Optimasi Deep Learning Untuk Prediksi Kelulusan Mahasiswa AMIK Tunas Bangsa Pematangsiantar

Bella Prastika

Abstract


Kelulusan merupakan satu tujuan setiap peserta didik baik bagi siswa atau mahasiswa. Mahasiswa yang lulus tidak melebihi batas maksimal kelulusan adalah mahasiswa yang lulus tepat waktu. Untuk mengukur ketepatan lulusan mahasiswa, ada beberapa ketentuan yang harus diselesaikan yaitu nilai, sks dan lama studi. Algoritma Deep Learning adalah sebuah metode pembelajaran yang dilakukan secara mendalam untuk menghasilkan nilai yang optimal. Untuk menguji hal tersebut penulis menggunakan algoritma deep learning untuk permasalahan kelulusan mahasiswa AMIK Tunas Bangsa dengan melakukan pelatihan dan pengujian terhadap data kelulusan mahasiswa.  Hasil yang diperoleh pada penelitian. ini diharapkan dapat lebih optimal dan mendapat nilai akurasi yang lebih baik dari penelitian sebelumnya.  

Kata Kunci : Optimasi, Algoritma, Deep learning, Kelulusan, Mahasiswa


References


Aribowo, W. (2010) ‘DESAIN RECURRENT NEURAL NETWORK - AUTOMATIC VOLTAGE REGULATOR PADA SISTEM SINGLE MESIN’, in Prosiding Seminar Nasional Manajemen Teknologi XI, pp. 1–7.

Chintia, B. et al. (2021) ‘Penerapan Algoritma Resticted Boltzmann Machine Pada Pemilihan Bidang Minat Mahasiswa Informatika Universitas Muhammadiyah Malang’, 3(2), pp. 207–214.

Pratama, A., Wihandika, R. C. and Ratnawati, D. E. (2018) ‘Implementasi algoritme support vector machine (SVM) untuk prediksi ketepatan waktu kelulusan mahasiswa’, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(April), pp. 1704–1708.

Prodi, S. et al. (2017) ‘DENOISING SINYAL EKG MENGGUNAKAN DEEP NEURAL NETWORK DENGAN STACKED DENOISING AUTOENCODERS ECG SIGNAL DENOISING USING DEEP NEURAL NETWORK WITH STACKED DENOISING AUTOENCODERS’, 4(3), pp. 5024–5030.

Rohmawan, E. P. (2018) ‘Menggunakan Metode Desicion Tree’, Jurnal Ilmiah MATRIK Vol.20 No.1, April 2018:21-30, pp. 21–30.

Talas, L. et al. (2020) ‘Baddeley , R . ( 2020 ). CamoGAN : Evolving optimum camouflage with Generative Adversarial Networks . Methods in Ecology and Evolution , CamoGAN : Evolving optimum camouflage with Generative Adversarial Networks’, Methods In Ecology and Evolution, 11, pp. 240–247. doi: 10.1111/2041-210X.13334.

Wang, S. et al. (2020) ‘A fully automatic deep learning system for COVID-19 diagnostic and prognostic analysis’, European Respiratory Journal, 56(2), pp. 1–11. doi: 10.1183/13993003.00775-2020.


Refbacks

  • There are currently no refbacks.


 

LPPM STIKOM Tunas Bangsa
https://tunasbangsa.ac.id/lp2m/
Organized by STIKOM Tunas Bangsa
Published by LPPM STIKOM Tunas Bangsa
W: https://skripsi.tunasbangsa.ac.id/index.php/2022

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0