70 research outputs found
Model Aturan Keterhubungan Data Mahasiswa Menggunakan Algoritma C 4.5 untuk Meningkatkan Indeks Prestasi
No full textThis thesis proposes the connectedness rule model of Students’ data with the
student achievement in a private college. The more dominant factors that
influence the student achievement is not exactly known yet. The data are taken
from the database of the Academy of Management and Information Tunas Bangsa
in Pematangsiantar and from the result of the survey on the university students of
the third semester for the year of 2008 and 2009. In this thesis The C 4.5
algorithm decision tree is applied so that we can get a rule model that shows the
connectedness between the average marks of the curriculum based on the
competency with the economic data, parental support and the learning facilities
with the university students’ achievement. The rule model that is taken shows
that the best variable from the prediction which is used is the economic factor that
gives contribution nearly 79,81 % to the university students’ achievement.Tesis ini mengusulkan sebuah model aturan keterhubungan data mahasiswa dengan
indeks prestasi di perguruan tinggi swasta. Faktor-faktor mana yang lebih dominan yang
mempengaruhi indeks prestasi belum dapat diketahui dengan pasti. Data diperoleh dari
database Akademik AMIK Tunas Bangsa dan hasil survei terhadap mahasiswa semester
III tahun ajaran 2008 dan 2009. Dalam tesis ini algoritma C 4.5 decision tree
diaplikasikan agar mendapatkan suatu model aturan yang dapat memperlihatkan
keterhubungan antara nilai rata rata matakuliah kurikulum berbasis kompetensi dengan
data ekonomi, dukungan orang tua dan fasilitas belajar terhadap indeks prestasi
mahasiswa. Model aturan yang diperoleh menunjukkan bahwa variabel terbaik dari
prediktor yang digunakan adalah faktor ekonomi yang memberikan kontribusi sebesar
79,8% terhadap indeks prestasi mahasiswa.87 HalamanTesis Magiste
Model Aturan Keterhubungan Data Mahasiswa Menggunakan Algoritma C 4.5 untuk Meningkatkan Indeks Prestasi
No full textThis thesis proposes the connectedness rule model of Students’ data with the
student achievement in a private college. The more dominant factors that
influence the student achievement is not exactly known yet. The data are taken
from the database of the Academy of Management and Information Tunas Bangsa
in Pematangsiantar and from the result of the survey on the university students of
the third semester for the year of 2008 and 2009. In this thesis The C 4.5
algorithm decision tree is applied so that we can get a rule model that shows the
connectedness between the average marks of the curriculum based on the
competency with the economic data, parental support and the learning facilities
with the university students’ achievement. The rule model that is taken shows
that the best variable from the prediction which is used is the economic factor that
gives contribution nearly 79,81 % to the university students’ achievement.Tesis ini mengusulkan sebuah model aturan keterhubungan data mahasiswa dengan
indeks prestasi di perguruan tinggi swasta. Faktor-faktor mana yang lebih dominan yang
mempengaruhi indeks prestasi belum dapat diketahui dengan pasti. Data diperoleh dari
database Akademik AMIK Tunas Bangsa dan hasil survei terhadap mahasiswa semester
III tahun ajaran 2008 dan 2009. Dalam tesis ini algoritma C 4.5 decision tree
diaplikasikan agar mendapatkan suatu model aturan yang dapat memperlihatkan
keterhubungan antara nilai rata rata matakuliah kurikulum berbasis kompetensi dengan
data ekonomi, dukungan orang tua dan fasilitas belajar terhadap indeks prestasi
mahasiswa. Model aturan yang diperoleh menunjukkan bahwa variabel terbaik dari
prediktor yang digunakan adalah faktor ekonomi yang memberikan kontribusi sebesar
79,8% terhadap indeks prestasi mahasiswa.87 HalamanTesis Magiste
Model Traffic Management Bencana untuk Smart City
No full textIndonesia merupakan negara kepulauan yang terletak diantara empat lempeng tektonik
yang mengakibatkan sering terjadinya gempa bumi. Bencana adalah suatu peristiwa
yang mengancam dan mengakibatkan kerugian harta benda dan korban jiwa. Bencana
alam merupakan bencana yang disebabkan oleh kejadian alam dan akibat manusia.
Dalam satu dekade ini kejadian bencana di Indonedia sebanyak 16.993 kejadian dengan
korban jiwa meninggal dan hilang berjumlah 5.127 orang. Untuk menyelamatkan jiwa
manusia dibutuhkan sebuah model traffic management bencana yang baik sehingga
kecepatan waktu penyelamatan dan jumlah yang diselamatkan pada saat terjadi bencana
dapat dilakukan secara maksimal. Penelitian ini mengusulkan sebuah model baru
Disaster Evacuation Handle Routing Time atau model DEHaRT yang digunakan untuk
meminimalkan waktu evakuasi bencana dalam traffic management untuk Smart City.
Data yang digunakan dalam penelitian ini adalah data numerik berbasis matriks
berdasarkan variabel yang sudah ditentukan. Metode dalam menyelesaikan model yang
merupakan varian baru dari model OVRP menggunakan pendekatan integer linier.
Model yang dihasilkan dapat mengatasi kendala kemacetan dan keadaan contraflow
dengan nilai objektive 450 menit dengan 18 kali perhitungan menggunakan aplikasi
LINDO.Indonesia is an archipelago situated between four tectonic plates that result in frequent
earthquakes. Disaster is an event that threatens and causes loss of property and
casualties. Natural disasters are those caused by natural events and human impacts. In
this decade disaster incidents in Indonesia are as many as 16,993 with death toll and loss
amounted to 5,127 people. To save the human soul requires a good model of disaster
management traffic so that the speed of rescue time and the amount saved in the event
of a disaster can be optimally done. This research proposes a new model Disaster
Evacuation Handle Routing Time or DEHaRT model that is used to minimize disaster
evacuation time in traffic management for Smart City. Data used in this research is
matrix-numerical data based on predetermined variable. The method of completing the
model which is a new variant of the OVRP model uses a linear integer approach. The
model resulted can overcome the congestion and contraflow constraints with the
objective value of 450 minutes with 18 times the calculation using LINDO application.Disertasi Dokto
PREDIKSI PRODUKSI SUSU SEGAR DI INDONESIA MENGGUNAKAN ALGORITMA BACKPROPAGATION
Full text linkMilk is a white liquid produced from female mammals that contain carbohydrates that are useful for humans. Based on data from the Indonesian Statistics Agency, milk productivity in Indonesia from 2012 to 2018 experienced an unstable curve. Therefore this research was conducted to predict and find out the level of development of milk productivity in Indonesia for the following years, so that companies that use milk have a reference to continue to strive to increase milk productivity in Indonesia to remain stable in order to meet the needs of the community and minimize milk imports. This algorithm used is backpropagation neural network. This algorithm is able to predict good data especially data that is sustainable in a certain period of time. to simplify this research the author uses the Matlab 2011 application. To facilitate writers, authors use 5 architectural model, namely 5-9-1 = 94%, 5-12-1 = 88%, 5-14-1 = 88%, 5-15-1 = 94%, 5-17-1 = 94 %. So we get the best architectural model using the architectural mode 5-15-1 with an accuracy rate of 94% with MSE = 0,000999842. Finally, this model is good enough to predict fresh milk production by province in Indonesi
Optimizing Multilayer Perceptron for Car Purchase Prediction with GridSearch and Optuna
No full textMultilayer Perceptron (MLP) is a powerful machine learning algorithm capable of modeling complex, non-linear relationships, making it suitable for predicting car purchasing power. However, its performance depends on hyperparameter tuning and data quality. This study optimizes MLP performance using GridSearch and Optuna for hyperparameter tuning while addressing data imbalance with the Synthetic Minority Over-sampling Technique (SMOTE). The dataset comprises demographic and financial attributes influencing car purchasing power. Initially, the dataset exhibited class imbalance, which could lead to biased predictions; SMOTE was applied to generate synthetic samples, ensuring a balanced class distribution. Two hyperparameter tuning approaches were implemented: GridSearch, which systematically explores a predefined parameter grid, and Optuna, an adaptive optimization framework utilizing a Bayesian approach. The results show that Optuna achieved the highest accuracy of 95.00% using the Adam optimizer, whereas GridSearch obtained the best accuracy of 94.17% with the RMSProp optimizer, demonstrating Optuna's superior ability to identify optimal hyperparameters. Additionally, SMOTE significantly improved model stability and predictive performance by ensuring adequate class representation. These findings offer insights into best practices for optimizing MLP in predictive modeling. The combination of SMOTE and advanced hyperparameter tuning techniques is applicable to various domains requiring accurate predictive analytics, such as finance, healthcare, and marketing. Future research can explore alternative optimization algorithms and data augmentation techniques to further enhance model robustness and accuracy
PENERAPAN DATAMINING PADA POPULASI DAGING AYAM RAS PEDAGING DI INDONESIA BERDASARKAN PROVINSI MENGGUNAKAN K-MEANS CLUSTERING
Full text linkAyam bukanlah makanan yang asing bagi penduduk Indonesia. Makanan tersebut sangat mudah dijumpai dalam kehidupan masyarakat sehari-hari. Namun tingkat konsumsi daging ayam di Indonesia masih tergolong rendah dibandingkan dengan Negara tetangga. Penelitian ini membahas tentang Penerapan Datamining Pada Populasi Daging Ayam Ras Pedaging di Indonesia Berdasarkan Provinsi Menggunakan K-Means Clustering. Sumber data penelitian ini dikumpulkan berdasarkan dokumen-dokumen keterangan populasi daging ayam yang dihasilkan oleh Badan Pusat Statistik Nasional. Data yang digunakan dalam penelitian ini adalah data dari tahun 2009-2016 yang terdiri dari 34 provinsi. Variable yang digunakan (1) jumlah populasi dari tahun 2009-2016. Data akan diolah dengan melakukan clushtering dalam 3 clushter yaitu clusther tingkat populasi tinggi, clusther tingkat populasi sedang dan rendah. Centroid data untuk cluster tingkat populasi tinggi 4711403141, Centroid data untuk cluster tingkat populasi sedang 304240647, dan Centroid data untuk cluster tingkat populasi rendah 554200. Sehingga diperoleh penilaian berdasarkan indeks populasi daging ayam dengan 1 provinsi tingkat populasi tinggi yaitu Jawa Barat, 6 provinsi tingkat populasi sedang yaitu Sumatera Utara, Jawa Tengah, Jawa Timur, Banten, Kalimantan Selatan dan Kalimantan Timur, dan 27 provinsi lainnya termasuk tingkat populasi rendah. Hal ini dapat menjadi masukan kepada pemerintah, provinsi yang menjadi perhatian lebih pada populasi daging ayam berdasarkan cluster yang telah dilakukan</jats:p
- …
