PENJADWALAN MATAKULIAH DENGAN MENGGUNAKAN METODE JARINGAN NEURAL NETWORK (STUDI KASUS IIB DARMAJAYA)

visitama, Aldo gilar and Sabita, Hary (2024) PENJADWALAN MATAKULIAH DENGAN MENGGUNAKAN METODE JARINGAN NEURAL NETWORK (STUDI KASUS IIB DARMAJAYA). Skripsi thesis, INSTITUT INFORMATIKA DAN BISNIS DARMAJAYA.

[img] Text
Cover.pdf
Download (135kB)
[img] Text
Abstrak.pdf
Download (15kB)
[img] Text
Halaman Persetujuan.pdf
Download (766kB)
[img] Text
Halaman Pengesahan.pdf
Download (787kB)
[img] Text
Daftar Isi.pdf
Download (277kB)
[img] Text
BAB I.pdf
Download (153kB)
[img] Text
BAB II.pdf
Download (431kB)
[img] Text
BAB III.pdf
Download (152kB)
[img] Text
BAB IV.pdf
Download (1MB)
[img] Text
BAB V.pdf
Download (13kB)
[img] Text
Daftar Pustaka.pdf
Download (240kB)
[img] Text
Lampiran.pdf
Download (1MB)

Abstract

Penjadwalan matakuliah merupakan tugas yang kompleks dan menantang. Dalam menghadapi sejumlah kendala, seperti peningkatan jumlah mahasiswa, keterbatasan ruang kuliah, preferensi dosen, dan peraturan administrasi, penyusunan jadwal matakuliah menjadi tantangan yang memerlukan perencanaan yang cermat. Dalam konteks ini, pemanfaatan teknologi dan metode terbaru menjadi sangat relevan, salah satunya adalah penggunaan Jaringan Neural Network (JNN). JNN adalah teknik dalam bidang kecerdasan buatan yang mampu memecahkan permasalahan kompleks dan diterapkan dalam berbagai aplikasi. Algoritma pelatihan yang umum digunakan dalam JNN adalah Backpropagation, yang bertujuan mengoptimalkan bobot dan bias. Penggunaan metode Backpropagation dalam JNN dapat membantu dalam pengambilan keputusan yang lebih baik dalam penjadwalan matakuliah. Penelitian ini melibatkan penerapan berbagai teknik, dimulai dari proses preprocessing yang mencakup pengumpulan, pembersihan, dan pengolahan data menjadi format yang sesuai. Selanjutnya, dilakukan proses pembuatan dan pelatihan model Jaringan Syaraf Tiruan, dengan arsitektur model yang terdiri dari 11 input data, 2 hidden layer, dan menghasilkan 1 output data. Evaluasi model dilakukan dari berbagai aspek, seperti epochs, waktu pelatihan, performa, gradient, dan mu. Model juga diuji terhadap data baru sebanyak 364 data, dan hasil menunjukkan bahwa model mampu memprediksi data dengan benar.Dari keseluruhan kinerja model, diperoleh hasil akhir berupa Mean Squared Error (MSE) sebesar 0.000461 dan Root Mean Squared Error (RMSE) sebesar 0.021470. Hal ini menunjukkan bahwa model ini mampu melakukan prediksi dengan akurat dan memiliki tingkat kesalahan yang rendah. Kata Kunci : Penjadwalan, JNN, Backpropagation Artificial Intelligence, Deep Learning, Matlab

Item Type: Thesis (Skripsi)
Subjects: Ilmu Komputer
eSkripsi
Divisions: Skripsi/TA & PKPM/KP - Fakultas Ilmu Komputer > Teknik Informatika
Depositing User: Visitama Aldo Gilar
Date Deposited: 26 Apr 2024 02:09
Last Modified: 26 Apr 2024 02:09
URI: http://repo.darmajaya.ac.id/id/eprint/15676

Actions (login required)

View Item View Item