ABSTRACT

In today's rapidly growing digital era, the role of computing in artificial intelligence is needed to be able to help business people. Both in the fields of economy, health, and education. The use of machine learning will help related parties in viewing, analyzing, and making decisions. With machine learning, all problems related to data can be solved quickly and precisely. The problem is that the thesis document will increase every year, it will become a useless document if the data processing is not carried out. Past thesis data can be used for analysis and decision-making in the next thesis era. Python is one of the most popular programming languages used for machine learning. One reason is that there are many python-based libraries. Keras is a python-based machine learning library. TensorFlow can be used when dealing with large amounts of data processing, including thesis abstract data. Thus, this study classified 140 thesis abstract documents using hard-TensorFlow with the aim that based on the abstract content it would be classified into 6 classes, namely Android Applications, Data Mining, RPL, SPK, Digital Image Processing, and Expert Systems. The results of the classification with training data as many as 82 documents with model setting batch size = 12 and epoch = 2 with an Accuracy value of 89.04%. While the test loss test data has a higher value than the Accuracy value obtained by 66.66%. By utilizing maximizing TensorFlow performance by adding a parameter that Scikit Learn has, namely Optuna. The test data was optimized with a trial value of 500, the Accuracy increased to 76.19%

Mahasiswa yang akan melakukan pendaftaran ke perguruan tinggi, baik ke jenjang sarjana atau pascasarjana pasti harus diseleksi. Proses seleksi dengan tes dan serangkaian kegiatan lainnya. Nilai-nilai tes tersebut kemudian dianalisa untuk mengetahui apakah mahasiswa layak diterima atau tidak. Beberapa perguruan tinggi di Amerika Serikat atau Inggris melakukan serangkaian tes mulai tes akademik, tes bahasa Inggris dan kemampuan meneliti. Dari beberapa data hasil seleksi atau ujian dapat digunakan untuk memprediksi calon mahasiswa baru yang akan masuk perguruan tinggi. Tujuan penelitian ini adalah memprediksi nilai calan mahasiswa yang akan masuk di perguruan tinggi. Studi kasus ini mengambil dari data kaggle, yang akan diprediksi dengan menggunakan algoritma backpropagation. Variabel yang menjadi input adalah GRE score, TOEFL score, Universiy rating, SOP, LOR, GPA, Research. Output dari prediksi nilai calon mahasiswa dalam angka. Proses training backpropagation menggunakan toole Matlab dengan arsitektur jaringan 2 model. Model ke-1 menggunakan 7-5-1 dengan hasil MSE 0,00272. Model ke-2 menggunakan 7-4-1 dengan hasil MSE 0,0029.

Prediksi merupakan salah satu alternative bagi kemajuan sebuah usaha, memprediksi ditujukan untuk menetukan sebuah keputusan yang terbaik dengan penilaian-penilaian atau disesuaikan dengan atribut yang dibutuhkan. Dalam penelitian ini akan mengulas hasil prediksi dari sebuah aplikasi yang diterapkannya metode promethee. Promethee merupakan salah satu metode yang dapat memecahkan masalah yang bersifat multikreteria dengan cara menentukan urutan (prioritas). Prediksi penerimaan beasiswa pada sebuah sekolah sangat dibutuhkan sehingga perlulah diterapkan sebuah aplikasi, dengan tujuan dapat digunakan secara berkala, dan memiliki nilai efesien serta tepat waktu dan dapat dipertanggung jawabkan. Dalam prediksi ini kreteria yang digunakan adalah Tanggungan orang tua, kepemilikan rumah, penghasilan orang tua, pekerjaan orang tua dan prestasi. Dari nilai preoritas tertinggi dari hasil prediksi akan dijadikan hasil penentuan penerima beasiswa. Dengan 150 data siswa dari sekolah SMKN Suberrejo Lamongan sebagai data pengujian promethee memiliki hasil prediksi dengan baik dengan nilai akurasi 85% sesuai dengan siswa yang direkomendasikan memperoleh beasiswa tersebut.

Mengembangkan wilayah yang berpotensi wisata merupakan usaha meningkatkan sumber penghasilan bagi penduduk desa. Wilayah yang mempunyai area wisata dapat menjadi wahana yang menarik perhatian masyarakat, baik masyarakat dalam negeri maupun luar negeri. Wisatawan yang datang dapat memberikan pemasukan bagi daerah wisata ataupun masyarakat. Oleh karena itu dengan memprediksi jumlah wisatawan yang masuk dapat diprediksi berdasarkan data tahun-tahun sebelumnya. Tujuan melakukan prediksi agar dapat memperbaiki prasarana dan semua kebutuhan bagi para wisatawan. Tujuan penelitian ini menerapkan metode Backpropagation untuk memprediksi jumlah kunjungan wisatawan mancanegara ke Indonesia. Dataset yang digunakan dalam implementasi metode Backpropagation adalah 6000 baris, dan dibagi menjadi data training 4800 baris, dan data tes 1200 baris. Dataset diambil dari website bps, dengan variabel input adalah bulan, tahun, negara asal, pintu masuk wisatawan ke Indonesia, dan variabel output adalah jumlah wisatawan. Model dari Backpropagation dievaluasi dengan menghitung MAE, serta arsitektur yang dibangun adalah 4-9-1, 4 node input layer, 9 node hidden layer, dan 1 node output layer. Hasil ujicoba nilai MAE dari metode Backpropagation dalam memprediksi jumlah wisatawan ke Indonesia adalah 0,247.