METODE ROUGH SET UNTUK MEMILIH TIPE RUMAH IDAMAN SESUAI SELERA KONSUMEN PADA PT. RIZKI PRATIWI MULYA. Yanti Yusman 1 ABSTRACT
|
|
- Inge Setiawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 METODE ROUGH SET UNTUK MEMILIH TIPE RUMAH IDAMAN SESUAI SELERA KONSUMEN PADA PT. RIZKI PRATIWI MULYA Yanti Yusman 1 ABSTRACT In the process of research to see which type of housing most in demand according to consumer taste the use of Data Mining in collecting the data that will be processed to be a source of information. In this study the method of Rough Set is used because there are some criteria of being Decision Systems, Equivalence Class, Discernibility Matrix, Discernibility Matrix Modulo D then the last General Ruler and using Rosetta Software. In doing so it becomes search process knowledge (knowledge) new, and then the Rough Sets method can be applied to the classification of behavioral different types of dream home according to consumer tastes. Keywords : Data Mining, Rough Sets, type of dream home. INTISARI Dalam proses penelitian untuk melihat tipe perumahan yang paling diminati sesuai dengan selera konsumen dilakukan dengan menggunakan Data Mining dalam mengumpulkan data yang akan diproses untuk menjadi sumber informasi. Dalam penelitian ini yang digunakan adalah metode Rough Set karena terdapat beberapa kriteria yang menjadi Decision System, Equivalence Class, Discernibility Matrix, Discernibility Matrix Modulo D kemudian terakhir General Ruler dan menggunakan Perangkat Lunak Rosetta. Dalam melakukan proses pencarian sehingga menjadi sebuah pengetahuan (knowledge) yang baru, maka metode Rough Set dapat diterapkan untuk klasifikasi perbedaan tipe rumah idaman sesuai selera konsumen. Kata Kunci :: Data Mining, Rough Set, tipe rumah idaman. 1 Dosen Program Studi Sistem Informasi Dharma Andalas Padang
2 PENDAHULUAN Seiring bertambah pesatnya jumlah pertumbuhan penduduk, menjadi salah satu kebutuhan yang wajib bagi para konsumen untuk menyediakan tempat tinggal yang layak. Kota Padang merupakan Ibukota Provinsi Sumatera Barat yang memiliki jumlah penduduk sebanyak jiwa, sehingga kebutuhan akan tempat tinggal semakin meningkat. Ini merupakan peluang emas bagi developer untuk mengembangkan usahanya, namun developer juga sulit menentukan tipe rumah idaman sesuai dengan selera konsumen. Penelitian ini ditujukan untuk menyelesaikan permasalahan tersebut, yaitu dengan membuat sistem cerdas yang mampu melihat tipe rumah idaman sesuai dengan selera konsumen dan memberikan kepuasan untuk konsumen dalam memilih tempat tinggal mereka dengan menggunakan algoritma rough set. Data Mining dapat diartikan sebagai pengekstrakan informasi baru yang diambil dari bongkahan data besar yang membantu dalam pengambilan keputusan. Data Mining kadang disebut juga knowledge discovery. Dalam penerapan data mining, metode yang saya gunakan adalah Rough Set. Dengan Rough Set saya mencoba untuk membandingkan setiap parameter yang ada. Sumber pengambilannya berasal dari jumlah konsumen yang berminat membeli rumah pada PT. Rizki Pratiwi Mulya. Setelah mendapatkan hasil berdasarkan jumlah konsumen maka parameter-parameter tersebut dapat diketahui karakteristik dari setiap konsumen-konsumen yang menjadi pembeli. Berdasarkan latar belakang di atas, maka dirumuskan permasalahannya sebagai berikut, Bagaimana menerapkan metode Rough Set untuk melihat tipe rumah idaman sesuai dengan selera konsumen dan Bagaimana menganalisa karakteristik tipe rumah idaman konsumen, sehingga dapat menjadi jalan untuk mensukseskan usaha perumahan pada PT. Rizki Pratiwi Mulya. Ini bertujuan untuk memecahkan permasalahan yang telah dirumuskan di atas yaitu, Memahami setiap karakteristik tipe rumah idaman tersebut, membangun sebuah rule atau aturan Data Mining sesuai dengan parameterparameternya, merancang Metode Rough Set untuk melihat tipe rumah idaman sesuai dengan selera konsumen, menguji Decision System tersebut untuk mendapatkan pengetahuan baru dari proses ekstraksi menggunakan Tools yang ada. Manfaat yang diharapkan dengan menggunakan Metode Rough Set ini adalah agar dapat memudahkan untuk memahami bagaimana selera konsumen dalam menentukan tipe rumah idaman, sehingga menjadi peluang yang bagus bagi developer dalam mensukseskan usaha mereka. PENDEKATAN PEMECAHAN MASALAH 1 Data mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (mechine learning) untuk menganalisis data dan mengekstraksi pengetahuan (knowledge) secara otomatis (Fajar Astuti Hermawati, 2013). 2 Data mining merupakan bagian dari proses yang disebut penemuan KDDpengetahuan dalam database. Proses ini pada dasarnya terdiri langkah-langkah yang dilakukan sebelum melakukan data mining, seperti pemilihan data, pembersihan data, pra-
3 Input pengolahan, dan transformasi data (Nasereddin, 2009). Proses Gambar 1: Tahapan KDD Informas i Pengetahuan (Knowledge Gambar 2: Langkah-Langkah Untuk Melakukan Data Mining Data adalah segala fakta, angka, atau teks yang dapat diproses oleh komputer. Saat ini akumulasi pertumbuhan jumlah data berjalan dengan cepat dalam format dan basis data yang berbeda (Eko Prasetyo, 2012). Obadi, et al. (2010) mengatakan bahwa Rough set dikembangkan oleh Zdizslaw Pawlak yang dapat digunakan sebagai alat matematikal untuk menangani ketidak jelasan dan ketidak pastian. Dan telah berhasil diterapkan dalam berbagai tugas, seperti fitur seleksi / ekstraksi, sintesis aturan dan klasifikasi, penemuan pengetahuan dan lainlain. Toleransi Model Rough set mempekerjakan relation toleransi bukan sebuah eqivalence hubungan dalam model Rough set original. METEDEOLOGI PENELITIAN Analisa Dan Perancangan Untuk penyelesaian dengan menggunakan metode Rough Set dilakukan dengan beberapa langkah; a. Information Systems (IS) Dalam roughset, sebuah set data direpresentasikan sebagai sebuah tabel, di mana baris dalam tabel merepresentasikan objek dan kolom- kolom merepresentasikan atribut dari objek-objek tersebut.tabel tersebut disebut dengan information system yang dapat digambarkan sebagai: IS = {U,A} Di mana U adalah set terhingga yang tidak kosong dari objek yang disebut dengan universe dan A set terhingga tidak kosong dari atribut di mana: Untuk tiap Set Va disebut value set dari a. U={e1, e2,, em} merupakan sekumpulan example dan A={a1, a2,, an} yang merupakan attribute kondisi secara berurutan. Sebuah Information Systems yang sederhana diberikan dalam tabel 1 : Tabel 1. Information Systems
4 Tabel 1 memperlihatkan sebuah Information Systems yang sederhana. Dalam Information System, tiap-tiap baris merepresentasikan objek sedangkan column merepresentasikan attribute. Hanya terdiri dari m objek, seperti E1, E2,, Em, dan Tipe, Lokasi, Fasilitas (lantai, kamar, dapur, dan WC), Kelebihan Tanah, dan Harga Standar Sesuai Tipe (Diluar Kelebihan Tanah). b. Decision System (DS) Dalam penggunaan information system, terdapat outcome dari klasifikasi yang telah diketahui yang disebut dengan atribut keputusan. Information system tersebut disebut dengan Decision system. Decision system dapat digambarkan sebagai IS=(U,{A,C}) Di mana : U = {x1, x2,..., xm} yang merupakan sekumpulan example. A = {a, a2,..., an} yang merupakan sekumpulan attribute kondisi secara berurutan atau atribute, seperti Tipe, Lokasi, Fasilitas (lantai, kamar, dapur, dan WC), Kelebihan Tanah, Harga Standar Sesuai Tipe (Diluar Kelebihan Tanah)dan Idaman. C = Decision attributes (keputusan).decision Systems (DS) yang sederhana diperlihatkan pada tabel 2 Tabel 2. Decision Systems (DS) Dalam Tabel 2, n-1 attribute Tipe, Lokasi, Fasilitas (lantai, kamar, dapur, dan WC), Kelebihan Tanah, Harga Standar Sesuai Tipe (Diluar Kelebihan Tanah) adalah attribute kondisi sedangkan Idaman adalah decision attribute. c. Equivalence Class Equivalence class adalah
5 mengelompokan objek- objek yang sama untuk attribute A (U, A). Diberikan Decision Systems pada tabel 2, kita dapat memperoleh equivalence class (EC1-EC6) seperti digambarkan pada tabel 3 Tabel 3. Proses Equivalence Class d. Discernibility Matrix Definisi Discerniblity Matrix: Diberikan sebuah IS A=(U,A) and B A, discernibility matrix dari A adalah MB, di mana tiap-tiap entry MB(I,j) terdiri dari sekumpulan attribute yang berbeda antara objek Xi dan Xj. Tabel 3 memperlihatkan discerniblity matrix dari tabel 4 Tabel 4. Acuan Discernibility Matrix atau Discernibility Matrix Modulo D Untuk mendapatkan nilai Discernibility Matrix-nya yaitu dengan mengklasifikasikan atribut yang berbeda antara objek ke-i dan objek ke-j (yang dilihat hanya atribut kondisi saja). Berdasarkan data di atas maka berikut ini adalah Discernibility Matrix-nya : Tabel 5. Hasil Discernibility Matrix Selain itu juga dapat menggunakan Discernibility Matrix Modulo D. Discernibility Matrix Modulo D ini merupakan sekumpulan
6 atribut yang berbeda antara objek ke-i dan objek ke-j beserta dengan atribut hasilnya seperti terlihat pada tabel di bawah ini. Tabel 6. Discernibility Matrix Modulo D e. Reduction Adapun penulis menggunakan Discernibility Matrix sebagai acuan untuk melakukan proses Reduction. Untuk data yang jumlah variabel yang sangat besar sangat tidak mungkin mencari seluruh kombinasi variabel yang ada, karena jumlah indiscernibilty yang dicari = 2 (2 n-1-1). Oleh karena itu dibuat satu tekhnik pencarian kombinasi atribut yang dikenal dengan QuickReduct, yaitu dengan cara: 1. Nilai indiscernibilty yang pertama dicari adalah indiscernibilty yang kombinasi atribut yang terkecil yaitu Kemudian lakukan proses pencarian dependency attributes. Jika nilai dependency attributes yang didapat = 1, maka indiscernibilty untuk himpunan minimal variabel adalah variabel tersebut. 3. Jika pada proses pencarian kombinasi atribut tidak ditemukan dependency attributes = 1, maka lakukan pencarian kombinasi yang lebih besar, di mana kombinasi variable yang dicari adalah kombinasi dari variabel di tahap sebelumnya yang nilai dependency attributes paling besar. Lakukan proses (3), sampai didapat nilai dependency attributes = 1. Berdasarkan hasil yang diperoleh dari proses Discernibility Matrix berikut ini adalah proses Reduction-nya : Tabel 7. Proses Penyeleksian f. General Rules Setelah didapatkan hasil dari Reduction, maka langkah terakhir untuk menentukan General Rules nya. Adapun General Rules dari hasil Reduction yang dideskripsikan pada tabel penyeleksian tipe rumah idaman sesuai selera konsumen terdapat 17 rules dapat dilihat sebagai berikut :
7 Tabel 8. Hasil General Rules HASIL DAN PEMBAHASAN Disini membahas tentang proses pengujian metode Rough Set dengan menggunakan tools Rosetta. Dan diselaraskan dengan pembuktian dari analisa metode terhadap permasalahan yang ada pada bab sebelumnya. Pada penelitian ini, penulis menggunakan Exs data jurnal.xls sebagai data processing. Untuk tahapan selanjutnya mencari di mana letak data Source yang telah di Create pada tahapan sebelumnya. Dynamic Reducts tekan OK dan untuk melihat rule yang dihasilkan oleh reduct dengan cara klik kanan pada Reduct lalu pilih Generate Rules maka akan terlihat tampilannya seperti gambar 4: Gambar 4. Sheet Of Decision System Untuk melihat hasil dari proses Reduct yaitu dengan cara Double Click icon Reduct dan akan terlihat hasil dari Data Reduct seperti terlihat pada gambar 5; Gambar 3. Pemilihan File Decision System Setelah file yang dibuat didalam excel masuk ke dalam software rosetta, maka pada file tersebut double klik ganti namanya menjadi Decision System (DS), lalu pada DS klik kanan pilih Reduce lalu Gambar 5. Result Of Reduction Setelah melakukan proses reduction, langkah terakhir adalah mencari General Rules atau
8 keputusan dari Information System yang diproses dengan cara Right- Click Icon Reduct lalu General Rules, dan untuk melihat hasil atau dari Decision System yang diproses seperti terlihat pada gambar , Hlm Dr. H. Sarjon Defit, S.Kom, MSc. (2012). Rought Set Theory And Data Mining. Modul Gambar 6. Hasil Atau Rules dari Rough Set Pada Rosetta Dari hasil pengujian Decision System (DS) dengan software rosetta terdapat 4 reduct (dilihat dari gambar 5) dan menghasilkan 17 rules (Gambar 6). Ini membuktikan bahwa perhitungan secara manual dan pengujian dengan software menghasilkan rules yang sama dan dinyatakan valid. KESIMPULAN Metode Rough Set ini agar dapat diimplementasikan ke dalam sistem perumahan untuk mengetahui tipe rumah idaman sesuai selera konsumen dan Metode Rough Set juga dapat mengklasifikasikan perbedaan tipe rumah idaman dan tipe rumah tidak idaman. Dan Untuk penelitian selanjutnya, penulis dapat menggunakan metode dan software lain yang dapat digunakan untuk menjadi solusi bagi objek penelitian yang dilakukan agar dapat lebih sempurna. DAFTAR PUSTAKA 1. Eko Prasetyo. (2012). Data Mining-Konsep dan Aplikasi Menggunakan Matlab. 1 th. Ed. Yogyakarta: CV Andi Offset- Hal. xxiv+360, ISBN:
PENERAPAN TEKNIK DATA MINING UNTUK MENGELOMPOKKAN
PENERAPAN TEKNIK DATA MINING UNTUK MENGELOMPOKKAN EMAIL Ratih Puspasari1) 1) Manajemen Informatika Universitas Potensi Utama Jl.K.L. Yos Sudarso Km. 6,5 No. 3A Tanjung Mulia Medan Email : puspasariratih21@yahoo.com1)
Lebih terperinciANALISIS TINGKAT KEPUASAN PELANGGAN TERHADAP PENJUALAN AIR MINUM ISI ULANG DENGAN MENGGUNAKAN METODE ROUGH SET (Studi Kasus: Rihata Water)
ANALISIS TINGKAT KEPUASAN PELANGGAN TERHADAP PENJUALAN AIR MINUM ISI ULANG DENGAN MENGGUNAKAN METODE ROUGH SET (Studi Kasus: Rihata Water) Tania Dian Tri Utami 1, Dedy Hartama 2, Agus Perdana Windarto
Lebih terperinciANALISA SISTEM PENUNJANG KEPUTUSAN DISTRIBUSI PENJUALAN BAHAN POKOK DENGAN MENGGUNAKAN METODE ROUGH SET PADA CV SAMA SENANG
ANALISA SISTEM PENUNJANG KEPUTUSAN DISTRIBUSI PENJUALAN BAHAN POKOK DENGAN MENGGUNAKAN METODE ROUGH SET PADA CV SAMA SENANG Helmi Kurniawan Jurusan Teknik Informatika, STMIK Potensi Utama Jl. K.L. Yos
Lebih terperinciDATA MINING ROUGH SET DALAM MENENTUKAN PILIHAN ALAT KONTRASEPSI PADA WANITA ( STUDI KASUS DI BKKBN KOTA PADANG )
DATA MINING ROUGH SET DALAM MENENTUKAN PILIHAN ALAT KONTRASEPSI PADA WANITA ( STUDI KASUS DI BKKBN KOTA PADANG ) Purnama Sari,S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang
Lebih terperinciAPLIKASI ROUGH SET UNTUK MEMPREDIKSI PRESTASI CALON ANGGOTA KELOMPOK PROGRAMMING (STUDI KASUS : STMIK PELITA NUSANTARA)
APLIKASI ROUGH SET UNTUK MEMPREDIKSI PRESTASI CALON ANGGOTA KELOMPOK PROGRAMMING (STUDI KASUS : STMIK PELITA NUSANTARA) Muhammad Romi Syahputra Teknik Informatika STMIK Pelita Nusantara Medan, Jl. Iskandar
Lebih terperinciIMPLEMENTASI METODE ROUGH SET UNTUK MENGANALISA LABA/RUGI PADA SUATU PERUSAHAAN DISTRIBUTOR (STUDI KASUS : USAHA KITA PS PAYAKUMBUH)
IMPLEMENTASI METODE ROUG SET UNTU MENGANALISA LABA/RUGI PADA SUATU PERUSAAAN DISTRIBUTOR (STUDI ASUS : USAA ITA PS PAYAUMBU) M.Ardiansyah Sembiring *1), Zulfi Azhar 2) Program Studi Sistem Informasi, STMI
Lebih terperinciPERBANDINGAN METODE ROUGH SET DAN NEURAL NETWORK UNTUK PREDIKSI STOK OBAT DI APOTEK
SNTIKI III 20 ISSN : 2085-02 PERBANDINGAN METODE ROUGH SET DAN NEURAL NETWORK UNTUK PREDIKSI STOK OBAT DI APOTEK Novi Yanti Universitas Islam Negeri Sultan Syarif Kasim Riau Kampus Raja Ali Haji, Jl. HR
Lebih terperinciANALISIS KINERJA DOSEN STMIK IBBI DENGAN MENGGUNAKAN METODE ROUGH SET
ANALISIS KINERJA OSEN STMIK IBBI ENGAN MENGGUNAKAN METOE ROUGH SET edy Hartama 1), Hartono 2) 1), 2) Program Studi S-3 Ilmu Komputer, Universitas Sumatera Utara Medan, Indonesia Jalan Alumni No 9 Kampus
Lebih terperinciImplementasi Metode Rough Set Untuk Menentukan Kelayakan Bantuan Dana Hibah Fasilitas Rumah Ibadah
Implementasi Metode Rough Set Untuk Menentukan Kelayakan Bantuan Dana Hibah Fasilitas Rumah Ibadah Muhamad Jamaris Program studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan Komputer Amik
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining (DM) Data mining adalah proses menambang (mining) pengetahuan dari sekumpulan data yang sangat besar (Han & Kamber 2006). Menurut Connolly dan Begg, 2005. Data mining
Lebih terperinciDATA MINING MENGGUNAKAN METODE ROUGH SET UNTUK MENENTUKAN BAKAT MINAT MAHASISWA
DATA MINING MENGGUNAKAN METODE ROUGH SET UNTUK MENENTUKAN BAKAT MINAT MAHASISWA Muhammad Lukman Hakim dan Muhammad Rusli Staf Pengajar AMIK INTeL Com GLOBAL INDO ABSTRAK Data Mining adalah serangkaian
Lebih terperinciJurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 1, Juni 2014 ISSN :
PENERAPAN TEKNIK ARTIFICIAL INTELLIGENT ROUGH SET UNTUK MENDUKUNG KEPUTUSAN PADA PROSES PEMERIKSAAN KONDISI PENJUALAN BARANG PADA TOKO SILUNGKANG ART CENTRE PADANG Ilmawati, S.Kom, M.Kom, Fakultas Ilmu
Lebih terperinciDECISION 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 terperinciPrediksi Peluang Kelulusan Mahasiswa PTIK dalam Uji Kompetensi Microsoft Office 2010 menggunakan Teori Rough Set
TEKNOSI, Vol. 02, No. 01, April 2016 1 Prediksi Peluang Kelulusan Mahasiswa PTIK dalam Uji Kompetensi Microsoft Office 2010 menggunakan Teori Rough Set Karmila Suryani* Jurusan Pendidikan Teknik Informatika
Lebih terperinciLiza Efriyanti* Keywords: Artificial Intelligent Rough Sets, Decision Making System, DSS, Rosetta
PENERAPAN TEKNIK ARTIFICIAL INTELLIGENT ROUGH SET UNTUK MENDUKUNG KEPUTUSAN PADA PROSES PEMERIKSAAN KONDISI BARANG- BARANG OPERASIONAL LABORATORIUM KOMPUTER STT PAYAKUMBUH Liza Efriyanti* Abstract: The
Lebih terperinciJ. Informatika AMIK-LB Vol.2 No. 1/Januari/2014
IMPLEMENTASI DATA MINING ROUGH SET DALAM MENENTUKAN TINGKAT KERUSAKAN ALAT DAN BAHAN KIMIA (STUDI KASUS DI LABORATORIUM RESEP SMK S-16 FARMASI BENGKULU) Oleh : Marnis Nasution, S.Kom, M.Kom Dosen Prodi
Lebih terperinciPENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5
PENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5 Annisak Izzaty Jamhur Universitas Putera Indonesia YPTK Padang e-mail: annisakizzaty@yahoo.com Abstract
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciPenerapan Data Mining Penjualan Sepatu Menggunakan Metode Algoritma Apriori
Penerapan Data Mining Penjualan Sepatu Menggunakan Metode Algoritma Apriori Erma Delima Sikumbang Komputerisasi Akuntansi AMIK BSI Jakarta Jl. RS Fatmawati No. 24 Pondok Labu Jakarta Selatan Erma@bsi.ac.id
Lebih terperinciPENERAPAN 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 terperinciIMPLEMENTASI 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 terperinciJurnal Sistem Informasi (Journal of Information Systems). 2/13 (2017), DOI:
Jurnal Sistem Informasi (Journal of Information Systems). 2/13 (2017), 97-102 DOI: http://dx.doi.org/10.21609/jsi.v13i2.553 EFEKTIVITAS PELATIHAN SERTIFIKASI KOMPUTER DASAR MENGGUNAKAN TEORY ROUGH SET
Lebih terperinciBAB III METODOLOGI 3.1. Prosedur Penelitian Identifikasi Masalah
BAB III METODOLOGI Dalam penelitian ini metodologi memegang peranan penting guna mendapatkan data yang obyektik, valid dan selanjutnya digunakan untuk memecahkan permasalahan yang telah dirumuskan. Maka
Lebih terperinciModul Praktikum WEKA. Pembaca modul ini diasumsikan telah mengerti dasar-dasar datamining.
Modul Praktikum WEKA Yudi Wibisono (e: yudi@upi.edu ); t: @yudiwbs Ilmu Komputer Universitas Pendidikan Indonesia (cs.upi.edu) Versi BETA : Oktober 2013 http://creativecommons.org/licenses/by-nc-sa/3.0/
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. dan fakor-faktor penyebab masalah tersebut bisa terjadi diantaranya. dimanfaatkan dan dikelola dengan baik.
BAB IV HASIL DAN PEMBAHASAN 4.1. Identifikasi Masalah Dalam menentukan status calon dosen dan dosen tetap terdapat masalahmasalah dan fakor-faktor penyebab masalah tersebut bisa terjadi diantaranya sebagai
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peminatan siswa SMA Negeri 8 Bandung dilakukan di kelas X SMA setelah tahap daftar ulang. Hal tersebut berdasarkan aturan kurikulum 2013 [11]. Peminatan merupakan hal
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih terperinciBAB VI MEMBUAT CHART & HYPERLINK
DIKTAT MATA KULIAH SOFTWARE TERAPAN II BAB VI MEMBUAT CHART & HYPERLINK IF Membuat Chart Pembuatan chart atau grafik di dalam Microsoft Excel sangatlah mudah dan cepat. Excel memberikan banyak pilihan
Lebih terperinciPenerapan Data Mining dalam Memprediksi Pembelian cat
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining dalam Memprediksi Pembelian cat Fitriana Harahap STMIK POTENSI UTAMA Jl. KL. Yos Sudarso KM 6,5
Lebih terperinciMicrosoft Excel Pivot Table dalam MS. Excel Grace Gata, S.Kom., M.Kom. Modul ke: Fakultas Ilmu Komunikasi
Modul ke: Microsoft Excel 2010 Pivot Table dalam MS. Excel 2010 Fakultas Ilmu Komunikasi Grace Gata, S.Kom., M.Kom Program Studi Public Relations www.mercubuana.ac.id Pivot Table PivotTable bagus untuk
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Lebih terperinci3.1 Metode Pengumpulan Data
BAB 3 METODE PENELITIAN 3.1 Metode Pengumpulan Data Sebuah penelitian memerlukan pengumpulan data dan metode pengumpulan data karena sangat berpengaruh terhadap akurasi dan kualitas data yang digunakan
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL)
KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL) Budi Utami 1, Yuniarsi Rahayu, 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Rough Set Teori Rough set sampai saat ini pendekatan lain untuk ketidakjelasan (Pawlak, 1982). Demikian pula untuk teori himpunan fuzzy bukan merupakan alternatif untuk teori
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 terperinciSISTEM PREDIKSI STOK OBAT DENGAN MENGGUNAKAN METODE ROUGH SET. (Studi Kasus : Apotek X Bangkinang-Riau) FITRI MAIDARLI
SISTEM PREDIKSI STOK OBAT DENGAN MENGGUNAKAN METODE ROUGH SET (Studi Kasus : Apotek X Bangkinang-Riau) FITRI MAIDARLI 10651004335 Tanggal Sidang : 20 Januari 2011 Periode Wisuda : Februari 2011 Jurusan
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 terperinciResearch 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 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 TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Konsep Pemasaran Dalam merancang dan mengembangkan produk, baik yang berupa jasa maupun barang, tidak terlepas dari konsep pemasaran yang bertujuan memenuhi
Lebih terperinciKlasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree
Klasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree Disusun oleh : Budanis Dwi Meilani Achmad dan Fauzi Slamat Jurusan Sistem Informasi Fakultas Teknologi Informasi.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup banyak digunakan, antara lain
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisis Masalah Dalam pemilihan KPR masyarakat haruslah jeli, namun untuk menentukan KPR masyarakat umum memiliki kendala di saat memiliki minat untuk membeli
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 terperinciKomputer Aplikasi MI. Mia Fitriawati, S.Kom. Pertemuan 5 & 6 : Tabel, Grafis, Daftar Isi- Tabel/Gambar & Mail Merge 2013/2014
Komputer Aplikasi MI Pertemuan 5 & 6 : Tabel, Grafis, Daftar Isi- Tabel/Gambar & Mail Merge 2013/2014 Mia Fitriawati, S.Kom Tabel Tabel adalah sekumpulan sel - sel kolom dan baris yang digunakan untuk
Lebih terperinciMembuat File Database & Tabel
Membuat File Database & Tabel Menggunakan MS.Office Access 2013 Database merupakan sekumpulan data atau informasi yang terdiri atas satu atau lebih tabel yang saling berhubungan antara satu dengan yang
Lebih terperinciJurnal 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 terperinciBAB IX MENGENAL MS.ACCESS 2007
DIKTAT MATA KULIAH SOFTWARE TERAPAN II BAB IX MENGENAL MS.ACCESS 2007 IF Pendahuluan Ms.Access 2007 Microsoft Access 2007 atau lebih dikenal dengan sebutan Access 2007 merupakan salah satu perangkat lunak
Lebih terperinciMengolah Database dengan Excel
Mengolah Database dengan Excel Pengertian Database Database terdiri dari sekumpulan record, sedangkan record terdiri atas sekumpulan field (data) yang membentuk satu kesatuan dan masing-masing field (data)
Lebih terperinciANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE
ANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE Dewi Sibagariang 1), Karina Auliasari 2) 1.2) Jurusan Teknik Informatika, Institut Teknologi Nasional Malang Jalan
Lebih terperinciAPLIKASI 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 terperinciPenerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien
1 Penerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien Ketut Wisnu Antara 1, Gede Thadeo Angga Kusuma 2 Jurusan Pendidikan Teknik Informatika Universitas Pendidikan Ganesha
Lebih terperinciMengelola Database Menggunakan Macro Excel
Mengelola Database Menggunakan Macro Excel Mengelola Database Menggunakan Macro Excel Yudhy Wicaksono & Solusi Kantor PENERBIT PT ELEX MEDIA KOMPUTINDO Mengelola Database Menggunakan Macro Excel Yudhy
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 terperinciPERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO
PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO Rizky Mei Anggraeni Program Studi Teknik Informatika,
Lebih terperinciBAB 1 PENDAHULUAN. terhadap peran sistem informasi dalam perusahaan sebagai bagian dari produktivitas.
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan teknologi informasi telah mampu mengubah persepsi manusia terhadap peran sistem informasi dalam perusahaan sebagai bagian dari produktivitas.
Lebih terperinciBAB 1 PENDAHULUAN. membawa perubahan yang begitu pesat didalam segala bidang. Hal ini terlihat jelas
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi informasi dan komunikasi yang begitu pesat didunia ini membawa perubahan yang begitu pesat didalam segala bidang. Hal ini terlihat jelas khususnya
Lebih terperinciABSTRAK. Kata kunci: diagram kelas, xml, java, kode sumber, sinkronisasi. v Universitas Kristen Maranatha
ABSTRAK Salah satu bidang kajian dalam bidang teknologi informasi adalah rekayasa perangkat lunak. Dalam rekayasa perangkat lunak, terdapat konsep yang mendasari berbagai jenis metodologi pengembangan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Data Mining Data mining adalah bagian dari knowledge discovery di database yang menganalisa database berukuran besar untuk menemukan pola yang berguna pada data (Silberschatz,
Lebih terperinciI.1 Latar Belakang Masalah Seiring berjalannya waktu dan perkembangan teknologi media penyimpanan elektronik, setiap organisasi dapat menyimpan
BAB. I. PENDAHULUAN I.1 Latar Belakang Masalah Seiring berjalannya waktu dan perkembangan teknologi media penyimpanan elektronik, setiap organisasi dapat menyimpan datanya secara elektronik dan bersifat
Lebih terperinciJurnal Edik Informatika Penelitian Bidang Komputer Sains dan Pendidikan Informatika V1.i1(52-62)
Analisa Pola Peminjaman Buku Perpustakaan Menggun Algoritma Apriori Azwar Anas Program Studi Pendidikan Informatika, STKIP PGRI Sumbar aans_07@yahoo.co.id http://dx.doi.org/10.22202/jei.2014.v1i1.1439
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 terperinciIMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan)
IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan) Sri Rahayu Siregar ( 0911882) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciKONVERSI DATA TRAINING TENTANG PENYAKIT HIPERTENSI MENJADI BENTUK POHON KEPUTUSAN DENGAN TEKNIK KLASIFIKASI MENGGUNAKAN TOOLS RAPID MINER 4.
KONVERSI DATA TRAINING TENTANG PENYAKIT HIPERTENSI MENJADI BENTUK POHON KEPUTUSAN DENGAN TEKNIK KLASIFIKASI MENGGUNAKAN TOOLS RAPID MINER 4.1 Muhammad Syahril Program Studi Sistem Informasi, STMIK Triguna
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Instrumen Penelitian Pada penelitian ini bahan dan peralatan yang diperlukan sebagai berikut: 3.1.1 Bahan Dalam penelitian ini bahan yang dibutuhkan adalah data siswa kelas
Lebih terperinciPENERAPAN DATA MINING UNTUK MEMPREDISI MINAT ANGGOTA TERHADAP PRODUK KOPERASI PTPN VII MUSILANDAS
PENERAPAN DATA MINING UNTUK MEMPREDISI MINAT ANGGOTA TERHADAP PRODUK KOPERASI PTPN VII MUSILANDAS Wahyu Ryandi 1), Drs. H. Jemakmun, M.Si 2), Eka Puji Agustini, M.M., M.Kom 3) Jalan Jenderal Ahmad Yani
Lebih terperinciConditional Formatting
Bab 2 Conditional Formatting Conditional Formatting merupakan fitur Excel yang digunakan untuk memberi format sel, sebagai indikator, pada data dengan kriteria tertentu. Format sel sebagai indikator dalam
Lebih terperinciKlasifikasi 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 terperinciAPLIKASI MOBILE PEMBELAJARAN REAKSI KIMIA BERBASIS ANDROID NASKAH PUBLIKASI. diajukan oleh Edi Hadi Widodo
APLIKASI MOBILE PEMBELAJARAN REAKSI KIMIA BERBASIS ANDROID NASKAH PUBLIKASI diajukan oleh Edi Hadi Widodo 08.11.2027 kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA YOGYAKARTA
Lebih terperinciProgram Studi Sistem Informasi STMIK Triguna Dharma. Program Studi Sistem Komputer STMIK Triguna Dharma
ISSN : 1978-6603 SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMASARAN RUMAH BERDASARKAN ANALISA PELANGGAN DENGAN METODE Weighted Product (WP) (Studi Kasus Perumahan Graha Pengabdian ) Marsono #1, Ahmad Fitri
Lebih terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciBAB XI BEKERJA DENGAN QUERY
DIKTAT MATA KULIAH SOFTWARE TERAPAN II BAB XI BEKERJA DENGAN QUERY IF Query Query merupakan objek database yang dapat digunakan untuk memasukkan data yang berupa rumus. Selain itu, kita juga dapat melakukan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Saat ini, perkembangan teknologi telah memberikan pengaruh yang sangat besar di dalam kehidupan manusia. Salah satu pengaruh tersebut di bidang informasi yaitu dalam
Lebih terperinciGambar 4.1 Gambar Use Case Diagram
41 BAB IV HASIL DAN PEMBAHASAN 4.1. Hasil Penelitian Pada bab ini diuraikan tahap implementasi dalam rangkaian pengembangan sistem model Waterfall.Tahap ini akan mengimplementasikan persyaratan dan desain
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 terperinciTABEL DATABASE TABEL - KODE BARANG TOKO INFOMART BARANG - NAMA BARANG - HARGA
TABEL Dalam pembuatan database, data yang pertama dibuat adalah tabel. Tabel merupakan kumpulan data yang tersusun menurut aturan tertentu dan merupakan komponen utama pada database. Table disusun dalam
Lebih terperinciPENERAPAN METODE TSUKAMOTO DALAM PEMBERIAN KREDIT SEPEDA MOTOR BEKAS PADA PT TRI JAYA MOTOR (Studi Kasus PT TRI JAYA MOTOR MEDAN )
Marsono, ISSN : 1978-6603 Saiful Nur Arif, Iskandar Zulkarnain, Penerapan Metode Tsukamoto PENERAPAN METODE TSUKAMOTO DALAM PEMBERIAN KREDIT SEPEDA MOTOR BEKAS PADA PT TRI JAYA MOTOR (Studi Kasus PT TRI
Lebih terperinciBAB III METODOLOGI 3.1. Kerangka Pemikiran
31 BAB III METODOLOGI 3.1. Kerangka Pemikiran Penelitian tentang prediksi meledaknya wabah suatu penyakit sudah banyak dilakukan oleh para peneliti. Mereka mencoba mencari pola dan relasi dari data set
Lebih terperinciABSTRAK. Kata Kunci : klasifikasi, musik digital, jenis musik, support vector machine, fitur ekstraksi, daftar putar musik digital
ABSTRAK Kemudahan dalam mendapatkan musik digital membuat orang-orang dapat memiliki banyaknya koleksi musik digital. Terkadang orang-orang menikmati musik dengan jenis musik tertentu berdasarkan kondisi
Lebih terperinciDATA 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 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 terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Penggunaan citra yang semakin meningkat menimbulkan kebutuhan retrival citra yang juga semakin meningkat. Diperlukan suatu metode retrival citra yang efektif
Lebih terperinciBAB II TINJAUAN PUSTAKA. Turban mendefinisikan Decision Support System sebagai sekumpulan
BAB II TINJAUAN PUSTAKA 2.1 Decision Support System Turban mendefinisikan Decision Support System sebagai sekumpulan prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para pengambilan
Lebih terperinciKOMPUTERISASI PENGOLAHAN DATA PADA APOTEK SIAGA FARMA CILACAP NASKAH PUBLIKASI
KOMPUTERISASI PENGOLAHAN DATA PADA APOTEK SIAGA FARMA CILACAP NASKAH PUBLIKASI Disusun oleh : SIGIT ENDRIANTO 07.02.6654 WISNU AJI NUGROHO 07.02.6714 JURUSAN MANAJEMEN INFORMATIKA SEKOLAH TINGGI INFORMATIKA
Lebih terperinciMajalah Ilmiah UPI YPTK, Volume 20, No. 1, Maret
Majalah Ilmiah UPI YPTK, Volume 20, No. 1, Maret 2013 12 PENERAPAN ALGORITMA C 4.5 DALAM MEMPEROLEH DECISION TREE UNTUK MEMPREDIKSI PENENTUAN RESIKO KREDIT PADA BANK BPR BUKITTANDANG MANDIRI PADANG MENGGUNAKAN
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Kebutuhan akan teori dalam dunia pendidikan sangat besar. Teori banyak di tulis ke dalam sebuah buku maupun jurnal. Pada universitas potensi utama,
Lebih terperinciPENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI
PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI Gunawan 1, Fandi Halim 2, Tony Saputra Debataraja 3, Julianus Efrata Peranginangin 4
Lebih terperinciPemanfaatan Wintask untuk Otomatisasi Sistem Informasi Memakai Data Microsoft Excel: Studi Kasus Sistem Informasi Akademik
Pemanfaatan Wintask untuk Otomatisasi Sistem Informasi Memakai Data Microsoft Excel: Studi Kasus Sistem Informasi Akademik Nenden Siti Fatonah 1, Ahmad Kodar 2, Irham 3 Jurusan Teknik Informatika, Fakultas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Internet saat ini merupakan kebutuhan pokok yang tidak bisa dipisahkan dari segenap sendi kehidupan. Berbagai pekerjaan ataupun kebutuhan dapat dilakukan melalui media
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Mining 2.1.1 Pengertian Data Mining Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka dibutuhkan metode analisis yang tepat. Data mining
Lebih terperinciCONTOH KASUS DATA MINING
CONTOH KASUS DATA MINING CONTOH KASUS DATA MINING Sebuah rumah sakit ingin ingin menekan biaya perawatan pasien tanpa mengurangi kualitas pelayanan. Salahsatu potensi yang dapat dimanfaatkan pada penerapan
Lebih terperinciKLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM)
KLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Oleh : MEKAR SEKAR SARI NIM. 24010210120008 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciPENERAPAN DATA MINING UNTUK MENDISKRIPSIKAN TINGKAT KREDIT BERMASALAH PADA BANK
PENERAPAN DATA MINING UNTUK MENDISKRIPSIKAN TINGKAT KREDIT BERMASALAH PADA BANK Rizky Fajar Nugraha Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang ABSTRAK Pertumbuhan yang pesat dari akumulasi
Lebih terperinciDAFTAR ISI PHP... 15
DAFTAR ISI HALAMAN JUDUL... i LEMBAR PERSETUJUAN... ii LEMBAR PENGESAHAN... iii HALAMAN PERSEMBAHAN... iv HALAMAN MOTTO... v KATA PENGANTAR... vi INTISARI... viii DAFTAR ISI... ix DAFTAR GAMBAR... xii
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu tanggung jawab sosial PT. Telkom dalam program kemitraan dengan masyarakat sekitarnya adalah memberikan kredit lunak bagi pelaku Usaha Kecil Menengah (UKM).
Lebih terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
Lebih terperinciAnalisis dan Perancangan Perangkat Lunak. IV.1 Analisis Kebutuhan Perangkat Lunak
Bab IV Analisis dan Perancangan Perangkat Lunak Bagian ini menjelaskan tentang analisis dan rancangan sistem pendukung keputusan estimasi biaya produk pada IKM manufaktur dengan mempergunakan metode k-means
Lebih terperinciPENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING
PENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING Andreas Chandra Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email : andreaschaandra@yahoo.com
Lebih terperinciKLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK
KLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK YUANDRI TRISAPUTRA & OKTARINA SAFAR NIDA (SIAP 16) Pendahuluan Latar Belakang
Lebih terperinciModul 6 Mengoperasikan Perangkat Lunak Lembar Sebar (Open Source) 1 KEGIATAN BELAJAR 2
Modul 6 Mengoperasikan Perangkat Lunak Lembar Sebar (Open Source) 1 KEGIATAN BELAJAR 2 3.1. Modul 3.1.1. Mengenali Bagian-Bagian, Menu dan Istilah dalam Open Office Calc. Open Office Calc adalah salah
Lebih terperinci