Article Per Year (5 Year)
p-Index From 2019 - 2024
2.636
P-Index
This Author published in this journals
All Journal Syntax Jurnal Informatika Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal Pilar Nusa Mandiri Informatics for Educators and Professional : Journal of Informatics Information Management For Educators And Professionals (IMBI) Jurnal Teknik Informatika STMIK Antar Bangsa JITK (Jurnal Ilmu Pengetahuan dan Komputer) INTI Nusa Mandiri Systematics Reputasi: Jurnal Rekayasa Perangkat Lunak JUSTIN (Jurnal Sistem dan Teknologi Informasi)
Esty Purwaningsih
Universitas Bina Sarana Informatika
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering Library & Information Science Other

Published : 18 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 18 Documents
Search

 1   2 
Application of the Support Vector Machine and Neural Network Model Based on Particle Swarm Optimization for Breast Cancer Prediction Purwaningsih, Esty
Sinkron : Jurnal dan Penelitian Teknik Informatika Vol 4 No 1 (2019): SinkrOn Volume 4 Number 1, October 2019
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (795.663 KB) | DOI: 10.33395/sinkron.v4i1.10195

Abstract

There are several studies in the medical field that classify data to diagnose and analyze decisions. To predict breast cancer, this study compares two methods, the Support Vector Machine method and the Neural Network method based on Particle Swarm Optimization (PSO) which is intended to determine the highest accuracy value in the Coimbra dataset data. To implement the Support Vector Machine and Neural Network method based on PSO, RapidMiner software is used. Then the application results are compared using Confusion Matrix and ROC Curve. Based on the accuracy of the two models, it is known that the PSO-based Neural Network model has a higher accuracy value of 84.55% than the results of the PSO-based Vector Support Machine with an accuracy value of 80.08%. The calculation results, the accuracy of the AUC performance obtained by the results of the study are, the two methods are PSO-based Neural Network with AUC value of 0.885 and PSO-based Support Vector Machine with a value of 0.819 included in the category of Good Classification.
Mengukur Tingkat Error Ketahanan Beton dengan Metode Klasifikasi Neural Network dan Support Vector Machine Purwaningsih, Esty; Ridwansyah, Ridwansyah
Jurnal Teknik Informatika Vol. 5 No. 1 (2019): JTI Periode Februari 2019
Publisher : LPPM STMIK ANTAR BANGSA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51998/jti.v5i1.295

Abstract

Abstract— Concrete has many benefits in building various infrastructure. So that the concrete is worth to be taken into account its durability. In previous studies we have accurately measured the error rate on concrete strength. In this study, we tried to compare the Neural Network method with the SVM method to measure the error rate in the strong concrete accuracy where each has an advantage in its performance. Where Neural network can solve the problem especially large data sample and has been able to prove in handling nonlinear problem. While the advantages of the Support Vector Machine (SVM) method is quite popular and good for classification use because it does not depend on the number of features and can overcome the problem of dimensions and can perform a rapid training process that is useful in learning techniques when facing the problem of indecision. The result of this research is known that Neural Network method got RMSE value is 7,650 and squared error value is 59.377, while SVM method got RMSE value is 10.905 and squared error value is 119.333. So it can be concluded that the error rate on concrete with Neural Network method is lower than the SVM method. Intisari— Beton memiliki banyak manfaat dalam membangun berbagai macam infrastruktur. Sehingga beton patut untuk diperhitungkan ketahanannya. Dalam penelitian-penelitian sebelumnya telah dilakukan pengukuran tingkat error pada kekuatan beton dengan akurat. Dalam penelitian ini, kami mencoba melakukan perbandingan antara metode Neural Network dengan metode SVM untuk mengukur tingkat kesalahan (error) dalam akurasi kuat beton dimana masing-masing memiliki keunggulan dalam kinerjanya. Dimana Neural network dapat menyelesaikan masalah khususnya sampel data besar dan telah mampu membuktikan dalam menangani masalah nonlinear. Sedangkan kelebihan dari metode Support Vector Machine (SVM) cukup populer dan baik untuk penggunaan klasifikasi karena tidak tergantung pada jumlah fitur dan bisa mengatasi masalah dimensi dan dapat melakukan proses training dengan cepat yang berguna dalam teknik learning ketika mengadapi masalah ketidaktegasan. Hasil penelitian ini diketahui bahwa metode Neural Network didapatkan nilai RMSE adalah 7.650 dan nilai squared error adalah 59.377, sedangkan metode SVM didapatkan nilai RMSE adalah 10.905 dan nilai squared error adalah 119.333. Sehingga dapat disimpulkan bahwa tingkat error pada beton dengan metode Neural Network lebih rendah dibanding dengan metode SVM. Kata Kunci — Beton, Klasifikasi, Neural Network, Support Vector Machine
Mengukur Tingkat Error Ketahanan Beton dengan Metode Klasifikasi Neural Network dan Support Vector Machine Purwaningsih, Esty; Ridwansyah, Ridwansyah
Jurnal Teknik Informatika Vol 5 No 1 (2019): JTI Periode Februari 2019
Publisher : LPPM STMIK ANTAR BANGSA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51998/jti.v5i1.295

Abstract

Abstract— Concrete has many benefits in building various infrastructure. So that the concrete is worth to be taken into account its durability. In previous studies we have accurately measured the error rate on concrete strength. In this study, we tried to compare the Neural Network method with the SVM method to measure the error rate in the strong concrete accuracy where each has an advantage in its performance. Where Neural network can solve the problem especially large data sample and has been able to prove in handling nonlinear problem. While the advantages of the Support Vector Machine (SVM) method is quite popular and good for classification use because it does not depend on the number of features and can overcome the problem of dimensions and can perform a rapid training process that is useful in learning techniques when facing the problem of indecision. The result of this research is known that Neural Network method got RMSE value is 7,650 and squared error value is 59.377, while SVM method got RMSE value is 10.905 and squared error value is 119.333. So it can be concluded that the error rate on concrete with Neural Network method is lower than the SVM method. Intisari— Beton memiliki banyak manfaat dalam membangun berbagai macam infrastruktur. Sehingga beton patut untuk diperhitungkan ketahanannya. Dalam penelitian-penelitian sebelumnya telah dilakukan pengukuran tingkat error pada kekuatan beton dengan akurat. Dalam penelitian ini, kami mencoba melakukan perbandingan antara metode Neural Network dengan metode SVM untuk mengukur tingkat kesalahan (error) dalam akurasi kuat beton dimana masing-masing memiliki keunggulan dalam kinerjanya. Dimana Neural network dapat menyelesaikan masalah khususnya sampel data besar dan telah mampu membuktikan dalam menangani masalah nonlinear. Sedangkan kelebihan dari metode Support Vector Machine (SVM) cukup populer dan baik untuk penggunaan klasifikasi karena tidak tergantung pada jumlah fitur dan bisa mengatasi masalah dimensi dan dapat melakukan proses training dengan cepat yang berguna dalam teknik learning ketika mengadapi masalah ketidaktegasan. Hasil penelitian ini diketahui bahwa metode Neural Network didapatkan nilai RMSE adalah 7.650 dan nilai squared error adalah 59.377, sedangkan metode SVM didapatkan nilai RMSE adalah 10.905 dan nilai squared error adalah 119.333. Sehingga dapat disimpulkan bahwa tingkat error pada beton dengan metode Neural Network lebih rendah dibanding dengan metode SVM. Kata Kunci — Beton, Klasifikasi, Neural Network, Support Vector Machine
Penerapan Particle Swarm Optimization pada Metode Neural Network untuk Perawatan Penyakit Kutil melalui Immunotherapy Purwaningsih, Esty
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 8, No 2 (2020)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (482.763 KB) | DOI: 10.26418/justin.v8i2.39869

Abstract

Human papillomaviruses (HPVs) merupakan virus yang menimbulkan infeksi pada permukaan kulit dan dapt menyebabkan tumor sampai dengan kanker, salh satu penyakit yang disebabkan oleh HPVs adalah kutil. Immunotheraphy dapat dimanfaatkan untuk mengobati penyakit kutil. Sehingga penelitian ini melakukan penerapan metode neural network dengan algoritma PSO yang bertujuan untuk mengetahui nilai akurasi dari metode neural network dengan algoritma PSO yang berperan membantu menganalisis apakah peran immunotherapy lebih efektif dalam penyembuhan penyakit kutil dan kanker kulit. Setelah dilakukan pengujian melalui aplikasi rapid miner diketahui bahwa model Neural Network (NN) dengan algoritma PSO memiliki nilai akurasi sebesar 87.78%. Hasil perhitungan, performance keakurasian AUC yang diperoleh masuk kedalam kategori Good Classification dengan nilai AUC sebesar 0,757 dan memiliki nilai RMSE 0.331. Dengan demikian, metode Neural Network dengan algoritma PSO dapat digunakan untuk perawatan penyakit kutil melalui immunotherapy.
Sistem Pendukung Keputusan Pemilihan Perumahan Terbaik Dengan Metode TOPSIS Nurelasari, Ela; Purwaningsih, Esty
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 8, No 4 (2020)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (849.449 KB) | DOI: 10.26418/justin.v8i4.41036

Abstract

Semakin berkembangnya perusahaan developer property menjadikan calon pembeli akan kesulitan dalam memilih perumahan yang sesuai dengan kriteria yang diinginkan. Pemilihan tempat tinggal huni bisa dilihat dari beberapa kriteria diantaranya rumah harus sehat, nyaman dan aman. Dalam penelitian ini penulis mengambil data perumahan sebanyak tiga sampel perumahan di daerah Depok Jawa Barat. Dimana, tujuan dari penelitian ini membuat sistem pendukung keputusan(SPK) yang dapat membantu calon pembeli dalam pemilihan perumahan. Sistem pendukung keputusan berfungsi untuk membantu dalam pengambilan keputusan untuk memecahkan suatu masalah terutama berbagai masalah yang sangat kompleks dan tidak terstruktur. Dalam penelitian ini penulis menggunakan metode Technique for Order Preference by Similarity to Ideal Solution(TOPSIS) merupakan suatu metode yang memiliki konsep yang didasarkan pada kedekatan suatu alternatif terhadap solusi ideal yang disebut juga dengan nilai preferensi. Kriteria yang digunakan dalam pemilihan perumahan diantaranya Harga(H), Lokasi(L), Fasilitas Umum(FU), Perijinan(P), dan Desain Rumah(DR). Setelah dilakukan pengujian TOPSIS diketahui bahwa dari 3 sampel perumahan dihasilkan nilai preferensi yang lebih tinggi dengan nilai 0,6456 , sehingga hasil keputusan pemilihan perumahan yang terbaik adalah Perumahan yang ke 3. Dengan demikian, metode TOPSIS mampu memberikan rekomendasi pemilihan perumahan terbaik dengan hasil perhitungan lebih cepat dan akurat sehingga informasi yang dihasilkan dapat digunakan sebagai pendukung keputusan.
PARTICLE SWARM OPTIMIZATION UNTUK MENINGKATKAN AKURASI PREDIKSI PEMASARAN BANK Ridwansyah Ridwansyah; Esty Purwaningsih
Jurnal Pilar Nusa Mandiri Vol 14 No 1 (2018): PILAR Periode Maret 2018
Publisher : LPPM Universitas Nusa Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (937.131 KB) | DOI: 10.33480/pilar.v14i1.94

Abstract

Pemasaran bank dapat melalui promosi sebuah produk dengan menghasilkan data dan informasi yang cukup kompleks dan luas sehingga akan merasa kesulitan dalam menganalisisnya. Neural network dapat menyelesaikan masalah khususnya sampel data besar yang di dapat di uci data set namun masih memiliki kekurangan pada pemilihan fitur yang sesuai dan optimal pada bobot atribut yang digunakan sehingga menyebabkan tingkat akurasi prediksi menjadi kurang tinggi, Algoritma PSO dapat meningkatkan bobot atribut dan meningkatkan akurasi suatu algoritma dan klasifikasi data yang lebih besar. Hasil penelitian menggunakan Neural network dan Algoritma PSO menunjukkan perbaikan yang lebih baik dan mengesankan dalam kinerja model neural network yang memiliki kelemahan dalam pemilihan fitur.
SELEKSI MOBIL BERDASARKAN FITUR DENGAN KOMPARASI METODE KLASIFIKASI NEURAL NETWORK, SUPPORT VECTOR MACHINE, DAN ALGORITMA C4.5 Esty Purwaningsih
Jurnal Pilar Nusa Mandiri Vol 12 No 2 (2016): PILAR Periode September 2016
Publisher : LPPM Universitas Nusa Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1288.792 KB) | DOI: 10.33480/pilar.v12i2.269

Abstract

Seleksi mobil berdasarkan fitur menggunakan komparasi metode Neural Network, Support Vector Machine, dan Algoritma C4.5. Komparasi metode tersebut dipilih karena terdapat kelebihan dan keistimewaan dari masing-masing metode, juga karena terdapat penelitian terdahulu yang telah melakukan uji klasifikasi kendaraan dengan menggunakan metode Algoritma C4.5 dan Neural Network, dan memberikan usulan dengan menggunakan metode Support Vector Machine serta belum ada penelitian tentang klasifikasi kendaraan dengan menggunakan metode Support Vector Machine. Data yang digunakan bersumber dari PT. Tunas Mobilindo Perkasa. Data yang diteliti ini merupakan data mobil serta penjualan mobil di PT. Tunas Mobilindo Perkasa dengan periode tahun 2013. Untuk menerapkan metode Neural Network, Support Vector Machine dan Algoritma C4.5 ini digunakan perangkat lunak RapidMiner. Hasil penerapan ini kemudian dikomparasi menggunakan Confusion Matrix dan Kurva ROC. Berdasarkan penelitian ini terbukti bahwa metode Algoritma C4.5 memiliki tingkat akurasi yang lebih tinggi dibandingkan Neural Network dan Support Vector Machine.
Metode Clustering Pada Model Algoritma K-Means Untuk Pemilihan Alat Kontrasepsi Diah Ayu Maulida Wati; Diah Puspitasari; Esty Purwaningsih
INFORMATICS FOR EDUCATORS AND PROFESSIONAL : Journal of Informatics Vol 3 No 2 (2019): INFORMATICS FOR EDUCATORS AND PROFESSIONAL : JOURNAL OF INFORMATICS (Juni 2019)
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Bina Insani

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (527.517 KB)

Abstract

Abstrak: Terdapat beberapa faktor yang menjadi pertimbangan bagi pasangan suami istri untuk memutuskan keikutsertaanya dalam suatu program yaitu program keluarga berencana yang telah dicanangkan oleh pemerintah sejak lama. Program keluarga berencana tersebut diperlukan pemilihan alat kontrasepsi yang efektif dan sesuai dengan kondisi tubuhnya. Sehingga penelitian ini menerapkan metode clustering dengan model algoritma K-Means, dimana terdapat keunggulan dalam menyelesaikan masalah clustering pada pemilihan alat kontrasepsi. Data yang digunakan diperoleh dari Rumah Sakit Annisa Citeureup pada tahun 2017. Data diolah dengan menggunakan Rapid Miner dengan menghasilkan perolehan angka 48% untuk cluster 1 yang terdiri dari , usia 36 tahun, jumlah anak 2, pendidikan SMA, status kerja tidak kerja. 22% untuk cluster 2 yang terdiri dari , usia 46 tahun, jumlah anak 3, pendidikan SMA, status kerja tidak kerja. 30% untuk cluster 3 yang terdiri dari , usia 27 tahun, jumlah anak 2, pendidikan SMA, status kerja tidak kerja. Dari hasil pengolahan tersebut, penerapan clustering pada pemilihan alat kontrasepsi dapat bermanfaat bagi Rumah Sakit Annisa Citeureup. Kata kunci: Alat Kontrasepsi, Clustering, K-Means, Program KB Abstract: There are several factors that are taken into consideration for married couples to decide their participation in a program, namely a family planning program that has been proclaimed by the government for a long time. The family planning program requires the selection of effective contraceptives and in accordance with their body condition. So that this study applies the clustering method with the K-Means algorithm model, where there are advantages in solving clustering problems in the selection of contraceptives. The data used was obtained from Annisa Citeureup Hospital in 2017. Data was processed using Rapid Miner by generating a figure of 48% for cluster 1 consisting of, age 36 years, number of children 2, high school education, non-employment status. 22% for cluster 2 consisting of, age 46 years, number of children 3, high school education, non-working work status. 30% for cluster 3 consisting of, age 27 years, number of children 2, high school education, non-employment status. From the results of the processing, the application of clustering to the selection of contraceptives can be beneficial for Annisa Citeureup Hospital. Keywords: Clustering, Contraception Tools, Family Planning Program, K-Means
Sistem Pendukung Keputusan Penilaian Kinerja Karyawan Dengan Metode Simple Additive Weighting Pada PT. Anggada Perkasa Tehnik Aditia Darmawan; Esty Purwaningsih
INFORMATICS FOR EDUCATORS AND PROFESSIONAL : Journal of Informatics Vol 4 No 1 (2019): INFORMATICS FOR EDUCATORS AND PROFESSIONAL : JOURNAL OF INFORMATICS (Desember 201
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Bina Insani

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (338.886 KB)

Abstract

Abstrak: Evaluasi kinerja karyawan yang dilakukan dalam suatu perusahaan berupaya untuk meningkatkan sumber daya manusia di lingkungan perusahaan. Dari hasil kinerja yang dicapai oleh karyawan, perusahaan dapat memberikan reward kepada karyawan dengan tujuan untuk memotivasi karyawan untuk bekerja secara maksimal. PT. Anggada Perkasa Tehnik dalam melakukan penilaian kinerja karyawan masih kurang optimal, disebabkan tidak adanya standar bobot dalam penilaian sehingga diperlukan waktu yang cukup lama. Pada permasalahan ini maka diberikan alternatif solusi pemecahan masalah melalui sistem pendukung keputusan dengan metode Simple Additive Weighting (SAW) dimana terdapat beberapa kriteria yaitu kualitas kerja, ketrampilan kerja, disiplin kerja, tanggung jawab, dan kerjasama maka diperoleh data ternomalisasi (R), dalam perhitungan proses hasil akhir dengan perkalian normalisasi (R) dengan bobot nilai dan dijumlahkan sehingga diperoleh nilai terbaik dari hasil perangkingan yang terpilih sebagai alternatif terbaik (Ai) dalam penilaian kinerja karyawan. Dari hasil pengolahan data menggunakan Simpel Additive Weighting terpilih sebagai karyawan terbaik di divisi supporting staff mencapai skor 0,880. Kata kunci: Kinerja Karyawan, Simple Additive Weighting, Sistem Pendukung Keputusan Abstract: Employee performance evaluation conducted in a company seeks to improve human resources in the company environment. From the results of performance achieved by employees, the company can provide rewards to employees with the aim to motivate employees to work optimally. PT. Anggada Perkasa Technique in evaluating employee performance is still less than optimal, due to the lack of weight standards in the assessment so that it takes quite a long time. In this problem an alternative problem solving solution is provided through a decision support system with the Simple Additive Weighting (SAW) method in which there are several criteria, namely quality of work, work skills, work discipline, responsibility, and cooperation, the data obtained is monopolized (R), in calculations the end result process with normalization multiplication (R) with a weighted value and summed to obtain the best value from the ranking of the results chosen as the best alternative (Ai) in employee performance appraisal. From the results of data processing using Simple Additive Weighting selected as the best employee in the supporting staff division reaching a score of 0.880. Keywords: Employee Performance, Simple Additive Weighting, Decision Support System
PENGARUH TEKNOLOGI INTERNET DALAM MENINGKATKAN PROSES PENGAJARAN GURU DI SD GLOBAL PRESTASI BEKASI Magdalena Gire Namang; Santoso Setiawan; Esty Purwaningsih
INTI Nusa Mandiri Vol 13 No 1 (2018): INTI Periode Agustus 2018
Publisher : Lembaga Penelitian dan Pengabdian Pada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (838.509 KB)

Abstract

Internet technology is no longer just known as assistive devices or entertainment purposes only but has evolved into one of the tools in the learning system. Learning can be done anywhere and anytime. The learning process will not achieve optimal results if not balanced diversity of approaches and methods, both individual and group approach. This means that instead of teacher teaching resources but also other learning resources to meet the educational elements. Teachers in schools in accordance with the functions assigned to optimize the ability of students in the learning process in the classroom. The role of the teacher in question is all matters relating to all aspects including approaches to teaching in schools. But what happened in school today are teachers who tend to simply explain and tell something to the students alone and glued to the existing textbooks. Learning model like that many students is more passive and less likely to feel bored. Therefore, teachers should be able to change the old paradigm by utilizing internet technology in the learning process in the classroom are not only using textbooks.
Co-Authors Aditia Darmawan Diah Ayu Maulida Wati Diah Puspitasari Ela Nurela Sari Ela Nurela Sari Ela Nurelasari Magdalena Gire Namang Ridwansyah Ridwansyah Ridwansyah Ridwansyah Santoso Setiawan