1,432 research outputs found
IMPLEMENTASI ALGORITMA APRIORI UNTUK ANALISIS POLA PEMBELIAN KONSUMEN PADA TOSERBA YUSUF SEMARANG
No full textPada aktivitas jual beli barang atau jasa, data transaksi selalu tercatat sebagai bukti pembelian, namun data yang ada tidak dimanfaatkan secara optimal oleh Toserba Yusuf. Data tersebut memiliki potensi untuk diolah guna memberikan informasi bermanfaat yang dapat meningkatkan nilai penjualan bagi para pelaku bisnis. Salah satu tantangan yang sering dihadapi oleh Toserba Yusuf adalah kehabisan stok produk tertentu yang dibutuhkan oleh konsumen. Untuk mengatasi hal ini, biasanya diperlukan waktu yang cukup lama karena toko harus mendata barang yang habis terlebih dahulu setelah itu baru melakukan restok barang untuk menyediakan kembali persediaan. Untuk mengatasi permasalahan yang ada, penelitian ini mengembangkan aplikasi Data Mining membantu dalam mengidentifikasi kebiasaan pembelian konsumen. Tujuan utama penelitian adalah mencari informasi mengenai produk yang paling sering terjual bersamaan. Hal ini bertujuan untuk memungkinkan pemilik toko untuk mengantisipasi kebutuhan stok produk di masa mendatang. Penelitian ini menggunakan algoritma apriori untuk memudahkan dalam mengolah data, selain itu penelitian ini memanfaatkan association rule untuk menemukan kombinasi antar item dalam dataset yang memenuhi nilai support dan confidence yang telah ditetapkan sebelumnya. Hasil penelitian ini menunjukkan bahwa kombinasi pembelian dan penjualan 2 itemset barang berbeda secara bersamaan. Hasil pengujian yang memperhitungkan keakuratan dengan menggunakan lift ratio sebagai persentase menghasilkan beberapa aturan. Salah satunya adalah jika pelanggan membeli kentang goreng dengan lift ratio yang tinggi, maka ada kemungkinan bahwa pelanggan juga akan membeli telur dengan tingkat confidence sebesar 0,19, support 0,039, dan lift ratio 1,308. Hal ini membuktikan bahwa algoritma apriori dapat membantu dalam menganalisa pola pembelian konsumen
IMPLEMENTASI SISTEM INFORMASI GEOGRAFIS DAERAH WISATA DI WILAYAH KABUPATEN GROBOGAN BERBASIS WEB.
No full textLaporan Akhir ini berkaitan dengan SIG dengan memanfaatkan teknologi internet yang sering disebut dengan sistem informasi Geografis Berbasis Web
Classification of deep learning convolutional neural network feature extraction for student graduation prediction
No full textOne indicator of a university’s educational quality is the proportion of enrolled students who actually graduate within four years. This proportion is typically fewer than the number of students that enroll in a given year. A low graduation rate can have a negative impact on both the university’s reputation and its accreditation because it indicates that fewer students are completing their degrees. Student activity, economic, and other issues all play a role in why some students are unable to complete their degrees on time. As a result, stakeholders need a model that can predict whether or not students will graduate on time as a means of evaluating and giving a basis for policy actions. This research proposes a model for converting textual data into an image format using a deep learning convolutional neural network (CNN), and then classifying the extracted features using a variety of machine learning classification algorithms like the decision tree, random forest, Naive Bayes, support vector machine (SVM), and k-nearest neighbor (K-NN). The classification model trained on feature extraction data had a 96.1% accuracy rate, while the classification model trained on the original data achieved a 71.2% accuracy rate
PREDIKSI CHURN DAN SEGMENTASI PELANGGAN MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK BERBASIS EVOLUTION STRATEGIES
No full textPelanggan merupakan bagian penting dalam memastikan keunggulan dan kelangsungan hidup perusahaan. Oleh karena itu perlu untuk memiliki sistem manajemen untuk memastikan pelanggan tetap setia dan tidak pindah ke pesaing lain, yang dikenal sebagai manajemen churn. Prediksi churn pelanggan adalah bagian dari manajemen churn, yang memprediksi perilaku pelanggan dengan klasifikasi pelanggan setia dan mana yang cenderung pindah ke kompetitor lain. Keakuratan prediksi ini mutlak diperlukan karena tingginya tingkat migrasi pelanggan ke perusahaan pesaing. Hal ini penting karena biaya yang digunakan untuk meraih pelanggan baru jauh lebih tinggi dibandingkan dengan mempertahankan loyalitas pelanggan yang sudah ada. Meskipun banyak studi tentang prediksi churn pelanggan yang telah dilakukan, penelitian lebih lanjut masih diperlukan untuk meningkatkan akurasi prediksi. Penelitian ini akan membahas penggunaan teknik data mining Backpropagation Neural Network (BPNN) in hybrid dengan Strategi Evolution (ES) untuk atribut bobot. Validasi model dilakukan dengan menggunakan validasi Palang 10-Fold dan evaluasi pengukuran dilakukan dengan menggunakan matriks kebingungan dan Area bawah ROC Curve (AUC). Hasil percobaan menunjukkan bahwa hibrida BPNN dengan ES mencapai kinerja yang lebih baik daripada Basic BPNN. Kata kunci: data mining, churn, prediksi, backpropagation neural network, strategi evolusi.</em
Optimasi Convolutional Neural Networks untuk Deteksi Kanker Payudara menggunakan Arsitektur DenseNet
No full textBreast cancer is a disease commonly suffered by women worldwide, ranking as the second-largest disease burden. In response to the urgent need for improved detection accuracy, Convolutional Neural Networks (CNNs) promise significant advancements. The objective of this research is to optimize the use of CNNs with the DenseNet architecture for breast cancer detection. The study employs quantitative methods, leveraging Deep Learning through CNNs. Mammography data is sourced from Kaggle, specifically the “Breast Histopathology Images” dataset. This dataset comprises 90,000 digital mammography images, which are preprocessed and divided proportionally for training, validation, and model testing. Research variables encompass CNN model parameters, training techniques, and the integration of imaging modalities to enhance breast cancer detection performance. The research focuses on processed mammography data, with accuracy and image quality as key evaluation metrics for breast cancer sample identification. Our findings demonstrate that the DenseNet architecture within CNNs achieves an impressive 92% accuracy in breast cancer detection. This remarkable performance signifies success in enhancing image quality and class prediction, aligning with the DenseNet architecture’s flow diagram. Ultimately, these results contribute significantly to effective breast cancer diagnosis by optimizing CNNs with the DenseNet architecture to improve image quality during breast cancer sampling
A report on the Junta de Guerra y Hacienca, Mexico, 1716.
No full textJunta de Guerra y Hacienda, Mexico y Diciembre 2 de 1716 años/War and Finance Junta, Mexico 2 December 1716. Unedited transcription available
Implementation of Deep Transfer Learning and Explainable AI in Skin Cancer Classification
No full textKanker kulit merupakan salah satu penyakit yang prevalensinya terus meningkat, khususnya di wilayah dengan paparan sinar ultraviolet (UV) tinggi. Tantangan utama diagnosis kanker kulit terletak pada kemiripan visual antara lesi jinak dan ganas, menyebabkan tingginya tingkat kesalahan diagnosis, bahkan oleh tenaga medis berpengalaman. Pendekatan diagnosis berbasis kecerdasan buatan (AI) saat ini masih dianggap sebagai sistem “black box” karena kurangnya transparansi dalam proses pengambilan keputusan. Studi ini bertujuan untuk mengembangkan sistem klasifikasi kanker kulit berbasis deep transfer learning yang terintegrasi dengan Explainable Artificial Intelligence (XAI). Model pretrained CNN, ResNet101 dan DenseNet201 diterapkan untuk klasifikasi citra dari dataset ISIC2020 dalam dua kelas, yaitu benign dan malignant. Evaluasi kinerja dilakukan menggunakan accuracy, precision, recall, F1-score, confusion matrix, dan kurva ROC. Hasil penelitian menunjukkan bahwa ResNet101 memberikan performa klasifikasi terbaik dengan accuracy 87,00%, AUC 0,943, dan recall 89,6% dalam mendeteksi malignant. Untuk mendukung interpretabilitas, teknik Grad-CAM dan LIME diterapkan untuk visualisasi area penting dalam citra yang menjadi dasar keputusan model. Temuan ini menekankan pendekatan yang menjanjikan untuk mendukung sistem pendukung keputusan medis yang lebih akurat, transparan, dan dapat dijelaskan, khususnya dalam konteks diagnosis kanker kulit
Biomedical scientific publication patterns in the Scopus database : a case study of Andalusia, Spain
No full textThis paper characterises scientific output in biomedicine in Andalusia, and Spain as a whole, and conduct a first-time comparison to Europe- and world-wide production. The data were extracted from the Scopus database. Three families of indicators are explored to analyse research quantity, quality and collaboration. The results show an upward trend on biomedical output in Andalusia. Over 50 % was in clinical medicine, whose growth doubled the basic medicine. We found greater than nationwide specialisation in biochemistry, genetics and molecular biology, immunology and microbiology, and pharmacology, while psychology proved to be the most prominent emerging area. The publication in most cited journals together with national and international collaboration enhanced research visibility. More citable papers were published on basic than clinical medicine, and the number of citations received by the former was also larger. The higher citation rate in basic medicine may also be explained by the bigger percentage of papers published in international instead domestic journals. Hence, publication patterns would appear to affect research visibility. The methodology proposed may provide guidance for public policy makers to improve, encourage and intensify good biomedical research practice
Periods of continuous maps on closed surfaces
No full textAgraïments: The first author of this work was partially supported by Junta de Comunidades de Castilla-La Mancha, grant number PEII09-0220-0222. The second author was partially supported by FEDER-UNAB10-4E-37
- …
