ANALISIS DATA PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK (PPA) MENGGUNAKAN METODE DATA MINING
|
|
- Verawati Halim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ANALISIS DATA PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK (PPA) MENGGUNAKAN METODE DATA MINING DENGAN MENERAPKAN ALGORITMA K-MEANS CLUSTERING (STUDI KASUS: UNIVERSITAS SILIWANGI) Isma Qinwan Daniah, Acep Irham Gufroni, dan Alam Rahmatulloh Teknik Informatika Fakultas Teknik Universitas Siliwangi Tasikmalaya isma.qinwan@student.unsil.ac.id ABSTRACT Siliwangi University that provide scholarships to the students who deserves a scholarship in accordance with the determined criteria. There are some variety kind of scholarships, one of them is Academic Performance Improvement Scholarship or known as PPA. Based on the obtained data from (KASUBAG) student welvare services the criteria for PPA scholarship itself i.e. an active student who take Diploma or Bachelor courses, well behaved, currently didn t have or proposed receiving a scholarship from another parties, a poverty (parents income should be attached), the students GPA at least 3.00, at least in the third semester and maximum in the sixth semester and an active student in students activities (extracurricular). There are many advantages from the scholarships, one of them is supporting the student who have achievers. However, a lot of problem has arose regarding to the administration, whether it is in accordance with the objectives and criteria of the administration. To resolve the problem above is by using data mining method by applying the K-Means Clustering algorithm. The purposes of this research are to categorizing data of the students who received scholarships in accordance with the determined criteria, and to provide the information that can be used as rules of the scholarships grantees. The research methodology which apllied in this research are determining the required data, collecting data, preparing the tools and research materials and then entering to the process of Data Mining by using Knowledge Discovery in Databases (KDD) i.e. data cleaning, data integration, data selection and data transformation. The result from use of data mining method by applying K-Means Clustering algorithm is yield information about categorizing data of the students who accordance with the criteria which determined as rules of the scholarship grantees. Keyword: Clustering, Data mining, K-means, Scholarship, Siliwangi University. ABSTRAK Universitas Siliwangi merupakan Universitas yang memiliki program kerja untuk memberikan beasiswa terhadap mahasiswa yang layak mendapatkan beasiswa sesuai dengan kriteria yang telah ditentukan. Berbagai sumber beasiswa diantaranya beasiswa Peningkatan Prestasi Akademik (PPA). Berdasarkan data yang didapat dari KASUBAG Kesejahteraan Mahasiswa kriteria untuk beasiswa PPA sendiri adalah mahasiswa yang aktif kuliah dalam jenjang pendidikan Diploma dan Sarjana, berkelakuan baik, tidak sedang atau diusulkan menerima beasiswa dari sumber lain, keterangan tidak mampu (lampiran penghasilan orangtua), IPK minimal 3.00, minimal duduk di semester III dan maksimal di semester VI, Aktif dalam kegiatan kemahasiswaan (ekstrakulikuler). Banyak manfaat dari beasiswa salah satunya dapat memberi bantuan bagi mahasiswa yang memiliki prestasi. Namun timbul berbagai masalah mengenai pemberiannya, apakah sudah sesuai dengan sasaran dan kriteria dalam pemberiannya. Untuk menyelesaikan permasalahan diatas adalah menggunakan metode Data Mining dengan menerapkan algoritma K-Means Clustering. Tujuan pada penelitian ini adalah mengelompokan data mahasiswa yang menerima beasiswa sesuai dengan kriteria yang telah ditentukan dan memberikan informasi yang dapat digunakan sebagai penentu penerima beasiswa. Metedologi penelitian yang dilakukan adalah menentukan kebutuhan data yang dibutuhkan, mengumpulkan data, dan mempersiapkan alat dan bahan penelitian, kemudian masuk kedalam tahapan proses Data Mining menggunakan tahapan Knowladge Discovery in databases (KDD) yang terdiri dari Data Cleaning, Data Integration, Data Selection dan Data Transformation. Dengan menerapkan metode Data Mining menggunakan Algoritma K-Means Clustering dapat menghasilkan informasi pengelompokan data mahasiswa sesuai dengan kriteria beasiswa yang telah ditentukan sebagai penentu penerima beasiswa. Kata kunci: Beasiswa, Clustering, Data Mining, K-Means, Universitas Siliwangi. I. Pendahuluan Setiap institusi pendidikan pasti memiliki program kerja untuk memberikan beasiswa terhadap mahasiswa yang layak mendapatkan beasiswa sesuai dengan kriteria yang telah ditentukan. Menurut Kamus Besar Bahasa Indonesia Beasiswa yaitu tunjangan uang yang diberikan kepada pelajar atau mahasiswa sebagai bantuan biaya belajar (Depdikbud, 1990). Berdasarkan hasil wawancara dengan pihak internal Universitas Siliwangi bahwa Universitas Siliwangi merupakan Universitas yang menyediakan berbagai sumber beasiswa diataranya Bantuan Belajar Mahasiswa (BBM) Dikti, Peningkatan Prestasi 1
2 Akademik (PPA) Dikti, BIDIKMISI, Super semar, Ibu Try Sutrisno, Kanya Dharma Ika, PT. Djarum, PT. Pikiran Rakyat, Beasiswa Bantuan Pendidikan (B2P) Dikti/KPS. BBM, Ikatan orangtua Mahasiswa (IOM) Universitas Siliwangi, Technology and Professional Skill Development Sector Project (TPSDP), PT. Indofood Sukses Makmur Tbk, Beasiswa Peningkatan Ekstrakulikuler (PPE), Beasiswa Universitas Siliwangi, Beasiswa PT. BNI 1946, dan Beasiswa PT. Bank Mandiri Syari ah. Banyak manfaat dari beasiswa salah satunya dapat memberi bantuan bagi mahasiswa yang memiliki prestasi. Namun timbul berbagai masalah mengenai pemberiannya, apakah sudah sesuai dengan sasaran dan kriteria dalam pemberiannya. Untuk menyelesaikan permasalahan diatas adalah menggunakan metode Data Mining dengan menerapkan algoritma K-Means Clustering. Oleh karena itu pada tugas akhir ini akan digali informasi dari penumpukan data beasiswa khususnya beasiswa PPA untuk dilakukan pengelompokan terhadap kriteria beasiswa yang ada. Berdasarkan data yang didapat dari KASUBAG Kesejahteraan Mahasiswa kriteria untuk beasiswa PPA sendiri adalah mahasiswa yang aktif kuliah dalam jenjang pendidikan Diploma dan Sarjana, berkelakuan baik, tidak sedang atau diusulkan menerima beasiswa dari sumber lain, keterangan tidak mampu (penghasilan orangtua), IPK minimal 3.00, minimal duduk di semester III dan maksimal di semester VI, Aktif dalam kegiatan kemahasiswaan (ekstrakulikuler). Untuk menyelesaikan permasalahan diatas adalah menggunakan metode Data Mining dengan menerapkan algoritma K-Means Clustering. Batasan masalah pada penelitian ini adalah Data yang diolah adalah data beasiswa khusunya beasiswa PPA periode 2010/2011 s/d 2014/2015. Analisis dilakukan untuk mengelompokan data mahasiswa berdasarkan kriteria beasiswa khususnya beasiswa PPA. Analisis dilakukan dengan menggunakan teknik clustering dan menggunakan algoritma K-Means mengikuti tahapan knowledge Discovery in Database (KDD). Informasi yang ditampilkan dari tumpukan data yang ada berupa pengelompokan mahasiswa terhadap kriteria yang ada pada PPA dan grafik dari hasil perhitungan yang telah dilakukan. Tujuan pada penelitian ini adalah mengelompokan data mahasiswa yang menerima beasiswa sesuai dengan kriteria yang telah ditentukan dan memberikan informasi yang dapat digunakan sebagai penentu penerima beasiswa. Manfaat pada penelitian ini diharapkan dapat mengetahui langkah penyelesaian dengan menggunakan algoritma K-Means Clustering. Mendapatkan informasi berupa pengelompokan data mahasiswa yang mendapat beasiswa dengan kriteria beasiswa PPA yang telah ditentukan dan dapat membantu pihak-pihak yang bersangkutan mengenai pengelompokan kriteria beasiswa sebagai penetuan beasiswa. II. Landasan Teori A. Beasiswa Beasiswa diartikan sebagai bentuk penghargaan yang diberikan kepada individu agar dapat melanjutkan pendidikan ke jenjang yang lebih tinggi. Penghargaan itu dapat berupa akses tertentu pada suatu institusi atau penghargaan berupa bantuan keuangan. Pada dasarnya beasiswa adalah penghasilan bagi yang menerimanya (Murniasih, Erny, 2009). B. Clustering Pada dasarya clustering terhadap data adalah suatu proses untuk mengelompokkan sekumpulan data tanpa suatu atribut kelas yang telah didefinisikan sebelumnya, berdasarkan pada prinsip konseptual clustering yaitu memaksimalkan dan juga meminimalkan kemiripan intra kelas. Misalnya, sekumpulan obyek-obyek komoditi pertama-tama dapat di clustering menjadi sebuah himpunan kelaskelas dan lalu menjadi sebuah himpunan aturanaturan yang dapat diturunkan berdasarkan suatu klasifikasi tertentu (Prasetyo, Eko, 2014). C. Data Mining Menurut Han, J. Kamber, M & Jian, Pei mengatakan bahwa Data mining merupakan disiplin ilmu yang mempelajari metode untuk mengekstrak pengetahuan atau menemukan pola dari suatu data (Han, J. Kamber, M & Jian, Pei, 2012). Data Mining dapat diterapkan dalam berbagai bidang yang mempunyai sejumlah data, tetapi karena wilayah penelitian dengan sejarah yang belum lama dan belum melewati masa remaja, maka data mining masih diperdebatkan posisi bidang pengetahuan yang memilikinya. Maka, Daryl Pregibon menyatakan bahwa data mining adalah campuran dari statistik, kecerdasan buatan, dan riset basis data yang masih berkembang (Gorunescu, F, 2011) Han, J. Kamber, M & Jian, Pei (2012) menyebutkan bahwa Knowladge Discovery in Database (KDD), merupakan proses terstruktur, yaitu sebagai berikut: 1. Pembersihan data (Data Cleaning). 2. Integrasi Data (Data Integration). 3. Pemilihan Data (Data Selection). 4. Transformasi Data (Data Transformation). 5. Penggalian Data (Data Mining). 6. Evaluasi Pola (Pattern Evaluation). 7. Presentasi Pengetahuan (Knowledge Presentation). D. K-Means Algoritma K-Means merupakan Algoritma pengelompokan iteratif yang melakukan partisi set data kedalam sejumlah K cluster yang sudah ditetapkan di awal. Algoritma K-Means sederhana untuk diimplementasikan dan dijalankan, relative cepat, mudah beradaptasi, umum penggunaannya dalam praktek. Secara historis, K-Means menjadi salah satu algoritma yang paling pennting dalam bidang data mining (Wu, X. and Kumar, V, 2009). 2
3 III. Metodologi Berikut adalah tahapan penelitian yang dilakukan adalah: 1. Pra Penelitian terdiri dari: - Menentukan kebutuhan data yang digunakan - Mengumpulkan data yang dibutuhkan - Mempersiapkan alat dan bahan penelitian 2. Pengumpulan Data, dengan melakukan observasi, wawancara, dan studi literatur. 3. Persiapan Proses Data Mining dengan tahapan KDD. 4. Proses Data Mining dengan algoritma K-Means. Mulai Menentukan kebutuhan data yang digunakan Mengumpulkan data yang di butuhkan Mempersiapkan alat dan bahan penelitian Observasi Wawancara Data Penelitian Data Cleaning Data Integration Data Selection Data Transformation Clustering Dengan menggunakan K-Means Hasil Selesai Studi Literatur Mencari metode clustering yang tepat Gambar 3.1 Tahapan dalam Penelitian A. Metode Pengumpulan Data 1. Observasi Pengumpulan data dilakukan dengan melakukan pengamatan langsung dilapangan (Universitas Siliwangi) mengenai persoalan data beasiswa khususnya beasiswa PPA. Hasil dari observasi ini mendapatkan data mahasiswa yang menerima beasiswa. 2. Wawancara Untuk mendapatkan data seakurat mungkin, proses yang dilakukan selanjutnya adalah tanya jawab secara langsung dengan pihak-pihak terkait yang berhubungan dengan bidang kajiannya. Objek wawancara diantaranya adalah Staff BAK (Badan Administrasi Kemahasiswaan) bagian KASUBAG Kesejahteraan Mahasiswa selaku staff yang mengelola data beasiswa. Sehingga dari hasil wawancara tersebut didapatkan data dan informasi yang dapat membantu proses penelitian. 3. Studi Literatur Metode yang dilakukan dengan mencari dan mengumpulkan referensi yang berkaitan dengan konsep dan algoritma data mining. Seperti, bukubuku, jurnal-jurnal karya tulis ataupun sejenisnya melalui blog, website ataupun skripsi yang telah selesai dikerjakan sebelumnya. Dan mempelajari literatur berkaitan dengan teori clustering yang menggunakan algoritma K-Means. B. Persiapan Data Mining 1. Data Cleaning Data Cleaning merupakan proses untuk dapat mengatasi nilai yang hilang, noise dan data yang tidak konsisten (Han, J. Kamber, M & Jian, Pei, 2012). Dari data beasiswa yang didapatkan selama empat tahun kebelakang dari tahun periode 2011/2012 sampai dengan 2014/2015 dengan jumlah data 236 record. Masing masing data tahun 2011/2012 sejumlah 40 record, tahun 2012/2013 sejumlah 53 record, tahun 2013/2014 sejumlah 43 record dan tahun 2014/2015 sejumlah 100 record data. Sesuai dengan kriteria penerima beasiswa PPA maka data yang lengkap adalah data beasiswa tahun akademik 2014/2015. Data beasiswa tahun 2014/2015 memiliki 13 atribut yaitu, NPM, KDPTI, Jenis Beasiswa, Counter, Nama_Mhs, JK, Kode_prodi, Id_jenjang, Smt, IPK, Kode_pekerjaan, Jml_Tanggungan, dan penghasilan. 2. Data Integration Data Integration merupakan proses menggabungkan data dari banyak database atau data warehouse. Proses ini dapat membantu mengurangi data redundan dan data yang tidak konsisten yang disebabkan pengambilan data dari banyak sumber data. Hal ini tentu saja akan berpengaruh terhadap kecepatan dan akurasi saat melakukan data mining (Han, J. Kamber, M & Jian, Pei, 2012). 3. Data Selection Data Selection atau Data Reduction merupakan proses meminimalkan jumlah data yang digunakan untuk proses mining dengan tetap merepresentasikan data aslinya. Mengurangi jumlah data yang digunakan untuk proses mining akan lebih efisien mengingat hasil yang didapatkan sama (atau hampir sama) secara analitikal (Han, J. Kamber, M & Jian, Pei, 2012). 4. Data Transformation Data Transformation dilakukan untuk mengubah bentuk data menjadi format data yang dapat diketahui oleh Data Mining Tools. Hal ini tentunya akan sangat membantu memudahkan pengguna dalam proses mining ataupun memahami hasil yang didapat (Han, J. Kamber, M & Jian, Pei, 2012). 5. Knowladge Presentation Setelah dilakukan pengelompokan menggunakan algoritma K-Means maka diperoleh Knowladge Presentation yang dapat mempresentasikan informasi yang telah didapatkan. C. Proses Data Mining K-Means Langkah-langkah melakukan clustering dengan metode K-Means menurut (Santosa, 2007) adalah sebagai berikut: 1. Tentukan jumlah cluster k. 2. Alokasikan data kedalam cluster secara random. 3. Hitung centroid/rata-rata dari data yang ada di masing-masing cluster. 4. Alokasikan masing-masing data ke centroid/ratarata terdekat. 3
4 5. Kembali ke step 3, apabila masih ada data yang berpindah cluster. IV. Hasil dan Pembahasan A. Data Cleaning Berikut adalah kolom-kolom yang di cleaning beserta alas an kenapa kolom tersebut mengalami proses cleaning: a. Kolom KDPTI. Kolom ini dihilangkan karena sifatnya sama dari tiap data yang ada. b. Kolom Jenis_beasiswa. Kolom ini dihilangkan karena jenis beasiswa ini telah ditentukan sebelumnya bahwa jenis beasiswa yang akan dilakukan analisis adalah jenis beasiswa PPA. c. Kolom JK. Kolom ini dihilangkan karena bersifat sama dengan atribut nama mahasiswa. d. Kolom ID_jenjang. Kolom ini dihilangkan karena tidak berpengaruh terhadap penentuan kriteria pada data beasiswa. e. Kolom Jumlah_Tanggungan. Kolom ini dihilangkan karena tidak diperlukan terhadap atribut pengelompokan pada kriteria beasiswa. B. Data Integration Data set yang telah melalui proses cleaning perlu di integrasikan karena data beasiswa tahun akademik 2011/2012 sampai dengan 2014/2015 masih bisa disebut terpisah, namun setelah dilakukan data cleaning tidak ada data yang perlu di integrasikan. C. Data Selection Dari 236 data. Masing masing data tahun 2011/2012 sejumlah 40 record, tahun 2012/2013 sejumlah 53 record, tahun 2013/2014 sejumlah 43 record dan tahun 2014/2015 sejumlah 100 record data. Dari semua data yang ada data yang digunakan adalah data beasiswa tahun akademik 2014/2015 yang mendekati data lengkap sesuai dengan kriteria yang telah dilakukan. Adapun atribut yang akan digunakan adalah no, nama, prodi, semester, ipk, pekerjaan dan penghasilan. D. Data Transformation Pada tahapan transformation tidak dilakukan karena data yang ada sudah berbentuk nominal dan tidak dilakukan inisialisasi terhadap data yang ada. E. Proses Pengelompokan Algoritma K-means 1. Menentukan Jumlah Cluster Pengelompokan data beasiswa PPA tahun akademik 2014/2015 ini memiliki 3 kriteria. Kriteria pertama yaitu Indeks Prestasi Kumulatif (IPK) dengan jumlah cluster yang dibuat adalah 3 cluster, cluster pertama yaitu kelompok dengan IPK rendah, cluster 2 dengan kelompok IPK sedang dan cluster 3 dengan kelompok IPK tinggi. Kriteria kedua yaitu Semester dengan jumlah cluster 3, kelompok pertama semester rendah, kelompok kedua semester sedang, dan kelompok 3 semester tinggi diatas semester 6. Kriteria yang ketiga yaitu penghasilan orangtua dengan jumlah cluster 3, kelompok pertama penghasilan rendah, kelompok kedua penghasilan sedang dan kelompok ketiga dengan penghasilan orangtua tinggi. 2. Menentukan Titik Pusat Awal Cluster (Centroid) Untuk menentukan titik pusat awal cluster dilakukan dengan cara menghitung hasil rata-rata dari tiap atribut. Tabel 4.1 Nilai rata-rata kelompok IPK pada data beasiswa. Cluster IPK Tabel 4.2 Nilai rata-rata kelompok Semester pada data beasiswa. Cluster Semester Table 4.3 Nilai rata-rata kelompok Penghasilan pada data beasiswa Cluster Penghasilan Pekerjaan Menghitung Jarak ke Masing-masing Centroid Setelah didapatkan titik pusat awal cluster, kemudian menghitung jarak setiap data kepusat cluster dengan menggunakan perhitungan Euclidean. a. Indeks Prestasi Kumulatif (IPK) cluster 1 (3.375) cluster 2 (3.620) cluster 3 (3.765) Setelah dilakukan perhitungan jarak Euclidean dan mengelompokkan berdasarkan jarak terkecil selanjutnya akan didapat nilai centroid baru untuk acuan perhitungan berikutnya sampai nilai centroid 4
5 Tabel 4.4 Nilai Centroid iterasi 1 Cluster Titik Pusat Awal Iterasi 1 Centroid IPK IPK Cluster Cluster Cluster Pada iterasi 1 diperoleh nilai centroid baru dengan titik pusat awal tidak sama, maka perlu dilakukan perhitungan untuk iterasi ke 2 dan selanjutnya sampai centroid bernilai sama. Tabel 4.5 Nilai Centroid iterasi 11 Cluster Iterasi 10 Iterasi 11 Centroid IPK IPK Cluster Cluster Cluster Hasil perhitungan berhenti di iterasi yang ke 11. Terlihat seperti dalam tabel diatas bahwa centroid b. Semester cluster 1 (2) Tabel 4.6 Nilai Centroid Iterasi 1 Cluster Titik Pusat Awal Iterasi 1 Centroid Semester Semester Cluster Cluster Cluster Tabel 4.7 Nilai Centroid Iterasi 2 Cluster Iterasi 1 Iterasi 2 Centroid Semester Semester Cluster Cluster Cluster Pada iterasi 1 diperoleh nilai centroid baru dengan titik pusat awal ada 2 cluster yang sama pada iterasi 1 yaitu pada cluster 1 dan 2, maka perlu dilakukan perhitungan untuk iterasi ke 2 dan selanjutnya sampai centroid bernilai sama. Namun pada kriteria semester ini hanya berhenti sampai iterasi ke 2 saja karena nilai pada tiap cluster bernilai sama. c. Penghasilan Orangtua cluster 1 ( , 5) cluster 2 (4) cluster 2 ( , 3) cluster 3 (6) cluster 3 ( , 2) Sama halnya dengan kriteria terhadap IPK, pada kriteria semester juga dilakukan perhitungan jarak Euclidean yang sama dan mengelompokkan berdasarkan jarak terkecil selanjutnya akan didapat nilai centroid baru untuk acuan perhitungan berikutnya sampai nilai centroid sebelum dan sesudahnya bernilai sama. Sama halnya dengan kriteria terhadap IPK dan semester, pada kriteria penghasilan juga dilakukan perhitungan jarak Euclidean yang sama dan mengelompokkan berdasarkan jarak terkecil selanjutnya akan didapat nilai centroid baru untuk acuan perhitungan berikutnya sampai nilai centroid 5
6 Tabel 4.8 Nilai Centroid Iterasi 1 Pada iterasi 1 diperoleh nilai centroid baru dengan titik pusat awal tidak sama, maka perlu dilakukan perhitungan untuk iterasi ke 2 dan selanjutnya sampai centroid bernilai sama. Tabel 4.9 Nilai Centroid Iterasi 7 Hasil perhitungan berhenti di iterasi yang ke 7. Terlihat seperti dalam tabel diatas bahwa centroid F. Hasil K-Means Pada Data Beasiswa PPA Tahun Akademik 2014/2015 Tabel 4.10 Tabel Hasil K-Means pada Data Beasiswa KRITERIA IPK SEMESTER PENGHASILAN G. Knowladge Presentation 1. Indeks Prestasi Kumulatif (IPK) Cluster 1 Means pada cluster 1 ini terdapat 17 mahasiswa yang mempunyai IPK kurang. Pada kelompok ini IPK terendah yaitu 2.84 sedangkan IPK tertingginya yaitu Berdasarkan kriteria yang telah ditentukan sebelumnya adalah IPK minimal 3.00 pada kelompok ini seharunya ada 3 orang yang IPK kurang dari 3 yaitu dengan IPK 2.84, 2.90 dan Nilai centroid akhir pada cluster ini adalah Cluster 2 Means pada cluster 2 ini terdapat 33 mahasiswa yang mempunyai IPK sedang. Pada kelompok ini IPK terendah yaitu 3.07 sedangkan IPK tertingginya yaitu Nilai centroid akhir pada cluster ini adalah Cluster 3 Means pada cluster 3 ini terdapat 50 mahasiswa yang mempunyai IPK tinggi. Pada kelompok ini IPK terendah yaitu 3.33 sedangkan IPK tertingginya yaitu Nilai centroid akhir pada cluster ini adalah Semester Cluster 1 Means pada cluster 1 ini terdapat 13 mahasiswa yang mempunyai semester kurang dari kriteria yang telah ditentukan. Pada kelompok ini seluruh mahasiswa duduk di semester 2. Nilai centroid akhir pada cluster ini adalah 2. Cluster 2 Means pada cluster 2 ini terdapat 33 mahasiswa yang mempunyai semester seseuai dengan kriteria yang telah ditentukan. Pada kelompok ini seluruh mahasiswa duduk di semester 4. Nilai centroid akhir pada cluster ini adalah 4. Cluster 3 Means pada cluster 3 ini terdapat 54 mahasiswa yang mempunyai semester lebih dari kriteria yang telah ditentukan. Pada kelompok ini seluruh mahasiswa duduk di semester 6 dan 8. Nilai centroid akhir pada cluster ini adalah Penghasilan Orangtua Cluster 1 Means pada cluster 1 ini terdapat 22 mahasiswa yang orangtuanya mempunyai penghasilan tinggi. Pada kelompok ini penghasilan orangtua yang terendah yaitu sedangkan penghasilan orangtua tertingginya yaitu Pada kelompok ini pekerjaan orangtua mengacu pada kode_pekerjaan 1 dan 2 yaitu PNS/Pegawai Negara dan Pegawai Swasta. Nilai centroid akhir pada cluster ini adalah ( , 1.36) Cluster 2 Means pada cluster 2 ini terdapat 25 mahasiswa yang orangtuanya mempunyai penghasilan tinggi. Pada kelompok ini penghasilan orangtua yang terendah yaitu sedangkan penghasilan orangtua tertingginya yaitu Pada kelompok Nilai centroid akhir pada cluster ini adalah ( , 3.00). Cluster 3 Means pada cluster 3 ini terdapat 53 mahasiswa yang orangtuanya mempunyai penghasilan tinggi. Pada kelompok ini penghasilan orangtua yang terendah yaitu sedangkan penghasilan orangtua tertingginya yaitu Pada kelompok Nilai centroid akhir pada cluster ini adalah ( , 4.57). H. Kelebihan dan Kekurangan Penelitian Kelebihan dari penelitian yang telah dilakukan adalah sebagai berikut: 1. Menentukan kriteria beasiswa sebagai penentu penerimaan beasiswa khususnya beasiswa PPA. 2. Dapat mengelompokan data mahasiswa yang menerima beasiswa sesuai dengan kriteria yang telah ditentukan. Beberapa kriteria yang ada yaitu IPK dengan ketentuan IPK mahasiswa yang mendapatkan beasiswa minimal 3.00, mahasiswa minimal duduk disemester III dan maksimal duduk di semester VI, dan keterangan tidak mampu (penghasilan orangtua). 3. Menghasilkan grafik jumlah data mahasiswa yang sesuai dengan kriteria penerima beasiswa. 6
7 Kekurangan dari penelitian yang telah dilakukan adalah sebagai berikut: 1. Data yang didapatkan dari KASUBAG Kesejahteraan Mahasiswa tidak lengkap sesuai dengan kriteria beasiswa PPA yang ada. 2. Ada beberapa kriteria seperti aktif kuliah, berkelakuan baik, keterangan tidak menerima beasiswa lain, dan aktif organisasi yang tidak bisa dilakukan pengelompokan seperti penghasilan orang tua, semester dan IPK. 3. Penentuan centroid (titik pusat) pada tahap awal sangat berpengaruh pada hasil cluster seperti pada hasil pengujian yang dilakukan dengan menggunakan data yang sama dengan centroid yang berbeda dan menghasilkan cluster yang berbeda juga. V. Kesimpulan dan Saran A. Kesimpulan 1. Dengan menerapkan metode Data Mining dapat mengelompokan data mahasiswa yang mendapatkan beasiswa berdasarkan kriteria yang telah ditentukan sebelumnya dengan menggunakan Algoritma K-Means. 2. Kebanyakan mahasiswa yang mendapat beasiswa adalah IPK diatas 3.00 atau IPK tinggi dengan jumlah mahasiswa adalah sebanyak 50 orang, kriteria kedua adalah minimal duduk d semester III dan maksimal duduk di semester VI, berdasarkan hasil rata-rata mahasiswa duduk di semester 6 dengan jumlah mahasiswa adalah 54 orang, dan penghasilan orang tua yang dikatakan tidak mampu adalah sebanyak 53 orang. Jadi mahasiswa yang menerima beasiswa dikatakan telah sesuai dengan kriteria yang ada di Universitas Siliwangi. 3. Dari hasil yang ada telah didapatkan informasi berupa kelompok mahasiswa yang layak menerima beasiswa sesuai dengan kriteria yang telah ditentukan, yang diharapakan untuk periode selanjutnya tidak ada mahasiswa yang menerima beasiswa tidak sesuai dengan kriteria. B. Saran 1. Dilakukan analisis dan perhitungan yang sama dengan menggunakan metode Data Mining namun dengan menggunakan algoritma yang berbeda sehingga dapat dilakukan perbandingan terhadap hasil yang didapatkan. 2. Hasil analisis yang ada dibuat aplikasi untuk membantu pihak yang bersangkutan sebagai penentu penerima beasiswa selanjutnya. Gorunescu, F Data Mining Concepts, Models and Techniques. New York : Springer Verlag. Han, J. Kamber,M & Jian, Pei Data Mining Concept and Techniques, third edition. America. Morgan Kaufmann, San Fancisco. Murniasih, Erny Buku Pintar Beasiswa. Jakarta. Gagas Media. Muzakir, Ari Analisa dan Pemanfaatan Algoritma K-Means Clustering Pada Data Nilai Siswa sebagai penentuan Penerima Beasiswa. Fakultas Ilmu Komputer, Universitas Bina Darma Palembang. Prasetyo, Eko DATA MINING Mengelola Data menjadi informasi Menggunakan Matlab. Yogyakarta: CV. ANDI OFFSET. Santosa, B Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu. Wu, X. and Kumar,V The Top Ten Algorithms in Data Mining. London:CRC Press Taylor & Francis Group. DAFTAR PUSTAKA Depdikbud Kamus Besar Bahasa Indonesia. Jakarta : Balai Pustaka. Direktorat Jendral Pembelajaran dan Kemahasiswaan Pedoman Umum Beasiswa dan Bantuan Belajar Pendidikan Peningkatan Prestasi Akademik (PPA). Jakarta. 7
DATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA
DATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA Aseptian Nugraha, Acep Irham Gufroni, Rohmat Gunawan Teknik Informatika Fakultas
Lebih terperinciStudent Clustering Based on Academic Using K-Means Algoritms
Student Clustering Based on Academic Using K-Means Algoritms Hironimus Leong, Shinta Estri Wahyuningrum Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com
Lebih terperinciMODEL DATA MINING DALAM PENGKLASIFIKASIAN KETERTARIKAN BELAJAR MAHASISWA MENGGUNAKAN METODE CLUSTERING
MODEL DATA MINING DALAM PENGKLASIFIKASIAN KETERTARIKAN BELAJAR MAHASISWA MENGGUNAKAN METODE CLUSTERING Marlindawati1), Andri2) 1), 2) Sistem Informasi UNIVERSITAS BINA DARMA Palembang Jl, Jend. A.Yani
Lebih terperinciPENGKLASIFIKASIAN MINAT BELAJAR MAHASISWA DENGAN MODEL DATA MINING MENGGUNANAKAN METODE CLUSTERING
PENGKLASIFIKASIAN MINAT BELAJAR MAHASISWA DENGAN MODEL DATA MINING MENGGUNANAKAN METODE CLUSTERING Marlindawati 1) Andri 2) 1) Manajemen Informatika Universitas Bina Darma Jl. Ahmad Yani No. 3, Palembang
Lebih terperinciKLASIFIKASI 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 terperinciPENERAPAN ALGORITMA K-MEANS DALAM CLUSTERING DATA MINING PADA PENENTUAN KELOMPOK UANG KULIAH TUNGGAL (UKT) DI UNIVERSITAS SILIWANGI
PENERAPAN ALGORITMA K-MEANS DALAM CLUSTERING DATA MINING PADA PENENTUAN KELOMPOK UANG KULIAH TUNGGAL (UKT) DI UNIVERSITAS SILIWANGI Nita Paramita Rukmana, Acep Irham Gufroni, dan Alam Rahmatulloh Teknik
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 terperinciIMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Irwan Budiman 1, Dodon Turianto Nugrahadi 2, Radityo Adi Nugroho 3 Universitas Lambung Mangkurat 1,2,3 irwan.budiman@unlam.ac.id
Lebih terperinciANALISIS KELAYAKAN PEMBERIAN BEASISWA DI POLITEKNIK NEGERI BATAM DENGAN METODE CLUSTERING
ANALISIS KELAYAKAN PEMBERIAN BEASISWA DI POLITEKNIK NEGERI BATAM DENGAN METODE CLUSTERING TUGAS AKHIR Oleh : Maria 3310801006 Silvianty Noerliani 3310801016 Disusun untuk memenuhi syarat kelulusan Program
Lebih terperinciPENERAPAN METODE KLASTERING DENGAN ALGORITMA K-MEANS UNTUK PREDIKSI KELULUSAN MAHASISWA PADA PROGRAM STUDI TEKNIK INFORMATIKA STRATA SATU
PENERAPAN METODE KLASTERING DENGAN ALGORITMA K-MEANS UNTUK PREDIKSI KELULUSAN MAHASISWA PADA PROGRAM STUDI TEKNIK INFORMATIKA STRATA SATU Gita Premashanti Trayasiwi Program Studi Teknik Informatika S1,
Lebih terperinciBAB 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 terperinciANALISA DAN PEMANFAATAN ALGORITMA K-MEANS CLUSTERING PADA DATA NILAI SISWA SEBAGI PENENTUAN PENERIMA BEASISWA
ANALISA DAN PEMANFAATAN ALGORITMA K-MEANS CLUSTERING PADA DATA NILAI SISWA SEBAGI PENENTUAN PENERIMA BEASISWA Ari Muzakir Fakultas Ilmu Komputer, Universitas Bina Darma Palembang e-mail : ariemuzakir@gmail.com,
Lebih terperinciSOLUSI 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 terperinciCLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS
CLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS Muhammad Toha, 1), I Ketut Edy Purnama 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Konsentrasi CIO) Jurusan Teknik Elektro
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 terperinciBAB 2 TINJAUAN PUSTAKA Klasifikasi Data Mahasiswa Menggunakan Metode K-Means Untuk Menunjang Pemilihan Strategi Pemasaran
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Beberapa penelitian terdahulu telah banyak yang menerapkan data mining, yang bertujuan dalam menyelesaikan beberapa permasalahan seputar dunia pendidikan. Khususnya
Lebih terperinciBAB 3 METODE PENELITIAN. Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder.
BAB 3 METODE PENELITIAN 3.1 Metode Pengumpulan Data 3.1.1 Sumber Data Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder. 1. Data primer Didapatkan peneliti secara langsung
Lebih terperinciMEMANFAATKAN ALGORITMA K-MEANS DALAM MENENTUKAN PEGAWAI YANG LAYAK MENGIKUTI ASESSMENT CENTER UNTUK CLUSTERING PROGRAM SDP
MEMANFAATKAN ALGORITMA K-MEANS DALAM MENENTUKAN PEGAWAI YANG LAYAK MENGIKUTI ASESSMENT CENTER UNTUK CLUSTERING PROGRAM SDP Page 87 Iin Parlina 1, Agus Perdana Windarto 2, Anjar Wanto 3, M.Ridwan Lubis
Lebih terperinciPENGELOMPOKAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS
PENGELOMPOKAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS Narwati Dosen Fakultas Teknologi Informasi Abtrack Makalah ini membahas pengelompokan mahasiswa berdasarkan data akademik menggunakan teknik clustering
Lebih terperinciPenerapan Metode KMeans dan Cobweb Terhadap Analisis Prestasi Akademik Mahasiswa yang Mengikuti Kegiatan Kemahasiswaan
Penerapan Metode KMeans dan Cobweb Terhadap Analisis Prestasi Akademik yang Mengikuti Kegiatan Kemahasiswaan Neil Casaandra Sudharmono 1, Mewati Ayub 2 Teknologi Informasi, Universitas Kristen Maranatha
Lebih terperinciLAPORAN SKRIPSI PENERAPAN ALGORITMA FUZZY C_MEANS DALAM PENENTUAN BEASISWA. Oleh : ARI IRAWAN
LAPORAN SKRIPSI PENERAPAN ALGORITMA FUZZY C_MEANS DALAM PENENTUAN BEASISWA Oleh : ARI IRAWAN 2010-51-221 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK MEMPEROLEH GELAR SARJANA KOMPUTER PROGRAM STUDI
Lebih terperinciModel 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 terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. menerapkan metode clustering dengan algoritma K-Means untuk penelitiannya.
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Salah satu cara untuk mengetahui faktor nilai cumlaude mahasiswa Fakultas Teknik Universitas Muhammadiyah Yogyakarta adalah dengan menerapkan
Lebih terperinciData Mining Menggunakan Metode K-Means Klaster untuk Mengelompokkan Pemegang Polis Asuransi Kendaraan Bermotor di Indonesia
Prosiding Statistika ISSN: 2460-6456 Data Mining Menggunakan Metode K-Means Klaster untuk Mengelompokkan Pemegang Polis Asuransi Kendaraan Bermotor di Indonesia Supiyah, 2 Aceng Komarudin Mutaqin, 3 Teti
Lebih terperinciJurnal Teknologi dan Sistem Informasi PENERAPAN DATA MINING DALAM PENGELOMPOKAN PENDERITA THALASSAEMIA
JURNAL TEKNOLOGI DAN SISTEM INFORMASI - VOL. 03 NO. 02 (2017) 299-305 Terbit online pada laman web jurnal : http://teknosi.fti.unand.ac.id/ Jurnal Teknologi dan Sistem Informasi ISSN (Print) 2460-3465
Lebih terperinciJl. Raya Dukuhwaluh Purwokerto )
Sistem Klasterisasi Menggunakan Metode K-Means dalam Menentukan Posisi Access Point Berdasarkan Posisi Hotspot di Universitas Muhammadiyah Purwokerto (Clustering System Using K-Means Method in Determining
Lebih terperinciPENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS
PENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS Hartatik STMIK Amikom Manajemen Informatika STMIK AMIKOM Yogyakarta Jl. Ringroad Utara, Condong Catur, Depok,
Lebih terperinciPenerapan Algoritma K-Means dalam Data Mining untuk Peminatan Jurusan Bagi Siswa Kelas X (Studi Kasus: SMA Negeri 29 Jakarta)
Penerapan Algoritma K-Means dalam Data Mining untuk Peminatan Jurusan Bagi Siswa Kelas X (Studi Kasus: SMA Negeri 29 Jakarta) Universitas Islam Negeri Syarif Hidayatullah Jakarta email: nurhayati@uinjkt.ac.id
Lebih terperinciAnalisa Data Mahasiswa Baru Terhadap Program Studi Yang. Dipilih Di Universitas Pembangunan Nasional Veteran Jawa
Analisa Data Mahasiswa Baru Terhadap Program Studi Yang Dipilih Di Universitas Pembangunan Nasional Veteran Jawa Timur Menggunakan Teknik Data Mining SKRIPSI Disusun Oleh : Citra Arum Sari 1032010048 JURUSAN
Lebih terperinciPENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK SELEKSI CALON PENERIMA BEASISWA TINGKAT UNIVERSITAS
9 PENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK SELEKSI CALON PENERIMA BEASISWA TINGKAT UNIVERSITAS Nadiya Hijriana 1) dan Muhammad Rasyidan 2) 1,2 Program Studi Teknik Informatika Universitas Islam
Lebih terperinciAnalisis Perilaku Pengguna E-Learning BESMART Melalui Teknik Clustering dengan Algoritma K-Means
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 Analisis Perilaku Pengguna E-Learning BESMART Melalui Teknik Clustering dengan Algoritma K-Means Neni Miswaningsih, Nur Insani FMIPA, Universitas
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 terperinci1. PENDAHULUAN. Kata Kunci: Data Mining, Clustering, Fuzzy C-Means
CLUSTERING BIDANG PEKERJAAN BERDASARKAN PEMETAAN MATA KULIAH MENGGUNAKAN ALGORITMA FUZZY C-MEANS PADA FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO SEMARANG Taufiq Ramadhan Ashari 1, Ruri Suko Basuki
Lebih terperinciImplementasi Algoritma K-Means Dalam Keputusan Pemberian Beasiswa (Studi Kasus SMA Santo Bernadus Pekalongan) Artikel Ilmiah
Implementasi Algoritma K-Means Dalam Keputusan Pemberian Beasiswa (Studi Kasus SMA Santo Bernadus Pekalongan) Artikel Ilmiah Peneliti: Valentino Giarto (672011005) Magdalena A. Ineke Pakereng, M.Kom. Program
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING DATA ANGGARAN PENDAPATAN BELANJA DAERAH DI KABUPATEN XYZ
PENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING DATA ANGGARAN PENDAPATAN BELANJA DAERAH DI KABUPATEN XYZ SKRIPSI Diajukan untuk memenuhi salah satu syarat memperoleh Gelar Sarjana pada Program Studi Sistem
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 terperinciCLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS
CLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS Diana Triastuty, I Ketut Eddy Purnama, dan Surya Sumpeno Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS Keputih, Sukolilo,
Lebih terperinciAPLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang)
Hapsari Dita Anggraeni, Ragil Saputra, Beta Noranita APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita
Lebih terperinciStudent Clustering Based Olll Academic Using K.. Means Algoritms
Student Clustering Based Olll Academic Using K.. Means Algoritms HirOlllnm.us Leong 1, Shlnta Estn Wab.yun.ingrum 2 1,2 Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com
Lebih terperinciKLASIFIKASI PENERIMAAN BEASISWA DENGAN MENGGUNAKAN LOGIKA FUZZY TSUKAMOTO (STUDI KASUS POLITEKNIK KESEHATAN KEMENTRIAN KESEHATAN SEMARANG)
KLASIFIKASI PENERIMAAN BEASISWA DENGAN MENGGUNAKAN LOGIKA FUZZY TSUKAMOTO (STUDI KASUS POLITEKNIK KESEHATAN KEMENTRIAN KESEHATAN SEMARANG) Fasrul Rahman Ansori Teknik Informatika, Ilmu Kompputer, Universitas
Lebih terperinciKLASTERISASI KOMPETENSI GURU MENGGUNAKAN HASIL PENILAIAN PORTOFOLIO SERTIFIKASI GURU DENGAN METODE DATA MINING
KLASTERISASI KOMPETENSI GURU MENGGUNAKAN HASIL PENILAIAN PORTOFOLIO SERTIFIKASI GURU DENGAN METODE DATA MINING Ari Kurniawan, Mochamad Hariadi S2 Teknik Elektro (Telematika), Institut Teknologi Sepuluh
Lebih terperinciBAB 1 PENDAHULUAN. Dengan kemajuan teknologi informasi sekarang ini, kebutuhan akan
BAB 1 PENDAHULUAN A. Latar Belakang Dengan kemajuan teknologi informasi sekarang ini, kebutuhan akan informasi yang akurat sangat dibutuhkan dalam kehidupan sehari-hari. Namun kebutuhan informasi yang
Lebih terperinciProses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer
Proses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer Mewati Ayub Jurusan Teknik Informatika, Fakultas Teknologi Informasi Universitas Kristen Maranatha, Bandung Email : mewati.ayub@eng.maranatha.edu
Lebih terperinciDATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI
DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Heroe Santoso 1), I Putu Hariyadi 2), Prayitno 3) 1), 2),3) Teknik Informatika STMIK Bumigora Mataram Jl Ismail Marzuki
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di lakukan oleh Muhammad Toha dkk (2013), Sylvia Pretty Tulus (2014), Johan
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Peminatan atau konsenterasi merupakan fokus mahasiswa terhadap suatu bidang studi tertentu yang sesuai dengan minatnya. Tujuannya yaitu untuk lebih memfokuskan
Lebih terperinciIMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN PENJURUSAN KELAS IPA, IPS, DAN SASTRA
IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN PENJURUSAN KELAS IPA, IPS, DAN SASTRA Nama : Nandang Syaefulloh NPM : 55412243 Fakultas : Teknologi Industri Jurusan : Teknik Informatika Pembimbing
Lebih terperinci- 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 terperinciJURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
JURNA TEKNIK, (2014) 1-6 1 AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciIMPLEMENTASI K-MEANS CLUSTERING UNTUK PEMBAGIAN KELAS SISWA
IMPLEMENTASI K-MEANS CLUSTERING UNTUK PEMBAGIAN KELAS SISWA SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik Informatika OLEH : NISIA
Lebih terperinciPerancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors Gede Aditra
Lebih terperinciClustering Terhadap Indeks Prestasi Mahasiswa STMIK Akakom Menggunakan K-Means
Clustering Terhadap Indeks Prestasi Mahasiswa STMIK Akakom Menggunakan K-Means Sri Redjeki Andreas 1), Andreas Pamungkas, Pamungkas Hastin 2), Hastin Al-fatah Al-fatah 3) 1)2)3) STMIK dzeky@akakom.ac.id
Lebih terperinciALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN
ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN Devi Sugianti Program Studi Sistem Informasi,STMIK Widya Pratama Jl. Patriot 25 Pekalongan Telp (0285)427816 email
Lebih terperinciK-Means Analysis Klasterisasi Kasus HIV/AIDS di Indonesia
K-Means Analysis Klasterisasi Kasus HIV/AIDS di Indonesia Okta Riveranda 1), Warnia Nengsih, S.Kom., M.Kom. 2) 1) Program Studi Sistem Informasi, Politeknik Caltex Riau, Pekanbaru 28265, email: okta12si@mahasiswa.pcr.ac.id
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING PENENTUAN JURUSAN BAHASA MANDARIN GERMAN DAN PRANCIS
PENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING PENENTUAN JURUSAN BAHASA MANDARIN GERMAN DAN PRANCIS Ardi Mardiana Fakultas Teknik, Universitas Majalengka Email: aim@ft.unma.ac.id Abstract Grouping language
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 terperinciSTMIK GI MDP. Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012
Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012 CLUSTERING DATA PENJUALAN DAN PERSEDIAAN BARANG PADA PT SAYAP MAS UTAMA DENGAN METODE K-MEANS Ahmad Afif 2008250031
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA
PENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA Diajeng Tyas Purwa Hapsari Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email :
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Pada penelitian Rismawan dan Kusumadewi (2008) mengelompokkan
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Pada penelitian Rismawan dan Kusumadewi (2008) mengelompokkan mahasiswa berdasarkan status gizi Body Mass Index (BMI) dan ukuran kerangka.
Lebih terperinciPENERAPAN DATA MINING DENGAN METODE CLUSTERING UNTUK PENGELOMPOKAN DATA PENGIRIMAN BURUNG
PENERAPAN DATA MINING DENGAN METODE CLUSTERING UNTUK PENGELOMPOKAN DATA PENGIRIMAN BURUNG Sri Mulyati 1) 1 Pascasarjana, Universitas Putra Indonesia YPTK Padang e-mail: mulyati.sri52@gmail.com Abstrak
Lebih terperinciIMPLEMENTASI METODE K-MEANS CLUSTERING UNTUK ANALISA PRESTASI SISWA BERDASARKAN DATA SISWA DI SMA NEGERI 1 GROGOL SKRIPSI
IMPLEMENTASI METODE K-MEANS CLUSTERING UNTUK ANALISA PRESTASI SISWA BERDASARKAN DATA SISWA DI SMA NEGERI 1 GROGOL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer
Lebih terperinciTAKARIR. : Mengelompokkan suatu objek yang memiliki kesamaan. : Kelompok atau kelas
TAKARIR Data Mining Clustering Cluster Iteratif Random Centroid : Penggalian data : Mengelompokkan suatu objek yang memiliki kesamaan. : Kelompok atau kelas : Berulang : Acak : Pusat area KDD (Knowledge
Lebih terperinciBAB 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 terperinciPENGELOMPOKKAN PERFORMA AKADEMIK MAHASISWA BERDASARKAN INDEKS PRESTASI MENGGUNAKAN K-MEANS CLUSTERING
A-99 PENGELOMPOKKAN PERFORMA AKADEMIK MAHASISWA BERDASARKAN INDEKS PRESTASI MENGGUNAKAN K-MEANS CLUSTERING Rachmad Zaini Alberto 1, Winda Kurnia Sari 2, Samsuryadi 3, Anggina Primanita 4 1,2,3,4 Fakultas
Lebih terperinciANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM)
ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) Nurani 1, Hamdan Gani 2 1 nurani_nanni@yahoo.com, 2 hamdan.gani.inbox@gmail.com
Lebih terperinciProsiding SNATIF Ke-1 Tahun 2014 ISBN:
SISTEM PENDUKUNG KEPUTUSAN UNTUK MEMPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NAÏVE BAYES Diana Laily Fithri, Eko Darmanto Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus
Lebih terperinciANALISIS CROSSTAB UNTUK MENGETAHUI DEPENDENSI BEBERAPA FAKTOR EKSTERNAL TERHADAP IP MAHASISWA FTI UKDW PADA AWAL PERKULIAHAN
Jurnal Teknik dan Ilmu Komputer ANALISIS CROSSTAB UNTUK MENGETAHUI DEPENDENSI BEBERAPA FAKTOR EKSTERNAL TERHADAP IP MAHASISWA FTI UKDW PADA AWAL PERKULIAHAN CROSSTAB ANALYSIS TO DETERMINE EXTERNAL FACTORS
Lebih terperinciSISTEM APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASITINGKAT KELULUSAN MAHASISWA
SISTEM APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASITINGKAT KELULUSAN MAHASISWA Dwi Retnosari Departement Teknik Informatika Universitas Islam Kalimantan, Banjarmasin E-mail: dwiretnosarisari@yahoo.co.id
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pasar modal merupakan salah satu bagian dari pasar keuangan, di samping pasar uang, yang sangat penting peranannya bagi pembangunan nasional pada umumnya dan bagi
Lebih terperinciKLUSTER K-MEANS DATA MAHASISWA BARU TERHADAP PROGRAM STUDI YANG DIPILIH
KLUSTER K-MEANS DATA MAHASISWA BARU TERHADAP PROGRAM STUDI YANG DIPILIH Citra Arum Sari dan Dwi Sukma D Program Studi Teknik Industri, FTI-UPN Jatim ABSTRAK Besarnya peminat dari setiap program studi di
Lebih terperinciPenerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 39 Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi Irwan
Lebih terperinciPENGGUNAAN METODE PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI
PENGGUNAAN PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI Entin Martiana S.Kom,M.Kom, Nur Rosyid Mubtada i S. Kom, Edi Purnomo Jurusan Teknik Informatika
Lebih terperinciIMPLEMENTASI METODE K-MEANS PADA PENERIMAAN SISWA BARU
PROYEK TUGAS AKHIR IMPLEMENTASI METODE K-MEANS PADA PENERIMAAN SISWA BARU (Studi Kasus : SMK Pembangunan Nasional Purwodadi) Disusun oleh: Novian Hari Pratama 10411 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS
Lebih terperinciJl. A. Yani Km 36 Banjarbaru, Kalimantan selatan 1 Abstract
Penerapan K-Optimal Pada Algoritma Knn untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam Berdasarkan IP Sampai Dengan Semester 4 Mutiara Ayu Banjarsari 1, H. Irwan
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 terperinciPENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS
PENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS WULAN ANGGRAENI wulangussetiyo@gmail.com Program Studi Pendidikan Matematika Universitas Indraprasta PGRI Abstract. The purpose of this study was to
Lebih terperinciPENENTUAN 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 terperinciTimor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak
DATA MINING MELIHAT POLA HUBUNGAN NILAI TES MASUK MAHASISWA TERHADAP DATA KELULUSAN MAHASISWA UNTUK MEMBANTU PERGURUAN TINGGI DALAM MENGAMBIL KEBIJAKAN DALAM RANGKA PENINGKATAN MUTU PERGURUAN TINGGI Timor
Lebih terperinciCLUSTERING MENGGUNAKAN K-MEANS ALGORITHM (K-MEANS ALGORITHM CLUSTERING)
CLUSTERING MENGGUNAKAN K-MEANS ALGORITHM (K-MEANS ALGORITHM CLUSTERING) Nur Wakhidah Fakultas Teknologi Informasi dan Komunikasi Universitas Semarang Abstract Classification is the process of organizing
Lebih terperinciPENGELOMPOKAN TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS
PENGELOMPOKAN TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS Yulius Palumpun 1), Sitti Nur Alam 2) 1) Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Manajemen (FIKOM) - Universitas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Faktor penentu bagi usaha atau bisnis apapun pada masa sekarang ini adalah kemampuan untuk menggunakan informasi seefektif mungkin. Penggunaan data secara tepat karena
Lebih terperinciKLASIFIKASI PENERIMA BEASISWA KOPERTIS DENGAN MENGGUNAKAN ALGORITMA C.45
72 KLASIFIKASI PENERIMA BEASISWA KOPERTIS DENGAN MENGGUNAKAN ALGORITMA C.45 Muhamad Tabrani Program Studi Teknik Informatika STMIK Nusa Mandiri Jakarta Jl. Damai No.8 Warung Jati Barat Marga Satwa Jakarta
Lebih terperinciSISTEM REKOMENDASI PENENTUAN JUDUL SKRIPSI MENGGUNAKAN ALGORITMA DECISION TREE
SISTEM REKOMENDASI PENENTUAN JUDUL SKRIPSI MENGGUNAKAN ALGORITMA DECISION TREE A Sofalul Khazari 1), Fitri Marisa 2), Indra Dharma Wijaya 3) 1) Mahasiswa Fakultas Teknik, Universitas Widyagama Email: khazari.sofalul@gmail.com
Lebih terperinciAplikasi Data Mining untuk Mengukur Tingkat Kelulusan Mahasiswa dengan Metode Apriori
Aplikasi Data Mining untuk Mengukur Tingkat Kelulusan Mahasiswa dengan Metode Apriori dan k-mean Clustering (Studi Kasus: Jurusan Teknik Informatika Universitas Trunojoyo Madura) Mohammad Syarief Prodi
Lebih terperinciTEKNOSI, Vol. 02, No. 03, Desember Koko Handoko Universitas Putera Batam (cooresponding author)
TEKNOSI, Vol. 02, No. 03, Desember 2016 31 PENERAPAN DATA MINING DALAM MENINGKATKAN MUTU PEMBELAJARAN PADA INSTANSI PERGURUAN TINGGI MENGGUNAKAN METODE K-MEANS CLUSTERING (STUDI KASUS DI PROGRAM STUDI
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 terperinciKlasterisasi Wilayah Pemasaran berdasarkan Preferensi Konsumen terhadap PT. X
Klasterisasi berdasarkan Konsumen terhadap PT. X Prasetyo, Andhika Eko Program Studi Manajemen Rekayasa Universitas Internasional Semen Indonesia Jl. Veteran Gresik, Jawa Timur 61122 E-mail: andhika.prasetyo@uisi.ac.id
Lebih terperinciKerusakan Barang Jadi
Penerapan Algoritma C4.5 pada Analisis Kerusakan Barang Jadi (Studi Kasus: PT Kayu Lapis Asli Murni) Ivan Oktana, Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang,
Lebih terperinciBAB 2 LANDASAN TEORI. Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun.
BAB 2 LANDASAN TEORI Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun. 2.1. Data Mining Data mining adalah suatu istilah yang digunakan
Lebih terperinciPENERAPAN DATA MINING DALAM PEMILIHAN PENERIMA BEASISWA BERPRESTASI DI POLITEKNIK DAN STMIK LPKIA DENGAN MENERAPKAN METODE K-MEANS CLUSTERING
PENERAPAN DATA MINING DALAM PEMILIHAN PENERIMA BEASISWA BERPRESTASI DI POLITEKNIK DAN STMIK LPKIA DENGAN MENERAPKAN METODE K-MEANS CLUSTERING 1 Wahyu Nurjaya W.K, 2 Nurjaman 1 Program Studi Sistem Informasi
Lebih terperinciCLUSTERING PENENTUAN POTENSI KEJAHATAN DAERAH DI KOTA BANJARBARU DENGAN METODE K-MEANS
Volume 01, No01 September 2014 CLUSTERING PENENTUAN POTENSI KEJAHATAN DAERAH DI KOTA BANJARBARU DENGAN METODE K-MEANS Sri Rahayu 1,Dodon T Nugrahadi 2, Fatma Indriani 3 1,2,3 Prog Studi Ilmu Komputer Fakultas
Lebih terperinciIMPLEMENTASI ALGORITMA C4.5 UNTUK MENENTUKAN PENERIMA BEASISWA DI STT HARAPAN MEDAN
116 IMPLEMENTASI ALGORITMA C4.5 UNTUK MENENTUKAN PENERIMA BEASISWA DI STT HARAPAN MEDAN Rismayanti 1 1 Dosen Tetap Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan Medan Jl. H.M Joni No.70
Lebih terperinciUniversitas Dian Nuswantoro Jl. Nakula I No Semarang, Indonesia 1,
PENERAPAN METODE CLUSTERING DENGAN ALGORITMA K- MEANS UNTUK REKOMENDASI PEMILIHAN JALUR PEMINATAN SESUAI KEMAMPUAN PADA PROGRAM STUDI TEKNIK INFORMATIKA-S1 UNIVERSITAS DIAN NUSWANTORO Rizky Adrianto 1,
Lebih terperinciPenerapan Algoritma K-Means Untuk Analisis Prestasi Akademik Mahasiswa Fakultas Ilmu Komputer Universitas Klabat
Penerapan Algoritma K-Means 230 Penerapan Algoritma K-Means Untuk Analisis Prestasi Akademik Mahasiswa Fakultas Ilmu Komputer Universitas Klabat Application of K-Means Algorithm for Academic Achievement
Lebih terperinciPENERAPAN ALGORITMA C4.5 UNTUK KLASIFIKASI PREDIKAT KEBERHASILAN MAHASISWA DI AMIK TUNAS BANGSA. Abstrak
JURASIK (Jurn Riset Sistem Informasi & Teknik Informatika) ISSN 2527-5771 PENERAPAN ALGORITMA C4.5 UNTUK KLASIFIKASI PREDIKAT KEBERHASILAN MAHASISWA DI AMIK TUNAS BANGSA Yuni Sara Luvia 1, Dedy Hartama
Lebih terperinciBAB 1 PENDAHULUAN. Tabel 1 1. Jumlah mahasiswa baru masing-masing program studi tahun Tahun. Jurusan. Akuntansi - S
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam dunia pendidikan yang kian maju ditambah dengan kemajuan teknologi informasi membuat data yang dihasilkan mengenai siswa.penerapan teknologi informasi dalam dunia
Lebih terperinciPERBANDINGAN KINERJA METODE WARD DAN K-MEANS DALAM MENENTUKAN CLUSTER DATA MAHASISWA PEMOHON BEASISWA (STUDI KASUS : STMIK PRINGSEWU)
Page 12 Jurnal TIM Darmajaya Vol. 02 No. 01 Mei 2016 ISSN: 2442-5567 E-ISSN: 244-289X PERBANDINGAN KINERJA METODE WARD DAN K-MEANS DALAM MENENTUKAN CLUSTER DATA MAHASISWA PEMOHON BEASISWA (STUDI KASUS
Lebih terperinciPENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5
1 PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5 Dina Maurina, Ahmad Zainul Fanani S.Si, M.Kom Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula
Lebih terperinciBAB II LANDASAN TEORI. yang terdiri dari komponen-komponen atau sub sistem yang berorientasi untuk
BAB II LANDASAN TEORI 2.1 Sistem Menurut Gondodiyoto (2007), sistem adalah merupakan suatu kesatuan yang terdiri dari komponen-komponen atau sub sistem yang berorientasi untuk mencapai suatu tujuan tertentu.
Lebih terperinciPENERAPAN DATA MINING UNTUK MENENTUKAN STRATEGI PENJUALAN PADA TOKO BUKU GRAMEDIA MENGGUNAKAN METODE CLUSTERING
PENERAPAN DATA MINING UNTUK MENENTUKAN STRATEGI PENJUALAN PADA TOKO BUKU GRAMEDIA MENGGUNAKAN METODE CLUSTERING Tri Utami Putri 1, M.Izman H,S.T.,M.M.,PhD 2, Susan Dian PS M.Kom 3 Mahasiswa Universitas
Lebih terperinci