scholarly journals Pengembangan Sistem Informasi Pemetaan Infrastruktur Sistem Informasi Di Kota Probolinggo

2020 ◽  
Vol 6 (3) ◽  
pp. 65-70
Author(s):  
R. FARAH DINI QOYYIMAH ◽  
Erfan Rohadi, ST., M. Eng., Ph.D ◽  
Rizky Ardiansyah, S.Kom, MT
Keyword(s):  
Neural Network ◽  
Unsupervised Learning ◽  
Self Organizing Map ◽  
Cluster 2 ◽  
Self Organizing

Infrastruktur dan sistem informasi merupakan sumber daya manusia yang membantu pemerintah dalam mewujudkan dan pemberdayaan masyarakat baik secara ekonomi maupun kepuasan publik. Tidak terkecuali yang dilakukan pada Dinas Komunikasi dan Informatika Pemerintah Kota Probolinggo. Dalam meningkatkan kualitas pengembangangan infrastruktur secara lebih terkoordinir maka dibuatlah sistem informasi berbasis pemetaan infrastruktur dan sistem informasi dengan menggunakan algoritma clustering SOM. Self Organizing Map (SOM) merupakan salah satu metode dalam Jaringan Syaraf Tiruan (Neural Network) yang menggunakan pembelajaran tanpa pengarahan (Unsupervised Learning). Penelitian ini menghasilkan sebuah website yang memberikan informasi kepada user atau pengguna yang merupakan pihak pemerintahan Dinas Kominfo Kota Probolinggo dalam mengevaluasi perkembangan dan pemerataan infrastruktur dan sistem informasi. Dari hasil perhitungan menggunakan metode Self -Organizing Map dapat diterapkan dalam clustering untuk pemerataan infrastruktur IT yang menghasilkan 3 cluster yang terdiri dari cluster 1 yang memiliki persebaran infrastruktur yang baik berjumlah 1 wilayah, cluster 2 yang memiliki persebaran infrastruktur yang cukup baik berjumlah 23 wilayah dan cluster 3 yang memiliki persebaran infrastrukttur yang kurang baik berjumlah 5 wilayah. Sehingga dapat diketahui pemerataan IT di Kota Probolingo dapat dinilai cukup baik. 4. Berdasarkan pengujian diperoleh hasil akurasi hasil cluster yang baik dengan menggunakan Self-Organizing Map sebanyak 62.06897%. Kata kunci : Clustering, Self Organizing Map (SOM)

scholarly journals KLASIFIKASI SUARA MANUSIA KE DALAM SOPRAN, MEZZO SOPRAN, ALTO, TENOR, BARITON, BASS DENGAN SELF ORGANIZING MAP

2015 ◽  
Vol 11 (1) ◽  
Author(s):  
Andreas Saputra ◽  
Sri Suwarno ◽  
Lukas Chrisantyo
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Fourier Transform ◽  
Fast Fourier Transform ◽  
Unsupervised Learning ◽  
Self Organizing Map ◽  
Artificial Neural ◽  
Self Organizing

Self Organizing Map adalah metode jaringan syaraf tiruan (Artificial Neural Network) yang biasa digunakan untuk melakukan proses klasifikasi dengan sifat unsupervised learning atau pelatihan tak terbimbing. Cluster yang akan digunakan akan ditentukan secara manual hanya saja dalam prosesnya data yang masuk akan dikelompokan secara otomatis tanpa adanya intevensi dari sistem. Penelitian ini menerapkan Self Organizing Map untuk melakukan klasifikasi data berupa rekaman suara dengan format file WAV karena merupakan format audio yang belum terkompresi ke dalam sopran, mezzo sopran, alto, tenor, baritone, dan bass. Dalam pengambilan data untuk input melalui proses preemphasis, frame, blocking, dan windowing sebelum dirubah menjadi sinyal diskrit dengan Fast Fourier Transform. Data berupa rata-rata magnitude menjadi input dalam sistem klasifikasi Self Organizing Map. Dalam penelitian ini hasil yang didapat belum sesuai dengan harapan karena data tidak mengelompok dengan baik.Self Organizing Map adalah metode jaringan syaraf tiruan (Artificial Neural Network) yang biasa digunakan untuk melakukan proses klasifikasi dengan sifat unsupervised learning atau pelatihan tak terbimbing. Cluster yang akan digunakan akan ditentukan secara manual hanya saja dalam prosesnya data yang masuk akan dikelompokan secara otomatis tanpa adanya intevensi dari sistem. Penelitian ini menerapkan Self Organizing Map untuk melakukan klasifikasi data berupa rekaman suara dengan format file WAV karena merupakan format audio yang belum terkompresi ke dalam sopran, mezzo sopran, alto, tenor, baritone, dan bass. Dalam pengambilan data untuk input melalui proses preemphasis, frame, blocking, dan windowing sebelum dirubah menjadi sinyal diskrit dengan Fast Fourier Transform. Data berupa rata-rata magnitude menjadi input dalam sistem klasifikasi Self Organizing Map. Dalam penelitian ini hasil yang didapat belum sesuai dengan harapan karena data tidak mengelompok dengan baik.

Classification of salt-contaminated velocities with self-organizing map neural network

2002 ◽  
Vol 21 (12) ◽  
pp. 1193-1196 ◽  
Author(s):  
Lin Zhang ◽  
Al Fortier ◽  
David C. Bartel
Keyword(s):  
Neural Network ◽  
Self Organizing Map ◽  
Self Organizing

Diagnosis of Breast Cancer Using Intelligent Information Systems Techniques

2016 ◽  
pp. 203-214 ◽  
Author(s):  
Ahmad Al-Khasawneh
Keyword(s):  
Breast Cancer ◽  
Neural Network ◽  
Cancer Diagnosis ◽  
Multilayer Perceptron ◽  
Breast Cancer Diagnosis ◽  
Machine Learning Algorithms ◽  
Data Sets ◽  
Self Organizing Map ◽  
Intelligent Information ◽  
Self Organizing

Breast cancer is the second leading cause of cancer deaths in women worldwide. Early diagnosis of this illness can increase the chances of long-term survival of cancerous patients. To help in this aid, computerized breast cancer diagnosis systems are being developed. Machine learning algorithms and data mining techniques play a central role in the diagnosis. This paper describes neural network based approaches to breast cancer diagnosis. The aim of this research is to investigate and compare the performance of supervised and unsupervised neural networks in diagnosing breast cancer. A multilayer perceptron has been implemented as a supervised neural network and a self-organizing map as an unsupervised one. Both models were simulated using a variety of parameters and tested using several combinations of those parameters in independent experiments. It was concluded that the multilayer perceptron neural network outperforms Kohonen's self-organizing maps in diagnosing breast cancer even with small data sets.

Diagnosis of Breast Cancer Using Intelligent Information Systems Techniques

2016 ◽  
Vol 7 (1) ◽  
pp. 65-75 ◽  
Author(s):  
Ahmad Al-Khasawneh
Keyword(s):  
Breast Cancer ◽  
Neural Network ◽  
Cancer Diagnosis ◽  
Multilayer Perceptron ◽  
Breast Cancer Diagnosis ◽  
Machine Learning Algorithms ◽  
Small Data ◽  
Self Organizing Map ◽  
Term Survival ◽  
Self Organizing

Breast cancer is the second leading cause of cancer deaths in women worldwide. Early diagnosis of this illness can increase the chances of long-term survival of cancerous patients. To help in this aid, computerized breast cancer diagnosis systems are being developed. Machine learning algorithms and data mining techniques play a central role in the diagnosis. This paper describes neural network based approaches to breast cancer diagnosis. The aim of this research is to investigate and compare the performance of supervised and unsupervised neural networks in diagnosing breast cancer. A multilayer perceptron has been implemented as a supervised neural network and a self-organizing map as an unsupervised one. Both models were simulated using a variety of parameters and tested using several combinations of those parameters in independent experiments. It was concluded that the multilayer perceptron neural network outperforms Kohonen's self-organizing maps in diagnosing breast cancer even with small data sets.

Sign in / Sign up

Export Citation Format

Share Document