Materi SPK Chapter 1 - 15

Download Materi SPK dibawah ini.

Selengkapnya

Review Jurnal [Rekayasa Sistem Pendukung Keputusan Terhadap Permasalahan Biaya Pendidikan Mahasiswa]

Pendahuluan

Pendidikan merupakan suatu kebutuhan penting bagi setiap manusia, tujuannya agar manusia dapat mengembangkan dirinya menjadi pribadi yang cerdas dan berguna bagi nusa dan bangsa. namun, dewasa ini biaya yang harus dikeluarkan untuk kebutuhan pendidikan tidaklah sedikit, terutama pendidikan di perguruan tinggi. sehingga banyak yang memutuskan untuk menempuh pendidikan D1, D2 ataupun D3 dengan alasan biaya pendidikan yang lebih murah dan lama studi yang lebih singkat agar dapat langsung bekerja dari pada S1 atau bahkan ada pula yang lebih memilih untuk tidak meneruskan pendidikannya. akademi kebidanan pun menjadi salah satu pilihan untuk pendidikan tinggi di bidang kesehatan, contohnya adalah Akademi Kebidanan Wira Husada Nusantara (Akbid WHN) Malang.

Banyaknya jumlah mahasiswa ini tentu tidak sedikit pula mahasiswa yang memiliki latar belakang ekonomi yang kurang mapan. hal ini membuat pihak manajemen Akbid WHN harus lebih fleksibel dalam menangani permasalahan biaya pendidikan mahasiswa. kebijakan pihak manajemen dalam memberi kemudahan kepada para mahasiswa untuk mengangsur biaya pendidikan menyebabkan timbulnya permasalahan lain, yaitu banyaknya mahasiswa yang menunggak biaya pendidikan. proses pengambilan keputusan terhadap permasalahan biaya pendidikan mahasiswa di Akbid WHN saat ini masih belum efektif dan efisien. Proses pengambilan keputusan masih bersifat semi terotomatisasi yaitu sebagian proses masih dilakukan secara manual sehingga membutuhkan waktu yang lebih lama, dengan ketepatan dan keakuratan perhitungan yang belum tentu terjamin.

Penelitian ini dilakukan dengan tujuan sebagai berikut :

1. Merancang database yang diperlukan untuk mengakses sumber informasi dalam sistem pendukung keputusan di Akbid WHN.
2. Merancang beberapa system existing agar dapat terintegrasi menjadi sumber informasi pendukung keputusan.
3. Merancang model keputusan yang mampu mendukung penentuan alternatif keputusan yang diidentifikasi dari kategori kritis mahasiswa.
4. Menghasilkan sistem pendukung keputusan yang mampu memberikan informasi jumlah tunggakan, lama mahasiswa menunggakm serta kategori kritis yang mengikutinya sebagai informasi pendukung pengambilan keputusan dengan lebih cepat, tepat, dan akurat.

untuk lebih jelas silahkan download jurnal dibawah ini.

untuk Review Jurnal dibawah ini.

Selengkapnya

Algoritma Genetika

Algoritma genetik adalah teknik pencarian yang di dalam ilmu komputer untuk menemukan penyelesaian perkiraan untuk optimisasi dan masalah pencarian. Algoritma genetik adalah kelas khusus dari algoritma evolusioner dengan menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti warisan, mutasi, seleksi alam dan rekombinasi (ataucrossover)

Algoritma Genetik pertama kali dikembangkan oleh John Holland pada tahun 1970-an di New York, Amerika Serikat. Dia beserta murid-murid dan teman kerjanya menghasilkan buku berjudul "Adaption in Natural and Artificial Systems" pada tahun 1975.

Algoritma Genetik khususnya diterapkan sebagai simulasi komputer dimana sebuah populasi representasi abstrak (disebut kromosom) dari solusi-solusi calon (disebut individual) pada sebuah masalah optimisasi akan berkembang menjadi solusi-solusi yang lebih baik. Secara tradisional, solusi-solusi dilambangkan dalam biner sebagai string '0' dan '1', walaupun dimungkinkan juga penggunaan penyandian (encoding) yang berbeda. Evolusi dimulai dari sebuah populasi individual acak yang lengkap dan terjadi dalam generasi-generasi. Dalam tiap generasi, kemampuan keseluruhan populasi dievaluasi, kemudian multiple individuals dipilih dari populasi sekarang (current) tersebut secara stochastic(berdasarkan kemampuan mereka), lalu dimodifikasi (melalui mutasi atau rekombinasi) menjadi bentuk populasi baru yang menjadi populasi sekarang (current) pada iterasi berikutnya dari algoritma.

Prosedur Algoritma Genetik

Algoritma genetik yang umum menyaratkan dua hal untuk didefinisikan: (1) representasi genetik dari penyelesaian, (2) fungsi kemampuan untuk mengevaluasinya.

Representasi baku adalah sebuah larik bit-bit. Larik jenis dan struktur lain dapat digunakan dengan cara yang sama. Hal utama yang membuat representasi genetik ini menjadi tepat adalah bahwa bagian-bagiannya mudah diatur karena ukurannya yang tetap, yang memudahkan operasi persilangan sederhana. Representasi panjang variabel juga digunakan, tetapi implementasi persilangan lebih kompleks dalam kasus ini. Representasi seperti pohon diselidiki dalam pemrograman genetik dan representasi bentuk bebas diselidiki di dalam HBGA.

Fungsi kemampuan didefinisikan di atas representasi genetik dan mengukur kualitas penyelesaian yang diwakili. Fungsi kemampuan selalu tergantung pada masalah. Sebagai contoh, jika pada ransel kita ingin memaksimalkan jumlah benda (obyek) yang dapat kita masukkan ke dalamnya pada beberapa kapasitas yang tetap. Representasi penyelesaian mungkin berbentuk larik bits, dimana tiap bit mewakili obyek yang berbeda, dan nilai bit (0 atau 1) menggambarkan apakah obyek tersebut ada di dalam ransel atau tidak. Tidak setiap representasi seperti ini valid, karena ukuran obyek dapat melebihi kapasitas ransel. Kemampuan penyelesaian adalah jumlah nilai dari semua obyek di dalam ransel jika representasi itu valid, atau jika tidak 0. Dalam beberapa masalah, susah atau bahkan tidak mungkin untuk mendefinisikan lambang kemampuan, maka pada kasus ini digunakan IGA.

Sekali kita mendefinisikan representasi genetik dan fungsi kemampuan, algoritma genetik akan memproses inisialisasi populasi penyelesaian secara acak, dan memperbaikinya melalui aplikasi pengulangan dengan aplikasi operator-operator mutasi, persilangan, dan seleksi.

Secara sederhana, algoritma umum dari algoritma genetik ini dapat dirumuskan menjadi beberapa langkah, yaitu:

1. Membentuk suatu populasi individual dengan keadaan acak
2. Mengevaluasi kecocokan setiap individual keadaan dengan hasil yang diinginkan
3. Memilih individual dengan kecocokan yang tertinggi
4. Bereproduksi, mengadakan persilangan antar individual terpilih diselingi mutasi
5. Mengulangi langkah 2 - 4 sampai ditemukan individual dengan hasil yang diinginkan

sumber : http://id.wikipedia.org/

Selengkapnya

Pengertian, Kelebihan dan Kekurangan Jaringan Syaraf Tiruan (JST)

• Pengertian

JST adalah Suatu sistem pemrosesan informasi yang mencoba meniru kinerja otak manusia. JST merupakan  generalisasi model matematis dengan asumsi:

* Pemrosesan informasi terjadi pada elemen sederhana (=neuron)

* Sinyal dikirimkan diantara neuron-neuron melalui penghubung (=dendrit dan akson)

* Penghubung antar elemen memiliki bobot yang akan menambah atau mengurangi sinyal

* Untuk menentukan output, setiap neuron memiliki fungsi aktivasi (biasanya non linier) yang dikenakan pada semua input

* Besar output akan dibandingkan dengan threshold

• Baik tidaknya suatu model JST ditentukan oleh:

1. Pola antar neuron (arsitekur jaringan)
2. Metode untuk menentukan dan mengubah bobot (disebut metode learning)
3. Fungsi aktivasi
4. JST disebut juga: brain metaphor, computational neuroscience, parallel distributed processing

• Kelebihan

1. Mampu mengakuisisi pengetahuan walau tidak ada kepastian
2. Mampu melakukan generalisasi dan ekstraksi dari suatu pola data tertentu
3. JST dapat menciptakan suatu pola pengetahuan melalui pengaturan diri atau kemampuan belajar (self organizing)
4. Memiliki fault tolerance, gangguan dapat dianggap sebagai noise saja
5. Kemampuan perhitungan secara paralel sehingga proses lebih singkat

• JST mampu

1. Klasifikasi: memilih suatu input data ke dalam kategori tertentu yang sudah ditetapkan
2. Asosiasi: menggambarkan suatu obyek secara keseluruhan hanya dengan bagian dari obyek lain
3. Self organizing: kemampuan mengolah data-data input tanpa harus mempunyai target
4. Optimasi: menemukan suatu jawaban terbaik sehingga mampu meminimalisasi fungsi biaya

• Kelemahan

1. Kurang mampu untuk melakukan operasi operasi numerik dengan presisi tinggi
2. Kurang mampu melakukan operasi algoritma aritmatik, operasi logika dan simbolis
3. Lamanya proses training yang mungkin terjadi dalam waktu yang sangat lama untuk jumlah data yang besar

sumber : http://splashurl.com/lvarxva

Selengkapnya