Early Prediction of Student Success Based on Data Mining and Artificial Neural Network

2019 ◽  
pp. 26-31
Author(s):  
Marko Bursać ◽  
Marija Blagojević ◽  
Danijela Milošević
Keyword(s):  
Neural Network ◽  
Data Mining ◽  
Artificial Neural Network ◽  
Student Success ◽  
Early Prediction ◽  
Artificial Neural

Artificial neural network models for coronary artery disease

2020 ◽  
Vol 15 ◽  
Author(s):  
Elham Shamsara ◽  
Sara Saffar Soflaei ◽  
Mohammad Tajfard ◽  
Ivan Yamshchikov ◽  
Habibollah Esmaili ◽  
...  
Keyword(s):  
Neural Network ◽  
Machine Learning ◽  
Coronary Artery Disease ◽  
Pattern Recognition ◽  
Artificial Neural Network ◽  
Coronary Artery ◽  
Diagnostic Model ◽  
Early Prediction ◽  
Artificial Neural ◽  
Artery Disease

Background: Coronary artery disease (CAD) is an important cause of mortality and morbidity globally. Objective : The early prediction of the CAD would be valuable in identifying individuals at risk, and in focusing resources on its prevention. In this paper, we aimed to establish a diagnostic model to predict CAD by using three approaches of ANN (pattern recognition-ANN, LVQ-ANN, and competitive ANN). Methods: One promising method for early prediction of disease based on risk factors is machine learning. Among different machine learning algorithms, the artificial neural network (ANN) algo-rithms have been applied widely in medicine and a variety of real-world classifications. ANN is a non-linear computational model, that is inspired by the human brain to analyze and process complex datasets. Results: Different methods of ANN that are investigated in this paper indicates in both pattern recognition ANN and LVQ-ANN methods, the predictions of Angiography+ class have high accuracy. Moreover, in CNN the correlations between the individuals in cluster ”c” with the class of Angiography+ is strongly high. This accuracy indicates the significant difference among some of the input features in Angiography+ class and the other two output classes. A comparison among the chosen weights in these three methods in separating control class and Angiography+ shows that hs-CRP, FSG, and WBC are the most substantial excitatory weights in recognizing the Angiography+ individuals although, HDL-C and MCH are determined as inhibitory weights. Furthermore, the effect of decomposition of a multi-class problem to a set of binary classes and random sampling on the accuracy of the diagnostic model is investigated. Conclusion : This study confirms that pattern recognition-ANN had the most accuracy of performance among different methods of ANN. That’s due to the back-propagation procedure of the process in which the network classify input variables based on labeled classes. The results of binarization show that decomposition of the multi-class set to binary sets could achieve higher accuracy.

Ketepatan Klasifikasi Penerima Beasiswa STMIK STIKOM Bali dengan Hybrid Self Organizing Maps dan Algoritma K-Mean

Jurnal Varian ◽  
2018 ◽  
Vol 2 (1) ◽  
pp. 1-7 ◽  
Author(s):  
Ni Putu Nanik Hendayanti ◽  
Gusti Ayu Made Arna Putri ◽  
Maulida Nurhidayati
Keyword(s):  
Neural Network ◽  
Data Mining ◽  
Artificial Neural Network ◽  
Self Organizing Maps ◽  
Cluster Group ◽  
Artificial Neural ◽  
Clustering Data ◽  
Self Organizing

Data Mining adalah penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Salah satu teknik yang dikenal dalam Data Mining yaitu clustering. Pengertian clustering dalam Data Mining adalah pengelompokan sejumlah data atau objek ke dalam cluster (group) sehingga setiap di lama cluster tersebut akan berisi data yang semirip mungkin dan berbeda dengan objek dalam cluster yang lain. Salah satu metode klasifiaksi atau clustering adalah Self Organizing Maps (SOM). SOM merupakan metode artificial neural network yang digunakan untuk mengelompokkan (clustering) data berdasarkan karakteristik/fitur-fitur data. Metode pengelompokan yang menggunakan konsep jarak dan memiliki karakteristik yang hampir sama dengan SOM yaitu metode K-means. Penelitian ini bertujuan untuk mengembangkan suatu metode yang merupakan hybrid dari SOM dan K-means yang digunakan untuk menentukan ketepatan suatu klasifikasi. Sebelum diujikan pada data asli, metode hybrid SOM dan K-Means diujikan lebih dulu pada data benchmark sehingga dapat diketahui berapa persen ketepan yang dihasilkan. Kemudian dilanjutkan dengan penerapan metode hybrid SOM dan K-means pada data penerimaan beasiswa di STMIK STIKOM Bali. Penelitian ini bertujuan untuk menentukan ketepatan klasifikasi penerima beasiswa STMIK STIKOM Bali dengan metode hybrid SOM dan K-means. Hasil penelitian menunjukkan bahwa metode Kmeans dan SOM memberikan hasil yang sama yang akibatnya metode SOM-Kmeans juga memberikan hasil yang sama. Alasannya, metode SOM-Kmeans menggunakan nilai centroid dari hasil SOM, dan hasil yang diperoleh pada metode Kmean memiliki hasil yang sama dengan SOM akibatnya metode SOM-Kmeans menghasilkan hasil yang sama dengan kedua metode sebelumnya.

Implementasi Rough Neural Network dalam Identifikasi Kepuasan Konsumen Mediasi Bisnis

2018 ◽  
Vol 18 (2) ◽  
pp. 184
Author(s):  
Ikrimah Afifah Trivanni
Keyword(s):  
Neural Network ◽  
Data Mining ◽  
New York ◽  
Artificial Neural Network ◽  
Rough Set ◽  
Artificial Neural ◽  
Artificial Neural Network Ann

Data mining menjadi topik hangat yang sangat bermanfaat di era saat ini. Sistem Artificial Neural Network (ANN) dan rough set yang merupakan metode data mining dapat digabungkan yang selanjutnya disebut sebagai metode Rough Neural Network (RNN). Siste, roughset dalam RNN berfungsi untuk mereduksi atribut untuk optimalisasi informasi sedangkan ANN berfungsi untuk membentuk jaringan dari kumpulan data reduksi tersebut. Metode ini dapat digunakan di berbagai bidang misalnya bisnis yakni dalam mengidentifikasi kepuasan konsumen. Perlindungan hak maupun kewajiban dalam bisnis adalah hal penting di negara maju, contohnya New York yang telah membentuk Departement of Consumen Affairs (DCA). Ribuan mediasi tercatat telah dilakukan oleh DCA New York sehingga pendekatan struktur terhadap kepuasan konsumen merupakan hal penting dalam meninjau apakah layanan mediasi yang dilakukan telah baik. Oleh karena itu, tujuan penelitian ini adalah mengimplementasikan metode RNN pada suatu dataset komplain konsumen terhadap pelayanan mediasi DCA New York. Hasil penelitian pada proses awal, rough set menunjukkan bahwa atribut yang efektif untuk menghasilkan kepuasan konsumen yang optimal adalah atribut Business State, Complaint Result, Duration of Mediation, dan Complaint Type. Eror yang dihasilkan pada jaringan tiruan kepuasan konsumen (Satisfaction) sebesar 345,828 dengan langkah yang dilalui untuk mencapai model yang mungkin adalah sebanyak 65137 langkah. Model RNN menunjukkan selisih eror yang kecil antara data latih dan data tes, artinya model RNN konsisten dalam memprediksi kepuasan konsumen untuk kedepannya.

Sign in / Sign up

Export Citation Format

Share Document