Indonesian Journal of Data and Science

Multilayer Perceptron untuk Prediksi Sessions pada Sebuah Website Journal Elektronik

2021-04-25T05:34:29+00:00

Peramalan session website journal dilakukan untuk pendukung pengambilan keputusan dalam rangka meningkatkan kualitas dan nilai akreditasi pada website jurnal. Data sessions dianalisis berdasarkan pergerakan pola data time series menggunakan metode multilayer perceptron. Karakteristik yang dimiliki oleh multilayer perceptron yaitu keunggulan dalam penentuan nilai bobot yang lebih baik daripada metode lain, multilayer perceptron dapat digunakan tanpa pengetahuan sebelumnya dan algoritma dapat diimplementasikan dengan mudah serta mampu menyelesaikan masalah linear dan nonlinear sehingga nilai peramalan menjadi lebih baik. Penelitian menggunakan berbagai persentase data train dan test. Perbandingan data train dan test yang memiliki nilai terbaik adalah 80% data train dan 20% data test dengan learning rate 0.4 dan arsitektur 2-1-1. Hasil evaluasi model diperoleh nilai MSE dan RMSE, 0.015357 dan 0.123999 untuk training set serta, 0.018996 dan 0.137826 untuk MSE dan RMSE dari test set. Waktu eksekusi yang dibutuhkan untuk melakukan peramalan adalah 580.0651 second atau 9.667751 menit.

The Comparison of Logistic Regression Methods and Random Forest for Spotify Audio Mode Featurre Classification

2021-04-25T05:33:56+00:00

Studi ini membandingkan kemampuan dari metode regresi logistik dan random forest dalam melakukan klasifikasi fitur mode. Fitur mode ini merupakan fitur yang terdapat di dalam data fitur audio. Secara keseluruhan, data ini berisikan data dari musik atau lagu yang dirilis di platform Spotify yang di dalamnya terdapat berbagai fitur dari masing-masing musik. Dalam melakukan studi ini, metode regresi logistik dan metode random forest ini diterapkan dalam bahasa pemrograman Python. Setelah dilakukannya studi ini dapat disimpulkan bahwa metode random forest dapat melakukan klasifikasi yang lebih baik walaupun dengan selisih yang cukup dekat. Karena kedua metode ini adalah metode yang baik dalam melakukan klasifikasi. Fitur penting yang ditampilkan oleh random forest juga memberikan hasil yang lebih memuaskan, karena fitur yang dihasilkan memang fitur yang berkaitan dengan fitur mode dan sesuai dengan teori musik.

Analisis Perbandingan Metode K-Nearest Neighbor dan Naïve Bayes Clasiffier Pada Dataset Penderita Penyakit Jantung

2021-07-31T15:47:39+00:00

Di Indonesia telah terjadi pergeseran kejadian penyakit jantung dan pembuluh darah dari urutan ke-l0 tahun 1980 menjadi urutan ke-8 tahun 1986. Sedangkan penyebab kematian tetap menduduki peringkat ke-3. Dalam proses pengklasifikasian ini untuk mengetahui apakah termaksud penyakit jantung atau non penyakit jantung dengan mengunakan rumus dari metode K-Nearest Neighbor dan Naive Bayes Classifier yang menggunakan library scikit learn. Dalam proses penelitian ini kita melakukan perhitungan hasil nilai performa yang terdiri dari akurasi, presisi, recall dan f-measure pada dataset penyakit jantung. Menggunakan metode klasifikasi yg memiliki hasil uji performa tertinggi/terbaik.

Berdasarkan hasil pengujian, didapatkan tingkat akurasi pada metode K-Nearest Neighbor sebesar 67%, presisi 65%, recall 73%, dan f-measure 96% pada nilai K=250 dan metode jarak Manhattan, tingkat akurasi pada metode jarak Euclidean sebesar 65%, presisi 65%, recall 69%, dan f-measure 67% pada nilai K=250 sedangkan pada metode Naïve Bayes Classifier tingkat akurasi yang didapatkan sebesar 58%, presisi 90%, recall 55% , dan f-measure 68%. Performa metode klasifikasi terbaik pada dataset Penyakit jantung yaitu metode KNN (K-Nearest Neighbor).

Analisis Perbandingan Performa Metode Simple Moving Average dan Exponential Moving Average untuk Peramalan Jumlah Penderita Covid-19

2021-04-24T05:29:03+00:00

Pada penelitian bertujuan untuk memprediksi jumlah penderita covid-19 menggunakan metode Moving Average (SMA, dan EMA). Pengolahan data tersebut digunakan untuk memprediksi jumlah penderita covid-19. Adapun akurasi permalan yang digunakan dalam penelitian ini yaitu MAD, MSE, RMSE , dan MAPE. Model Moving Average Model yang akan digunakan pada penelitian ini merupakan metode untuk memperkirakan kondisi pada masa yang akan datang dengan menggunakan kumpulan data-data masa lalu. Periode waktu yang akan dikumpulkan data tersebut dapat berupa Tahunan, Bulanan, Mingguan, bahkan Harian. Hasil pengujian Simple Moving Average (SMA) pada line graph menunjukkan peramalan nilai lebih dekat dengan data real dibandingkan dengan Exponential Moving Average (EMA). Pengunaan SMA 2 hingga SMA5 menunjukkan hasil peramalan SMA 2 paling mendekati dari data real.

The Perbandingan Metode ARIMA dan Jaringan Syaraf Tiruan untuk Peramalan Harga Beras

2021-04-24T05:29:36+00:00

Beras merupakan bahan makanan pokok yang setiap bulannya selalu mengalami kenaikan dan penurunan harga, disebabkan adanya beberapa faktor. Hal ini menimbulkan ketertarikan untuk dilakukannya prediksi harga beras periode selanjutnya. Berdasarkan data rata-rata harga beras bulanan di tingkat grosir pada tahun 2010-2018 yang diperoleh dari situs resmi BPS, fluktuasi harga beras cenderung mengikuti pola musiman. Metode ARIMA merupakan metode yang paling sering digunakan dalam melakukan peramalan data berpola musiman. Metode lain yang dapat digunakan dalam melakukan peramalan harga beras adalah Jaringan Syaraf Tiruan metode Backpropagation. Pada penelitian ini dilakukan perbandingan terhadap kedua metode tersebut untuk menentukan metode yang lebih akurat dalam melakukan peramalan harga beras. Kriteria ukuran kesalahan peramalan yang digunakan untuk mengetahui ketepatan hasil peramalan adalah menghitung Mean Squared Error (MSE) dari data hasil ramalan masing-masing metode dengan data out sample (Januari 2019- Desember 2019). Berdasarkan hasil peramalan dengan metode ARIMA diperoleh model ARIMA terbaik adalah ARIMA (1,1,0) (0,1,1)¹² dengan nilai MSE 51695.36. Sedangkan dengan Jaringan Syaraf Tiruan metode Backpropagation untuk 6 tahun model pelatihan dan 4 tahun untuk model pengujian, diperoleh model arsitektur terbaik adalah JST 12-7-1 dengan nilai MSE 43475.02. Dengan demikian metode yang paling optimal untuk memprediksi harga beras periode selanjutnya adalah JST 12-7-1.