Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : ICIT (Innovative Creative and Information Technology) Journal

REKOMENDASI PROFESI SISWA BERDASARKAN MINAT DAN BAKAT MENGGUNAKAN METODE CASE-BASED REASONING Nina Rahayu; Eka Purnama Harahap; Rahmat Bachtiar
ICIT Journal Vol 10 No 1 (2024): Februari 2024
Publisher : UNIVERSITAS RAHARJA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33050/icit.v10i1.3057

Abstract

Penelitian dilakukan pada SMK Era Pebangunan yang memiliki 5 jurusan diantaranya akuntansi, bisnis digital, manajemen perkantoran, teknik komputer dan jaringan, desain komunikasi visual. Banyak siswa yang masih bingung untuk menentukan jenjang pendidikan setelah lulus, atau mau kerja sebagai apa. Tes minat bakat sangat diperlukan untuk mengetahui karakteristik setiap siswa, selanjutnya siswa dapat diberikan rekomendasi profesi berdasarkan hasil tes tersebut. Dengan memanfaatkan teknologi, rekomendasi profesi berdasarkan minat dan bakat siswa dapat di implementasikan. Seperti penelitian ini menggunakan metode Case-Based Reasoning untuk mengetahui karakteristik setiap siswa, kemudian dihitung nilai kemiripannya menggunakan metode Simple Match Coefficient Similarity. Case-Based reasoning memiliki 4 tahapan yaitu Retrieve, Reuse, Revise dan Retain, sedangkan Simple Match Coefficient Similarity melakukan pencocokan data kasus baru dengan kasus lama dan dihitung menggunakan rumus untuk mendapatkan nilai kemiripannya. Ada 48 ciri minat bakat yang digunakan dalam kuisioner untuk mendapat karakteristik siswa yang selanjutnya dilakukan perhitungan nilai kemiripan dengan kasus lama. Nilai kemiripan menggunakan biner dimana “ya” bernilai 1 dan “tidak” bernilai 0.
Optimasi dan Perancangan Antena Menggunakan Metode Modified Efficient K-Nearest Neighbors Deden Rustiana; Nina Rahayu; Hindriyanto Dwi Purnomo; Ahmad Bayu Yadila; Hendra Kusumah
ICIT Journal Vol 10 No 2 (2024): Agustus 2024
Publisher : UNIVERSITAS RAHARJA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33050/icit.v10i2.3204

Abstract

Untuk memastikan akurasi dan mencegah perilaku machine learning yang tidak diinginkan terjadi ketika model machine learning memberikan prediksi akurat untuk data pelatihan tetapi tidak untuk data baru yang biasa disebut Overfitting, teknik machine learning yang efektif biasanya dilatih pada kumpulan data besar. Namun, ketika pengumpulan data rumit, kumpulan data yang besar menghambat penyebaran teknik machine learning. Algoritma K-Nearest Neighbors (KNN) ditingkatkan dalam penelitian ini untuk mengatasi masalah dan menyajikan pendekatan machine learning yang unik sehingga dapat mengekstraksi lebih banyak fitur dari kumpulan data yang besar. Metode ini bekerja 5 hingga 30 kali lebih cepat daripada teknik machine learning konvensional seperti jaringan syaraf tiruan (ANN) dan pengoptimalan Bayesian. Parameter antena digunakan untuk mengoptimalkan kemudian dioptimalkan menggunakan metode yang disarankan, dan cabang terpisah dibuat untuk menjalankan alat simulasi (seperti HFSS) dan memperbarui dataset saat pelatihan daripada membuatnya sebelumnya. Empat contoh antena lainnya, serta machine learning tambahan dan teknik berbasis gradien, digunakan untuk mendukung validitas dan efektivitas pendekatan yang disarankan. Kesimpulannya, metode ini disarankan dapat menghasilkan desain antena ideal dan harga terjangkau.