Claim Missing Document
Check
Articles

Found 36 Documents
Search

Pengklasifikasian Pada Data Echocardiogram Dengan Menggunakan Support Vector Machine dan Analisis Diskriminan Suwardika, Gede
International Journal of Natural Science and Engineering Vol 1, No 1 (2017)
Publisher : International Journal of Natural Science and Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (591.865 KB)

Abstract

Echocardiogram (seringkali disebut "echo") adalah garis luar grafik dari gerakan jantung. Selama tes ini, gelombang-gelombang suara frekwensi tinggi, disebut ultrasound, menyediakan gambar-gambar dari klep-klep dan kamar-kamar jantung. Dalam penelitian ini dilakukan tes terhadap 132 pasien dengan respon meninggal atau hidup. Hasil ketepatan klasifikasi antara data training dengan data testing dengan analisis diskriminan adalah 96% sedangkan dengan menggunakan SVM diperoleh sebesar 88%. Pengelompokan dengan menggunakan K-Means dan Kernel K-Means menghasilkan ketepatan pengelompokan yang sama persis. Ini menunjukkan bahwa data echocardiogram memiliki pengelompokan yang baik. Kemudian hasil pengelompokan pada K-Means dibandingkan dengan data aktual yang diklasifikasikan dengan menggunakan diskriminan, SVM dan CART dimana dihasilkan bahwa data hasil dari K-Means memiliki ketepatan klasifikasi yang lebih baik dibandingkan dengan hasil klasifikasi pada data aktual.
Pengelompokan Dan Klasifikasi Pada Data Hepatitis Dengan Menggunakan Support Vector Machine (SVM), Classification And Regression Tree (Cart) Dan Regresi Logistik Biner Suwardika, Gede
Journal of Education Reseach and Evaluation Vol 1, No 3 (2017)
Publisher : LPPM Undiksha

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (242.954 KB) | DOI: 10.23887/jere.v1i3.12016

Abstract

Hepatitis adalah peradangan pada hati karena toxin, seperti kimia atauobat ataupun agen penyebab infeksi. Hepatitis yang berlangsung kurang dari 6 bulan disebut "hepatitis akut", hepatitis yang berlangsung lebih dari 6 bulan disebut "hepatitis kronis".Hepatitis biasanya terjadi karena virus, terutama salah satu dari kelima virus hepatitis, yaitu A, B, C, D atau E. Hepatitis juga bisa terjadi karena infeksi virus lainnya, seperti mononukleosis infeksiosa, demam kuning dan infeksi sitomegalovirus. Penyebab hepatitis non-virus yang utama adalah alkohol dan obat-obatan.Dalam penelitian ini dilakukan tes terhadap  155 pasien dengan respon meninggal atau hidup.  Untuk itu penerapan Data Mining akan dilakukan pada kasus diatas, memanfaatkan salah satu teknik yaitu Data Classification, sejumlah data testing yang tersedia akan di analisis serta dibandingkan dengan data training untuk dilakukan prediksi meninggal atau hidup.Hasil ketepatan klasifikasi antara data training dengan data testing dengan analisis regresi logistik adalah 79,4% sedangkan dengan menggunakan SVM diperoleh sebesar 80%. Pengelompokan dengan menggunakan K-Means dan Kernel K-Means menghasilkan ketepatan pengelompokan yang berbeda. Ini menunjukkan bahwa data hepatitis memiliki pengelompokan yang baik. Kemudian hasil pengelompokan pada Kernel K-Means dibandingkan dengan data aktual yang diklasifikasikan dengan menggunakan regresi logistik, SVM dan CART dimana dihasilkan bahwa data hasil dari Kernel K-Means memiliki ketepatan klasifikasi yang lebih baik dibandingkan dengan hasil klasifikasi pada data aktual.
PENGELOMPOKKAN DAN KLASIFIKASI PENGGUNAAN KONTRASEPSI DI INDONESIA Suwardika, Gede
Jurnal Matematika Sains dan Teknologi Vol 17 No 1 (2016)
Publisher : LPPM Universitas Terbuka

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

The use of contraception is crucial, given the growth rate can decrease. The election to use or not to use contraceptives is one of the problems of classification. Classification problem can be solved by methods of binary Logistic Regression, Support Vector Machine (SVM), and CART (Classification and Regression Trees). However, due to the variable response will be made binary then the done method of grouping in advance with its own assumptions, the k-means cluster and cluster the kernel k-means. In this study data about the use of classification taken contraceptives that were affected by the 9 free variables. Such data is data the secondary National Contraceptive Prevalence Survey results Indonesia in 1987. The number of respondennya is 1.473 people. The end results were obtained grouping the results turned out to be assuming themselves better than other methods. While on the method of classification SVM classification that results obtained are better than the other two methods. However, if the method of grouping and classification are merged, acquired that classification with SVM where the variable response is obtained based on the k-means cluster groupings or clusters of the kernel k-means can make Apperant Error Rate (APER) the least. Penggunaan kontrasepsi merupakan hal yang penting, mengingat dapat menurunkan laju pertumbuhan. Pemilihan menggunakan atau tidak menggunakan alat kontrasepsi merupakan salah satu permasalahan klasifikasi. Permasalahan klasifikasi dapat diselesaikan salah satunya dengan metode Regresi logistik biner, Support Vector Machine (SVM), dan CART (Classification and Regression Trees). Namun dikarenakan variabel respon akan dijadikan biner maka dilakukan metode pengelompokan terlebih dahulu dengan asumsi sendiri, cluster k-means dan cluster kernel k-means.Dalam penelitian ini diambil data mengenai klasifikasi penggunaan kontrasepsi yang dipengaruhi oleh 9 variabel bebas. Data tersebut adalah data sekunder hasil Survey Prevalensi Kontrasepsi Nasional Indonesia tahun 1987. Jumlah respondennya adalah 1.473 orang. Hasil akhir yang diperoleh ternyata hasil pengelompokan dengan asumsi sendiri lebih baik dibandingkan metode yang lain. Sedangkan pada metode pengklasifikasian diperoleh bahwa hasil klasifikasi SVM lebih baik dibanding dua metode yang lain. Namun apabila metode pengelompokan dan klasifikasi digabung, diperoleh bahwa pengklasifikasian dengan SVM dimana variabel respon diperoleh berdasarkan hasil pengelompokan cluster k-means atau cluster kernel k-means dapat menghasilkan Apperant Error Rate (APER) yang paling kecil.
Seleksi Pemilihan Calon Penerima Beasiswa Bidikmisi Mahasiswa Universitas Terbuka dengan Metode TOPSIS Suwardika, Gede; Suniantara, I Ketut Putu
International Journal of Natural Science and Engineering Vol 2, No 2 (2018)
Publisher : International Journal of Natural Science and Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (469.704 KB)

Abstract

Proses seleksi penerima beasiswa bidikmisi melibatkan banyak pertimbangan/syarat sebagai suatu kriteria. Oleh karena banyaknya kriteria yang digunakan hal ini menjadi permasalahan tersendiri, sehingga memerlukan penyelesaian, sebagai pendukung keputusan dengan multikriteria. Salah satu konsep dasar pendukung keputusan dengan multikriteria adalah metode TOPSIS, yang didasarkan pada konsep dimana alternatif terpilih yang terbaik tidak hanya memiliki jarak terpendek dari solusi ideal positif, namun juga memiliki jarak terpanjang dari solusi ideal negatif. Penelitian ini bertujuan untuk menerapkan metode TOPSIS pada penyeleksian penerima beasiswa bidikmisi yang dapat digunakan untuk membantu bagian kemahasiswaan dalam menentukan rekomendasi penerimaan beasiswa di Universitas Terbuka dengan mempertimbangkan berbagai kriteria yang telah ditentukan. Adapun kriteria yang digunakan dalam penelitian ini yaitu potensi akademik dan prestasi, kemampuan ekonomi, komitmen, urutan kualitas sekolah, representasi sekolah dan representasi asal daerah. Hasil penelitian menunjukkan bahwa metode TOPSIS dapat digunakan untuk membantu proses seleksi dan menentukan penerima beasiswa yang tepat. Perbedaan rangking yang terjadi disebabkan oleh nilai skor dari beberapa kriteria yang saling berdekatan.
The Effect Of Skills Education On The Self-Study Capability Of New Students Universitas Terbuka Suwardika, Gede; Hariati Sawitri, Hendrin
Journal of Education Research and Evaluation Vol 3, No 1 (2019)
Publisher : LPPM Undiksha

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (717.819 KB) | DOI: 10.23887/jere.v3i1.17765

Abstract

The purpose of this study is to observe the Impact of the Independent Learning  Skills Education on the Self-Learning Readiness of New Students by 2018. We use the Analysis Path to observe the Student’s Self-Learning Readiness consisting of time management skills, effective module reading, recording of reading skills, tutorial, and skill of accessing service on line. The Results suggest that Skills Education is an important factor affecting their study in the future
Pendidikan Sepuluh Keterampilan Sosial untuk Anak-Anak di Desa Seririt Buleleng Bali Suwardika, Gede; Rahmani Putri, Dian; Suniantara, I Ketut Putu; Masakazu, Kadek
WARTA LPM WARTA LPM, Vol. 24, No. 1, Januari 2021
Publisher : Universitas Muhammadiyah Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (153.263 KB) | DOI: 10.23917/warta.v24i1.10531

Abstract

Peran masyarakat sangat penting dalam pendidikan karakter anak-anak, setelah peran orang tua dan keluarga dekat. Dalam konteks Bali, masyarakat memiliki lembaga yang disebut banjar di mana warga dapat berkumpul untuk melaksanakan kegiatan sosial apa saja. Mulai dari pertemuan rutin untuk membahas tentang kondisi lingkungan aktual, upacara keagamaan, kesehatan masyarakat, sarana dan prasana umum sampai dengan kegiatan pendidikan untuk anakanak. Salah satu contoh lokasi, di wilayah Kecamatan Seririt, Buleleng, Bali, di mana banyak terdapat bale banjar yang digunakan sebagai tempat untuk melaksanakan Pendidikan Anak Usia Dini (PAUD) dan juga Taman Kanak-Kanak (TK), serta tempat bermain bagi anak-anak Sekolah Dasar (SD). Pendidikan Sepuluh Keterampilan Sosial (PSKS) yang telah dilaksanakan oleh tim pengabdian masyarakat, membantu anak-anak dalam menemukan dan memperbaiki kekurangan dari setiap kepribadian melalui berbagai teknik dan juga berbagai materi dengan menggunakan model pembelajaran Contextual Teaching and Learning (CTL), yang mencakup pendekatan pembelajaran, strategi pembelajaran, metode pembelajaran dan teknik pembelajaran, serta pelaksanaan sharing dan pembagian modul untuk orang tua dan guru-guru. Tim pengabdian masyarakat mengajak bersama-sama melaksanakan PSKS. Pelaksanaan kegiatan tim pengabdian masyarakat dibantu oleh mahasiswa Bidikmisi Universitas Terbuka Denpasar. Kegiatan ini telah dilaksanakan di masing-masing banjar selama 8 bulan. Hasil yang dicapai dari kegiatan ini adalah adanya perubahan sikap anak-anak setelah melaksanakan kegiatan yaitu menjadi lebih sopan-santun, lebih percaya diri untuk aktif bertanya dan menjawab, lebih fokus, serta bersemangat dalam melaksanakan proses belajar.
Penerapan Metode VIKOR pada Pengambilan Keputusan Seleksi Calon Penerima Beasiswa Bidikmisi Universitas Terbuka I Ketut Putu Suniantara; Gede Suwardika
INTENSIF: Jurnal Ilmiah Penelitian dan Penerapan Teknologi Sistem Informasi Vol 2 No 1 (2018): Vol. 2 No. 1 Februari 2018
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (220.782 KB) | DOI: 10.29407/intensif.v2i1.11848

Abstract

The selection process of bidikmisi scholarship involves many requirements as a criterion, thus requiring completion decisions supporters with multi-criteria. One of the decision support concept with multi-citeria is VIKOR Method. The basic concept of the VIKOR Method is to determine the rank of available samples by looking at the results of utility values, regrets and distance solutions as the best alternative of each sample by weighting criteria from the Analytic Hierarchy Process Method. This research purpose is to apply the VIKOR method in selecting the recipients of bidikmisi scholarship by considering various criteria that have been determined. The results shows that the VIKOR Method can be used to assist the selection process and determine the right scholarship recipients. At the VIKOR Method, each weight that are involved shows the result rank value, so it can be used as a compromise solution in dealing with multicriteria problems.
Peningkatan Ketepatan Klasifikasi dengan Metode Bootstrap Aggregating pada Regresi Logistik Ordinal I Ketut Putu Suniantara; I Gede Eka Wiantara Putra; Gede Suwardika
INTENSIF: Jurnal Ilmiah Penelitian dan Penerapan Teknologi Sistem Informasi Vol 3 No 1 (2019): Vol. 3 No. 1 Februari 2019
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (286.441 KB) | DOI: 10.29407/intensif.v3i1.12587

Abstract

Baby's birth weight is influenced by characteristics of pregnant women such as age, parity, education level, pregnancy visit, and gestational age. Classification of the birth weight of a baby is grouped into several groups, namely low birth weight babies, normal baby weight and excess baby weight. The classification method with ordinal logistic regression provides an unstable parameter estimation, which means that if there is a change in the data set causes a significant change in the model. So that to obtain a stable parameter estimation in the ordinal logistic regression model is used aggregating (bagging) bootstrap approach. This study aims to improve the classification of ordinal logistic regression by using bagging on a baby's birth weight. The classification results with bagging ordinal logistic regression were able to reduce classification errors by 20.237% with 76.67% classification accuracy
PENGELOMPOKKAN DAN KLASIFIKASI PENGGUNAAN KONTRASEPSI DI INDONESIA Gede Suwardika
Jurnal Matematika Sains dan Teknologi Vol. 17 No. 1 (2016)
Publisher : LPPM Universitas Terbuka

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

The use of contraception is crucial, given the growth rate can decrease. The election to use or not to use contraceptives is one of the problems of classification. Classification problem can be solved by methods of binary Logistic Regression, Support Vector Machine (SVM), and CART (Classification and Regression Trees). However, due to the variable response will be made binary then the done method of grouping in advance with its own assumptions, the k-means cluster and cluster the kernel k-means. In this study data about the use of classification taken contraceptives that were affected by the 9 free variables. Such data is data the secondary National Contraceptive Prevalence Survey results Indonesia in 1987. The number of respondennya is 1.473 people. The end results were obtained grouping the results turned out to be assuming themselves better than other methods. While on the method of classification SVM classification that results obtained are better than the other two methods. However, if the method of grouping and classification are merged, acquired that classification with SVM where the variable response is obtained based on the k-means cluster groupings or clusters of the kernel k-means can make Apperant Error Rate (APER) the least. Penggunaan kontrasepsi merupakan hal yang penting, mengingat dapat menurunkan laju pertumbuhan. Pemilihan menggunakan atau tidak menggunakan alat kontrasepsi merupakan salah satu permasalahan klasifikasi. Permasalahan klasifikasi dapat diselesaikan salah satunya dengan metode Regresi logistik biner, Support Vector Machine (SVM), dan CART (Classification and Regression Trees). Namun dikarenakan variabel respon akan dijadikan biner maka dilakukan metode pengelompokan terlebih dahulu dengan asumsi sendiri, cluster k-means dan cluster kernel k-means.Dalam penelitian ini diambil data mengenai klasifikasi penggunaan kontrasepsi yang dipengaruhi oleh 9 variabel bebas. Data tersebut adalah data sekunder hasil Survey Prevalensi Kontrasepsi Nasional Indonesia tahun 1987. Jumlah respondennya adalah 1.473 orang. Hasil akhir yang diperoleh ternyata hasil pengelompokan dengan asumsi sendiri lebih baik dibandingkan metode yang lain. Sedangkan pada metode pengklasifikasian diperoleh bahwa hasil klasifikasi SVM lebih baik dibanding dua metode yang lain. Namun apabila metode pengelompokan dan klasifikasi digabung, diperoleh bahwa pengklasifikasian dengan SVM dimana variabel respon diperoleh berdasarkan hasil pengelompokan cluster k-means atau cluster kernel k-means dapat menghasilkan Apperant Error Rate (APER) yang paling kecil.
PERFORMANSI GPH TERKOREKSI TERHADAP SKIP SAMPLING PADA PROSES LONG MEMORY DAN SPURIOUS LONG MEMORY Gede Suwardika; Heri Kuswanto
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 1 (2014): Jurnal Statistika
Publisher : Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Muham

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (211.698 KB) | DOI: 10.26714/jsunimus.2.1.2014.%p

Abstract

Proses long memory telah diamati dalam banyak hal, seperti hidrologi, telekomunikasi, ekonomi dan keuangan. Long Memory adalah salah satu fenomena dalam time series, dimana dependensi antara kejadian masih ada dan dapat diamati untuk waktu yang lama, yang dicirikan oleh nilai difference yang tidak bulat (fractional). Parameter differencing ini biasanya diestimasi menggunakan GPH estimator. Dengan estimator ini, seringkali menghasilkan kesimpulan yang spurious untuk model-model seperti Estar, Markov switching, STOP-BREAK dan level shift. Tesis ini akan melakukan simulasi model-model tersebut dan estimasi parameter GPH terkoreksi pada proses aggregasi. Selanjutnya dilakukan pemodelan menggunakan ARFIMA dan Markov Switching pada data stock price LQ45 . Pengidentifikasian sifat Long Memory dalam suatu series data dapat dilakukan dengan aggregasi baik flow aggregation maupun stock aggregation. Dimana pada kasus ini hanya menggunakan stock aggregation. Berdasarkan hasil simulasi, stok aggregasi ini menghasilkan perilaku yang sama dalam parameternya untuk Spurious Long Memory, yaitu random, tidak memiliki trend turun atau naik jika seriesnya diaggregasi. Pemodelan dari absolut return saham dari kedua series terpilih yaitu Indosat dan Telkom, didapatkan bahwa model Markov Switching lebih baik diban-dingkan  model ARFIMA. Hasil aplikasi saham menunjukkan nilai estimasi GPH untuk data teraggregasi memiliki pola yang random, dilihat dari nilai AIC terkecil berdasarkan kedua model, model ARFIMA memiliki nilai AIC terkecil, sehingga GPH standar tidak bisa digunakan untuk mendeteksi Sprurious Long Memory, dimana return saham dari kedua series adalah mengandung outlier.