IDENTIFIKASI CALON MAHASISWA PENERIMA BEASISWA BIDIKMISI MENGGUNAKAN METODE BACKPROPAGATION
Article Sidebar
Published
Jan 21, 2020
Main Article Content
Abstract
Mahasiswa penerima beasiswa beasiswa mempunyai kategori ekonomi menengah ke bawah tetapi memiliki prestasi akademik yang baik.Agar penerima beasiswa tepat sasaran maka diperlukan suatu metode pengolahan data calon penerima.Metode yang digunakan dalam penelitian iniadalah Backpropagation. Data yang diolah dalam penelitian ini bersumber dari calon penerima bidikmisi di Institut Pendidikan Tapanuli Selatan (IPTS). Hasil penelitian ini memiliki tingkat akurasi 95 %, sehingga penelitian ini sangat membantu dalam menyeleksi data calon penerima bidikmisi pada tahun akademik 2018/2019 di IPTS
Article Details
How to Cite
[1]
A. ZAINY, “IDENTIFIKASI CALON MAHASISWA PENERIMA BEASISWA BIDIKMISI MENGGUNAKAN METODE BACKPROPAGATION”, JURNAL EDUCATION AND DEVELOPMENT, vol. 8, no. 1, p. 57, Jan. 2020.
Section
Artikel
References
[1] A. Pujianto and A. Sunyoto, 2018, “Sistem Prediksi Penerima Beasiswa Menggunakan Metode". Jurnal Teknologi Informasi dan Ilmu Komputer, Vol. 5, No. 2, ISSN: 2528-6579, 19–24. DOI : 10.25126/jtiik.201852631
[2] C. Lv et al., 2017, “Levenberg-Marquardt Backpropagation Training of Multilayer Neural Networks for State Estimation of A Safety Critical Cyber-Physical System,” IEEE Trans. Ind. Informatics, vol. 3203, no. c. 1-7. DOI: 10.1109/TII.2017.2777460
[3] Sumijan, 2014, “Prediksi Prestasi Calon Mahasiswa Universitas Putra Indonesia ‘ YPTK ’ Padang Jejaring Saraf Tiruan menggunakan Jejaring Saraf Tiruan dengan Algoritma Backpropagation". 1–11.
[4] R. Fauzi, 2016, “Implementasi Jaringan Saraf Tiruan Dengan Metode Backpropagation Terhadap Bibit Tanaman Karet”. Education And Developmen. vol. 1, no. 1, Hal. 1–11.
[5] I. Sayekti, 2013, “Pengujian Model Jaringan Syaraf Tiruan Untuk Kualifikasi Calon Mahasiswa Baru Program Bidik Misi,” JTET, Vol. 2, No. 1. ISSN: 2252-4908. Hal. 55–60.
[6] K. Sandy, 2014, “Penerapan Metode Jaringan Saraf Tiruan Backpropagation Untuk Memprediksi Nilai Ujian Sekolah,” J. Teknol., vol. 7, No. 1, ISSN: 00308870, Hal. 20–28. DOI: 10.1016/j.aqpro.2013.07.003
[7] S. Kusumaningtyas and R. A. Asmara, 2016, “Identifikasi Kematangan Buah Tomat Berdasarkan Warna Menggunakan Metode Jaringan Syaraf Tiruan (Jst)". Jurnal Informatika Polinema, Vol.2, No. 2, Hal. 72-75.
[8] A. Tisan and J. Chin, 2016, “An End-User Platform for FPGA-Based Design and Rapid Prototyping of Feedforward Artificial Neural Networks With On-Chip Backpropagation Learning,” IEEE Trans. Ind. Informatics, vol. 12, no. 3, ISSN: 15513203. Hal. 1124–1133. DOI: 10.1109/TII.2016.2555936
[9] A. Sudarsono, 2016, “Jaringan Syaraf Tiruan Untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode,” Media Infotama, vol. 12, no. 1, ISSN: 1858-2680. Hal. 61–69.
[10] H. Liu et al., 2017, “High-Power LED Photoelectrothermal Analysis Based on Backpropagation Artificial Neural Networks,” IEEE Trans. Electron Devices, vol. 64, no. 7, Hal. 2867–2873. DOI: 10.1109/TED.2017.2701346
[11] A. A. Rahmadyah, J. T. Informatika, U. Dian, N. Semarang, K. Organisasi, and P. Akademik, 2017, “Penerapan Jaringan Syaraf Tiruan Untuk Mengukur Regresi Anatara Keaktifan Mahasiswa di Organisasi Dengan Prestasi Akademik Mahasiswa,” vol. 16, no. 3, Hal. 240–248.
[12] D. Avianto, 2016, “Pengenalan Pola Karakter Plat Nomor Kendaraan Menggunakan Algoritma Momentum Backpropagation Neural Network,” J. Inform., vol. 10, no. 1, ISSN : 2528-6374. Hal. 1199–1209.
[2] C. Lv et al., 2017, “Levenberg-Marquardt Backpropagation Training of Multilayer Neural Networks for State Estimation of A Safety Critical Cyber-Physical System,” IEEE Trans. Ind. Informatics, vol. 3203, no. c. 1-7. DOI: 10.1109/TII.2017.2777460
[3] Sumijan, 2014, “Prediksi Prestasi Calon Mahasiswa Universitas Putra Indonesia ‘ YPTK ’ Padang Jejaring Saraf Tiruan menggunakan Jejaring Saraf Tiruan dengan Algoritma Backpropagation". 1–11.
[4] R. Fauzi, 2016, “Implementasi Jaringan Saraf Tiruan Dengan Metode Backpropagation Terhadap Bibit Tanaman Karet”. Education And Developmen. vol. 1, no. 1, Hal. 1–11.
[5] I. Sayekti, 2013, “Pengujian Model Jaringan Syaraf Tiruan Untuk Kualifikasi Calon Mahasiswa Baru Program Bidik Misi,” JTET, Vol. 2, No. 1. ISSN: 2252-4908. Hal. 55–60.
[6] K. Sandy, 2014, “Penerapan Metode Jaringan Saraf Tiruan Backpropagation Untuk Memprediksi Nilai Ujian Sekolah,” J. Teknol., vol. 7, No. 1, ISSN: 00308870, Hal. 20–28. DOI: 10.1016/j.aqpro.2013.07.003
[7] S. Kusumaningtyas and R. A. Asmara, 2016, “Identifikasi Kematangan Buah Tomat Berdasarkan Warna Menggunakan Metode Jaringan Syaraf Tiruan (Jst)". Jurnal Informatika Polinema, Vol.2, No. 2, Hal. 72-75.
[8] A. Tisan and J. Chin, 2016, “An End-User Platform for FPGA-Based Design and Rapid Prototyping of Feedforward Artificial Neural Networks With On-Chip Backpropagation Learning,” IEEE Trans. Ind. Informatics, vol. 12, no. 3, ISSN: 15513203. Hal. 1124–1133. DOI: 10.1109/TII.2016.2555936
[9] A. Sudarsono, 2016, “Jaringan Syaraf Tiruan Untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode,” Media Infotama, vol. 12, no. 1, ISSN: 1858-2680. Hal. 61–69.
[10] H. Liu et al., 2017, “High-Power LED Photoelectrothermal Analysis Based on Backpropagation Artificial Neural Networks,” IEEE Trans. Electron Devices, vol. 64, no. 7, Hal. 2867–2873. DOI: 10.1109/TED.2017.2701346
[11] A. A. Rahmadyah, J. T. Informatika, U. Dian, N. Semarang, K. Organisasi, and P. Akademik, 2017, “Penerapan Jaringan Syaraf Tiruan Untuk Mengukur Regresi Anatara Keaktifan Mahasiswa di Organisasi Dengan Prestasi Akademik Mahasiswa,” vol. 16, no. 3, Hal. 240–248.
[12] D. Avianto, 2016, “Pengenalan Pola Karakter Plat Nomor Kendaraan Menggunakan Algoritma Momentum Backpropagation Neural Network,” J. Inform., vol. 10, no. 1, ISSN : 2528-6374. Hal. 1199–1209.