Preeclampsia is a pregnancy abnormality that develops after 20 weeks of pregnancy characterized by hypertension and proteinuria.  The purpose of this research was to predict the risk of preeclampsia level in pregnant women during pregnancy process using Neural Network and Deep Learning algorithm, and compare the result of both algorithm. There are 17 parameters that taken from 1077 patient data in Haji General Hospital Surabaya and two hospitals in Makassar start on December 12th 2017 until February 12th 2018. We use particle swarm optimization (PSO) as the feature selection algorithm. This experiment shows that PSO can reduce the number of attributes from 17 to 7 attributes. Using LOO validation on the original data show that the result of Deep Learning has the accuracy of 95.12% and it give faster execution time by using the reduced dataset (eight-speed quicker than the original data performance). Beside that the accuracy of Deep Learning increased 0.56% become 95.68%. Generally, PSO gave the excellent result in the significantly lowering sum attribute as long as keep and improve method and precision although lowering computational period. Deep Learning enables end-to-end framework, and only need input and output without require for tweaking the attributes or features and does not require a long time and complex systems and understanding of the deep data on computing.

No abstract

<p>Mata Kuliah Pilihan adalah mata kuliah yang boleh dipilih oleh mahasiswa dari daftar yang disediakan perguruan tinggi. Ada perguruan tinggi yang mengizinkan mata kuliah pilihan dari program studi berbeda ada pula yang justru mewajibkan. Mata kuliah pilihan ini ada karena guna memenuhi SKS yang menjadi target dan untuk mendalami lebih kanjut mata kuliah yang memang diminati Salah satu permasalahan yang sering dijumpai pada persoalan penilaian mata kuliah adalah banyaknya mata kuliah pilihan yang disediakan, sehingga mahasiswa bingung dalam memilih mata kuliah yang memang cocok dengan mereka. Frequent Pattern Growth (FP Growth) adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data dengan algoritma FP-Growth dalam menganalisa data mata kuliah pilihan untuk mendapatkan pola kecenderungan Mahasiswa dalam memilih mata kuliah. Untuk melakukan penggalian dari data mata kuliah pilihan, penulis menggunakan sebuah algoritma yang menjadi dasar dari algoritma-algoritma yang lain yaitu frequent pattern growth (FP-Growth). Hasil yang didapatkan akan selalu berbeda dan bergantung kepada input user pada saat pembuatan aturan. Sistem pendukung keputusan ini memproses data transaksi mata kuliah mahasiswa Program Studi Pendidikan Komputer, dan menghasilkan aturan dan yang memenuhi minimum support dan minumum confidence serta yang banyak pemilihan adalah sistem pendukung keputusan, teknologi IoT, desain grafis, sistem informasi pendidikan game edukasi, pemrograman CMS, Data Mining yaitu sebesar 100%</p>

Madura merupakan salah satu Pulau di Provinsi Jawa Timur yang terletak di sebelah timur laut Jawa. Pulau Madura memiliki banyak destinasi wisata diantaranya wisata alam, wisata religi, wisata buatan, dan wisata kuliner. Dari semua tujuan wisata, tempat wisata yang paling terkait adalah wisata kuliner. Sehingga sangat disayangkan ketika wisatawan berwisata ke Pulau Madura, wisatawan tidak tahu kemana harus mencari tempat yang menjual makanan khas Madura. Informasi wisata kuliner yang kurang update, menjadikan wisatawan kebingungan dalam memilih wisata kuliner yang sesuai dengan kriteria yang diinginkan. Tujuan dilakukan penelitian ini yaitu mengembangkan sistem informasi wisata kuliner Madura berbasis website sebagai referensi pengenalan objek wisata di Madura. Dengan adanya sistem ini dapat diketahui sebaran data wisata kuliner dan dapat mendorong masyarakat, khususnya di Madura agar melakukan penggalian potensi wisata kuliner. Sistem informasi wisata kuliner Madura dikembangkan dengan metode penelitian dan pengembangan atau Research Development (RD) dengan menggunakan model waterfall yang terdiri dari analisis, desain, kode, pengujian, dan pemeliharaan. Desain rancangan sistem ini menggunakan model rancangan UML (Unified Modelling Language), dan dikembangkan menggunakan bahasa pemrograman PHP serta untuk penyimpanan menggunakanan database MySql. Pengujian sistem ini menggunakan pengujian black box dan pengujian kuisioner kepada masyarakat Madura. Hasil dari pengujian ahli sistem untuk mengetahui kelayakan sistem memperoleh persentase 100% masuk dalam kategori sangat layak. Uji coba pengguna dengan pengujian 15 pengguna mendapatkan persentase 84% masuk dalam kategori sangat layak. Simpulan dari penelitian ini yaitu sistem informasi yang dikembangkan layak digunakan sebagai sistem informasi pengenalan objek wisata kuliner Madura berbasis website.

No abstract