Article Per Year (5 Year)
p-Index From 2020 - 2025
0.562
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Mahasiswa Pendidikan Geografi JURTEKSI JOURNAL OF SCIENCE AND SOCIAL RESEARCH
Ichsan Firmansyah
Unknown Affiliation
Computer Science & IT Earth & Planetary Sciences Economics, Econometrics & Finance Education Social Sciences

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
HUBUNGAN KEMAMPUAN GURU DALAM MENGELOLA KELAS DAN GAYA BELAJAR SISWA DENGAN HASIL BELAJAR PADA MATA PELAJARAN IPS TERPADU DI MTsN 1 BANDA ACEH Ichsan Firmansyah; Abdul Wahab Abdi; Daska Azis
Jurnal Ilmiah Mahasiswa Pendidikan Geografi Vol 3, No 2 (2018): MEI 2018
Publisher : Jurnal Ilmiah Mahasiswa Pendidikan Geografi

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

Abstract

Studi ini bertajuk hubungan kemampuan guru dalam mengelola kelas dan gaya belajar siswa dengan hasil belajar siswa pada mata pelajaran IPS Terpadu di MTsN 1 Banda Aceh. Rumusan masalah studi ini ialah apakah adanya hubungan kemampuan pengajar mengolah ruang dan gaya telaah murid akan perolehan telaah murid di Madrasah Tsanawiyah Negeri 1 Banda Aceh. Selanjutnya Studi ini berharap agar menjelaskan hubungan  keterampilan pengajar mengolah ruang dan gaya telaah murid akan perolehan telaah murid di Madrasah Tsanawiyah Negeri 1 Banda Aceh. Peneliti berhipotesis bahwa ada koneksi yang signifikansi sekitar keterampilan pengajar saat mengolah ruang dan gaya telaah murid dengan hasil belajar siswa dalam mapel IPS Terpadu di MTsN 1 Banda Aceh. Populasi studi ialah murid ruang 8 Madrasah Tsanawiyah Negeri 1 Banda Aceh. Penarikkan sampel dikerjakan menggunakan teknik Simple Random Sampling yang dipilih selaku random tiada mengamati tingkatan dan jumlah sampel yaitu sebanyak 44 murid. Penimbunan bukti dilaksanakan menggunakan teknik angket dan dokumentasi. Teknik pengerjaan bukti menggunakan statistik korelasi ganda, diperoleh hasil koefisien korelasi 0,20 pada kategori rendah dengan koefisien determinasi berganda (R2) = 4 %. Berasakan perolehan perbandingan sekitar Fhitung dan Ftabel bisa didapati bahwasanya 0,85 3,23. Perolehan percobaan hipotesisnya ialah terima H0. Perihal ini memperlihatkan bahwasanya tidak adanya koneksi yang signifikansi sekitar keterampilan pengajar saat mengolah ruang dan gaya belajar siswa akan hasil telaah murid di Madrasah Tsanawiyah Negeri 1 Banda Aceh. Kata Kunci: pengelolaan kelas, gaya belajar siswa
COMPARISON OF MULTILAYER PERCEPTRON’S ACTIVATION AND OP-TIMIZATION FUNCTIONS IN CLASSIFICATION OF COVID-19 PATIENTS Doughlas Pardede; Ichsan Firmansyah; Meli Handayani; Meisarah Riandini; Rika Rosnelly
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 8, No 3 (2022): Agustus 2022
Publisher : STMIK Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v8i3.1482

Abstract

Abstract: Patient’s symptoms could be used as features in Covid-19 classification. Using multi layer perceptron, the classification uses data set that contains patient’s diagnosis which has Covid-19 symptoms dan processes the data set to see if the patient is Covid-19 positive or not. This paper compare four activation function such as identity, logistic, ReLu and tanh and combined them with optimizer such as L-BFGS-B, SGD and Adam. Using 5-fold and 10-fold cross validation technique to get the accuracy, F1, precision and recall values, the result that we get is that logistic function with L-BFGS-B optimizer and ReLu function with L-BFGS-B optimizer are the best combinations. The logistic function with SGD optimizer, ReLu function with Adam optimizer and tanh function with Adam optimizer are the worst combinations according to their accuration values. The logistic function with SGD optimizer is the worst combination according to its F1 value. The logistic function with SGD optimizer and tanh function with L-BFGS-B optimizer are the worst combinations according to their precision values. The logistic function with SGD optimizer, ReLu function with Adam optimizer and tanh function with Adam optimizer are the worst combinations according to their recall values.            Keywords: activation function, covid-19; multi layer perceptron; optimizer algorithm  Abstrak: Diagnosa gejala yang dialami pasien dapat digunakan sebagai fitur dalam klasifikasi penderita Covid-19. Dengan multi layer perceptron, klasifikasi dilakukan menggunakan data set yang berisi hasil diagnosa pasien yang memiliki gejala Covid-19 dan selanjutnya diolah untuk  melihat apakah memang pasien tersebut menderita Covid-19 atau tidak. Penelitian ini membandingkan fungsi aktivasi identity, logistic, ReLu dan tanh yang dikombinasikan dengan algoritma optimasi L-BFGS-B, SGD dan Adam. Hasil evaluasi cross validation menggunakan 5-fold dan 10-fold digunakan sebagai dasar menentukan kombinasi yang terbaik dan terburuk, dengan hasil yang menunjukkan bahwa kombinasi fungsi logistic dengan optimasi L-BFGS-B dan fungsi ReLu dengan optimasi L-BFGS-B merupakan kombinasi terbaik. Kombinasi fungsi logisctic dengan optimasi SGD, fungsi ReLu dengan optimasi Adam dan fungsi tanh dengan optimasi Adam merupakan yang terburuk dari nilai accuracy. Kombinasi fungsi logistic dan optimasi SGD merupakan kombinasi terburuk dari nilai F1. Kombinasi fungsi logistic dengan optimasi SGD dan fungsi tanh dan optimasi L-BFGS-B merupakan yang terburuk dari nilai precision. Kombinasi fungsi logisctic dengan optimasi SGD, fungsi ReLu dengan optimasi Adam dan fungsi tanh dengan optimasi Adam merupakan kombinasi terburuk dari nilai recall. Kata kunci: algoritma optimasi; covid-19; fungsi optimasi; multi layer perceptron
KOMPARASI RANDOM FOREST DAN LOGISTIC REGRESSION DALAM KLASIFIKASI PENDERITA COVID-19 BERDASARKAN GEJALANYA Ichsan Firmansyah; Jaka Tirta Samudra; Doughlas Pardede; Zakarias Situmorang
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 5, No 3 (2022): October 2022
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v5i3.994

Abstract

Abstract: In data mining, we can use symptoms suffered by patients for a reference in classifying positive and negative Covid-19 patients using data mining. Random Forest and logistic regression are two data mining algorithms with high accuracy, precision, and sensitivity in data classification. This study compares the random forest and the logistic regression algorithm - where we use the lasso and ridge regulations - on classifying positive and negative Covid-19 patients based on their symptoms. From 5434 data used in the data set, the evaluation results show that the random forest algorithm is the best in terms of accuracy, precision, and sensitivity compared to other algorithms, while the logistic regression algorithm with ridge regulation is the worst. The random forest algorithm is the most reliable in classifying patients with positive Covid-19, while the logistic regression algorithm with ridge regulation is the least reliable. Also, the random forest algorithm is the most reliable in classifying patients with negative Covid-19, while the logistic regression algorithm with lasso regulation is the least reliable.Keywords: classification;covid-19;data mining;logistic regression;random forest.Abstrak: Dalam data mining, kita dapat menggunakan gejala yang diderita pasien sebagai acuan dalam mengklasifikasikan pasien positif dan negatif Covid-19 menggunakan data mining. Random forest dan logistic regression adalah dua algoritma data mining yang memiliki akurasi (accuracy), presisi (precision), dan sensitivitas (recall) tinggi dalam klasifikasi data. Penelitian ini membandingkan algoritma random forest dan logistic regression - di mana kami menggunakan regulasi lasso dan ridge - dalam mengklasifikasikan pasien positif dan negatif Covid-19 berdasarkan gejalanya. Dari 5434 data yang digunakan dalam data set, hasil evaluasi menunjukkan bahwa algoritma random forest adalah yang terbaik dalam hal akurasi, presisi, dan sensitivitas dibandingkan dengan algoritma lainnya, sedangkan algoritma logistic regression dengan regulasi ridge adalah yang terburuk. Algoritma random forest paling andal dalam mengklasifikasikan pasien positif Covid-19, sedangkan algoritma logistic regression dengan regulasi ridge merupakan algoritma yang paling tidak tidak dapat diandalkan. Selain itu, algoritma random forest paling andal dalam mengklasifikasikan pasien dengan Covid-19 negatif, sedangkan algoritma logistic regresssion dengan regulasi lasso merupakan yang paling tidak dapat diandalkan.Kata kunci: covid-19;data mining;klasifikasi;logistic regression;random forest.
Co-Authors Abdul Wahab Abdi Aji Fany Permana Bayu Sudrajat Daska Azis Doughlas Pardede Doughlas Pardede Jaka Tirta Samudra Meisarah Riandini Meli Handayani Rika Rosnelly Zakarias Situmorang