Abstrak -Data mining merupakan teknik pengolahan data dalam jumlah besar untuk pengelompokan. Teknik Data mining mempunyai beberapa metode dalam mengelompokkan salah satu teknik yang dipakai penulis saat ini adalah K-Means. Dalam hal ini penulis mengelompokan data daftar program SDP tahun 2017 untuk mengetahui manakah pegawai yang layak lolos dalam program SDP sehingga dapat melakukan Registrasi Asessment Center. Pengelompokan tersebut berdasarkan kriteria -kriteria data Program SDP. Pada penelitian ini, penulis menerapkan algoritma K-Means Clustering untuk pengelompokan data Program SDP di PT.Bank Syariah. Dalam hal ini, pada umumnya untuk memamasuki program SDP tersebut disesuaikan dengan ketentuan dan parameter Program SDP saja, namun dalam penelitian ini pengelompokan disesuaikan dengan kriteria -kriteria Program SDP seperti kedisiplinan pegawai, Target Kerja Pegawai, Kepatuhan Program SDP. Penulis menggunakan beberapa kriteria tersebut agar pengelompokan yang dihasilkan menjadi lebih optimal. Tujuan dari pengelompokan ini adalah terbentuknya kelompok SDP pada Program SDP yang menggunakan algoritma K-Means clustering. Hasil dari pengelompokan tersebut diperoleh tiga kelompok yaitu kelompok Lolos, Hampir Lolos dan Tidak Lolos. Terdapat pusat cluster dengan Cluster -1= 8;66;13, Cluster-2= 10;71;14 dan Cluster-3=7;60;12. Pusat cluster tersebut didapat dari beberapa iterasi sehingga mengahasilakan pusat cluster yang optimal.
<p class="Abstrak">Total laba rugi komprehensif merupakan hasil yang digunakan untuk mengukur keberhasilan kinerja perusahaan selama periode tertentu yang tidak dipengaruhi oleh operasi normal perusahaan. Informasi total lapa rugi komprehensif sangat penting bagi beberapa pengguna laporan keuangan seperti investor, kreditor dan manajemen dalam memprediksi dimana posisi angka total laba rugi komprehensif untuk menentukan arah investasi masyarakat ke depan, begitu juga bagi pihak bank berguna untuk menentukan kebijakan strategi pemasaran dalam meninggkatkan total laba komprehensif tersebut. Penelitian ini bertujuan untuk membuat prediksi dengan menggunakan <em>Artificial Intelligence</em> dengan algortima <em>backpropagation.</em> Data yang digunakan bersumber dari Otoritas Jasa Keuangan (OJK) pada PT. Bank Mandiri (Persero) Tbk (Januari-Oktober 2016). Untuk melakukan prediksi dengan algortima <em>backpropagation. </em>Proses dilakukan dengan membagi data pelatihan dan pengujian untuk memperoleh model arsitektur terbaik. model arsitektur pelatihan dan pengujian yang digunakan untuk melakukan prediksi Total laba rugi komprehensif yakni: 4-25-1; 4-50-1; 4-50-75-1 dan 4-100-1. Dari serangkaian uji coba didapat pola terbaik dari arsitektur <em>backpropagation</em> adalah 4-50-1 dengan <em>Means Square Error</em> 0,0009978666, <em>epoch </em>1977 dan akurasi 80% <em>yang </em>selanjutnya akan digunakan untuk melakukan prediksi.</p><p class="Abstrak"> </p><p class="Judul2"><strong><em>Abstract</em></strong><em> </em></p><p class="Judul2"><em>Total comprehensive income is the result used to measure the success of a company's performance over a certain period that is not affected by the company's normal operations. Total information on comprehensive loss is very important for some financial report users such as investors, creditors and management in predicting where the position of the total comprehensive income statement is to determine the direction of public investment going forward, as well as for banks to determine marketing strategy in increasing total profit comprehensive. This study aims to make predictions using Artificial Intelligence with backpropagation algorithms. The data used is sourced from the Financial Services Authority (OJK) at PT. Bank Mandiri (Persero) Tbk (January-October 2016). To predict with backpropagation algorithm. The process is carried out by dividing training and testing data to obtain the best architectural model. the training and testing architectural model used to predict the total comprehensive income: 4-25-1; 4-50-1; 4-50-75-1 and 4-100-1. From a series of trials obtained the best pattern of backpropagation architecture is 4-50-1 with Means Square Error 0,0009978666, epoch 1977 and accuracy 80% which will then be used to make predictions.</em></p><p class="Judul2"> </p>
Gradient Descent (GD) is used to find the local minimum value, its purpose is to find variables on the errorfunction so that a function can model the data with minimum error. Therefore, the purpose of this researchis to see how much iteration is needed and how big is the accuracy level in predicting the data when usingGradient Descent (GD) Standard and GD With Momentum and Adaptive Learning Rate (GDMALR)functions. In this study, the data to be processed using the gradient descent function is the data of SchoolParticipation Rate (SPR) in Indonesia aged 19-24 years, which began in 2011 to 2017. The reason forselection This age range is one of the factors that determine success education in a country, especiallyIndonesia. SPR is known as one of the indicators of successful development of education services in an areaof either Province, Regency or City in Indonesia. The higher the value of SPR, then the area is consideredsuccessful in providing access to education services. SPR data are taken from Indonesian Central Bureau ofStatistics. This study uses 3 models of network architecture, namely: 5-5-1, 5-15-1 and 5-25-1. From 3models, the best model is 5-5-1 with epoch 6202 iteration, 94% accuracy and MSE 0.0008658637. Thismodel is then used to predict SPR in Indonesia for the next 3 years (2018-2020). These results will beexpected to help the Indonesian government to further improve the scholarship and improve the quality ofeducation in the future
<p><em>determine the marketing strategy in increasing the total comprehensive income. This study aims to create the best architectural model using Backpropogation where this model can later be made to make predictions of total comprehensive income. The variable used in this study is the total comprehensive income statement data of PT. Bank Mandiri, Tbk (January - November 2016). Data sourced from the Financial Services Authority (www.ojk.go.id). From a series of trials conducted with 4 architectural models tested, namely 4-25-1; 4-50-1; 4-100-1 and 4-50-75-1, obtained the best architectural model 4-50-1 with Epoch training = 1977, Mean Square Error (MSE) of 0,000997867 with the correctness of testing accuracy reaching 80%.</em></p><p><strong><em>Keywords</em></strong><em>: Artificial Neural Network, Back-propagation, Comprehensive Income, Prediction, Economy, Architecture</em><em> </em></p><p><em>Prediksi total laba rugi komprehensif sangatlah penting untuk memprediksi dimana posisi angka total laba rugi komprehensif pada suatu bank. Informasi tersebut berguna bagi masayarkat dalam menentukan arah investasi masyarakat ke depan, begitu juga bagi pihak bank berguna untuk menentukan kebijakan strategi pemasaran dalam meninggkatkan total laba komprehensif tersebut. Penelitian ini bertujuan untuk membuat model arsitektur terbaik dengan menggunakan Backpropogation dimana model ini nantinya dapat dilakukan untuk membuat prediksi terhadap total laba rugi komprehensif. Variabel yang digunakan pada penelitian ini adalah data total laba rugi komprehensif PT. Bank Mandiri,Tbk (Januari – November 2016). Data bersumber dari Otoritas Jasa Keuangan (<a href="http://www.ojk.go.id/">www.ojk.go.id</a>). Dari serangkaian uji coba yang dilakukan dengan 4 model arsitektur yang diuji yakni 4-25-1; 4-50-1; 4-100-1 dan 4-50-75-1, diperoleh model arsitektur terbaik 4-50-1 dengan </em><em>Epoch training = 1977</em><em>, </em><em>Mean Square Error (MSE) sebesar </em><em>0,000997867 dengan </em><em>tingkat akurasi pengujian mencapai kebenaran 80%.</em><em> </em></p><p><strong><em>Kata kunci</em></strong><em>: Jaringan saraf tiruan, Back-propagation, Laba Rugi Komprehensif, Prediksi, Ekonomi, Arsitektur</em></p>
<pre>Tujuan penelitian ini adalah untuk menganalisis bagaimana perlindungan hukum terhadap anak yang berhadapan dengan hukum dan menjawa apa yang menjadi faktor utama anak konflik dengan hukum dan bagaimana peran penegak hukum dalam penanggulangan kasus-kasus terhadap anak yang berhadapan dengan hukum. Penelitian ini menggunakan penelitian hukum yuridis normatif. Tidak diragukan lagi, reintegrasi anak yang berhadapan dengan hukum adalah salah satunya hak-hak penting anak karena jika anak bertentangan dengan hukum tidak memiliki hak dan perawatan khusus sehingga tidak dapat berguna dalam masyarakat. Oleh karena itu, anak yang berkonflik dengan hukum membutuhkan perlindungan hukum dan dukungan masyarakat untuk melindungi mereka secara terpisah dari orang dewasa, karena mereka situasi, kapasitas fisik dan intelektual yang terbatas. Hasil penelitian menunjukkan faktor-faktor yang menjadi penyebab anak yang terlibat dalam kejahatan adalah keluarga faktor, faktor lingkungan /pertemanan, ekonomi, tingkat pendidikannya rendah dan alkohol/obat-obatan. Penyebabnya faktor yang harus dikurangi dan dihilangkan agar anak-anak tidak terlibat dalam melakukan kejahatan. Langkah-langkah atau upaya konkrit dari semua instansi pelaksana yang terkait dengan upaya penanganan anak yang berhadapan dengan hukum telah dilakukan namun belum menunjukkan hasil yang signifikan dalam memberikan dukungan terhadap perlindungan hak-hak anak</pre><pre> </pre>
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2025 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.