Article Per Year (5 Year)
p-Index From 2019 - 2024
2.696
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Jurnal Pendidikan Vokasi Jurnal Pendidikan Teknologi dan Kejuruan Jurnal Sains dan Teknologi JUTI: Jurnal Ilmiah Teknologi Informasi Jurnal Teknologi Informasi dan Komputer COUNS-EDU: The International Journal of Counseling and Education Journal of Educational Research and Evaluation WIDYA LAKSANA Journal of Education Technology Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Jurnal EDUTECH Undiksha Unri Conference Series: Community Engagement JSIKTI (Jurnal Sistem Informasi dan Komputer Terapan Indonesia) International Journal of Artificial Intelligence in Medical Issues
Agus Aan Jiwa Permana
Universitas Pendidikan Ganesha
Humanities Computer Science & IT Control & Systems Engineering Dentistry Economics, Econometrics & Finance Education Engineering Health Professions Library & Information Science Medicine & Pharmacology Public Health Social Sciences Other

Published : 41 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : IJCCS (Indonesian Journal of Computing and Cybernetics Systems)

 1 
Sistem Evaluasi Kelayakan Mahasiswa MagangMenggunakan Elman Recurrent Neural Network Agus Aan Jiwa Permana; Widodo Prijodiprodjo
IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Vol 8, No 1 (2014): January
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijccs.3494

Abstract

AbstrakJaringan Syaraf Tiruan (JST) dapat digunakan untuk memecahkan permasalahan tertentu seperti prediksi, klasifikasi, pengolahan data, dan robotik.Berdasarkan paparan tersebut, sehingga dalam penelitian ini mencoba menerapkan JST untuk menangani permasalahan dalam program magang yang sedang dihadapi dalam upaya untuk meningkatkan kompetensi, pengalaman, serta melatih softskill mahasiswa.Sistem yang dikembangkan dapat digunakan untuk mengevaluasi kelayakan mahasiswa dalam program magang ke luar daerah dengan menerapkan Elman Recurrent Neural Network (ERNN), sehingga dapat memberikan informasi yang akurat kepada pihak jurusan untuk menentukan keputusan yang tepat.Struktur Elman dipilih karena dapat membuat iterasi jauh lebih cepat sehingga memudahkan proses konvergensi. Adapun metode pembelajaran yang digunakan adalah Backpropagation ThroughTime dengan model epochwise training mode. Sistem diimplementasikan dengan menggunakan bahasa pemrograman C# dengan basis data MySQL. Vektor input yang digunakan terdiri dari 11 variabel. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan akan cepat mengalami konvergen dan mampu mencapai nilai error paling optimal (minimum error) apabila menggunakan 1 hidden layer dengan jumlah neuron 20 unit. Akurasi terbaik dapat diperoleh dengan menggunakan LR sebesar 0.01 dan momentum 0.85 dimana akurasi rata-rata dalam pengujian mencapai 87.50%. Kata kunci—Evaluasi, Kelayakan, Jaringan Syaraf Tiruan (JST), Elman Recurrent Neural Network, Magang Abstract Artificial Neural Network (ANN) can be used to solve specific problems such as prediction, classification, data processing, and robotics. Based on the exposure, so in this study tried to apply neural networks to handle problems in apprentice program facing in an effort to increase the competence, experience and soft skills training students. The system developed can be used to evaluate the students in the apprentice program to other regions by applying the Elman Recurrent Neural Network (ERNN), so it can provide accurate information to the department to determine appropriate decisions. Elman structure was chosen because it can be create much more rapidly iterations so as to facilitate the convergence process. The learning method used is Backpropagation Through Time with model epochwise training mode. The system is implemented using the C # programming language with a MySQL database. Input vector used consists of 11 variables. The results showed that the developed system will rapidly converge and can reach optimal error value (minimum error) when using one hidden layer with 20 units number of neurons. Best accuracy can be obtained using the LR of 0.01 and momentum 0.85 which average accuracy reaches 87.50% in testing. Keywords—Evaluation, Feasibility, Artificial Neural Network (ANN), Elman Recurrent Neural Network, Apprenticeship
Co-Authors A. A. Gede Yudhi Paramartha Alkautsar, Yoga Rizky Erma Susanti Gede Aditra Pradnyana Gede Saindra Santyadiputra Gede Yoga Sucipta I Kadek Suranata I Ketut Gading I Ketut Purnamawan I Made Ardwi Pradnyana I Made Putrama I Made Sukarsa I Made Sunia Raharja I Nyoman Laba Jayanta I Nyoman Saputra Wahyu Wijaya Ifdil Ifdil Ika Arfiani Kadek Wirahyuni Komang Setemen M Ikbal Siami Made Padmi Wirayani Made Putrama Made Sudarma Ni Putu Dwi Sucita Dartini Ni Wayan Marti Paholo Iman Prakoso Putrama, Made PUTU SUGIARTAWAN Rukmi Sari Hartati Sindu, I Gede Partha Thomas Edyson Tarigan Widodo Prijodiprodjo Wirayani, Made Padmi Yoga Rizky Alkautsar Yoga Sucipta, Gede