Article Per Year (5 Year)
p-Index From 2021 - 2026
0
P-Index
This Author published in this journals
All Journal Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika
Noviyanti Sagala
Universitas Kristen Krida Wacana
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Architecture of Back Propagation Neural Network Model for Early Detection of Tendency to Type B Personality Disorders Cynthia Hayat; Samuel Limong; Noviyanti Sagala
Khazanah Informatika Vol. 5 No. 2 December 2019
Publisher : Department of Informatics, Universitas Muhammadiyah Surakarta, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23917/khif.v5i2.7923

Abstract

Personal disorder is a type of mental illness. People with personal disorder can not respond changes and demands of life in normal ways. Women with type B personal disorder tend to have high risk of violence. It is important to make early detetction of this personal disorder, so that it can be anticipated properly. This paper reports an architecture model of back propagation neural network (BPPN) for early detection of type B personal disorder. The back propagation process divided into two phases, i.e training and testing. The training process used 43 data and the testing process used 34 data. The output classified into 4 diagnosis category of type B personal disorder, I.e. anti social, borderline, histrionic, and narcissistics. The optimal parameters of BPPN model consist of maximum epoch of 1000, maximum mu of 10000000000, increase mu of 25, decrease mu of 0.1, and neuron hidden layer of 25. The MSE of training is 3.07E-14 and MSE of testing is 1.00E-03. The accuracy of training is 90.7%, while the accuracy of testing is 97.2%.
Komparasi Kinerja Algoritma Data Mining pada Dataset Konsumsi Alkohol Siswa Noviyanti Sagala; Hendrik Tampubolon
Khazanah Informatika Vol. 4 No. 2 Desember 2018
Publisher : Department of Informatics, Universitas Muhammadiyah Surakarta, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23917/khif.v4i2.7061

Abstract

Data mining melakukan proses ekstraksi pengetahuan yang diperoleh dari sekumpulan data dalam jumlah besar. Penelitian ini bertujuan untuk menerapkan dan melakukan analisis kinerja algoritma data mining untuk memprediksi konsumsi alkohol dan menganalisis faktor-faktor yang terkait pada siswa tingkat menengah. Adapun tahapan yang dilakukan ialah pra-proses data, seleksi fitur, klasifikasi, dan evaluasi model. Pada tahap praproses, beberapa fitur diubah menjadi bentuk yang sesuai untuk memudahkan proses klasifikasi. Selanjutnya, algoritma Gain Ratio dan Feature Correlation-Based Filter (FCBF) digunakan untuk memilih fitur-fitur yang relevan dan penting untuk digunakan dalam tahapan klasifikasi. Decision Tree C5.0, Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Naive Bayes (NB) dieksekusi pada kelompok fitur yang terpilih. Akurasi model yang dibangun dievaluasi menggunakan 10-fold Cross-Validation (CV). Hasil penelitian menunjukkan bahwa model klasifikasi yang dibangun menggunakan Naïve Bayes memiliki nilai akurasi tertinggi dengan menggunakan 5 fitur terbaik dari Gain Ratio. Selain itu, penggunaan metode pemilihan fitur mampu meningkatkan performa dari seluruh klasifier secara umum. Pengujian lebih lanjut pada data yang sama maupun berbeda perlu dilakukan untuk mendapatkan gambaran lebih mendalam mengenai kinerja algoritma-algoritma yang digunakan.
Co-Authors Cynthia Hayat Hendrik Tampubolon Samuel Limong