Gain Ratios Model Implementasi Decision Tree Analisis Kepuasan Konsumen terhadap Restoran Siap Saji

Ukuran: px
Mulai penontonan dengan halaman:

Download "Gain Ratios Model Implementasi Decision Tree Analisis Kepuasan Konsumen terhadap Restoran Siap Saji"

Transkripsi

1 84 Jurnal Teknik Elektro dan Komputer Vol. I, No. I, April 2013, Gain Ratios Model Implementasi Decision Tree Analisis Kepuasan Konsumen terhadap Restoran Siap Saji Warnia Nengsih Jurusan Komputer Program Studi Sistem Informasi Politeknik Caltex Riau Jl. Umbansari No1 Rumbai Pekanbaru Riau Abstrak Untuk memenangkan persaingan, manajemen restoran siap saji harus mampu memberikan, mempertahankan dan meningkatkan kepuasan kepada konsumen. Tingkat kepuasan konsumen berdampak pada market share yang diraih. Untuk meningkatkan kepuasan konsumen manajemen restoran siap saji harus mengetahui variablel variabel apa saja yang menjadi daya tarik konsumen pada restoran tersebut. Dengan menggunakan teknik decision tree data mining dihasilkan variabel-variabel yang menentukan tingkat kepuasan konsumen restoran siap saji dan menemukan variabel indikator yang berpengaruh sehingga restoran tersebut bisa mempertahankan dan meningkatkan pangsa pasar dan bisa berkembang dengan baik. Terdapat 4 variabel sebagai indikator ukur kepuasan konsumen terhadap restoran siap saji : rasa makanan, harga, suasana restoran serta variabel pelayanan. Faktor dengan Gain ratio tertinggi merupakan indikator yang paling berpengaruh terhadap tingkat kepuasan konsumen terhadap restoran siap saji. Gain ratios tertinggi diperoleh dari variabel Pelayanan restoran terhadap konsumen menunjukkan bahwa bahwa variable tersebut merupakan variabel root dari variabel variabel class yang ada. Harga yang bersaing, suasana yang nyaman, rasa produk yang enak ternyata tidak menjadi tolak ukur bertahannya keberadaan sebuah restoran saji. Namun faktor yang paling utama adalah pelayanan. Pelayanan prima terhadap konsumen menjadi salahsatu daya tarik agar konsumen datang lagi pada kesempatan yang lain. Kata kunci -- Datamining, Gain Ratios, Decision Tree, customer satisfaction, fast food restaurants Abstract To win the competition, the management of fast-food restaurants should be able to provide, maintain and enhance customer satisfaction. Level of customer satisfaction impact on market share achieved. To improve customer satisfaction management of fast-food restaurants need to know what variables the consumer appeal at the restaurant. By using the technique of decision tree data mining the resulting variable-variable that determine the level of customer satisfaction and a fast-food restaurant found the indicator variable that affects so restaurants can memmpertahankan and increase market share and thrive. There are 4 variables as an indicator measuring customer satisfaction with fast-food restaurants: taste food, price, atmosphere and variable service restaurant. Gain factors with the highest ratio is an indicator of the effect on the level of customer satisfaction with fast-food restaurants. Gain obtained the highest ratios of variables restaurant service to customers and it shows that the service is a root variable from variables competitive price, good atmosphere, a good sense of the product turned out to be a barometer of the persistence of the presence of a fast food restaurant. But the most important factor is service. Excellent service to the consumer to be one of the main incentive for the consumer to come again on another occasion. Keywords -- Datamining, Gain Ratios, Decision Tree, customer satisfaction, fast food restaurants 1. Pendahuluan Gaya hidup masyarakat serta faktor keefektifan dan keefisienan merupakan salahsatu pemicu geliat tumbuhnya restoran siap saji. Hal ini terbukti outlet-outlet yang bertebaran, hampir di setiap sudut kota dengan variatif jenis makanan cepat saji yang ditawarkan

2 Gain Ratios Model Implementasi Decision Tree Analisis 85 Tentunya keuntungan yang besar dan menjanjikan memberikan sebuah tantangan bagi para investor yang memiliki keunggulan dan kelebihan terjun pada bisnis ini. Persaingan dalam dunia bisnis terutama industri makanan menjadikan sebuah tolak ukur bagi para manajemen restoran agar tetap exis. Salahsatu factor penting yang harus diperhatikan adalah konsumen. Konsumen adalah Objek penentu untuk perkembangan sebuah bisnis.. Hal ini juga penentu untuk profit yang akan diperoleh karena tanpa konsumen sebuah industry tidak akan bisa bertahan. Untuk memenangkan persaingan, manajemen restoran siap saji harus mampu memberikan, mempertahankan dan meningkatkan kepuasan kepada konsumen. Tingkat kepuasan konsumen berdampak pada market share yang diraih. Untuk meningkatkan kepuasan konsumen manajemen restoran siap saji harus mengetahui variabel variabel apa saja yang menjadi daya tarik konsumen pada restoran tersebut. Kemudian dari beberapa indikator tersebut temukan indikator yang paling berpengaruh. Banyak cara yang dilakukan untuk mengatasi hal tersebut diantaranya adalah melakukan analisa pola kebiasan pelanggan, meningkatkan pelayanan serta senantiasa selalu meningkatkan dan mempertahankan kualitas produk, dan tetntunya promosi juga merupakan faktor yang perlu diperhatiakn. Namun hal yang tidak kalah penting adalah kualitas internal dari restoran tersebut seperti rasa produk, dimulai dari sistem pengelolaan yang baik, good atmosphere, menciptakan suasana kenyamanan restoran dengan memperhatikan faktor interior dan exterior, harga yang bersaing dan pelayanan yang diberikan. Dengan menggunakan teknik decision tree Data mining dihasilkan variabel-variabel yang menentukan tingkat kepuasan konsumen restoran siap saji dan menemukan variabel indikator yang berpengaruh sehingga restoran tersebut bisa mempertahankan dan meningkatkan pangsa pasar dan bisa berkembang dengan baik. 2. TINJAUAN PUSTAKA 2.1 Industri Makanan Cepat Saji Quick Service Restaurants atau lebih dikenal dengan restoran cepat saji merupakan salahsatu bentuk solusi dari budaya masyarakat dunia yang saat ini berpolemik dengan hal serba instant Produk yang disajikan tidak melalui fase yang rumit sehingga faktor kecepatan pelayanan menjadi hal yang bisa di utamakan. Berbagai bentuk makanan siap saji seperti burger, sandwich, chicken nuggets dan sebagainya. Jaminan kecepatan pelayanan yang diberikan menyebabkan industri di bidang ini tetap terus menjamur. 2.2 Penerapan Data Mining Penemuan pola pola atau pengetahuan baru dari serangkaian kegiatan atau melakukan analisa terhadap pola yang ada merupakan pengembangan dalam konsep data mining. Bidang ilmu ini merupakan pengembangan dari proses pencarian nilai tambah dari beberapa informasi yang tidak diketahui secara manual. Sebagai salahsatu media untuk membantu melakukan analisasi terhadap perubahan perilaku sebuah kondisi menjadikan datamining dikenal dengan beberapa istilah seperti knowledge discovery, knowledge extraction dan bisa dikategorikan ke dalam business intelligence. Data mining merupakan proses pencarian pola - pola yang menarik dan tersembunyi ( hidden pattern) dari suatu kumpulan data yang berukuran besar yang tersimpan dalam suatu basis data, data warehouse, atau tempat penyimpanan data lainnya (Tan dkk, 2006).

3 86 Warnia Nengsih Beberapa permodelan dan algoritma yang digunakan serta pemilihan teknik disesuaikan dengan kasus atau tujuan utama dari sebuah pengetahuan. Untuk mendapatkan pola beberapa teknik yang digunakan dalam data mining seperti neural network, decision tree, classification, genetic algorithm, association rules. 2.3 Decision Tree Decision tree atau struktur pohon. Seperti layaknya sebuah pohon memiliki cabang, daun dan akar. Salahsatu variabel yang digunakan akan menjadi variabel root sebagai penentu variabel output. Metode ini merupakan bagian dari teknik klasifikasi. Klasifikasi adalah proses menemukan kumpulan pola atau fungsi-fungsi yang mendeskripsikan dan memisahkan kelas data satu dengan lainnya, untuk dapat digunakan untuk memprediksi data yang belum memiliki kelas data tertentu. (Jianwei Han, 2001). Terdapat node atau disebut dengan root dari beberapa variabel yang ada. Berikut tahapan pembentukan node 1. Hitung Entropy 2. Hitung Information Gain (1) (2) 3. Atribut dengan Infromation Gain tertinggi dijadikan Node Entropy merupakan pengukuran dari jumlah informasi dari atribut. Dimana Probabilitas sampel di simbolkan dengan P +, sementara sampel psotif digambarkan dengan S + 3. UJI COBA Dari analisa primer yang diperoleh terdapat beberapa variabel yang menjadi indicator sebab dan 1 variabel yang menajadi variabel akkibat. Atau lebih dikenal dengan data training dan data testing. Berikut variabel variabel yang memempengaruhi kepuasan konsumen terhadap restoran cepat saji. 1. Variable Rasa Produk (Enak,biasa, tidak enak)= Data training 2. Variable Suasana Restoran (Nyaman, kurang nyaman dan tidak nyaman= Data training 3. Variabel Harga (Mahal, Normal dan Murah ) = Data Training 4. Variabel Pelayanan (Ramah, kurang ramah,tidak ramah)= Data training 5. Variabel Keterangan( Puas,tidak Puas) =Data Testing Analisa kepuasan konsumen terhadap restoran cepat saji untuk faktor rasa produk enak. If Faktor rasa produk=enak and Suasana restoran=tidak nyaman and Harga =normal and Pelayanan = Kurang Ramah then Keterangan=Puas If Faktor rasa produk=enak and Suasana restoran= nyaman and Harga =murah and Pelayanan =Tidak Ramah then Keterangan= Tidak Puas If Faktor rasa produk=enak and Suasana restoran= nyaman and Harga =Normal and If Faktor rasa produk=enak and Suasana restoran= Tidak Nyaman and Harga =Murah and Pelayanan = Kurang Ramah then Keterangan= Tidak Puas If Faktor rasa produk=enak and Suasana restoran= Kurang Nyaman and Harga =Normal and Pelayanan = Kurang Ramah then Keterangan= Puas If Faktor rasa produk=enak and Suasana restoran= Kurang Nyaman and Harga =Mahal and Pelayanan = Tidak Ramah then Keterangan= Tidak Puas

4 Gain Ratios Model Implementasi Decision Tree Analisis 87 If Faktor rasa produk=enak and Suasana restoran= Tidak Nyaman and Harga = Murah and If Faktor rasa produk=enak and Suasana restoran=kurang Nyaman and Harga = Normal and If Faktor rasa produk=enak and Suasana restoran= Nyaman and Harga = Normal and If Faktor rasa produk=enak and Suasana restoran=kurang Nyaman and Harga = Mahal and Analisa kepuasan konsumen terhadap restoran cepat saji untuk faktor rasa produk biasa. If Faktor rasa produk= Biasa and Suasana restoran= Nyaman and Harga =Murah and Pelayanan = Kurang Ramah then Keterangan= Puas If Faktor rasa produk= Biasa and Suasana restoran= Nyaman and Harga =Mahal and Pelayanan = Kurang Ramah then Keterangan= Tidak Puas If Faktor rasa produk= Biasa and Suasana restoran= Nyaman and Harga =Mahal and Pelayanan = Ramah then Keterangan= Tidak Puas Analisa kepuasan konsumen terhadap restoran cepat saji untuk faktor rasa produk tidak enak. If Faktor rasa produk= Tidak Enak and Suasana restoran= Nyaman and Harga =Murah and Pelayanan = Ramah then Keterangan= Tidak Puas If Faktor rasa produk= Tidak Enak and Suasana restoran= Nyaman and Harga =Mahal and Pelayanan = Tidak Ramah then Keterangan= Tidak Puas If Faktor rasa produk= Tidak Enak and Suasana restoran= Nyaman and Harga =Murah and If Faktor rasa produk= Tidak Enak and Suasana restoran= Nyaman and Harga =Murah and Dari 1000 data terdapat 2 kategori output class dengan nilai puas= dan tidak puas. Ada 2 nilai untuk pemilihan kepuasan konsumen terhadap restoran cepat saji, 650 nilai untuk Puas dan 350 untuk Tidak Puas Hal ini tertuang dalam bentuk fungsi berikut: (650/1000)*(- log 650/1000) + (350/1000)*(- log 350/1000) =0.04 Jika atribut Rasa Produk ditempatkan pada posisi root maka Enak : 350 Puas & 50 Tidak Puas Biasa : 370 Puas & 30 Tidak Puas Tidak Enak : 182 Puas & 18 Tidak Puas Probabilitas yang dihasilkan: (400/1000)*(- log 400/1000) + (400/1000)*(- log 400/1000) + (200/1000)*(- log 200/1000) =0.18 Jadi Gain (Tingkat Rasa Produk)= = Jika atribut suasana restoran ditempatkan pada posisi root maka Nyaman : 340 Puas & 56 Tidak Puas Kurang Nyaman : 204 Puas & 100 Tidak Puas Tidak Nyaman : 150 Puas & 150 Tidak Puas Probabilitas yang dihasilkan: (396/1000)*(- log 396/1000) + (304/1000)*(- log 304/1000) + (300/1000)*(- log 300/1000) =0.16 Jadi Gain (Suasana Restoran)=

5 88 Warnia Nengsih = -0,12 Jika atribut Harga ditempatkan pada posisi root maka Murah : 602 Puas & 58 Tidak Puas Normal : 140 Puas & 130 Tidak Puas Mahal : 60 Puas & 10 Tidak Puas Probabilitas yang dihasilkan (660/1000)*(-log660/1000)+(270/1000)*(-log 270/1000)*(70/1000)*(-log70/1000) =0.19 Jadi Gain (Harga)= = Jika atribut Pelayanan ditempatkan pada posisi root maka Ramah : 100 Puas & 250 Tidak Puas Kurang Ramah : 260 Puas & 150 Tidak Puas Tidak Ramah : 140 Puas & 100 Tidak Puas Probabilitas yang dihasilkan: (350/1000)*(- log 350/1000) + (410/1000)*(- log 410/1000) + (240/1000)*(-log 240/1000) =0.47 Jadi Gain (Pelayanan)= = Informasi Gain Ratios dari kelima atribut di atas adalah: Gain (Rasa Produk) = Gain (Suasana Restoran) = Gain (Harga) = Gain (Pelayanan) = Entropy_utama=-650/1000*log10(650/1000)-350/1000*log10(350/1000) %tingkat rasa produk "enak" Entropy(1,1)=-350/1000*log10(350/1000)-50/12*log10(50/12) %tingkat rasa produk "biasa" Entropy(1,2)=-370/1000*log10(370/1000)-30/1000*log10(30/1000) %tingkat rasa produk "tidak enak" Entropy(1,3)=-182/1000*log10(182/1000)-18/1000*log10(18/1000) %tingkat suasana restoran "nyaman" Entropy(3,1)=-340/1000*log10(340/1000)-56/1000*log10(56/1000) %tingkat suasana restoran "kurang nyaman" Entropy(3,2)=-204/1000*log10(204/1000)-100/1000*log10(100/1000) %tingkat suasana restoran "tidak nyaman" Entropy(3,3)=-150/1000*log10(150/1000)-150/1000*log10(150/1000) %tingkat harga "murah" Entropy(4,1)=-602/1000*log10(602/1000)-58/1000*log10(58/1000) %tingkat harga "normal" Entropy(4,2)=-140/1000*log10(140/1000)- 130/1000*log10(130/1000)- %tingkat harga "mahal" Entropy(4,3)=-60/1000*log10(60/1000)-104/1000*log10(104/1000) %tingkat pelayanan "ramah" Entropy(5,1)=-100/1000*log10(100/1000)-250/1000*log10(250/1000) %tingkat pelayanan "kurang ramah" Entropy(5,2)=-260/1000*log10(260/1000)-150/1000*log10(150/1000) %tingkat pelayanan "tidak ramah"

6 Gain Ratios Model Implementasi Decision Tree Analisis 89 Entropy(5,3)=-140/1000*log10(140/1000)- 100/1000*log10(100/1000) % gain tingkat suasana restoran %sort Gain in ascending order [ordered_gain, index_gain]=sort(gain); if index_gain(5)==1 disp('tingkat Rasa Produk attribute has the largest Gain value'); elseif index_gain(5)==2 disp('porsi Produk attribute has the largest Gain value'); elseif index_gain(5)==3 disp('suasana Restoran attribute has the largest Gain value'); elseif index_gain(5)==4 disp('harga attribute has the largest Gain value'); else disp('pelayanan attribute has the largest Gain value'); end %draw a figure figure; bar(gain'); xlabel('five Attributes: Rasa Produk,, Suasana Restoran, Harga, Pelayanan'); ylabel('gain value'); legend('rasa Produk', 'Suasana Restoran', 'Harga', 'Pelayanan'); title('gain value comparisons') 4. KESIMPULAN 4.1 Kesimpulan Berikut simpulan dari hasil analisa yang dilakukan : 1. Terdapat 4 variabel sebagai indikator ukur kepuasan konsumen terhadap restoran siap saji yaitu: rasa makanan, harga, suasana restoran serta variable pelayanan 2. Faktor dengan Gain ratios tertinggi merupakan indikator yang paling berpengaruh terhadap tingkat kepuasan konsumen terhadap restoran siap saji. Gain ratios tertinggi diperoleh dari variabel pelayanan restoran terhadap konsumen dan itu menunjukkan bahwa pelayanan merupakan variabel root dari variabel variabel class yang ada 3. Harga yang bersaing, suasana yang nyaman, rasa produk yang enak ternyata tidak menjadi tolak ukur bertahannya keberadaan sebuah restoran saji. Namun faktor yang paling utama adalah pelayanan. Pelayanan prima terhadap konsumen menjadi salahsatu daya tarik agar konsumen datang lagi pada kesempatan yang lain. 4.2 Saran Menambah dan memperluas indikator variabel sehingga lebih luas serta pecarian indikator masalah lain untuk pengembangan penelitian selanjutnya

7 90 Warnia Nengsih DAFTAR PUSTAKA [1] Kusrini & Luthfi, E. T Algoritma Data Mining. Yogyakarta: Andi [2] Publishing.aRokach, L., 2010.Using Fuzzy Logic in Data Mining.In : Maimon, O., Rokach, L., editors. [3] Data Mining and Knowledge Discovery Handbook Second Edition. London : Springer. [4] Tan, P.N., Steinbach, M. & Kumar, V Introduction to Data Mining Pearson Ed ucation, Inc. [5] Myatt, G.J A Practical Guide to Exploratory Data Analysis and Data Mining. John Wiley & Sons Inc., United States of America. [6] Tjiptono, F., Anastasia, D., 2004, Total Quality Management, Edisi Revisi, Penerbit ANDI, Yogyakarta.

IMPLEMENTASI DATA MINING UNTUK MENGETAHUI PERILAKU SESEORANG DALAM MEMBELI ALAT PANAHAN

IMPLEMENTASI DATA MINING UNTUK MENGETAHUI PERILAKU SESEORANG DALAM MEMBELI ALAT PANAHAN IMPLEMENTASI DATA MINING UNTUK MENGETAHUI PERILAKU SESEORANG DALAM MEMBELI ALAT PANAHAN PUBLIKASI ILMIAH Disusun sebagai salah satu syarat menyelesaikan Program Studi Strata I pada Program Studi Informatika

Lebih terperinci

Analisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang

Analisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang Analisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang Tia Arifatul Maulida Fakultas Ilmu Komputer, Universitas Dian Nuswantoro,

Lebih terperinci

STUDI KELAYAKAN PEMBUKAAN CABANG BARU BISNIS USAHA MENGGUNAKAN MODEL PREDIKTIF

STUDI KELAYAKAN PEMBUKAAN CABANG BARU BISNIS USAHA MENGGUNAKAN MODEL PREDIKTIF STUDI KELAYAKAN PEMBUKAAN CABANG BARU BISNIS USAHA MENGGUNAKAN MODEL PREDIKTIF Warnia Nengsih Prodi Sistem Informasi, Jurusan Komputer Politeknik Caltex Riau Jl. Umbansari No1 Rumbai Pekanbaru Riau 28265

Lebih terperinci

JURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA

JURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA JURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA IMPLEMENTATION OF DATA MINING WITH C4.5 ALGORITHM TO PREDICT STUDENT ACHIEVEMENT Oleh: SITI MUHIMATUL KHOIROH NPM

Lebih terperinci

Manfaat Pohon Keputusan

Manfaat Pohon Keputusan DECISION TREE (POHON KEPUTUSAN) Latar Belakang Pohon Keputusan Di dalam kehidupan manusia sehari-hari, manusia selalu dihadapkan oleh berbagai macam masalah dari berbagai macam bidang. Masalah-masalah

Lebih terperinci

Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN

Jurnal 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 terperinci

PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU

PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 6 BAB 2 LANDASAN TEORI Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database

Lebih terperinci

Kecerdasan Buatan Materi 6. Iterative Dichotomizer Three (ID3)

Kecerdasan Buatan Materi 6. Iterative Dichotomizer Three (ID3) Kecerdasan Buatan Materi 6 Iterative Dichotomizer Three (ID3) Pengertian ID3 Singkatan dari Iterative Dichotomiser Three. Atau Induction of Decision Tree. Diperkenalkan pertama kali oleh Ross Quinlan (1979)

Lebih terperinci

PENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA ABSTRACT

PENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA ABSTRACT PENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA Rodiyatul FS 1, Bayu Adhi Tama 2, Megah Mulya 3 1,2,3 Fakultas Ilmu Komputer, Universitas Sriwijaya

Lebih terperinci

DECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN

DECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN ISSN : 1978-6603 DECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN Zulfian Azmi #1, Muhammad Dahria #2 #1 Program Studi Sistem Komputer, #2 Program Studi Sistem Informasi STMIK Triguna Dharma

Lebih terperinci

Analisis Frekuensi Pola Pembelian Konsumen Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Bon Bon Resto Semarang

Analisis Frekuensi Pola Pembelian Konsumen Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Bon Bon Resto Semarang Analisis Frekuensi Pola Pembelian Konsumen Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Bon Bon Resto Semarang Nur Imam Fachruzi Fakultas Ilmu Komputer, Universitas Dian

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB 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 terperinci

PENGARUH KUALITAS PRODUK, HARGA DAN PROMOSI TERHADAP KEPUTUSAN PEMBELIAN PRODUK SUSU BUBUK MEREK L-MEN DI SEMARANG

PENGARUH KUALITAS PRODUK, HARGA DAN PROMOSI TERHADAP KEPUTUSAN PEMBELIAN PRODUK SUSU BUBUK MEREK L-MEN DI SEMARANG PENGARUH KUALITAS PRODUK, HARGA DAN PROMOSI TERHADAP KEPUTUSAN PEMBELIAN PRODUK SUSU BUBUK MEREK L-MEN DI SEMARANG Wishnu Pradityo Nugroho D2D 008 119 ABSTRACT This study aimed to determine the effect

Lebih terperinci

Rayendra AMIK Kosgoro Solok

Rayendra AMIK Kosgoro Solok TEKNIK KLASIFIKASI PENYUSUTAN VOLUME PUPUK TERHADAP PENYIMPANAN DI GUDANG MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : GUDANG PERSEDIAAN PUPUK PT. PUSRI KOTA SOLOK) Rayendra AMIK Kosgoro Solok Email : rayzha1206@gmail.com

Lebih terperinci

SOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA

SOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA SOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA Ade Putra Fakultas Vokasi, Program Studi Komputerisasi Akuntansi Universitas Bina Darma

Lebih terperinci

EKSPLORA INFORMATIKA 127

EKSPLORA INFORMATIKA 127 EKSPLORA INFORMATIKA 127 Implementasi Algoritma C4.5 untuk Analisa Performa Pelayanan Bank Terhadap Nasabah Implementation of C4.5 Algorithm for Bank Service Performance Analysis To Customer Fandi Ramadhan

Lebih terperinci

BAB 1 PENDAHULUAN 1-1

BAB 1 PENDAHULUAN 1-1 BAB 1 PENDAHULUAN Bab ini menguraikan penjelasan umum mengenai tugas akhir yang dikerjakan. Penjelasan tersebut meliputi latar belakang masalah, tujuan tugas akhir, lingkup tugas akhir, metodologi yang

Lebih terperinci

DAFTAR ISI. HALAMAN JUDUL... i. HALAMAN PENGESAHAN... ii. SURAT PERNYATAAN KEASLIAN SKRIPSI...iii SURAT PERNYATAAN MENGADAKAN PENELITIAN TIDAK

DAFTAR ISI. HALAMAN JUDUL... i. HALAMAN PENGESAHAN... ii. SURAT PERNYATAAN KEASLIAN SKRIPSI...iii SURAT PERNYATAAN MENGADAKAN PENELITIAN TIDAK ABSTRAK Persaingan bisnis di bidang retail sangat berkembang menyesuaikan diri dengan perubahan lingkungan eksternal. Pasar yang semakin cepat berubah, keinginan konsumen yang berubah, didukung tehnologi

Lebih terperinci

PERANCANGAN SISTEM PELAYANAN RESTORAN CEPAT SAJI DENGAN QUALITY FUNCTION DEPLOYMENT

PERANCANGAN SISTEM PELAYANAN RESTORAN CEPAT SAJI DENGAN QUALITY FUNCTION DEPLOYMENT PERANCANGAN SISTEM PELAYANAN RESTORAN CEPAT SAJI DENGAN QUALITY FUNCTION DEPLOYMENT Saat ini perkembangan sektor jasa semakin meningkat, kontribusi sektor ini terhadap pertumbuhan ekonomi tidak kalah

Lebih terperinci

PENERAPAN 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 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 terperinci

Jurnal String Vol. 1 No. 1 Tahun 2016 ISSN:

Jurnal String Vol. 1 No. 1 Tahun 2016 ISSN: KAJIAN KOMPARASI ALGORITMA C4.5, NAÏVE BAYES DAN NEURAL NETWORK DALAM PEMILIHAN PENERIMA BEASISWA (Studi Kasus pada SMA Muhammadiyah 4 Jakarta ) Ulfa Pauziah Program Studi Teknik Informatika, Universitas

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1. Data Mining Dengan perkembangan pesat teknologi informasi termasuk diantaranya teknologi pengelolaan data, penyimpanan data, pengambilan data disertai kebutuhan pengambilan

Lebih terperinci

ALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA

ALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA 53 ALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA Marwana*) Abstract : Abstract-This study is a simulation for memperiksi victory in a football game using the C4.5 data

Lebih terperinci

*Herlin Dwi Kartikasari **Abadyo Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Malang

*Herlin Dwi Kartikasari **Abadyo Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Malang ANALISIS KEPUASAN PELANGGAN DENGAN METODE IMPORTANCE PERFORMANCE ANALYSIS DAN PENGGUNAAN GRAFIK T 2 HOTELLING UNTUK PENGENDALIAN KUALITAS JASA (Studi Kasus di BRI Unit Wlingi Kantor Cabang Blitar) *Herlin

Lebih terperinci

ABSTRACT. vii. Universitas Kristen Maranatha

ABSTRACT. vii. Universitas Kristen Maranatha ABSTRACT Started by the increasing life style of people who frequently visit cafe with any reason as their needs, there are many cafes that compete to attract customers with different ways to achieve economic

Lebih terperinci

Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree

Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan

Lebih terperinci

Versi Online tersedia di : JURNAL TECH-E (Online)

Versi Online tersedia di :  JURNAL TECH-E (Online) JURNAL TECH-E - VOL. 1 NO. 1 (2017) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-116 (Online) Artikel Perancangan Aplikasi Prediksi Kelulusan Mahasiswa Tepat Waktu Pada

Lebih terperinci

Perencanan Pembuatan Game Anime MMORPG dengan pendekatan Penjualan Item mall untuk Player

Perencanan Pembuatan Game Anime MMORPG dengan pendekatan Penjualan Item mall untuk Player Perencanan Pembuatan Game Anime MMORPG dengan pendekatan Penjualan Item mall untuk Player Riswan Goenadi Winarso A11.2010.05816 Abstract Dalam menjalankan kehidupan manusia membutuhkan hiburan. Salah satu

Lebih terperinci

PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK

PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 412~416 412 PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK Elly Muningsih AMIK BSI Yogyakarta e-mail : elly.emh@bsi.ac.id

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang. Seiring dengan perkembangan zaman dan meningkatnya taraf kehidupan

BAB 1 PENDAHULUAN. 1.1 Latar Belakang. Seiring dengan perkembangan zaman dan meningkatnya taraf kehidupan BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring dengan perkembangan zaman dan meningkatnya taraf kehidupan masyarakat sekarang ini, maka sedikit banyak mempengaruhi pola konsumsi dan cara mereka dalam memenuhi

Lebih terperinci

Abstrak. Kata Kunci: Service Quality, Loyalitas Pelanggan. Universitas Kristen Maranatha

Abstrak. Kata Kunci: Service Quality, Loyalitas Pelanggan. Universitas Kristen Maranatha Abstrak Penelitian ini dilatarbelakangi oleh kondisi persaingan bisnis industri jasa pengiriman barang dari waktu ke waktu yang semakin banyak, sehingga perusahaan harus membuat strategi pemasaran baru

Lebih terperinci

ANALISA KELAYAKAN PEMBUKAAN CABANG BARU BISNIS USAHA DENGAN MENGGUNAKAN NAIVE BAYES CLASSIFICATION Warnia Nengsih 1 & Ibnu Surya 2

ANALISA KELAYAKAN PEMBUKAAN CABANG BARU BISNIS USAHA DENGAN MENGGUNAKAN NAIVE BAYES CLASSIFICATION Warnia Nengsih 1 & Ibnu Surya 2 ANALISA KELAYAKAN PEMBUKAAN CABANG BARU BISNIS USAHA DENGAN MENGGUNAKAN NAIVE BAYES CLASSIFICATION Warnia Nengsih 1 & Ibnu Surya 2 1 Sistem Informasi Politeknik Caltex Riau, Jl. Umbansari No1 Rumbai Pekanbaru

Lebih terperinci

KETEPATAN KLASIFIKASI STATUS KERJA DI KOTA TEGAL MENGGUNAKAN ALGORITMA C4.5 DAN FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS (FK-NNC) SKRIPSI

KETEPATAN KLASIFIKASI STATUS KERJA DI KOTA TEGAL MENGGUNAKAN ALGORITMA C4.5 DAN FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS (FK-NNC) SKRIPSI KETEPATAN KLASIFIKASI STATUS KERJA DI KOTA TEGAL MENGGUNAKAN ALGORITMA C4.5 DAN FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS (FK-NNC) SKRIPSI Disusun Oleh : ATIKA ELSADINING TYAS 24010211120013 JURUSAN STATISTIKA

Lebih terperinci

PENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL

PENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL PENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL Besse Helmi Mustawinar Teknik Informatika FTKOM Universitas Cokroaminoto Palopo Jl Latamacelling Nomor 19 Palopo,

Lebih terperinci

POHON KEPUTUSAN DENGAN ALGORITMA C4.5

POHON KEPUTUSAN DENGAN ALGORITMA C4.5 POHON KEPUTUSAN DENGAN ALGORITMA C4.5 1. Pengantar Algoritma C4.5 Klasifikasi merupakan salah satu proses pada data mining yang bertujuan untuk menemukan pola yang berharga dari data yang berukuran relatif

Lebih terperinci

Classification. Decision Tree. Decision Tree. Konsep Decision Tree. Penggunaan Decision Tree. When To Consider Decision Tree?

Classification. Decision Tree. Decision Tree. Konsep Decision Tree. Penggunaan Decision Tree. When To Consider Decision Tree? Classification Decision Tree esi 09 Dosen Pembina : Danang Junaedi IF-UTAMA 1 IF-UTAMA Konsep Decision Tree Decision Tree Mengubah data menjadi pohon keputusan (decision tree) dan aturan-aturan keputusan

Lebih terperinci

Prosiding Manajemen Komunikasi ISSN:

Prosiding Manajemen Komunikasi ISSN: Prosiding Manajemen Komunikasi ISSN: 2460-6537 Pengaruh Atribut Produk Terhadap Keputusan Pembelian Smartphone Xiaomi Mi 5 The Influence of Product Attributes Againts The Buying Decision of Smartphone

Lebih terperinci

Analisa Kelayakan Pembukaan Cabang Baru Bisnis Usaha dengan Menggunakan Naive Bayes Classification

Analisa Kelayakan Pembukaan Cabang Baru Bisnis Usaha dengan Menggunakan Naive Bayes Classification Jurnal Teknik Elektro dan Komputer, Vol. 2, No. 2, Oktober 2014, 217-224 217 Analisa Kelayakan Pembukaan Cabang Baru Bisnis Usaha dengan Menggunakan Naive Bayes Classification Warnia Nengsih 1 & Ibnu Surya

Lebih terperinci

BAB 5 KESIMPULAN DAN SARAN

BAB 5 KESIMPULAN DAN SARAN BAB 5 KESIMPULAN DAN SARAN 5.1. Kesimpulan Berdasarkan hasil dari pengolahan dan analisis data yang telah dipaparkan pada bab 4, didapatkan beberapa kesimpulan. 1. Berdasarkan hasil analisis persepsi konsumen

Lebih terperinci

SNIPTEK 2014 ISBN:

SNIPTEK 2014 ISBN: KOMPARASI MENGGUNAKAN ALGORITMA C4.5, NEURAL NETWORK DAN NAÏVE BAYES DALAM PREDIKSI UJIAN KOMPENTENSI SMK MAHADHIKA 4 JAKARTA Aswan Supriyadi Sunge STMIK Nusa Mandiri mardian82@gmail.com Kaman Nainggolan

Lebih terperinci

http://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 terperinci

PENELITIAN KEPUASAN KONSUMEN RESTORAN TUK TUK THAI KITCHEN DENGAN MEMPERHATIKAN KEPENTINGAN LAYANAN DAN KINERJANYA PROYEK AKHIR

PENELITIAN KEPUASAN KONSUMEN RESTORAN TUK TUK THAI KITCHEN DENGAN MEMPERHATIKAN KEPENTINGAN LAYANAN DAN KINERJANYA PROYEK AKHIR PENELITIAN KEPUASAN KONSUMEN RESTORAN TUK TUK THAI KITCHEN DENGAN MEMPERHATIKAN KEPENTINGAN LAYANAN DAN KINERJANYA PROYEK AKHIR Oleh: RULLY SEPTIANTO NIM : 29105135 Program Magister Administrasi Bisnis

Lebih terperinci

Analisa Data Mining Menggunakan Metode Bayes Untuk Mengukur Tingkat Kerusakan Mesin Motor (Studi Kasus Pada AHASS Astra Motor Kudus)

Analisa Data Mining Menggunakan Metode Bayes Untuk Mengukur Tingkat Kerusakan Mesin Motor (Studi Kasus Pada AHASS Astra Motor Kudus) Analisa Data Mining Menggunakan Metode Bayes Untuk Mengukur Tingkat Kerusakan Mesin Motor (Studi Kasus Pada AHASS Astra Motor Kudus) Yunus Pradika FakultasIlmuKomputer, Universitas Dian Nuswantoro, Jl.

Lebih terperinci

ABSTRACT. viii. Universitas Kristen Maranatha

ABSTRACT. viii. Universitas Kristen Maranatha ABSTRACT Companies that will win the competition in a market segment should be able to reach the level of quality, not just the quality of its products, but quality viewed from all aspect. This can be

Lebih terperinci

PERBANDINGAN DECISION TREE

PERBANDINGAN DECISION TREE 84 2015 Jurnal Krea-TIF Vol: 03 No: 02 PERBANDINGAN DECISION TREE PADA ALGORITMA C 4.5 DAN ID3 DALAM PENGKLASIFIKASIAN INDEKS PRESTASI MAHASISWA (Studi Kasus: Fasilkom Universitas Singaperbangsa Karawang)

Lebih terperinci

Analisa Kepuasan Konsumen Menggunakan Klasifikasi Decision Tree Di Restoran Dapur Solo (Cabang Kediri)

Analisa Kepuasan Konsumen Menggunakan Klasifikasi Decision Tree Di Restoran Dapur Solo (Cabang Kediri) Generation Journal / Vol.2 No.1 / e-issn : 2549-2233 / p-issn: 2580-4952 9 Analisa Kepuasan Konsumen Menggunakan Klasifikasi Decision Tree Di Restoran Dapur Solo (Cabang Kediri) Ahmad Shiddiq 1, Ratih

Lebih terperinci

LAPORAN TUGAS AKHIR PENINGKATAN KUALITAS PELAYANAN BERDASARKAN BAURAN PEMASARAN DI ASSALAM HYPERMARKET

LAPORAN TUGAS AKHIR PENINGKATAN KUALITAS PELAYANAN BERDASARKAN BAURAN PEMASARAN DI ASSALAM HYPERMARKET LAPORAN TUGAS AKHIR PENINGKATAN KUALITAS PELAYANAN BERDASARKAN BAURAN PEMASARAN DI ASSALAM HYPERMARKET Diajukan Sebagai Syarat Memperoleh Gelar Sarjana Teknik Jurusan Teknik Industri Fakultas Teknik Universitas

Lebih terperinci

PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5

PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,

Lebih terperinci

APLIKASI DATA MINING DENGAN METODE CLASSIFICATION BERBASIS ALGORITMA C4.5

APLIKASI DATA MINING DENGAN METODE CLASSIFICATION BERBASIS ALGORITMA C4.5 Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013 APLIKASI DATA MINING DENGAN METODE CLASSIFICATION BERBASIS ALGORITMA C4.5 Rizky Tahara Shita 1), Nita Marliani 2) 1, 2) Universitas Budi Luhur,

Lebih terperinci

PENGAMBILAN KEPUTUSAN UNTUK PENENTUAN BEASISWA TEPAT SASARAN MENGGUNAKAN METODE DECISION TREE DI SMK TARUNA BAKTI KERTOSONO

PENGAMBILAN KEPUTUSAN UNTUK PENENTUAN BEASISWA TEPAT SASARAN MENGGUNAKAN METODE DECISION TREE DI SMK TARUNA BAKTI KERTOSONO PENGAMBILAN KEPUTUSAN UNTUK PENENTUAN BEASISWA TEPAT SASARAN MENGGUNAKAN METODE DECISION TREE DI SMK TARUNA BAKTI KERTOSONO SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana

Lebih terperinci

Pengolahan Data. Algoritma C4.5 Menghitung entropi : Data Training (75%) = 220 data Data Testing (25%) = 73 data

Pengolahan Data. Algoritma C4.5 Menghitung entropi : Data Training (75%) = 220 data Data Testing (25%) = 73 data Algoritma C4.5 Menghitung entropi : engolahan Data Data Training (75%) = 220 data Data Testing (25%) = 73 data Entropi (y) = -p 1 log 2 p 1 p 2 log 2 p 2... p n log 2 p n Entropi IK -28/220*OG 2 (28/220)-156/220*OG

Lebih terperinci

Klasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree

Klasifikasi 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 terperinci

BAB 1 PENDAHULUAN Latar Belakang. Pertumbuhan pasar swalayan dewasa ini telah meningkat dengan pesat di

BAB 1 PENDAHULUAN Latar Belakang. Pertumbuhan pasar swalayan dewasa ini telah meningkat dengan pesat di BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan pasar swalayan dewasa ini telah meningkat dengan pesat di Indonesia, ditandai dengan semakin banyak dan menjamurnya pasar swalayan di berbagai tempat.

Lebih terperinci

DATA MINING POTENSI AKADEMIK SISWA BERBASIS ONLINE

DATA MINING POTENSI AKADEMIK SISWA BERBASIS ONLINE Didik Setiyadi, Ali Nurdin DATA MINING POTENSI AKADEMIK SISWA BERBASIS ONLINE 1 DIDIK SETIYADI, 2 ALI NURDIN 1,2 Sekolah Tinggi Manajemen Informatika dan Komputer Eresha Program Studi : Teknik Informatika

Lebih terperinci

DATA MINING KLASIFIKASI BERBASIS DECISION TREE. Ramadhan Rakhmat Sani, M.Kom

DATA MINING KLASIFIKASI BERBASIS DECISION TREE. Ramadhan Rakhmat Sani, M.Kom DATA MINING KLASIFIKASI BERBASIS DECISION TREE Ramadhan Rakhmat Sani, M.Kom Text Book Outline 1. Algoritma Data Mining Algoritma ID3 Algoritma C4.5 Algoritma C4.5 Introduction Algoritma C4.5 merupakan

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN 1.1 Data Training Data training adalah data yang digunakan untuk pembelajaran pada proses data mining atau proses pembentukan pohon keputusan.pada penelitian ini

Lebih terperinci

JURNAL IMPLEMENTASI ALGORITMA C4.5 DALAM PENENTUAN JURUSAN DI SMK PEMUDA PAPAR KEDIRI

JURNAL IMPLEMENTASI ALGORITMA C4.5 DALAM PENENTUAN JURUSAN DI SMK PEMUDA PAPAR KEDIRI JURNAL IMPLEMENTASI ALGORITMA C4.5 DALAM PENENTUAN JURUSAN DI SMK PEMUDA PAPAR KEDIRI C4.5 ALGORITHM IMPLEMENTATION IN DETERMINING THE DEPARTMENT OF SMK PEMUDA PAPAR KEDIRI Oleh: MARISA FITRI FATMAWATI

Lebih terperinci

PENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE

PENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE PENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE Castaka Agus Sugianto Program Studi Teknik lnformatika Politeknik TEDC Bandung

Lebih terperinci

ABSTRAK. Kata Kunci : Store Atmosphere, Kepuasan, Paris Van Java Mal

ABSTRAK. Kata Kunci : Store Atmosphere, Kepuasan, Paris Van Java Mal ABSTRAK Rico Shendy, 2009, Pengaruh Store Atmosphere Terhadap Kepuasan Pengunjung Paris Van Java Mal. di bawah bimbingan Ir. Zuhriati Zainudin, PhD., MBA. Munculnya sejumlah Mal baru di Bandung semakin

Lebih terperinci

SILABUS MATAKULIAH. Revisi : 4 Tanggal Berlaku : 04 September Strategi. Pembelajaran. - Standar Kompetensi - Relevansi - Penjelasan Kontrak

SILABUS MATAKULIAH. Revisi : 4 Tanggal Berlaku : 04 September Strategi. Pembelajaran. - Standar Kompetensi - Relevansi - Penjelasan Kontrak SILABUS MATAKULIAH Revisi : 4 Tanggal Berlaku : 04 September 2015 A. Identitas 1. Nama Matakuliah : Manajemen Jasa 2. Program Studi : Teknik Industri 3. Fakultas : Teknik 4. Bobot sks : 2 SKS 5. Elemen

Lebih terperinci

BAB V KESIMPULAN DAN SARAN. berganda dan path analysis adalah customer loyalty dijelaskan sebesar 26,2% oleh

BAB V KESIMPULAN DAN SARAN. berganda dan path analysis adalah customer loyalty dijelaskan sebesar 26,2% oleh BAB V KESIMPULAN DAN SARAN 5.1 Simpulan Simpulan hasil pengujian hipotesis dalam penelitian ini dengan menggunakan regresi berganda dan path analysis adalah customer loyalty dijelaskan sebesar 26,2% oleh

Lebih terperinci

OLEH : David Santoso

OLEH : David Santoso Bidang Minat Konsentrasi: Pemasaran PENGARUH PRICE, DAN SERVICE QUALITY TERHADAP CUSTOMER LOYALTY MELALUI CUSTOMER SATISFACTION PADA RESTORAN Kentucky Fried Chicken (KFC) DI SURABAYA OLEH : David Santoso

Lebih terperinci

Klasifikasi Nasabah Menggunakan Algoritma C4.5 Sebagai Dasar Pemberian Kredit

Klasifikasi Nasabah Menggunakan Algoritma C4.5 Sebagai Dasar Pemberian Kredit Klasifikasi Nasabah Menggunakan Algoritma C4.5 Sebagai Dasar Pemberian Kredit Larissa Navia Rani Dosen Sistem Informasi UPI YPTK Padang Jl. Raya Lubuk Begalung Padang - Sumatera Barat larissa_navia_rani@upiyptk.ac.id

Lebih terperinci

ANALISA KINERJA ALGORITMA C.45 DALAM MEMPREDIKSI PENCAPAIAN PROFIT

ANALISA KINERJA ALGORITMA C.45 DALAM MEMPREDIKSI PENCAPAIAN PROFIT ANALISA KINERJA ALGORITMA C.45 DALAM MEMPREDIKSI PENCAPAIAN PROFIT Rika Nofitri, Muhammad Ardiansyah Sembiring Sekolah Tinggi Manajemen Informatika Dan Komputer Royal Kisaran Jl. Prof. M. Yamin 173 Kisaran,

Lebih terperinci

IMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI BIDANG KERJA ALUMNI DI STMIK LPKIA BANDUNG

IMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI BIDANG KERJA ALUMNI DI STMIK LPKIA BANDUNG IMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI BIDANG KERJA ALUMNI DI STMIK LPKIA BANDUNG 1 Ati Suci Dian Martha, 2 Afryanto Redy 1 Program Studi Sistem Informasi STMIK LPKIA 1 Program Studi Sistem Informasi

Lebih terperinci

SISTEM REKOMENDASI PEMILIHAN TIKET PESAWAT ONLINE MENGGUNAKAN METODE DECISION TREE DI PT. ANTA UTAMA KEDIRI

SISTEM REKOMENDASI PEMILIHAN TIKET PESAWAT ONLINE MENGGUNAKAN METODE DECISION TREE DI PT. ANTA UTAMA KEDIRI SISTEM REKOMENDASI PEMILIHAN TIKET PESAWAT ONLINE MENGGUNAKAN METODE DECISION TREE DI PT. ANTA UTAMA KEDIRI SKRIPSI Telah disetujui untuk diajukan Kepada Panitia Ujian / Sidang Skripsi Program Studi Teknik

Lebih terperinci

IMPLEMENTASI TEKNIK DATA MINING CLASSIFICATION DENGAN METODE DECISSION TREE UNTUK MENENTUKAN TINGKAT KELULUSAN MAHASISWA

IMPLEMENTASI TEKNIK DATA MINING CLASSIFICATION DENGAN METODE DECISSION TREE UNTUK MENENTUKAN TINGKAT KELULUSAN MAHASISWA IMPLEMENTASI TEKNIK DATA MINING CLASSIFICATION DENGAN METODE DECISSION TREE UNTUK MENENTUKAN TINGKAT KELULUSAN MAHASISWA Sudirman 1,2 Departement of Information Science, Faculty of Computer Science and

Lebih terperinci

Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop)

Penerapan 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 terperinci

ABSTRACT. By looking at the phenomenon occurs, that in fact there are many pharmacy

ABSTRACT. By looking at the phenomenon occurs, that in fact there are many pharmacy ABSTRACT By looking at the phenomenon occurs, that in fact there are many pharmacy businesses in Tasikmalaya has made consumers have many alternatives to choose which pharmacy to visit to buy drugs. This

Lebih terperinci

PENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA

PENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA PENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA Laily Hermawanti Program Studi Teknik Informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro No. 1B

Lebih terperinci

BAB 5 KESIMPULAN DAN SARAN

BAB 5 KESIMPULAN DAN SARAN BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan Hasil penelitian yang telah dilakukan pada Kedai Kopi X melalui observasi, wawancara, dan kuesioner dengan menggunakan teori walk-through audit dan dimensi service

Lebih terperinci

ABSTRAK. Kata Kunci : Kualitas Jasa, Loyalitas Konsumen. i Universitas Kristen Maranatha

ABSTRAK. Kata Kunci : Kualitas Jasa, Loyalitas Konsumen. i Universitas Kristen Maranatha ABSTRAK Judul penelitian ini adalah Pengaruh Kualitas Jasa Terhadap Loyalitas Konsumen (Studi Kasus Pada Hotel Naval, Bandung), di mana maksud penelitian ini adalah untuk untuk mengetahui pengaruh dari

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Penambangan Data (Data Mining) Pengertian data mining, berdasarkan beberapa orang: 1. Data mining (penambangan data) adalah suatu proses untuk menemukan suatu pengetahuan atau

Lebih terperinci

Sistem Informasi Penjualan Sepeda Motor Bekas Menggunakan Algoritma C4.5

Sistem Informasi Penjualan Sepeda Motor Bekas Menggunakan Algoritma C4.5 JUISI, Vol. 01, No. 02, Agustus 2015 151 Sistem Informasi Penjualan Sepeda Motor Bekas Menggunakan Algoritma C4.5 Wimmie Handiwidjojo 1, Ferry Kristian Sukendro 2 Abstrak Sepeda motor sebagai salah satu

Lebih terperinci

IMPLEMENTASI ALGORITMA FUZZY SEBAGAI PENGGALIAN INFORMASI KETERLAMBATAN KELULUSAN TUGAS AKHIR MAHASISWA DENGAN METODE DECISION TREE

IMPLEMENTASI ALGORITMA FUZZY SEBAGAI PENGGALIAN INFORMASI KETERLAMBATAN KELULUSAN TUGAS AKHIR MAHASISWA DENGAN METODE DECISION TREE IMPLEMENTASI ALGORITMA FUZZY SEBAGAI PENGGALIAN INFORMASI KETERLAMBATAN KELULUSAN TUGAS AKHIR MAHASISWA DENGAN METODE DECISION TREE Yusni Amaliah 1), Ummi Syafiqoh 2), Eviana Tjatur Putri (3) 1,2) Sistem

Lebih terperinci

IMPLEMENTASI KNOWLEDGE DISCOVERY IN DATABASE (KDD) DALAM SERVICE LEVEL AGREEMENT (SLA) KLAIM PADA ASURANSI KESEHATAN

IMPLEMENTASI KNOWLEDGE DISCOVERY IN DATABASE (KDD) DALAM SERVICE LEVEL AGREEMENT (SLA) KLAIM PADA ASURANSI KESEHATAN IMPLEMENTASI KNOWLEDGE DISCOVERY IN DATABASE (KDD) DALAM SERVICE LEVEL AGREEMENT (SLA) KLAIM PADA ASURANSI KESEHATAN Fahrul Nurzaman Teknik Informatika, Fakultas Teknik Universitas Persada Indonesia Y.A.I

Lebih terperinci

ANALISIS PASAR PERPINDAHAN KARTU PRA BAYAR GSM DENGAN RANTAI MARKOV. (Studi Kasus Mahasiswa UNDIP Semarang)

ANALISIS PASAR PERPINDAHAN KARTU PRA BAYAR GSM DENGAN RANTAI MARKOV. (Studi Kasus Mahasiswa UNDIP Semarang) ANALISIS PASAR PERPINDAHAN KARTU PRA BAYAR GSM DENGAN RANTAI MARKOV (Studi Kasus Mahasiswa UNDIP Semarang) SKRIPSI Oleh : Dewi Erna Wati J2A 605 030 PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA FAKULTAS

Lebih terperinci

ABSTRAK. Kata Kunci : Kualitas Layanan, Kepuasan Pasien, Customer Relationship Management. Universitas Kristen Maranatha

ABSTRAK. Kata Kunci : Kualitas Layanan, Kepuasan Pasien, Customer Relationship Management. Universitas Kristen Maranatha ABSTRAK Kota Bandung merupakan salah satu kota besar yang ada di Indonesia, dengan jumlah populasi penduduk yang terus meningkat dari tahun ke tahun, maka hal tersebut memacu pula laju peningkatan angka

Lebih terperinci

ANALISIS KUALITAS PELAYANAN PADA BAGIAN KLAIM BERDASARKAN TINGKAT KEPUASAN NASABAH DI PT. AJC MENGGUNAKAN METODE SERVICE QUALITY

ANALISIS KUALITAS PELAYANAN PADA BAGIAN KLAIM BERDASARKAN TINGKAT KEPUASAN NASABAH DI PT. AJC MENGGUNAKAN METODE SERVICE QUALITY Jurnal Ilmiah Teknik Industri (2014), Vol. 2 No. 2, 75 82 ANALISIS KUALITAS PELAYANAN PADA BAGIAN KLAIM BERDASARKAN TINGKAT KEPUASAN NASABAH DI PT. AJC MENGGUNAKAN METODE SERVICE QUALITY Program Studi

Lebih terperinci

Perancangan Pemilihan ISP Dengan Algoritma C 4.5 Studi Kasus STMIK STIKOM BALI

Perancangan Pemilihan ISP Dengan Algoritma C 4.5 Studi Kasus STMIK STIKOM BALI Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Pemilihan ISP Dengan Algoritma C 4.5 Studi Kasus STMIK STIKOM BALI I Made Darma Susila 1), Ida Bagus Suradarma

Lebih terperinci

KARYA ILMIAH LINGKUNGAN BISNIS PELUANG BISNIS KOPI SIDIKALANG

KARYA ILMIAH LINGKUNGAN BISNIS PELUANG BISNIS KOPI SIDIKALANG KARYA ILMIAH LINGKUNGAN BISNIS PELUANG BISNIS KOPI SIDIKALANG OLEH DAUD ERWIN AYAMISEBA 10.11.4209 S1TI-2I STMIK AMIKOM YOGYAKARTA 2011 STRATEGI MARKETING ABSTRAK Persaingan industri bisnis kopi sudah

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan

Lebih terperinci

Prediksi Kenaikan Rata-Rata Volume Perikanan Tangkap Dengan Teknik Data Mining

Prediksi Kenaikan Rata-Rata Volume Perikanan Tangkap Dengan Teknik Data Mining 117 Prediksi Kenaikan Rata-Rata Volume Perikanan Tangkap Dengan Teknik Data Mining Anik Andriani AMIK BSI Yogyakarta E-Mail: anik.aai@bsi.ac.id Abstrak Peningkatan jumlah permintaan terhadap kebutuhan

Lebih terperinci

CUSTOMER SATISFACTION MANAGEMENT

CUSTOMER SATISFACTION MANAGEMENT CUSTOMER SATISFACTION MANAGEMENT Menjawab Masalah Apa Ketatnya persaingan industri pemasaran untuk jasa dan produk yang kian tajam saat ini menuntut perusahaan untuk dapat memberikan produk serta layanan

Lebih terperinci

ABSTRACT. Key Words: Total Quality Management, financial performance, return on assets, champion. Universitas Kristen Maranatha

ABSTRACT. Key Words: Total Quality Management, financial performance, return on assets, champion. Universitas Kristen Maranatha ABSTRACT In an increasingly competitive business environment, every company is required to be able to participate in the competition, including manufacturing companies. Customer satisfaction and product

Lebih terperinci

KAJIAN PERANCANGAN RULE KENAIKAN JABATAN PADA PT. ABC

KAJIAN PERANCANGAN RULE KENAIKAN JABATAN PADA PT. ABC KAJIAN PERANCANGAN RULE KENAIKAN JABATAN PADA PT. ABC Harry Dhika Fakultas Teknik, Matematika dan IPA Universitas Indraprasta PGRI Email: dhikatr@yahoo.com ABSTRAK Penelitian ini membahas tentang cara

Lebih terperinci

Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 2, Desember 2014 ISSN :

Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 2, Desember 2014 ISSN : ALGORITMA C4.5 DALAM MENGANALISA KELAYAKAN KREDIT(STUDI KASUS DI KOPERASI PEGAWAI REPUBLIK INDONESIA (KP-RI) LENGAYANG PESISIR SELATAN, PAINAN, SUMATERA BARAT) Shary Armonitha Lusinia, S.Kom, M.Kom, Fakultas

Lebih terperinci

Analisis Data Mining Tingkat Kepuasan Layanan Publik di Lingkungan Pemko Pekanbaru dengan Menggunakan Regresion Analysis General Linear Model

Analisis Data Mining Tingkat Kepuasan Layanan Publik di Lingkungan Pemko Pekanbaru dengan Menggunakan Regresion Analysis General Linear Model Analisis Data Mining Tingkat Kepuasan Layanan Publik di Lingkungan Pemko Pekanbaru dengan Menggunakan Regresion Analysis General Linear Model Warnia Nengsih Computer of Departmen, Politeknik Caltex Riau

Lebih terperinci

PENGARUH KUALITAS LAYANAN, HARG DAN KEPUASAN PELANGGAN TERHADAP LOYALITAS PENONTON UNTUK MENONTON FILM

PENGARUH KUALITAS LAYANAN, HARG DAN KEPUASAN PELANGGAN TERHADAP LOYALITAS PENONTON UNTUK MENONTON FILM JURNAL BISNIS DAN AKUNTANSI ISSN: 1410-9875 Vol. 18, No. 1, Juni 2016, Hlm. 103-108 http://www.tsm.ac.id/jba PENGARUH KUALITAS LAYANAN, HARG DAN KEPUASAN PELANGGAN TERHADAP LOYALITAS PENONTON UNTUK MENONTON

Lebih terperinci

ANALISIS TINGKAT KEPUASAN KONSUMEN TERHADAP KUALITAS PELAYANAN PADA TOKO BUKU ANGGREK PALEMBANG

ANALISIS TINGKAT KEPUASAN KONSUMEN TERHADAP KUALITAS PELAYANAN PADA TOKO BUKU ANGGREK PALEMBANG ANALISIS TINGKAT KEPUASAN KONSUMEN TERHADAP KUALITAS PELAYANAN PADA TOKO BUKU ANGGREK PALEMBANG Dibyantoro, Heri Setiawan, Nashirah Tamimi Jurusan Administrasi Bisnis Politeknik Negeri Sriwijaya e-mail:

Lebih terperinci

EVALUASI PENANGANAN KOMPLAIN PRODUK CCTV SYSTEM PADA PT. SECURE ONE (PERIODE )

EVALUASI PENANGANAN KOMPLAIN PRODUK CCTV SYSTEM PADA PT. SECURE ONE (PERIODE ) EVALUASI PENANGANAN KOMPLAIN PRODUK CCTV SYSTEM PADA PT. SECURE ONE (PERIODE 2011-2012) Imam Istanto Universitas Bina Nusantara, Jl. Kebon Jeruk Raya No. 27, Kebon Jeruk, Jakarta Barat 11530, Imam.istanto@yahoo.com

Lebih terperinci

PENERAPAN ALGORITMA C4.5 UNTUK MENGETAHUI POLA MINAT KERJA DAN BAKAT MAHASISWA DI STMIK LPKIA BANDUNG

PENERAPAN ALGORITMA C4.5 UNTUK MENGETAHUI POLA MINAT KERJA DAN BAKAT MAHASISWA DI STMIK LPKIA BANDUNG PENERAPAN ALGORITMA C4.5 UNTUK MENGETAHUI POLA MINAT KERJA DAN BAKAT MAHASISWA DI STMIK LPKIA BANDUNG 1 Ati Suci Dian Martha, 2 Yogi Widia Ramdhan 1 Program Studi Teknik Informatika STMIK LPKIA 2 Program

Lebih terperinci

- PERTEMUAN 1 - KNOWLEGDE DISCOVERY

- PERTEMUAN 1 - KNOWLEGDE DISCOVERY DATA WAREHOUSE - PERTEMUAN 1 - KNOWLEGDE DISCOVERY in DATABASE (KDD) Penemuan Pengetahuan di Database Tujuan : Mahasiswa Dapat memahami konsep KDD yang merupakan tujuan akhir dari Data Warehouse dan Data

Lebih terperinci

KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING

KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING Moh Ahsan Universitas Kanjuruhan Malang ahsan@unikama.ac.id ABSTRAK. Universitas Kanjuruhan Malang

Lebih terperinci

ABSTRAK. Kata Kunci: Pengendalian Kualitas, Produk Cacat, Peta Kendali u, Diagram Sebab Akibat. Universitas Kristen Maranatha

ABSTRAK. Kata Kunci: Pengendalian Kualitas, Produk Cacat, Peta Kendali u, Diagram Sebab Akibat. Universitas Kristen Maranatha ABSTRAK Perkembangan era globalisasi dan teknologi yang terus berkembang membuat persaingan konveksi pakaian semakin ketat. Setiap perusahaan harus terus meningkatkan kualitas produknya untuk dapat terus

Lebih terperinci

Penerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa

Penerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa Penerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa Seno Setiyawan 1, Yuliana Susanti 2,Tri Atmojo Kusmayadi 3 1,3 Program Studi Matematika FMIPA, Universitas Sebelas Maret 2 Program

Lebih terperinci

PENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C5.0

PENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C5.0 PENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C.0 Rachma Fauzia Azhary, Isnandar Slamet, Supriyadi Wibowo Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan

Lebih terperinci

Belajar Mudah Algoritma Data Mining : C4.5

Belajar Mudah Algoritma Data Mining : C4.5 Belajar Mudah Algoritma Data Mining : C4.5 Algoritma data mining C4.5 merupakan salah satu algoritma yang digunakan untuk melakukan klasifikasi atau segmentasi atau pengelompokan dan bersifat prediktif.

Lebih terperinci

Research of Science and Informatic

Research of Science and Informatic Sains dan Informatika Vol.1 (N0.1) (2015): 20-29 22 Nisfa Ridha Yani, Gunadi Widi Nurcahyo, Implementasi Data Mining JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com

Lebih terperinci