Harliana Harliana
Universitas Muhadi Setiabudi

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

Penerapan Learning Vector Quantization Dalam Memprediksi Jumlah Rumah Tangga Miskin Harliana Harliana; Sodik Kirono
Jurnal Sains dan Informatika Vol. 5 No. 2 (2019): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v5i2.192

Abstract

Kemiskinan merupakan salah satu permasalahan penting yang masih terus dilakukan pengkajiannya oleh pemerintah daerah termasuk pemerintah Kabupaten Cirebon, berbagai upaya pemberian bantuan telah dilakukan, namun sayangnya masih ada beberapa rumah tangga miskin yang belum dapat keluar dari kemiskinan tersebut. Penelitian ini bertujuan untuk memprediksi rumah tangga miskin yang telah mendapatkan bantuan, apakah dapat keluar dari kemiskinannya ataukah tetap pada kelompok desil 1 (rumah tangga sangat miskin), desil 2 (rumah tangga miskin), desil 3 (rumah tangga hampir miskin) melalui algoritma LVQ. Algoritma LVQ merupakan salah satu algoritma klasifikasi yang mampu mengenali dan meniru input output yang telah ditentukan. Penelitian ini menggunakan 70 data set, 10 neuron inputan, 3 neuron keluaran, 100 MaxEpoh dan 0,05 learning rate (a) dalam melakukan prediksi. Dari 70 data set yang digunakan selanjutnya akan dipecah menjadi data training dan data testing. Berdasarkan 5 hasil pengujian yang telah dilakukan, didapatkan bahwa tingkat akurasi dan error rate akan berbanding lurus terhadap jumlah data training dan data testing yang ditentukan.
Perbandingan Algoritma K-Means dan SFCM Pada Pengelompokkan Rumah Tangga Miskin Wiwi Widayani; Harliana Harliana
Jurnal Sains dan Informatika Vol. 6 No. 1 (2020): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v6i1.200

Abstract

Secara definisi rumah tangga miskin dan penduduk miskin memiliki sudut pandang yang berbeda, dimana definisi rumah tangga miskin akan lebih ditekankan kepada individu yang akan dijadikan survey dalam menentukan penduduk miskin sedangkan penduduk miskin lebih kepada kumpulan dari beberapa rumah tangga miskin. Penelitian ini dilakukan untuk membandingkan antara algoritma K-Means dan Fuzzy Substractive Clustering (SFCM) dalam mengelompokkan rumah tangga miskin. Kedua algoritma ini akan dibandingkan berdasarkan simpangan baku dan validitas hasil pengelompokkan yang dihasilkan. Berdasarkan 6 pengujian yang telah dilakukan, maka didapatkan hasil bahwa dari sisi waktu algoritma K-Means mampu mengelompokkan lebih cepat bila dibandingkan dengan algoritma SFCM, namun dari sisi simpangan baku kelompok, simpangan baku antar kelompok, maupun akurasi maka algoritma SFCM memiliki performa yang lebih baik bila dibandingkan dengan algoritma K-Means
Analisis Support Vector Machine Untuk Pemberian Rekomendasi Penundaan Biaya Kuliah Mahasiswa Wiwi Widayani; Harliana Harliana
Jurnal Sains dan Informatika Vol. 7 No. 1 (2021): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v7i1.268

Abstract

Rekomendasi penundaan pembayaran kuliah merupakan salah satu bentuk kebijakan yang diambil oleh suatu Perguruan Tinggi Swasta terhadap mahasiswanya. Ketika seorang mahasiswa mengajukan permohonan penundaan pembayaran maka secara tidak langsung bagian keuangan harus dapat mengklasifikasi mahasiswa yang akan membayar tepat waktu dan yang gagal bayar. Berdasarkan hal tersebut, maka penelitian ini bertujuan untuk mendapatkan nilai akurasi tertinggi melalui algoritma SVM dalam memberikan rekomendasi penundaan pembayaran kuliah secara tepat bagi mahasiswa. Untuk mendapatkan akurasi tertinggi, pengujian dilakukan melalui 2 cara dengan 6 scenario pengujian, berdasarkan hasil pengujian pertama (membandingan antara jumlah data training dan testing) diketahui bahwa nilai akurasi akan berbanding lurus dengan banyaknya jumlah data training yang digunakan. Selain itu pemilihan jenis kernel yang digunakan juga akan mempengaruhi besarnya nilai akurasi yang dihasilkan, dan hal ini sesuai dengan hasil pengujian kedua yang dilakukan.
PENERAPAN ALGORITMA K-MEANS CLUSTERING UNTUK MENGELOMPOKKAN KENAKALAN SISWA Harliana Harliana
Journal of Information System Management (JOISM) Vol. 2 No. 1 (2020): Juni
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (187.689 KB) | DOI: 10.24076/joism.2020v2i1.200

Abstract

Kenakalan remaja merupakan suatu keadaan dimana adanya perubahan emosional pada diri seorang dari masa kanak-kanak menjadi dewasa. Jenis-jenis kenakalan remaja pada SMK Bina Insani dapat dikategorikan menjadi kenakalan umum dan kenakalan khusus. Dari berbagai macam kenakalan tersebut, maka penelitian ini bertujuan untuk membantu Guru BK dalam melakukan pengelompokkan kenakalan siswa melalui pendekatan k-means berdasarkan jumlah pelanggaran yang dilakukannya. Berdasarkan hasil pengujian pada 23 dataset maka didapatkan cluster ke-1 adalah cluster dimana siswa memiliki kenakalan umum paling banyak. Sedangkan cluster ke-3 adalah cluster yang memiliki kenakalan umum ataupun khusus paling sedikit bila dibandingkan dengan cluster lainnya.