Implementation of Multilayer Perceptron for Student Failure Prediction

Haryawan, Cosmas; Sebatubun, Maria Mediatrix

doi:10.12962/j24068535.v18i2.a990

Cited by 2 publications

(2 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…1. Akurasi Nilai akurasi diperoleh dengan menghitung jumlah klasifikasi yang benar/sesuai target dibagi dengan jumlah keseluruhan data yang digunakan dalam proses klasifikasi yang dapat dihitung menggunakan persamaan (19) (Haryawan and Sebatubun, 2020).…”

Section: Evaluasiunclassified

Implementasi Metode Otsu dan Momen Hu pada Citra Keris

Sebatubun,

Haryawan

2024

JIP

View full text Add to dashboard Cite

UNESCO telah menetapkan keris Indonesia sebagai Masterpiece of The Oral and Intangible Heritage of Humanity. Keris memiliki bilah yang terdiri dari pamor, dhapur, dan Tangguh yang merupakan istilah yang digunakan untuk menyebut nama bentuk dari bilah keris. Dhapur keris ada yang berbentuk lurus dan lengkok (Luk dalam bahasa jawa). Yang berbentuk luk, jumlahnya bermacam-macam, mulai dari luk 3 (tiga) sampai luk 29 (dua puluh Sembilan). Jenis keris berdasarkan dapur yang diakui secara baku sekitar 150 jenis. Namun, bentuk dhapur keris tidak mudah dikenali secara langsung. Selain karena jenisnya yang banyak, bentuk dhapur ini terkadang memiliki karakteristik yang mirip meskipun jenisnya berbeda. Hal ini menyebabkan keris sulit untuk dikenali. Penelitian ini akan melakukan klasifikasi jenis keris berdasarkan dhapur yaitu Parung Sari dan Tilam Sari menggunakan teknik pengolahan citra. Tahap awal yaitu proses cropping citra, kemudian segmentasi menggunakan metode Otsu dan proses morfologi. Setelah itu, proses ekstraksi fitur dilakukan dengan tujuh momen Hu. Hasil ekstraksi fitur ini menjadi masukkan pada algoritma klasifikasi MultiLayer Perceptron (MLP) dengan k-fold cross-validation. Akurasi yang diperoleh yaitu 95% dengan nilai precision 100% dan recall 90%. Dapat disimpulkan bahwa metode yang digunakan mampu membedakan kedua jenis keris dengan baik.

show abstract

Section: Evaluasiunclassified

Implementasi Metode Otsu dan Momen Hu pada Citra Keris

Sebatubun,

Haryawan

2024

JIP

View full text Add to dashboard Cite

show abstract

“…dimasukkan ke confusion matrix untuk kemudian di lakukan perhitungan dengan menggunakan persamaan 1 untuk akurasi, persamaan 2 untuk sensitivitas dan persamaan 3 untuk spesifisitas TP (True Positive) adalah banyak data benar pada target yang terklasifikasi benar pada sistem, TN (True Negative) adalah banyak data salah pada target yang terklasifikasi salah pada sistem, FP (False Positive) adalah banyak data salah pada target yang terklasifikasi benar pada sistem dan FN (False Negative) adalah banyak data benar pada target yang terklasifikasi salah pada sistem[14].…”

unclassified

Analisa Perbandingan Teknik Oversampling Smote Pada Imbalanced Data

Haryawan

Ardhana²

2023

JIRE

View full text Add to dashboard Cite

Data tidak seimbang atau lebih sering disebut imbalanced data, adalah kondisi pada saat data memiliki rasio yang tidak seimbang antara satu kelas dengan kelas yang lain, sehingga terdapat kelas mayoritas dan kelas minoritas. Sulit untuk membuat prediksi pada dataset yang tidak seimbang karena pengklasifikasi cenderung mendeteksi kelas mayoritas daripada kelas minoritas. Teknik resampling menjadi salah satu yang paling efektif dalam menyelesaikan permasalahan imbalanced data ini. Salah satu kategori dari teknik resampling adalah oversampling. Metode oversampling diantaranya adalah SMOTE dan K-Means SMOTE. Penggunaan oversampling akan meningkatkan hasil measurement klasifikasi. Penelitian ini menggunakan data wine yang memiliki 11 fitur serta 1 atribut target dan bertujuan untuk membandingkan hasil measurement antara penggunaan data sintetis hasil SMOTE dan K-Means SMOTE dengan hasil measurement penggunaan data nyata dalam kondisi data seimbang. Pembuatan data imbalance dilakukan dengan menghapus secara random salah satu kelas dengan ambang 25%, 50%, 60% dan 75%. Hasil penelitian menunjukkan bahwa dibandingkan penggunaan data nyata, penggunaan K-Means SMOTE cenderung menghasilkan nilai lebih tinggi untuk akurasi, sensitivitas dan spesifisitas sedangkan SMOTE meskipun memperoleh nilai yang lebih baik dibandingkan K-Means SMOTE tetapi juga terdapat beberapa kondisi imbalance yang memiliki nilai lebih tinggi dibandingkan penggunaan data nyata.

show abstract

Implementation of Multilayer Perceptron for Student Failure Prediction

Cited by 2 publications

References 0 publications

Implementasi Metode Otsu dan Momen Hu pada Citra Keris

Implementasi Metode Otsu dan Momen Hu pada Citra Keris

Analisa Perbandingan Teknik Oversampling Smote Pada Imbalanced Data

Contact Info

Product

Resources

About