Sugianto, Nur Afifah (2017) Klasifikasi Keminatan Menggunakan Algoritme Extreme Learning Machine Dan Particle Swarm Optimization Untuk Seleksi Fitur. Sarjana thesis, Universitas Brawijaya.
Abstract
Program keminatan pada Program Studi Teknik Informatika Fakultas Ilmu Komputer (FILKOM) Universitas Brawijaya merupakan suatu program pemantapan untuk profil lulusan mahasiswa Teknik Informatika. Tujuan dari program keminatan tersebut agar setiap mahasiswa memiliki kemampuan khusus sesuai dengan profil lulusan yang ingin dicapai. Untuk dapat membantu mahasiswa dalam memilih keminatan, dibutuhkan suatu sistem cerdas yang dapat menentukan keminatan mahasiswa sesuai dengan minat dan kemampuan mahasiwa. Salah satu metode klasifikasi yang dapat digunakan adalah algoritme Extreme Learning Machine (ELM). Namun metode tersebut tidak memiliki kemampuan untuk menyeleksi fitur sehingga perlu dikombinasi dengan algoritme Particle Swarm Optimization yang dapat digunakan untuk melakukan seleksi fitur secara otomatis dan optimal. Penelitian ini menggunakan 90 data hasil studi mahasiswa dengan 25 fitur dan 3 kelas. Berdasarkan penelitian yang telah dilakukan, didapatkan parameter-parameter optimal untuk algoritme ELM dan PSO. Parameter tersebut yaitu jumlah node pada hidden node 20, perbandingan data training dan data testing sebesar 80% : 20% ( 72 data training dan 18 data testing), jumlah partikel 120, maksimum iterasi 600 dan bobot inersia 1. Dari parameter tersebut didapatkan tingkat akurasi sistem menggunakan algoritme ELM&PSO sebesar 94,44% dengan 11 fitur terpilih. Sedangkan akurasi yang didapatkan dari algoritme ELM biasa hanya mencapai 66,67%. Dari hasil akurasi yang didapatkan, menunjukkan bahwa penambahan algoritme PSO pada ELM mampu meningkatkan akurasi algoritme ELM biasa.
English Abstract
Majoring program in Informatics Engineering Program Faculty of Computer Science (FILKOM) Brawijaya University is a stabilization program for the profile of graduates of Informatics Engineering students. The purpose of the program is so that each student has a special ability in accordance with the profile of graduates to be achieved. To be able to help the student in selecting the major program then a smart system is needed to determine the major program of each student that accordance with the interests and abilities of students. One methods of classification that can be used is Extreme Learning Machine (ELM) algorithm. However, the method does not have the ability to select features so it needs to be combined with Particle Swarm Optimization algorithm that can be used to perform feature selection automatically and optimally. This research uses 90 data of student study result with 25 features and 3 classes. Based on the research that has been done, the optimal parameters for ELM and PSO algorithm are obtained. The parameters are the number of nodes in the hidden node is 20, the comparison of training data and testing data is 80%:20% (72 training data and 18 testing data), the number of particles is 120, the maximum iteration is 600 and the weight of inertia is 1. From these parameters, the system accuracy using ELM&PSO algorithm is 94.44% with 11 selected features. While the accuracy obtained from the ordinary ELM algorithm is only 66.67%. from the results of accuracy obtained, shows that the addition of PSO algorithm on ELM can improve the accuracy of common ELM algorithm.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2017/570/051708082 |
| Uncontrolled Keywords: | Klasifikasi, Seleksi Fitur, Extreme Learning Machine, Particle Swarm Optimization |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.32 Neural nets (neural networks) |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Yusuf Dwi N. |
| Date Deposited: | 03 Oct 2017 07:40 |
| Last Modified: | 25 Mar 2022 06:14 |
| URI: | http://repository.ub.ac.id/id/eprint/3203 |
Preview |
Text
Nur Afifah Sugianto.pdf Download (7MB) | Preview |
Actions (login required)
 |
View Item |