Fatimatuzzahra Fatimatuzzahra
Universitas Bumigora

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

Optimasi Neural Network Dengan Menggunakan Algoritma Genetika Untuk Prediksi Jumlah Kunjungan Wisatawan Fatimatuzzahra Fatimatuzzahra; Rifqi Hammad; Ahmad Zuli Amrullah; Pahrul Irfan
JTIM : Jurnal Teknologi Informasi dan Multimedia Vol 3 No 4 (2022): February
Publisher : Puslitbang Sekawan Institute Nusa Tenggara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35746/jtim.v3i4.190

Abstract

West Nusa Tenggara is one of the tourist attractions in Indonesia which has a certain attraction for tourists. With the increase in tourism in NTB, it is necessary to make adequate efforts to maintain tourist objects and attractions. In an effort to maintain a tourist attraction, the NTB provincial tourism office needs to analyze and predict the arrival of local and international tourists. The current analysis and prediction process is still being carried out by collecting data from each tourist attraction entrance. The processed data produces predictions of tourist arrivals, both local and international, where the data processing process takes a long time and requires high human resources. To overcome these problems, it is done by applying computational predictions. Computational predictions can minimize the prediction time and human resources required. The method used is a neural network algorithm with optimized parameters using a genetic algorithm. The optimized parameters are the hidden layer, the number of neurons in the input layer, momentum and others. The data used is time series data from 1997 to 2018. From the neural network experiment, the parameters of the number of neurons in the input layer xt-7 are determined, the number of neurons in the hidden layer 10, the training cycle value is 400, the learning rate value is 0.3 and the momentum value is 0.2. From the experiment, the RMSE value of 0.050 was obtained. While the RMSE value for the neural network algorithm parameters optimized using the genetic algorithm is 0.044. Because of this, it can be stated genetic algorithm with neural network can be used to determine the hidden layer and the number of hidden nodes, the right features, momentum, initialize, and optimize the weight of the neural network. So that the application of the genetic algorithm to optimize the parameter values of the neural network algorithm is better than the application of the neural network algorithm without optimization.
Association Rule Integrasi Pendekatan Metode Custom Hashing dan Data Partitioning untuk Mempercepat Proses Pencarian Frekuensi Item-set pada Algoritma Apriori Moch. Syahrir; Fatimatuzzahra Fatimatuzzahra
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Vol 20 No 1 (2020)
Publisher : LPPM Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (649.108 KB) | DOI: 10.30812/matrik.v20i1.833

Abstract

Data mining dengan peran asosiasi sudah banyak digunakan oleh dunia usaha, salah satu algoritma yang sering digunakan untuk aturan asosiasi adalah apriori. Namun apriori memiliki kelemahan dalam hal performa, karena pada setiap penentuan frequent k-itemset harus melakukan scan database. Hal ini akan menjadi masalah apabila kandidat k-itemset memiliki dimensi yang banyak. proses scan database yang besar akan memakan waktu yang lama dan berpengaruh pada penggunaan memori dan prosesor. Apriori sudah sering dikembangkan, salah satu yang populer adalah Frequent Pattern (fp-growth), apriori dan fp-growth sama-sama merupakan algoritma untuk aturan asosiasi, hanya saja fp-growth menggunakan pendekatan yang berbeda dengan apriori yakni menggunakan pendekatan Frequent Pattern Tree (fp-tree). Meski fp-growth memiiki performa yang bagus ketika scan database namun rules yang di hasilkan oleh fp-growth tidak sebaik yang di hasilkan oleh apriori. Alternatif lain yang bisa digunakan adalah metode hashing, hal ini bisa menjadi solusi untuk mengatasi masalah dalam proses pencarian dan penentuan frequent k-itemset, sehingga proses scan database bisa lebih cepat. Tujuan penelitian adalah memperbaiki kinerja apriori dalam proses pencarian frekuensi itemset sehingga waktu scan database bisa lebih cepat