Optimised class point approach for software effort estimation using adaptive neuro-fuzzy inference system model

2016 ◽  
Vol 54 (4) ◽  
pp. 323 ◽  
Author(s):  
Shashank Mouli Satapathy ◽  
Mukesh Kumar ◽  
Santanu Kumar Rath
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
System Model ◽  
Effort Estimation ◽  
Software Effort Estimation ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Class Point

PENGEMBANGAN SISTEM MANAJEMEN PENDUKUNG KEPUTUSAN PENILAIAN MUTU KEPEGAWAIAN DINAS PENDIDIKAN REMBANG MENGGUNAKAN ALGORITMA ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM)

2020 ◽  
Vol 12 (1) ◽  
pp. 6-17
Author(s):  
Angga debby frayudha ◽  
Aris Yulianto ◽  
Fatmawatul Qomariyah
Keyword(s):  
Fuzzy Inference System ◽  
Industry 4.0 ◽  
Fuzzy Inference ◽  
System Model ◽  
Inference System ◽  
Neuro Fuzzy

Di era revolusi industry 4.0 terdapat banyak sekali kemudahan yang diberikan teknologi kepada manusia. Tentu ini akan menjadi baik apabila manusia mampu memanfaatkan hal tersebut dengan baik pula. Namun disisi lain juga bisa mengakibatkan dampak negative terhadap manusia, misalnya dengan adanya internet bisa mengakibatkan manusia melakukan penipuan di media social. Selain itu dengan canggihnya teknologi dapat menjadikan manusia menjadi malas yang bisa berimbas menurunnya kualitas sumber daya manusia. Maka dari itu untuk menghadapi hal ini perlu menyiapkan pendidikan yang baik.Pendidikan akan berjalan baik apabila lembaga yang mengurusnya berkompeten dalam melakukan tugasnya .Penulis coba memberikan ide untuk memprediksi kinerja pegawai Dinas Pendidikan Kabupaten Rembang menggunakan mentode ANFIS (Adaptive Neuro Fuzzy Inference System) guna untuk membantu lembaga tersebut menyeleksi maupun menilai kinerja karyawan demi meningkatkan kualitas dari segi sumber daya manusia. ANFIS merupakan jaringan adaptif yang berbasis pada sistem kesimpulan fuzzy (fuzzy inference system). Model penilaian kinerja pegawai di Dinas Pendidikan Kabupaten Rembang dengan menggunakan Adaptive Neuro-Fuzzy Inference System (ANFIS) menghasilkan penilaian  yang lebih baik dan akurat.  Hasil pengujian metode tersebut memiliki nilai akurasi 65%. Dengan metode ANFIS (Adaptive Neuro Fuzzy Inference System) dapat memprediksi kinerja karyawan sebagai salah satu pengambilan keputusan terhadap kinerja pegawai. Selain itu nantinya system penlaian kinerja pegawai akan lebih tertata dan efisien.

scholarly journals Relative Wave Energy based Adaptive Neuro-Fuzzy Inference System model for the Estimation of Depth of Anaesthesia

2018 ◽  
Vol 17 (1) ◽  
pp. 69-82
Author(s):  
V.K. Benzy ◽  
E.A. Jasmin ◽  
Rachel Cherian Koshy ◽  
Frank Amal ◽  
K.P. Indiradevi
Keyword(s):  
Wave Energy ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
System Model ◽  
Depth Of Anaesthesia ◽  
Inference System ◽  
Neuro Fuzzy

scholarly journals Yayak Kartika Sari Prediksi Customer Churn Berbasis Adaptive Neuro Fuzzy Inference System

2018 ◽  
Vol 2 (1) ◽  
pp. 32
Author(s):  
Yayak Kartika Sari ◽  
Kusrini Kusrini ◽  
Ferry Wahyu Wibowo
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
System Model ◽  
Inference System ◽  
Customer Churn ◽  
Neuro Fuzzy

Abstrak – Customer Churn adalah pelanggan yang berhenti berlangganan dan pindahpada perusahaan lain, karena berbagai faktor. Customer churn merupakan masalah yang sangatpenting yang harus dihadaapi oleh perusahaan karena berhentinya pelanggan akan berdampakpada retensi perusahaan. Oleh sebab itu, dibuatkan sistem prediksi customer churn untukmengetahui tingkat pelanggan yang churn, apabila customer churn dapat diketahui terlebih dahulu,maka akan menguntungkan bagi pihak CRM untuk mengatur strategi-strategi mencegah pelangganyang melakukan churn. Untuk menentukan prediksi customer churn menggunakan teknik datamining dengan algoritma ANFIS. Algoritma ANFIS merupakan gabungan antara jaringan syaraftiruan dengan fuzzy inference system. Model prediksi yang dibangun dengan metode ANFISmenggunakan pembelajaran alur maju dan pembelajaran alur mundur, sehingga untuk melakukanprediksi dibutuhkan nilai parameter fuzzy baru yang diperoleh dari proses pelatihan. Setelah nilaiparameter fuzzy baru didapatkan, maka akan dilakukan tahap pengujian. Pada tahap pengujiandilakukan dengan proses pembelajaran maju untuk mendapatkan nilai prediksinya, sehingga padaprosesnya nilai prediksi yang berupa angka dan status prediksi. Pelatihan dan pengujian ANFISuntuk semua produk menghasilkan perbandingan nilai error rata-rata pelatihan sebesar 8,316 %

scholarly journals Identifikasi Gangguan Neurologis Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)

2015 ◽  
Vol 9 (2) ◽  
pp. 187
Author(s):  
Jani Kusanti ◽  
Sri Hartati
Keyword(s):  
Ischemic Stroke ◽  
Ct Scan ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
System Model ◽  
Cluster Center ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Global Threshold ◽  
Takagi Sugeno

AbstrakPenggunaan metode Adaptive Neuro Fuzzy Inference System (ANFIS) dalam proses identifikasi salah satu gangguan neurologis pada bagian kepala yang dikenal dalam istilah kedokteran stroke ischemic dari hasil ct scan kepala dengan tujuan untuk mengidentifikasi lokasi  yang terkena stroke ischemik. Langkah-langkah yang dilakukan dalam proses identifikasi antara lain ekstraksi citra hasil ct scan kepala dengan menggunakan histogram. Citra hasil proses histogram ditingkatkan intensitas hasil citranya dengan menggunakan threshold otsu sehingga didapatkan hasil pixel yang diberi nilai 1 berkaitan dengan obyek sedangkan pixel yang diberi nilai 0 berkaitan dengan background. Hasil pengukuran digunakan untuk proses clustering image, untuk proses cluster image digunakan fuzzy c-mean (FCM). Hasil clustering merupakan deretan pusat cluster, hasil  data digunakan untuk membangun fuzzy inference system (FIS). Sistem inferensi fuzzy yang diterapkan adalah inferensi fuzzy model Takagi-Sugeno-Kang. Dalam penelitian ini ANFIS digunakan untuk mengoptimalkan hasil penentuan lokasi penyumbatan stroke ischemic. Digunakan recursive least square estimator (RLSE) untuk pembelajaran. Hasil RMSE yang didapat pada proses pelatihan sebesar 0.0432053, sedangkan pada proses pengujian dihasilkan tingkat akurasi sebesar 98,66% Kata kunci—stroke ischemik, Global threshold, Fuzzy Inference System model Sugeno, ANFIS, RMSE  Abstract            The use of Adaptive Neuro Fuzzy Inference System (ANFIS) methods in the process of identifying one of neurological disorders in the head, known in medical terms ischemic stroke from the ct scan of the head in order to identify the location of ischemic stroke. The steps are performed in the extraction process of identifying, among others, the image of the ct scan of the head by using a histogram. Enhanced image of the intensity histogram image results using Otsu threshold to obtain results pixels rated 1 related to the object while pixel rated 0 associated with the measurement background. The result used for image clustering process, to process image clusters used fuzzy c-mean (FCM) clustering result is a row of the cluster center, the results of the data used to construct a fuzzy inference system (FIS). Fuzzy inference system applied is fuzzy inference model of Takagi-Sugeno-Kang. In this study ANFIS is used to optimize the results of the determination of the location of the blockage ischemic stroke. Used recursive least squares estimator (RLSE) for learning. RMSE results obtained in the training process of 0.0432053, while in the process of generated test accuracy rate of 98.66% Keywords— Stroke Ischemik, Global threshold, Fuzzy Inference System model Sugeno, ANFIS, RMSE 

Sign in / Sign up

Export Citation Format

Share Document