IMPLEMENTASI DATA MINING DENGAN ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSI ANGKA KELAHIRAN
|
|
- Shinta Cahyadi
- 3 tahun lalu
- Tontonan:
Transkripsi
1 IMPLEMENTASI DATA MINING DENGAN ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSI ANGKA KELAHIRAN Muhammad Idris Prodi Teknik Informatika STMIK Budi Darma, Medan, Indonesia Jl. Sisingamangaraja No. 8, Medan, Indonesia Abstrak Kantor Kepala Desa Lalang Kecamatan Medang Deras Kabupaten Batubara yaitu Desa yang Terdiri Dari Sepuluh Yaitu Berdikari, Merdeka, Pengajian, Pekan, Barat, Timur, Lama, Baru, Sono Dan Pandau Palas. Prediksi angka kelahiran dilakukan dengan menggunakan algoritma data mining. Salah satu fungsi dalam data mining yang dapat digunakan untuk menyelesaikan masalah yang dihadapi pihak kantor desa untuk memprediksi angka kelahiran. Metode yang diusulkan yaitu naïve bayes. Algoritma naïve bayes bertujuan untuk melakukan klasifikasi data pada kelas tertentu. Tujuan penelitian ini adalah untuk melihat pola prediksi dari setiap atribut-atribut yang terdapat pada data set dengan menggunakan algoritma naïve bayes dan melakukan pengujian data training terhadap data testing untuk melihat pemodelan data sudah baik atau belum. Dalam membangun aplikasi ini penulis menggunakan bahasa pemrograman visual basic 008 serta microsoft access 007 sebagai basis data. Klasifikasi Naïve Bayes dipakai untuk memprediksi angka kelahiran yang akan dialami pada setiap dusun dengan cara mensurvei jumlah penduduk pada setiap dusun, angka pernikahan, dan angka kelahiran. Semua data didiskritkan berdasarkan survei yang telah diteliti pada desa lalang. Hasil dari penelitian ini adalah mempermudah pihak kantor desa lalang dalam proses pengelolaan data penduduk, membantu dalam proses penginputan data, pencarian data, dan laporan penduduk Kata Kunci : Angka Kelahiran, Data Mining, Naïve. I. PENDAHULUAN Perkembangan yang saat ini dirasakan manfaatnya adalah penemuan informasi baru dengan mencari pola baru dari suatu data yang sangat besar yang dikenal dengan istilah data mining. Data mining merupakan proses dalam menganalisis data dari sudut pandang yang berbeda dan membentuknya menjadi informasi yang berguna sehingga pengguna dapat memahami substansi hubungan antara data. Data mining memiliki beberapa metode yang salah satunya ialah metode klasifikasi merupakan teknik data mining yang memetakan data ke kelompok yang telah di terapkan. Terdapat beberapa algoritma data mining yang menggunakan metode classification ini, seperti C4.5, CMAR, Naïve Bayes, K- Nearest Neighbours dan CART. Penggunaan metode klasifikasi dapat memanfaatkan beberapa algoritma diantaranya algoritma Naïve Bayes. Angka kelahiran dan hasil penelitian didunia mengatakan bahwa ada kaitan antara angka kelahiran dan usia harapan hidup di suatu wilayah, makin rendahnya angka kelahiran makin tingginya usia harapan hidup. Angka kelahiran adalah salah satu unsur dari pertambahan penduduk secara alami. Lahir adalah istilah yang dipergunakan dalam bidang demografi untuk menggambarkan jumlah anak yang benar-benar di lahirkan hidup. Algoritma Naïve Bayes juga dapat membantu dalam memprediksi angka kelahiran didesa Lalang. Didalam pendataan kepala Desa Lalang juga menelusuri angka kelahiran di setiap dusun, agar data setiap bulan bisa diserahkan kekantor Dinas Catatan Sipil. II. TEORITIS A. Data Mining Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik-teknik, metode-metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses Knowledge Discovery in Database (KDD) secara keseluruhan []. Menurut Gartner Group, data mining adalah proses menemukan hubungan baru yang mempunyai arti, pola dan kebiasaan dengan memilah-milah sebagian besar data yang disimpan dalam media penyimpanan dengan menggunakan teknologi pengenalan pola seperti teknik statistik dan matematika. Data mining merupakan gabungan dari beberapa disiplin ilmu yang menyatukan teknik dari pembelajaran mesin,pengenalan pola, statistik, database, dan visualisasi untuk penanganan permasalahan pengambilan informasi dari database yang besar []. Data mining menurut David Hand, Heikki Mannila, dan Padhraic Smyth dari MIT adalah analisa terhadap data (biasanya data yang berukuran besar) untuk menemukan hubungan yang jelas serta menyimpulkannya yang belum diketahui sebelumnya dengan cara terkini dipahami dan berguna bagi pemilik data tersebut []. Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar. Data mining merupakan serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual []. Dari definisi-definisi yang telah disampaikan, hal penting yang terkait dengan data mining menurut Gartner Group [] :. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada. 4
2 . Data yang akan diproses merupakan data yang sangat besar.. Tujuan data mining adalah mendapatkan hubungan atau pola yang mungkin memberikan indikasi yang bermanfaat. Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu :. Description (Deskripsi) Terkadang peneliti dan analis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan.. Estimation (Estimasi) Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke arah numerik daripada ke arah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai variabel prediksi. Sebagai contoh yaitu estimasi nilai indeks prestasi kumulatif mahasiswa program pasca sarjana dengan melihat nilai indeks prestasi mahasiswa tersebut pada saat mengikuti program sarjana.. Prediction (Prediksi) Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada dimasa mendatang.contoh prediksi dalam bisnis dan penelitian adalah : a. Prediksi harga beras dalam tiga bulan yang akan datang. b. Prediksi tingkat penganguran lima tahun akan datang. c. Predisksi persentase kanaikan kecelakaan lalu lintas tahun depan jika batas bawah kecepatan dinaikan. Beberapa metode dan teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi.. Classification (Klasifikasi) Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.contoh lain klasifikasi dalam bisnis dan penelitian adalah : a. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau bukan. b. Memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang baik atau buruk. c. Mendiagnosis penyakit seorang pasien untuk mendapatkan termasuk penyakit apa.. Clustering (Pengklusteran) Pengklusteranmerupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan. Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster lain. Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain akan bernilai minimal.contoh pengklusteran dalam bisnis dan penelitian adalah : a. Mendapatkan kelompok-kelompok konsumen untuk target pemasaran dari suatu produk bagi perusahaan yang tidak memiliki dana pemasaran yang besar. b. Untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap perilaku finansial dalam baik dan mencurigakan. c. Melakukan pengklusteran terhadap ekspresi dari gen, untuk mendapatkan kemiripan perilaku dari gen dalam jumlah besar.. Association (Asosiasi) Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja.contoh asosiasi dalam bisnis dan penelitian adalah : a. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang diharapkan untuk memberikan respons positif terhadap penawaran upgrade layanan yang diberikan. b. Menemukan barang dalam supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli secara bersamaan. B. Algoritma Naïve Bayes Algoritma Naive Bayes Clasifier merupakan salah satu algoritma yang terdapat pada teknik klasifikasi. Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman dimasa sebelumnya sehingga dikenal sebagai Teorema Bayes. Teorema tersebut dikombinasikan dengan Naive dimana diasumsikan kondisi antar atribut saling bebas. Klasifikasi Naive Bayes diasumsikan bahwa ada atau tidak ciri tertentu dari sebuah kelas tidak ada hubungannya dengan ciri dari kelas lainnya. Persamaan dari teorema Bayes adalah [] : P(H X)= P(X H).P(H) P(X) 4
3 : X : Sampel data yang memiliki kelas (label) yang tidak diketahui H : Hipotesa bahwa X adalah data kelas (label) P(H) : Peluang dari hipotesa H P(X) : Peluang dari data sampel yang diamati P(X H) : Peluang dari data sampel X bila diasumsikan bahwa hipotesa benar Sehingga Naïve Bayesian Clasifier dapat didefinisikan juga sebagai metode klasifikasi yang berdasarkan teori probabilitas dan teorema bayesian dengan asumsi bahwa setiap variabel atauparameter penentu keputusan bersifat bebas (independence) sehingga keberadaan setiap variabel tidak ada kaitannya dengan keberadaan atribut yang lain. Adapun alur dari metode Naive Bayes adalah sebagai berikut:. Menghitung Nilai Peluang Kasus Baru Dari Setiap Hipotesa dengan Klas (Label) yang ada "P(XK Ci)". Menghitung Nilai Akumulasi Peluang Dari Setiap Klas "P(X Ci)". Menghitung Nilai P(X Ci) x P(Ci) 4. Menentukan Klas dari Kasus baru tersebut C. Angka Kelahiran Angka kelahiran menurut umur (Age Specific Fertility Rate/ASFR) adalah menunjukkan banyaknya kelahiran 000 perempuan [4]. ASFR merupakan indikator kelahiran yang memperhitungkan perbedaan fertilitas dari perempuan yang terpapar untuk melahirkan yaitu perempuan usia subur dengan memperhatikan karakteristik kelompok umurnya. Secara alamiah potensi (fekunditas) perempuan untuk melahirkan berbeda menurut umur, dan menjadi alami setelah usia 49 tahun. Secara sosial ada kecenderungan bahwa saat ini perempuan ingin membatasi jumlah anak setelah umur 5 tahun. Pengetahuan mengenai ASFR akan berguna untuk pelaksanaan program KB dan peningkatan pelayanan kesehatan Ibu dan Anak. Indikator ASFR merupakan data dasar untuk mengembangkan proyeksi penduduk, untuk mengetahui jumlah penduduk menurut umur dan jenis kelamin dimasa yang akan datang. Hasil proyeksi penduduk merupakan basis data untuk perencanaan pembangunan manusia di tahun-tahun mendatang. Menurut Mulyadi, Kelahiran merupakan hasil reproduksi yang nyata dari seorang wanita atau sekelompok wanita. Dengan kata lain fertilitas ini menyangkut banyaknya bayi yang lahir hidup. Fertilitas dalam pengertian demografi adalah kemampuan riil seorang wanita untuk melahirkan, yang dicerminkan dalam jumlah bayi yang dilahirkan. Tingkat kelahiran (fertilitas) ditentukan oleh jumlah penduduk wanita yang berada pada usia reproduksi. Semakin banyak jumlah penduduk wanita usia reproduksi, maka diasumsikan jumlah kelahiran semakin banyak pula. Pengukuran kelahiran lebih kompleks dibandingkan dengan pengukuran mortalitas, karena seorang perempuan hanya meninggal satu kali, tetapi ia dapat melahirkan lebih dari seorang bayi. Disamping itu seorang yang meninggal pada hari dan waktu tertentu, berarti mulai saat itu orang tersebut tidak mempunyai resiko kematian lagi. Sebaliknya seorang perempuan yang telah melahirkan seorang anak tidak berarti mengalami resiko melahirkan dari perempuan tersebut menurun. Kompleksnya pengukuran fertilitas karena melibatkan dua orang (suami dan istri), sedangkan kematian hanya melibatkan satu orang saja yang meninggal. Data angka kelahiran menjadi peluang pasar diindonesia. Tiap tahun, angka kelahiran meningkat,49 persen. III. ANALISA Dalam penelitian skripsi ini akan di cari nilai peluang kasus baru dari setiap hipotesa dengan kelas (label) yang ada hubungannya dengan Angka Kelahiran. Dalam menentukan Angka kelahiran yang akan diprediksi adalah dengan mengumpulkan data data penduduk yang sudah didata sebelumnya. Untuk mengatasi permasalahan dalam memprediksi angka kelahiran untuk tahun 07 diperlukan suatu alat analisis bagi kantor kepala desa untuk mengetahui tingkat tinggi atau rendahnya angka kelahiran pada setiap dusun khususnya pada desa lalang. Maka, metode klasifikasi mampu menemukan model yang membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Oleh sebab itu, algoritma naive bayes dapat memprediksi peluang di masa depan berdasarkan pengalaman dimasa sebelumnya. Sehingga dapat mengetahui tinggi atau rendahnya angka kelahiran pada suatu desa. Tabel. Data Kependudukan Desa Lalang lh Penduduk Klasifikasi Total Jumlah Angka Angka Penduduk Pernikahan Lk Pr Kelahiran Berdikari Merdeka Pekan Pengajian Barat Timur Lama Baru Sono Pandau Palas B. Klasifikasi Dari Kasus Baru Berdasarkan tabel di atas dapat dihitung klasifikasi data angka kelahiran apabila diberikan input berupa total jumlah kelahiran, angka pernikahan, dan angka kelahiran menggunakan algoritma Naive Bayes. Apabila diberikan input data baru, maka prediksi angka kelahiran dapat ditentukan melalui langkah berikut:. Memprediksi Angka Kelahiran Pada BERDIKARI. Kriteria Kriteria Kriteria 4
4 Berdikari P(Kriteria = Di bawah 5 Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di atas 5 Klasifikasi = P(Kriteria =9/0= 0,9 P(Kriteria = Di bawah 9 Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di Atas 9 Klasifikasi = P(Kriteria = 9/0= 0,9 P(Kriteria = Di bawah Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di atas Klasifikasi = P(Kriteria = 8/0= 0,8 P(X Klasifikasi = = 0, x 0, x 0, = 0,00 P(X Klasifikasi = = 0,9 x 0,69 x 0,8 = 0,648 (P(X Klasifikasi = x P(Klasifikasi = 0,648 x 4/0 = 0,59 (P(X Klasifikasi = x P(Klasifikasi = 0,00 x 6/0 = 0,00 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0.59 banding 0,00, Berdika ri Memprediksi Angka Kelahiran Pada MERDEKA. Kriteria Kriteria Kriteria Merdeka P(Kriteria = Di bawah 75 Klasifikasi = P(Kriteria = 5/0 = 0,5 P(Kriteria = Di atas 75 Klasifikasi = P(Kriteria =5/0= 0,5 P(Kriteria = Di bawah 7 Klasifikasi = P(Kriteria = 5/0 = 0,5 P(Kriteria = Di Atas 7 Klasifikasi = P(Kriteria = 5/0= 0,5 P(Kriteria = Di bawah 8 Klasifikasi = P(Kriteria = 5/0 = 0,5 P(Kriteria = Di atas 8 Klasifikasi = P(Kriteria = 5/0= 0,5 P(X Klasifikasi = = 0,5 x 0,5 x 0,5 = 0,5 P(X Klasifikasi = = 0,5 x 0,5 x 0,5 = 0,5 (P(X Klasifikasi = x P(Klasifikasi = 0,5 x 4/0 = 0,05 (P(X Klasifikasi = x P(Klasifikasi = 0,5 x 6/0 = 0,075 Berdasarkan perhitungan akhir dengan mengalikan nilai peluang dari kasus yang di angkat, kita melihat bahwa nilai P(X = ) lebih tinggi dari P(X = ) = banding 0,05, Merdeka Dibawa h Memprediksi Angka Kelahiran Pada PEKAN. Kriteria Kriteria Kriteria Pekan P(Kriteria = Di bawah 69 Klasifikasi = P(Kriteria = 4/0 = 0,4 P(Kriteria = Di atas 69 Klasifikasi = P(Kriteria =6/0= 0,6 P(Kriteria = Di bawah 5 Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di Atas 5 Klasifikasi = P(Kriteria = 7/0= 0,7 44
5 P(Kriteria = Di bawah 4 Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di atas 4 Klasifikasi = P(Kriteria = 8/0= 0,8 P(X Klasifikasi = = 0,6 x 0,7 x 0,8 = 0,6 P(X Klasifikasi = = 0,4 x 0, x 0, = 0,04 (P(X Klasifikasi = x P(Klasifikasi = 0,6 x 4/0 = 0,44 (P(X Klasifikasi = x P(Klasifikasi = 0,04 x 6/0 = 0,044 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0,44 banding 0,044, Pekan Memprediksi Angka Kelahiran Pada PENGAJIAN. Kriteria Kriteria Kriteria Pengajian P(Kriteria = Di bawah 996 Klasifikasi = P(Kriteria = 9/0 = 0,9 P(Kriteria = Di atas 996 Klasifikasi = P(Kriteria =/0= 0, P(Kriteria = Di bawah 9 Klasifikasi = P(Kriteria = 6/0 = 0,6 P(Kriteria = Di Atas 9 Klasifikasi = P(Kriteria = 4/0= 0,4 P(Kriteria = Di bawah 0 Klasifikasi = P(Kriteria = 6/0 = 0,6 P(Kriteria = Di atas 0 Klasifikasi = P(Kriteria = 4/0= 0,4 P(X Klasifikasi = = 0, x 0,4 x 0,4 = 0,06 P(X Klasifikasi = = 0,9 x 0,6 x 0,4 = 0,6 (P(X Klasifikasi = x P(Klasifikasi = 0,06 x 4/0 = 0,064 (P(X Klasifikasi = x P(Klasifikasi = 0,6 x 6/0 = 0,96 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0.96 banding 0,064, Pengaji an Dibawa h 9 9 Dibawa h 0 0 Ketera ngan 5. Memprediksi Angka Kelahiran Pada MESJID BARAT. Kriteria Kriteria Kriteria Barat P(Kriteria = Di bawah 75 Klasifikasi = P(Kriteria = 5/0 = 0,5 P(Kriteria = Di atas 75 Klasifikasi = P(Kriteria =5/0= 0,5 P(Kriteria = Di bawah 6 Klasifikasi = P(Kriteria = 4/0 = 0,4 P(Kriteria = Di Atas 6 Klasifikasi = P(Kriteria = 6/0= 0,6 P(Kriteria = Di bawah 7 Klasifikasi = P(Kriteria = 4/0 = 0,4 P(Kriteria = Di atas 7 Klasifikasi = P(Kriteria = 6/0= 0,6 P(X Klasifikasi = = 0,5 x 0,6 x 0,6 = 0,8 P(X Klasifikasi = = 0,5 x 0,4 x 0,4 = 0,08 (P(X Klasifikasi = x P(Klasifikasi = 0,8 x 4/0 = 0,07 (P(X Klasifikasi = x P(Klasifikasi 45
6 = 0,08 x 6/0 = 0,048 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0,07 banding 0,048, Barat Memprediksi Angka Kelahiran Pada MESJID TIMUR. Kriteria Kriteria Kriteria Timur P(Kriteria = Di bawah 48 Klasifikasi = P(Kriteria = 0/0 = 0 P(Kriteria = Di atas 48 Klasifikasi = P(Kriteria =0/0= P(Kriteria = Di bawah Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di Atas 9 Klasifikasi = P(Kriteria = 9/0= 0,9 P(Kriteria = Di bawah 5 Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di atas 5 Klasifikasi = P(Kriteria = 7/0= 0,7 P(X Klasifikasi = = x 0,9 x 0,7 = 0,6 P(X Klasifikasi = = 0 x x 0,= 0 (P(X Klasifikasi = x P(Klasifikasi = Angka Kelahiran ) = 0,6 x 4/0 = 0,5 (P(X Klasifikasi = x P(Klasifikasi= Angka Kelahiran ) = 0 x 6/0 = 0 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0.96 banding 0,064, Timur Memprediksi Angka Kelahiran Pada TASAK LAMA. Kriteria Kriteria Kriteria Lama P(Kriteria = Di bawah 77 Klasifikasi = P(Kriteria = 7/0 = 0,7 P(Kriteria = Di atas 77 Klasifikasi = P(Kriteria =/0= 0, P(Kriteria = Di bawah Klasifikasi = P(Kriteria = 8/0 = 0,8 P(Kriteria = Di Atas Klasifikasi = P(Kriteria = /0= 0, P(Kriteria = Di bawah Klasifikasi = P(Kriteria = 7/0 = 0,7 P(Kriteria = Di atas Klasifikasi = P(Kriteria = /0= 0, P(X Klasifikasi = = 0, x 0, x 0, = 0,08 P(X Klasifikasi = = 0,7 x 0,8 x 0,7 = 0,9 (P(X Klasifikasi = x P(Klasifikasi = 0,08 x 4/0 = 0,07 (P(X Klasifikasi = x P(Klasifikasi = 0,9 x 6/0 = 0,5 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0.5 banding 0,07, lama Memprediksi Angka Kelahiran Pada TASAK BARU. Kriteria Kriteria Kriteria 46
7 baru P(Kriteria = Di bawah 56 Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di atas 56 Klasifikasi = P(Kriteria =8/0= 0,8 P(Kriteria = Di bawah 0 Klasifikasi = P(Kriteria = 7/0 = 0,7 P(Kriteria = Di atas 0 Klasifikasi = P(Kriteria = /0= 0, P(Kriteria = Di bawah 5 Klasifikasi = P(Kriteria = 8/0 = 0,8 P(Kriteria = Di atas 5 Klasifikasi = P(Kriteria = /0= 0, P(X Klasifikasi = = 0,8 x 0, x 0, = 0,048 P(X Klasifikasi = = 0, x 0,7 x 0,8= 0, (P(X Klasifikasi = x P(Klasifikasi = 0,048 x 4/0 = 0,09 (P(X Klasifikasi = x P(Klasifikasi = 0, x 6/0 = 0,067 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0,067 banding 0,09, baru Memprediksi Angka Kelahiran Pada SONO. Kriteria Kriteria Kriteria Sono P(Kriteria = Di bawah 99 Klasifikasi = P(Kriteria = 8/0 = 0,8 P(Kriteria = Di atas 99 Klasifikasi = P(Kriteria =/0= 0, P(Kriteria = Di bawah 6 Klasifikasi = P(Kriteria = 9/0 = 0,9 P(Kriteria = Di atas 6 Klasifikasi = P(Kriteria = /0= 0, P(Kriteria = Di bawah 0 Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di atas 0 Klasifikasi = P(Kriteria = 9/0= 0,9 P(X Klasifikasi = = 0, x 0, x 0,9 = 0,08 P(X Klasifikasi = = 0,8 x 0,9 x 0,= 0,07 (P(X Klasifikasi = x P(Klasifikasi = 0,08x 4/0 = 0,007 (P(X Klasifikasi = x P(Klasifikasi = 0, 07 x 6/0 = 0,04 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0,04 banding 0,007, Sono Memprediksi Angka Kelahiran Pada PANDAU PALAS. Kriteria Kriteria Kriteria Pandau Palas P(Kriteria = Di bawah 67 Klasifikasi = P(Kriteria = /0 = 0, P(Kriteria = Di atas 67 Klasifikasi = P(Kriteria =7/0= 0,7 P(Kriteria = Di bawah Klasifikasi = P(Kriteria = /0 = 0, 47
8 P(Kriteria = Di atas Klasifikasi = P(Kriteria = 9/0= 0,9 P(Kriteria = Di bawah 8 Klasifikasi = P(Kriteria = 0/0 = 0 P(Kriteria = Di atas 8 Klasifikasi = P(Kriteria = 0/0= P(X Klasifikasi = = 0,7 x 0,9 x = 0,6 P(X Klasifikasi = = 0, x 0, x 0= 0 (P(X Klasifikasi = x P(Klasifikasi = 0,6 x 4/0 = 0,5 (P(X Klasifikasi = x P(Klasifikasi = 0 x 6/0 = 0 bahwa nilai P(X = ) lebih tinggi dari P(X = ) = 0,5 banding 0,. Penentuan data training dapat mempengaruhi hasil pengujian, karena pola dari data training tersebut akan dijadikan sebagai rule untuk menentukan kelas pada data kependudukan. Sehingga tinggi atau rendah tingkat akurasi yang di dapat dipengaruhi oleh penentuan data training. REFERENCES [] Kennedi Tampubolon, Hoga Saragih, Bobby Reza, "Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan," Informasi dan Teknologi Ilmiah (INTI), vol. Volume : I, pp. 9-06, 0. [] Yuli Mardi, "Data Mining : Klasifikasi Menggunakan Algoritma C4.5," Jurnal Edik Informatika, pp. -9. [] Minarni, Firman Aldyanto, "Prediksi Jumlah Produksi Roti Menggunakan Metode Logika Fuzzy," Jurnal TEKNOIF, vol. 4, pp , Oktober 06. [4] Windi Yohana Oktavia, Tri Sukirno Putro, and Lapeti Sari, "Pengaruh tingkat pendidikan, struktur umur dan kematian bayi terhadap fertilitas di Kota Pekanbaru," JOM FEKON, vol. Vol., pp. -5, Oktober 04. Pandau Palas Berdasarkan perhitungan diatas bahwa dapat disimpulkan angka kelahiran pada setiap dusun desa lalang adalah sebagai berikut. Tabel Hasil Pengujian Data Angka Kelahiran Angka Kelahiran Berdikari Merdeka Pekan Pengajian Barat Timur Lama Baru Sono Pandau Palas IV. KESIMPULAN Berdasarkan dari hasil analisa dan perancangan, implementasi dan pengujian yang telah di bahas pada bab-bab sebelumnya, maka penulis dapat menarik beberapa kesimpulan, yaitu:. Aplikasi data mining dengan algoritma naïve bayes ini dapat digunakan pada Kantor Kepala Desa Lalang.. Aplikasi data mining dengan algoritma naïve bayes ini dapat mempermudah pihak admini untuk melakukan evaluasi penentuan angka kelahiran 48
Data Mining : Klasifikasi Menggunakan Algoritma C4.5
Data Mining : Klasifikasi Menggunakan Algoritma C4.5 Yuli Mardi Dosen Akademi Perekam dan Informasi Kesehatan (APIKES) Iris Padang Jl. Gajah Mada No. 23 Padang, Sumatera Barat adimardi@yahoo.com ABSTRAK
Lebih terperinciProdi Sistem Informasi, STMIK Triguna Dharma Medan. Prodi Sistem Komputer, STMIK Triguna Dharma Medan . : #1
ISSN : 1978-6603 Penerapan Data Mining dengan Algoritma Naive Bayes Clasifier untuk Mengetahui Minat Beli Pelanggan terhadap Kartu Internet XL (Studi Kasus di CV. Sumber Utama Telekomunikasi) Dicky Nofriansyah
Lebih terperinciIMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI DATA NASABAH BANK DALAM PENAWARAN DEPOSITO BERJANGKA DENGAN MENGGUNAKAN ALGORITMA KLASIFIKASI NAIVE BAYES
IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI DATA NASABAH BANK DALAM PENAWARAN DEPOSITO BERJANGKA DENGAN MENGGUNAKAN ALGORITMA KLASIFIKASI NAIVE BAYES Nama : Muhammad Rizki NPM : 54410806 Jurusan Pembimbing
Lebih terperinciBAB II TINJAUAN PUSTAKA. sekumpulan besar data yang tersimspan dalam penyimpanan dengan
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Data Mining A. Pengertian Data Mining Menurut Gartner Group data mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan
Lebih terperinciPENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah Proses yang menggunakan
Lebih terperinciBAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan
6 BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Saat ini, perkembangan teknologi telah memberikan pengaruh yang sangat besar di dalam kehidupan manusia. Salah satu pengaruh tersebut di bidang informasi yaitu dalam
Lebih terperinciKlasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree
Klasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree Disusun oleh : Budanis Dwi Meilani Achmad dan Fauzi Slamat Jurusan Sistem Informasi Fakultas Teknologi Informasi.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciBAB I PENDAHULUAN. Peminatan atau bidang peminatan adalah sebuah jurusan yang harus di
BAB I PENDAHULUAN I. Latar Belakang Peminatan atau bidang peminatan adalah sebuah jurusan yang harus di ambil oleh mahasiswa untuk menentukan arah kompetensi dan keahlian mahasiswa tersebut yang mana di
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu pelayanan dalam dunia perbankan adalah pemberian pinjaman kredit kepada nasabah yang memenuhi syarat perbankan. kredit merupakan sumber utama penghasilan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Mining 2.1.1 Pengertian Data Mining Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka dibutuhkan metode analisis yang tepat. Data mining
Lebih terperinciPENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5
PENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5 Annisak Izzaty Jamhur Universitas Putera Indonesia YPTK Padang e-mail: annisakizzaty@yahoo.com Abstract
Lebih terperinciMODEL DATA MINING CAPAIAN PEMBELAJARAN. N. Tri Suswanto Saptadi. Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 12/4/2015
1 MODEL DATA MINING N. Tri Suswanto Saptadi CAPAIAN PEMBELAJARAN Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 1 3 Definisi Mining : proses atau usaha untuk mendapatkan sedikit barang
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciTINJAUAN PUSTAKA Data Mining
25 TINJAUAN PUSTAKA 2.1. Data Mining Definisi sederhana dari data mining adalah ekstraksi informasi atau pola yang penting atau menarik dari data yang ada di database. Secara lengkap, Data mining merupakan
Lebih terperinciAkurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa
Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa dengan Metode NAÏVE BAYES M. Ridwan Effendi Fakultas Komputer Jurusan Sistem Informasi Universitas Mohammad Husni Thamrin Jakarta Email :
Lebih terperinciBAB I PENDAHULUAN. Kemajuan teknologi saat ini membuat samartphone hadir dengan berbagai
BAB I PENDAHULUAN I. 1. Latar Belakang Kemajuan teknologi saat ini membuat samartphone hadir dengan berbagai macam model dan fitur, sehingga masyarakat banyak membeli smartphone yang sesuai dengan keinginan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Saham 2.1.1 Pengenalan Saham Saham adalah surat berharga yang merupakan tanda kepemilikan seseorang atau badan usaha terhadap suatu perusahaan (Athanasius, 2012). 2.1.2 Pengenalan
Lebih terperinciBAB III METODOLOGI PENELITIAN
40 BAB III METODOLOGI PENELITIAN 3.1 DESAIN PENELITIAN Dalam melakukan penelitian, dibutuhkan desain penelitian agar penelitian yang dilakukan dapat berjalan dengan baik. Berikut ini merupakan desain penelitian
Lebih terperinciPREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciPENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI KEPUTUSAN NASABAH TELEMARKETING DALAM MENAWARKAN DEPOSITO
PENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI KEPUTUSAN NASABAH TELEMARKETING DALAM MENAWARKAN DEPOSITO Wahyu Nurjaya WK 1, Yusrina Adani 2 Program Studi Sistem Informasi, STMIK LPKIA Bandung Program
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK MEMPREDIKSI KETEPATAN LAMARAN KERJA SISWA MENGGUNAKAN METODE NAIVE BAYES DI SMK ISLAM 1 DURENAN
SISTEM PENDUKUNG KEPUTUSAN UNTUK MEMPREDIKSI KETEPATAN LAMARAN KERJA SISWA MENGGUNAKAN METODE NAIVE BAYES DI SMK ISLAM 1 DURENAN SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat
Lebih terperinciBAB II TINJAUAN PUSTAKA Indeks Prestasi Kumulatif dan Lama Studi. menggunakan dokumen/format resmi hasil penilaian studi mahasiswa yang sudah
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Indeks Prestasi Kumulatif dan Lama Studi Mahasiswa yang telah menyelesaikan keseluruhan beban program studi yang telah ditetapkan dapat dipertimbangkan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
Lebih terperinciOleh : Selvia Lorena Br Ginting, Reggy Pasya Trinanda. Abstrak
TEKNIK DATA MINING MENGGUNAKAN METODE BAYES CLASSIFIER UNTUK OPTIMALISASI PENCARIAN PADA APLIKASI PERPUSTAKAAN (STUDI KASUS : PERPUSTAKAAN UNIVERSITAS PASUNDAN BANDUNG) Oleh : Selvia Lorena Br Ginting,
Lebih terperinciAPLIKASI ROUGH SET UNTUK MEMPREDIKSI PRESTASI CALON ANGGOTA KELOMPOK PROGRAMMING (STUDI KASUS : STMIK PELITA NUSANTARA)
APLIKASI ROUGH SET UNTUK MEMPREDIKSI PRESTASI CALON ANGGOTA KELOMPOK PROGRAMMING (STUDI KASUS : STMIK PELITA NUSANTARA) Muhammad Romi Syahputra Teknik Informatika STMIK Pelita Nusantara Medan, Jl. Iskandar
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMA PROGRAM KELUARGA HARAPAN MENGGUNAKAN METODE NAIVE BAYES
SISTEM PENDUKUNG KEPUTUSAN PENERIMA PROGRAM KELUARGA HARAPAN MENGGUNAKAN METODE NAIVE BAYES SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Jurusan Teknik
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciSKRIPSI TI S1 FIK UDINUS 1
SKRIPSI TI S FIK UDINUS PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA TEKNIK INFORMATIKA S FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO
Lebih terperinciBAB I PENDAHULUAN. sangatlah pesat, ini dapat dilihat dari kemunculan berbagai aplikasi-aplikasi yang
1 BAB I PENDAHULUAN I.1 Latar Belakang Perkembangan teknologi perangkat lunak pada masa sekarang ini sangatlah pesat, ini dapat dilihat dari kemunculan berbagai aplikasi-aplikasi yang dapat memudahkan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Studi Sebelum melakukan penelitian penulis terlebih dahulu melakukan tinjauan pustaka dari penelitian lain dan penelitian tentang prediksi penjurusan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Internet saat ini merupakan kebutuhan pokok yang tidak bisa dipisahkan dari segenap sendi kehidupan. Berbagai pekerjaan ataupun kebutuhan dapat dilakukan melalui media
Lebih terperinciALGORITMA BAYESIAN CLASSIFICATION UNTUK MEMPREDIKSI HEREGRISTRASI MAHASISWA BARU DI STMIK WIDYA PRATAMA
ALGORITMA BAYESIAN CLASSIFICATION UNTUK MEMPREDIKSI HEREGRISTRASI MAHASISWA BARU DI STMIK WIDYA PRATAMA Devi Sugianti Program Studi Sistem Informasi,STMIK WidyaPratama Jl. Patriot 25 Pekalongan Telp (0285)427816
Lebih terperinciANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA)
ANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA) Harvei Desmon Hutahaean 1, Bosker Sinaga 2, Anastasya Aritonang Rajagukguk 2 1 Program
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI penelitian. Pada bab ini akan dibahas literatur dan landasan teori yang relevan dengan 2.1 Tinjauan Pustaka Kombinasi metode telah dilakukan oleh beberapa peneliti
Lebih terperinciANALISA PENERAPAN DATAMINING PADA PENJUALAN PRODUK OLI MESIN SEPEDA MOTOR DENGAN ALGORITMA APRIORI
ANALISA PENERAPAN DATAMINING PADA PENJUALAN PRODUK OLI MESIN SEPEDA MOTOR DENGAN ALGORITMA APRIORI Siti Sundari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan Medan Jalan Hm. Joni No 70
Lebih terperinciPENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI
PENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI Fitri Nurchalifatun Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Jl.
Lebih terperinciCONTOH KASUS DATA MINING
CONTOH KASUS DATA MINING CONTOH KASUS DATA MINING Sebuah rumah sakit ingin ingin menekan biaya perawatan pasien tanpa mengurangi kualitas pelayanan. Salahsatu potensi yang dapat dimanfaatkan pada penerapan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciBAB I PENDAHULUAN. tindakan di antara beberapa alternatif yang tersedia. Setiap proses pengambilan. mencapai tujuan melalui pelaksanaan atau tindakan.
BAB I PENDAHULUAN I.1. Latar Belakang Pengambilan keputusan dapat dianggap sebagai suatu hasil atau keluaran dari proses mental atau kognitif yang membawa pada pemilihan suatu jalur tindakan di antara
Lebih terperinciCross Industry Standard Process for Data Mining (CRISP-DM) Nama : Siti Maskuroh NIM : A Kel : A
Cross Industry Standard Process for Data Mining (CRISP-DM) Nama : Siti Maskuroh NIM : A11.2011.06038 Kel : A11.4812 CRISP-DM CRISP - DM adalah metodologi data mining komprehensif dan Model proses untuk
Lebih terperincihttp://www.brigidaarie.com proses menganalisa data untuk mencari polapola tersembunyi dengan menggunakan metodologi otomatis Istilah lain : Machine Learning Knowledge Discovery in Database (KDD) Predictive
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA Erik Hadi Saputra 1), Burhan Alfironi Muktamar 2) 1), 2) Teknik Informatika
Lebih terperinciData Mining. Pengenalan Sistem & Teknik, Serta Contoh Aplikasi. Avinanta Tarigan. 22 Nov Avinanta Tarigan Data Mining
Data Mining Pengenalan Sistem & Teknik, Serta Contoh Aplikasi Avinanta Tarigan 22 Nov 2008 1 Avinanta Tarigan Data Mining Outline 1 Pengertian Dasar 2 Classification Mining 3 Association Mining 4 Clustering
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
Lebih terperinciANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN
ANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN Eka Novita Sari (0911010) Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl.
Lebih terperinciBAB 1 PENDAHULUAN. terhadap peran sistem informasi dalam perusahaan sebagai bagian dari produktivitas.
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan teknologi informasi telah mampu mengubah persepsi manusia terhadap peran sistem informasi dalam perusahaan sebagai bagian dari produktivitas.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Perumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini sering terjadi data explosion problem yaitu data data yang tersimpan dalam database berjumlah sangat besar namun dari data data tersebut belum banyak dimanfaatkan
Lebih terperinciDIAGNOSIS PENYAKIT KANKER PAYUDARA MENGGUNAKAN METODE NAIVE BAYES BERBASIS DESKTOP
1 DIAGNOSIS PENYAKIT KANKER PAYUDARA MENGGUNAKAN METODE NAIVE BAYES BERBASIS DESKTOP Achmad Ramadhan Safutra 1, Dwi Wahyu Prabowo 1 1 Jurusan Sistem Informasi, Fakultas Ilmu Komputer Universitas Darwan
Lebih terperinciAlfa Saleh. Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan
PENERAPAN DATA MINING DENGAN METODE KLASIFIKASI NAÏVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DALAM MENGIKUTI ENGLISH PROFICIENCY TEST (Studi Kasus : Universitas Potensi Utama) Alfa Saleh Teknik Informatika
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup banyak digunakan, antara lain
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Mining 2.1.1 Pengertian Data Mining Beberapa definisi dari data mining antara lain: 1. Data Mining adalah proses menemukan korelasi baru yang memiliki makna, pola, dan
Lebih terperinciANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK
ANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK Dody Herdiana, S.T., M. Kom. Dosen PNS DPK pada Program Studi Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN. pengkomunikasian untuk masalah semi-terstruktur. Secara khusus, SPK
BAB I PENDAHULUAN I.1. Latar Belakang Decision Support Sistem (DSS) atau Sistem Pendukung Keputusan (SPK) secara umum didefinisikan sebagai sebuah sistem yang mampu memberikan kemampuan baik kemampuan
Lebih terperinciKata kunci : metode pencarian, perpustakaan, Naïve Bayes Classifier.
PENGGUNAAN METODE NAÏVE BAYES CLASSIFIER PADA APLIKASI PERPUSTAKAAN Selvia Lorena Br Ginting,S.Si., MT 1, Reggy Pasya Trinanda 2 1,2 Jurusan Teknik Komputer Unikom, Bandung 1 selvialorena@yahoo.com, 2
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perusahaan ritel yang menyediakan berbagai kebutuhan berkembang pesat bukan hanya di kota besar saja tetapi juga di kota-kota kecil. Untuk memperoleh keuntungan yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peminatan siswa SMA Negeri 8 Bandung dilakukan di kelas X SMA setelah tahap daftar ulang. Hal tersebut berdasarkan aturan kurikulum 2013 [11]. Peminatan merupakan hal
Lebih terperinciBAB I PENDAHULUAN. dalam suatu sistem basis data melalui aplikasi sistem informasi manajemen. Dari
BAB I PENDAHULUAN I.1. Latar Belakang Persaingan yang semakin ketat dalam penjualan menuntut para pebisnis untuk menemukan suatu strategi yang dapat meningkatkan penjualan dan pemasaran produk yang dijual,
Lebih terperinciPENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA
PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA Domma Lingga Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
Lebih terperinciBAB I PENDAHULUAN. Oleh karena itu dalam melakukan Kegiatan usahanya sehari-hari bank harus
BAB I PENDAHULUAN I.1. Latar Belakang Bank adalah lembaga keuangan yang usaha pokoknya adalah menghimpun dana dan menyalurkan kembali dana tersebut ke masyarakat dalam bentuk kredit serta memberikan jasa-jasa
Lebih terperinciIMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSI DATA ULANG PENSIUN
IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSI DATA ULANG PENSIUN Wendi Wirasta, Novia Ervianti 2 Dosen Sistem Informasi, STMIK LPKIA Bandung 2 Program Studi Sistem Informasi, STMIK LPKIA Bandung
Lebih terperinciBAB 1 KONSEP DATA MINING 2 Gambar 1.1 Perkembangan Database Permasalahannya kemudian adalah apa yang harus dilakukan dengan data-data itu. Sudah diket
Bab1 Konsep Data Mining POKOK BAHASAN: Konsep dasar dan pengertian Data Mining Tahapan dalam Data Mining Model Data Mining Fungsi Data Mining TUJUAN BELAJAR: Setelah mempelajari materi dalam bab ini, mahasiswa
Lebih terperinciPENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
PENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Andi Gita Novianti 1, Dian Prasetyo 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Manajemen,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses semi otomatik
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO - PARE
IMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO - PARE SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.)
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Deposito merupakan salah satu tabungan berjangkaayangamodel pengambilannya berdasarkan pada kesepakatan dari pihak bank dengan nasabah deposito [1].Suku bunga
Lebih terperinciMODUL 12 Model Prediktif
MODUL 12 Model Prediktif Prediktif Analytics adalah teknologi yang menangkap proses data mining dalam rutinitas sederhana. Kadang-kadang disebut "one-click data mining," Model ini menyederhanakan dan mengotomatisasi
Lebih terperinciProgram Studi Sistem Informasi, STMIK Triguna Dharma
Sains dan Komputer (SAINTIKOM) Vol.17, No.1, Februari 2018, pp. 01~07 ISSN: 1978-6603 1 Penerapan Data Mining Dalam Memprediksi Tingkat Kelulusan Uji Kompetensi (UKOM) Bidan Pada STIKes Senior Medan Dengan
Lebih terperinciMETODE KLASIFIKASI DENGAN ALGORITMA NAÏVE BAYES UNTUK REKOMENDASI PENJURUSAN SMA TERANG BANGSA
Techno.COM, Vol. 15, No. 3, Agustus 216: 195-2 METODE KLASIFIKASI DENGAN ALGORITMA NAÏVE BAYES UNTUK REKOMENDASI PENJURUSAN SMA TERANG BANGSA Andrew Yova Kencana 1, Setia Astuti 2 1,2 Jurusan Teknik Ilmu
Lebih terperinciPENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT
PENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT Dedy Ahmad Kurniawan 1), Danny Kriestanto 2) Teknik Informatika, STMIK AKAKOM e-mail: dedyahmad.akakom10@gmail.com 1), danny@akakom.ac.id 2) ABSTRAK
Lebih terperinciMateri 2 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 2 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya nizar.radliya@yahoo.com Nama Mahasiswa NIM Kelas Memahami definisi, proses serta teknik data mining. Pengenalan
Lebih terperinciSurmayanti 1, Hari Marfalino 2, Ade Rahmi 3 Fakultas Limu Komputer Universitas Putra Indonesia YPTK Padang
PENERAPAN ANALYSIS CLUSTERING PADA PENJUALAN KOMPUTER DENGAN PERANCANGANAN APLIKASI DATA MINING MENGGUNAKAN ALGORITMA K-MEANS (STUDY KASUS TOKO TRI BUANA KOMPUTER KOTA SOLOK) Surmayanti 1, Hari Marfalino
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
Bab 1 Pendahuluan BAB 1 PENDAHULUAN 1.1. Latar Belakang Pada era globalisasi saat ini, perkembangan teknologi tidak dapat dihindarkan dalam kehidupan manusia. Perkembangan teknologi yang ada, memiliki
Lebih terperinciOleh: Astrid Darmawan Pembimbing: Selvia Lorena Br. Ginting, M.T Wendi Zarman, M.Si
PEMBUATAN APLIKASI DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD (Studi Kasus Data Akademik Jurusan Teknik Komputer-S1 Universitas Komputer Indonesia)
Lebih terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciLATIHAN ANALISIS KEPENDUDUKAN
Http://arali2008.wordpress.com LATIHAN ANALISIS KEPENDUDUKAN OLEH Arsad Rahim Ali Staf Dinas Kesehatan Kab Polewali Mandar Analisa kependudukan dibatasi pada analisa distribusi jenis kelamin dan usia,
Lebih terperinciKonsep Data Mining. Pendahuluan. Bertalya. Universitas Gunadarma 2009
Konsep Data Mining Pendahuluan Bertalya Universitas Gunadarma 2009 Latar Belakang Data yg dikumpulkan semakin bertambah banyak Data web, e-commerce Data pembelian di toko2 / supermarket Transaksi Bank/Kartu
Lebih terperinciPenerapan Data Mining dalam Memprediksi Pembelian cat
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining dalam Memprediksi Pembelian cat Fitriana Harahap STMIK POTENSI UTAMA Jl. KL. Yos Sudarso KM 6,5
Lebih terperinciAPLIKASI PENENTUAN ANGGOTA KELAS UNGGULAN DENGAN METODE NAÏVE BAYES
APLIKASI PENENTUAN ANGGOTA KELAS UNGGULAN DENGAN METODE NAÏVE BAYES SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Teknik (S.Kom) Pada Program Studi Teknik Informatika Oleh:
Lebih terperinciBAB I PENDAHULUAN. masalah kecerdasan, desain, pemilihan, implementasi, dan monitoring (Tripathi,
BAB I PENDAHULUAN 1.1 Latar Belakang Pengambilan suatu keputusan dapat membantu dalam mencari solusi dari sekian banyak solusi yang ada. Pengambilan keputusan adalah hasil dari suatu proses yang termasuk
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pengunduran Diri Mahasiswa Hampir tidak ada perguruan tinggi baik negeri maupun swasta (PTN/PTS) yang tidak pernah mahasiswanya mengundurkan diri sebagai mahasiswa di PTN/PTS
Lebih terperinciPERANCANGAN APLIKASI PENENTUAN JURUSAN DI SMA MENGGUNAKAN METODE K-MEANS
PERANCANGAN APLIKASI PENENTUAN JURUSAN DI SMA MENGGUNAKAN METODE K-MEANS Herianto Manurung (1011933) Mahasiswa Program Studi Teknik Informatika STMIK Budi Darma Medan Jl. Sisingamangaraja No. 338 Simpang
Lebih terperinciISSN : STMIK AMIKOM Yogyakarta, 6-8Februari 2015
KLASIFIKASI DATA NAP (NOTA ANALISIS PEMBIAYAAN) DENGAN 5C+1S UNTUK PENENTUAN TINGKAT KEAMANAN PEMBIAYAAN MENGGUNKAN ALGORITMA NAÏVE BAYES CLASSIFIER PADA BANK SYARIAH Sumarni Adi1) 1) Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN. yakni teknik mesin, teknik elektro dan teknik informatika. Namun bagi para calon
BAB I PENDAHULUAN I.1. Latar Belakang Sekolah Tinggi Teknologi Sinar Husni (STT. Sinar Husni) memiliki mahasiswa yang mayoritasnya adalah para pekerja, oleh karena itu banyak para pekerja yang melanjutkan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian terkait Penelitian ini sebelumnya dilakukan studi kepustakaan dari penelitian terdahulu sebagai dasar atau acuan untuk menyelesaikan tugas akhir. Dari studi kepustakaan
Lebih terperinciBAB I PENDAHULUAN. Toko central menjual berbagai macam aksesoris hp untuk masyarakat yang
BAB I PENDAHULUAN I.1. Latar Belakang Toko central menjual berbagai macam aksesoris hp untuk masyarakat yang akan membeli. Toko central menyediakan aksesoris hp sesuai dengan banyaknya permintaan dari
Lebih terperinciJURNAL IT STMIK HANDAYANI
VISUALISASI BANGUNAN PADA MASJID PENDEKATAN TEKNIK DATA MINING PADA PUSAT DATA KESEHATAN NASIONAL MENGGUNAKAN MAP VISUALIZATION M. Adnan Nur Teknik Informatika STMIK Handayani Makassar adnan0488@yahoo.com
Lebih terperinciBAB I PENDAHULUAN. ada tiga, yaitu association rules, classification dan clustering.
BAB I PENDAHULUAN 1.1. Latar Belakang Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data. Informasi yang
Lebih terperinciPenerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop)
157 Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop) Elly Muningsih AMIK BSI Yogyakarta E-Mail : elly.emh@bsi.ac.id Abstrak Berkembangnya
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN
PENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN Fauziah Nur1, Prof. M. Zarlis2, Dr. Benny Benyamin Nasution3 Program Studi Magister Teknik Informatika, Universitas
Lebih terperinciPENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI
PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI Gunawan 1, Fandi Halim 2, Tony Saputra Debataraja 3, Julianus Efrata Peranginangin 4
Lebih terperinciPenerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier
Penerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier Octia Nuraeni 55410244 Teknik Informatika Pembimbing : Dr. Riza Adrianti
Lebih terperinci2.2 Data Mining. Universitas Sumatera Utara
Basis data adalah kumpulan terintegrasi dari occurences file/table yang merupakan representasi data dari suatu model enterprise. Sistem basisdata sebenarnya tidak lain adalah sistem penyimpanan-record
Lebih terperinci