Prediksi kesiapan sekolah menggunakan Machine Learning berbasis kombinasi Adam dan Nesterov Momentum

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Rahayu, Indah Mustika (2021) Prediksi kesiapan sekolah menggunakan Machine Learning berbasis kombinasi Adam dan Nesterov Momentum. Undergraduate thesis, UIN Sunan Ampel Surabaya.

Text Indah Mustika Rahayu_H76217059.pdf Download (2MB)

Abstract

Kesiapan sekolah perlu diukur untuk mengetahui tingkat kematangan anak dan mengetahui kemampuan anak yang perlu dikembangan. Namun, instrumen tes NST untuk mengukur kesiapan sekolah hanya dapat digunakan oleh Biro Psikologi, sehingga guru dan orang tua yang berperan dalam bentuk pemberian dukungan dan stimulasi pada anak tidak dapat menggunakan instrumen tersebut. Oleh karena itu, diperlukan machine learning untuk menciptakan model prediksi kesiapan sekolah. Data penelitian adalah data administratif anak yang telah mengikuti tes kesiapan sekolah berbasis NST yang diselenggarakan oleh TK Ar-Rasyid pada tahun 2012-2018. Penelitian menggunakan algoritma Artificial Neural Network dengan metode optimasi kombinasi Adam dan Nesterov Momentum. Pengujian model mengunakan skenario 5-fold cross validation. Hasil penelitian menunjukkan bahwa kombinasi Adam dan Nesterov Momentum memiliki kinerja lebih baik daripada clasical Adam dalam memprediksi kesiapan sekolah dengan akurasi 96% dan loss 0.06 dalam 1,98 seconds pada 10 neuron dan 1000 epochs.

Statistic

Downloads from over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

Item Type:	Thesis (Undergraduate)
Creators:	Creators Email NIM Rahayu, Indah Mustika indahrahayumustika@gmail.com H76217059
Contributors:	Contribution Name Email NIDN Thesis advisor Ridwan, Mujib mujibrw@uinsby.ac.id 2027048602 Thesis advisor Yusuf, Ahmad ahmadyusuf@uinsby.ac.id 2020019001
Subjects:	Teknologi > Teknologi Informasi
Keywords:	Machine Learning; Artificial Neural Network; Adam Optimizer; Nesterov Momentum; Kesiapan Sekolah.
Divisions:	Fakultas Sains dan Teknologi > Studi Sistem Informasi
Depositing User:	Indah Mustika Rahayu
Date Deposited:	15 Aug 2021 04:25
Last Modified:	15 Aug 2021 04:25
URI:	http://digilib.uinsa.ac.id/id/eprint/49533

Actions (login required)

View Item