management and Data Operations Management of ICS so that it can be run properly in accordance with the goals of digital transformation of BPS
Analisis dan Perbaikan Proses Bisnis Sistem Terintegrasi Pembayaran Uang Kuliah dengan Metode Business Process Improvement (BPI) pada Universitas X
Get PDFSelama beberapa tahun terakhir, peran teknologi semakin berkembang pesat. Penerapan Sistem Terintegrasi Pembayaran Uang Kuliah telah membantu pengelolaan kampus yang terintegrasi. Namun, pada penerapan Sistem Terintegrasi Pembayaran Uang Kuliah ditemukan beberapa proses yang tidak sesuai dengan harapan. Hal ini disebabkan karena beberapa proses bisnis belum memiliki tujuan untuk mengefektifkan, mengefisienkan, serta mudah diadaptasikan dengan proses-proses lain dalam sistem. Perlu adanya perbaikan sistem serta proses bisnis yang menghasilkan proses bisnis rekomendasi untuk menyelesaikan masalah tersebut. Sebuah metode evaluasi diperlukan dalam analisa pemodelan proses bisnis pada suatu organisasi untuk membantu proses perbaikan pada organisasi tersebut. Business Process Improvement (BPI) merupakan salah satu metode yang diterapkan untuk melaksanakan Continuous Improvement. BPI dapat diartikan sebagai kerangka sistematis yang memiliki tujuan untuk membantu mewujudkan kemajuan yang signifikan dalam berjalannya proses bisnis pada suatu organisasi. Penerapan Metode BPI dalam dalam menganalisa proses bisnis menghasilkan proses bisnis kritis, yaitu Proses Bisnis Manajemen Laporan. Penelitian ini menghasilkan rekomendasi proses bisnis dengan waktu rata-rata untuk menjalankan proses yang lebih singkat dibandingkan proses bisnis saat dan sesuai dengan kebutuhan pengguna. Penerapan rekomendasi proses bisnis tersebut diharapkan dapat menjadikan kinerja Sistem Terintegrasi Pembayaran Uang Kuliah lebih optimal dan efektif.Abstract Over the past few years, the role of technology has grown rapidly. The implementation of the Integrated Tuition Payment System has helped the integrated campus management. However, in the implementation of the Integrated Tuition Payment System, several processes were found that were not as expected. This is because some business processes do not yet have a goal to make it more effective, efficient, and easily adapted to other processes in the system. It is necessary to improve systems and business processes that produce business process recommendations to solve these problems. An evaluation method is needed in the analysis of business process modeling in an organization to assist the improvement process in the organization. Business Process Improvement (BPI) is one of the methods applied to implement Continuous Improvement. BPI can be interpreted as a systematic framework that has the aim of helping to realize significant progress in the running of business processes in an organization. The application of the BPI method in analyzing business processes produces critical business processes, namely Business Process Management Reports. This research produces business process recommendations with an average time to run processes that are shorter than current business processes and according to user needs. The application of these business process recommendations is expected to make the performance of the Integrated Tuition Payment System more optimal and effective
Penggabungan Best Worst Method, Moora Dan Copeland Score Pada Sistem Pendukung Keputusan Kelompok Penentuan Penerima Bantuan Pada Dinas Sosial
Get PDFDalam beberapa penelitian terdahulu, proses pembobotan kriteria belum menjadi perhatian penting karena masih didasarkan pada hasil wawancara secara subjektif dan belum dihitung secara matematis. Pembobotan kriteria dalam sistem pendukung keputusan kelompok merupakan salah satu proses awal yang dilakukan sebelum mengambil sebuah keputusan, proses ini penting dilakukan untuk memastikan bahwa bobot kriteria yang digunakan sesuai dengan kebutuhan. Dalam penelitian ini, proses pembobotan kriteria dihitung secara matematis dengan best worst method. Untuk dapat membangun sistem pendukung keputusan kelompok yang bisa membantu Dinas Sosial dalam menentukan calon penerima bantuan, metode best worst method digabungkan dengan metode MOORA dan copeland score. Best worst method dipilih karena hasil pembobotan yang diperoleh lebih konsisten serta mudah dalam membandingkan kriteria. Metode MOORA memiliki perhitungan matematis lebih simpel dan hasil yang stabil. Dan metode copeland score memiliki keunggulan efektif sebagai alat dalam sistem voting. Penggabungan metode yang dilakukan, lalu diujikan pada studi kasus penentuan calon penerima bantuan. Untuk menentukan penerima bantuan, ada tiga pengambil keputusan yaitu sektor kesehatan, sektor pendidikan dan sektor sosial yang dilibatkan dalam menentukan peringkat akhir dari masing-masing calon penerima bantuan. Hasil perhitungan menunjukkan bahwa alternatif 2 memiliki skor tertinggi dibandingkan alternatif lainnya dengan nilai akhir 4. Analisis sensitivitas menunjukkan konsep sistem pendukung keputusan dengan penggabungan metode yang diusulkan solid, dengan persentase perubahan rendah yaitu 23,52%. Hasil perhitungan dengan metode ini dapat dijadikan sebagai acuan dalam proses pengambilan keputusan bagi Dinas Sosial, sebab ketepatan pilihan penerima bantuan sosial memiliki pengaruh langsung terhadap pencapaian tujuan perlindungan sosial. AbstractIn several previous studies, the process of weighting criteria has not become an important concern because it is still based on subjective interview results and hasn’t been calculated mathematically. One of the initial procedures in a GDSS before reaching a choice is the weighing of the criteria, this process is crucial to ensure that the weighting of the criteria utilized is appropriate for the demands. The weighting of the criteria in this study is computed quantitatively using the best worst method. Best worst method, MOORA, and copeland score are combined in order to create a GDSS that will help the Office of Social Affairs identify probable beneficiaries. Best worst method was chosen because the weighting results obtained are more consistent and easier to compare criteria. MOORA method has simpler mathematical calculations and stable results. And copeland score method has an effective advantage as a tool in the voting system. The combined methods were then evaluated in a case study involving the identification of aid recipients. The health sector, the education sector, and the social sector are the three decision-makers who establish the ultimate ranking of each potential beneficiary in order to determine recipients. The calculation results show that alternative 2 has the highest score compared to the other alternatives with a final score of 4. The sensitivity analysis shows that the concept of a GDSS by combining the proposed methods is solid, with a low percentage change of 23.52%. The precision of the selection of social assistance beneficiaries has a direct impact on the achievement of social protection goals, so the results of calculations using this method can be used as a reference in the Social Service\u27s decision-making process
Implementasi Marketing Automation Menggunakan Metode Search Engine Optimization (SEO) On Page dan Off Page pada Website Berbasis Content Management System (CMS) pada PT. Eltama Prima Indo
Get PDFPT Eltama Prima Indo adalah perusahaan yang bergerak pada sektor chemicals yang menyediakan layanan berupa produk cat epoxy, jasa epoxy, coating, dan sandblasting. Seiring dengan pesatnya perkembangan teknologi, PT Eltama Prima Indo hendak memaksimalkan teknologi sebagai media pemasaran terutama search engine Google. Hanya saja, PT Eltama Prima Indo belum memiliki halaman atau website yang ditujukan untuk optimalisasi pada search engine. Oleh karena itu, pada penelitian ini dimulai dengan pengembangan website dengan alamat https://www.epoxynesia.com menggunakan Content Management System (CMS) Wordpress. Kemudian dilanjutkan dengan optimalisasi website pada search engine Google menggunakan metode Search Engine Optimization (SEO) on page dan off page. Penelitian ini menggunakan metode research & development untuk pengujian efektivitas implementasi SEO on page dan off page terhadap peringkat kata kunci, performance, dan jumlah visitors epoxynesia.com pada search engine Google. Berdasarkan analisis SEO dan kompetitor, epoxynesia.com diketahui membutuhkan implementasi SEO on page maupun SEO off page untuk menyesuaikan website dengan kaidah dari algoritme Google. Setelah dilakukan analisis, penulis melanjutkan dengan implementasi SEO on page dan off page. Kemudian dilakukan pengujian hasil implementasi menggunakan beberapa tools untuk mengetahui perubahan pada peringkat kata kunci, performance, dan visitors. Berdasarkan hasil pengujian tersebut, terdapat peningkatan pada peringkat kata kunci, performance, dan visitors. Selain itu, peningkatan pada skor authority SEO versi domain authority Moz naik 14 poin. Sedangkan, domain rating versi Ahrefs naik 31 poin
Penerapan Metode K-Medoids untuk Pengelompokan Mahasiswa Berpotensi Drop Out
Get PDFDrop out merupakan penghentian atau pemutusan hubungan studi mahasiswa di perguruan tinggi, hal ini disebabkan oleh beberapa hal yang telah ditentukan oleh universitas. Perguruan tinggi dapat membuat kebijakan guna meminimalkan jumlah mahasiswa drop out dengan mengidentifikasi mahasiswa yang berisiko di tahap awal pendidikan. Mahasiswa drop out dapat diprediksi melalui beberapa proses memperoleh pola atau pengetahuan dari kumpulan data yang disebut data mining. Data mining melakukan analisis data yang telah ada dalam basis data guna penyelesaian masalah. Analisis yang dilakukan salah satunya dengan metode clustering. Cara kerja clustering dengan mengelompokkan data atau objek ke dalam cluster (kelompok). Penelitian ini menerapkan K-Medoids untuk melakukan pengelompokan kategori mahasiswa berpotensi drop out. K-Medoids merupakan salah satu metode data mining yang dapat menyelesaikan permasalahan clustering. Pada algoritma ini representasi sebuah cluster menggunakan objek pada sekumpulan objek. Pengukuran hasil K-Medoids menggunakan Silhouette Coefficient yang berfungsi untuk mengevaluasi jarak kedekatan antar data dalam satu cluster. Setelah dilakukan clustering menggunakan algoritma K-Medoids didapatkan hasil evaluasi Silhouette Coefficient terbaik sebesar 0.39415227406014575 dengan jumlah cluster 2. Hasil cluster dari 389 data, didapat 3 atribut yang memiliki rentang nilai yang berbeda antar cluster yaitu IPK, IP Semester 1, dan Status Beasiswa, ketiga atribut ini menjadi penciri yang membedakan antar cluster. AbstractDropout is the termination of student studies in college, this is caused by several things that have been determined by the university. Universities can make policies to minimize the number of students dropping out by identifying students at risk in the early stages of education. Dropout students can be predicted through several processes of obtaining patterns or knowledge from data sets called data mining. Data mining analyzes data that already exists in the database to solve problems. One of the analyzes carried out is the clustering method. How clustering works by grouping data or objects into clusters (groups). This study applies K-Medoids to classify categories of students who have the potential to drop out. K-Medoids is a data mining method that can solve clustering problems. In this algorithm, the representation of a cluster uses objects in a set of objects. Measurement of the results of K-Medoids using the Silhouette Coefficient which serves to evaluate the proximity between data in one cluster. After clustering using the K-Medoids algorithm, the best Silhouette Coefficient evaluation results are 0.39415227406014575 with the number of clusters 2. The cluster results from 389 data, obtained 3 attributes that have different value ranges between clusters, namely GPA, IP Semester 1, and Scholarship Status, all three attributes are distinguishing feature between clusters
Analisis Efek Augmentasi Dataset dan Fine Tune pada Algoritma Pre-Trained Convolutional Neural Network (CNN)
Get PDFKemajuan teknologi deep learning seringkali berbanding lurus dengan keterkaitan metode yang dapat diandalkan dalam penggunaan jumlah data yang besar. Convolutional Neural Network (CNN) adalah salah satu algoritma deep learning yang paling popular saat ini guna pengolahan citra. Pada era deep learning model CNN yang kompleks seperti saat ini memiliki tantangan-tantangan yang baru baik gradient vanishing, overfitting yang dikarenakan keterbatasan dataset, optimasi parameter hingga keterbatasan perangkat keras. Penelitian ini bertujuan mengukur pengaruh teknik fine tuning dan augmentasi dataset pada model transfer learning CNN Mobilenet, Efficientnet, dan Nasnetmobile dengan dataset yang variasi jumlah dataset yang memiliki jumlah yang terbatas. Pada hasil dari penelitian ini, dari ketiga dataset yang digunakan sebagai dalam melakukan training pada model efisien transfer learning baik MobileNet, EfficientNet, dan NasNetmobile, teknik augmentasi zoom range ataupun random erase dapat meningkatkan akurasi pada dataset dengan jumlah 56 citra dan 222 citra, sedangkan pada dataset dengan jumlah 500 data citra, semua teknik augmentasi terbukti dapat meningkatkan akurasi pada model arsitektur MobileNetV2 dan NasNetMobile. Sedangkan teknik fine tuning terbukti efektif dalam meningkatkan akurasi pada semua skala data yang kecil. AbstractToday deep learning technology is often associated with reliable processes (methods) when we have large amounts of data. In deep learning CNN (Convolutional Neural Network) plays a very important role which is often used to analyze (classify or recognize) visual images. In the era of deep learning models such as the complex Convolutional Neural Network (CNN) as it is today, it has new challenges such as gradient vanishing, overfitting due to dataset limitations, parameter optimization to hardware limitations. The MobileNet architecture was coined in 2017 by Howards, et al, which is one of the convolutional neural networks (CNN) architectures that can be used to overcome the need for excessive computing resources. This study aims to measure the effect of fine tune and dataset augmentation techniques on CNN mobilenet, efficientnet, and nasnetmobile transfer learning models with very small datasets. The results of this study are that of the three datasets used as the basis for training in efficient transfer learning models (mobilenet, efficientnet, and nasnetmobile), random erase and zoom range augmentation techniques dominate the increase in model accuracy. The amount of increase in accuracy after random erase or zoom range augmentation that occurs is about 0.03% to 0.1%