KLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK
|
|
- Verawati Kurnia
- 7 tahun lalu
- Tontonan:
Transkripsi
1 KLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK YUANDRI TRISAPUTRA & OKTARINA SAFAR NIDA (SIAP 16)
2 Pendahuluan Latar Belakang Pelanggan suatu perusahaan memiliki berbagai informasi. Pada makalah ini, tersedia fitur dari pelangan. Fitur berjenis kategorik dan numerik tersebut berguna untuk menglasifikasikan jenis pelanggan. Pelanggan juga memiliki respon target berupa 1 dan 0. Peluang pelanggan untuk memiliki target bernilai 1 dengan fitur-fitur tertentu menjadi menarik untuk diketahui sehingga perusahaan bisa menduga peluang pelanggan bertarget 1 dengan nilai cuts off yang dapat ditentukan oleh perusahaan. Selain itu, perusahaan dapat mengklasifikasikan pelanggan dengan aturan-aturan yang didapat. Tujuan dan Manfaat Makalah ini bertujuan dan memberikan manfaat untuk: 1. Menerapkan teknik klasifikasi pohon keputusan untuk mengklasifikasi pelanggan baru. 2. Melakukan pendugaan peluang target pelanggan dengan fitur-fitur tertentu yang bernilai 1. Batasan Batasan pada makalah ini difokuskan pada: 1. Penggunaan data pelanggan suatu perusahaan 2. Penerapan teknik data mining klasifikasi menggunakan pohon keputusan J48 3. Penerapan statistik dengan menggunakan regresi logistik biner 4. Penerapan seleksi fitur menggunakan evaluasi subset Metode Software Spesifikasi perangkat keras dan perangkat lunak yang digunakan dalam penelitian yaitu sebagai berikut: Perangkat Keras: 1. Processor Intel Core i3 2. Memori 6 GB 3. Harddisk 500 GB 4. Layar 14 inci 5. Mouse dan Keyboard Perangkat Lunak: 1. Sistem operasi Windows 8 2. Microsoft Excel 2013 sebagai lembar pengolahan data tambahan, media merapihkan data penggabungan data, pembersihan data, dan transformasi data. 3. Weka versi untuk melakukan proses data mining klasifikasi dan pemilihan fitur. 4. IBM SPSS versi 21.0 untuk melakukan analisis cluster dan peramalan 5. Emeditor untuk melakukan split data agar mudah dilakukan proses data mining. Dataset Data yang digunakan dalam makalah ini adalah data fitur-fitur pelanggan dan target pelanggan suatu perusahaa. Nama variabel dirahasiakan. Sebanyak pelanggan dengan fitur sebanyak 1934.
3 Algoritme 1. Algoritme J48 Algoritme J48 adalah algoritme untuk membentuk pohon keputusan yang digunakan untuk klasifikasi. Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Metode pohon keputusan mengubah fakta yang besar menjadi pohon keputusan yang merepresentasikan aturan. Aturan dapat mudah dipahami dengan bahasa alami. Dan dapat diekspresikan dalam bentuk bahasa basis data seperti SQL (Structured Query Language) untuk mencari record kategori tertentu. Pohon keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah variabel input dengan variabel target. Karena pohon memadukan antara eksplorasi data dan dan pemodelan, pohon keputusan sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain. 2. Klasifikasi dan Prediksi Klasifikasi merupakan penempatan objek-objek ke salah satu dari beberapa kategori yang telah ditetapkan sebelumnya. Klasifikasi bertujuan untuk memperoleh aturan klasifikasi yang dapat digunakan untuk memprediksi label kelas dari objek yang tidak yang tidak diketahui label kelasnya. (Li et al 2001) Klasifikasi terdiri atas dua proses yaitu tahap induktif yang merupakan tahap membangun model klasifikasi dari data latih dan tahap deduktif yang merupakan tahap menerapkan model untuk data uji. Klasifikasi mempunyai dua teknik pembelajaran yaitu eager learner yang membuat model berdasarkan atribut input yang dipetakan terhadap kelas label setelah data latih tersedia dan lazy learner yang melakukan proses pemodelan dari data latih ketika ada data uji yang akan diklasifikasikan (Tan et al. 2006). 3. k-fold Cross Validation k-fold cross validation dilakukan untuk membagi data latih dan data uji. k-fold cross validation mengulang k-kali untuk membagi sebuah himpunan contoh secara acak menjadi k subset yang saling bebas, setiap ulangan disisakan satu subset untuk pengujian dan subset lainnya untuk pelatihan (Fu 1994). Pada metode tersebut, data awal dibagi menjadi k subset atau fold yang saling bebas secara acak, yaitu S1, S2,..., Sk, dengan ukuran setiap subset kira-kira sama. Pada iterasi ke-i, subset Si diperlukan sebagai data pengujian dan subset lainnya diperlukan sebagai data pelatihan. Prosedur ini diulang sebanyak k-kali sedemikian sehingga setiap subset digunakan untuk pengujian tepat satu kali. Total akurasi ditentukan dengan menjumlahkan akurasi untuk semua k proses tersebut (Ulya 2013). 4. Confusion Matrix Evaluasi model klasifikasi berdasar pada proporsi antara data uji yang diprediksi secara tepat dengan total seluruh prediksi (Tan et al.2006). Informasi mengenai klasifikasi sebenarnya (aktual) dengan klasifikasi hasil prediksi disajikan dalam bentuk tabel yang disebut confusion matrix seperti diperlihatkan pada Tabel 1. Tabel 1 Confusion matrix Kelas Prediksi Kelas Aktual Kelas 1 Kelas 2 Kelas 1 A b Kelas 2 C d Jumlah baris dan kolom pada tabel bergantung pada banyaknya kelas target. Akurasi merupakan proporsi jumlah prediksi yang tepat. Contoh perhitungan akurasi untuk tabel tersebut adalah (Faiza 2009):
4 Akurasi = Akurasi = Jumlah prediksi yang tepat Total prediksi a + d a + b + c + D (3) 5. Regresi Logistik Biner Regresi Logistik biner merupakan model regresi dengan peubah respon kategorik. Jika peubah respon memiliki nilai biner maka regresi ini dinamakan dengan regresi logistic biner. Regresi ini merupakan pengembangan dari regresi linear yang memiliki permasalahn jika y kategorik. Metode kuadrat terkecil sudah tidak tepat lagi digunakan untuk data regresi yang memiliki variabel respon biner. Regresi logistic juga tidak memerlukan banyak asumsi kenormalan seperti layaknya regresi linear berganda karena respon hanya berupa biner dan tidak dapat diukur kenormalan distribusinya. Kelayakan sebuah model regresi logistic bisa dilihat dari nilai hosmer dan lemeshow. H0: Model layak H1: Model tidak layak Pada kasus ini alpha yang ditetapkan adalah 0.05 sehingga apabila nilai signifikansi lebih dari 0.05 maka model regresi logistic layak digunakan. Regresi logistic tidak akan menduga nilai 1 atau 0 yang akan dikeluarkan melalui peubah-peubah penjelas yang ada. Melalui regresi logistic dapat diduga peluang pelanggan dengan fitur-fitur tertentu dapat mencapai nilai 1. Cuts off terhadap pendugaan nilai target tersebut bisa ditentukan secara fleksibel sesuai dengan keinginan dari suatu perusahaan. Cuts off default yang digunakan oleh SPSS adalah 0.5. Regresi logistik juga bisa menentukan peubah mana yang dianggap berpengaruh secara signifikan terhadap peluang pelanggan memiliki nilai target 1. Peubah yang berpengaruh signifikan secara simultan tentu memiliki p-value yang kurang dari alpha dalam kasus ini adalah Peubah-peubah tertentu yang tidak berpengaruh bukan berarti harus dihilangkan. Peubah tersebut bisa saja memberi ukuran kebaikan model yang lebih baik sehingga peubah yang tidak berpengaruh tidak dapat dibuang begitu saja. Terlebih sudah dilakukan proses reduksi variabel melalui selected value dengan algoritma best first. Maka focus regresi logistic makalah ini adalah pendugaan pada peluang pelanggan memiliki nilai target 1. Desain dan Implementasi Input Dataset sebagai input yang digunakan dalam makalah ini adalah data pelanggan dengan fiturfitur dan target dari suatu perusahaan. Cleaning data digunakan untuk praproses data. Pada cleaning data terdapat berbagai tahap yang dilakukan: 1. Split dan Replace Data Pada tahap ini dilakukan split data dengan Emeditor dengan memotong pelanggan dalam 1 data berformat csv. Kemudian dilakukan replace data dengan tanda, diganti dengan. dan data yang dipisahkan dengan tanda ; diganti dengan, agar data dengan format csv ini mudah dibaca pada software yang digunakan (Weka dan SPSS). 2. Sampling Data mengandung fitur-fitur dari pelanggan. Sampling dari data tersebut diperlukan dalam kasus ini. Metode sampling ini digunakan karena data berupa informasi pelanggan dengan jumlah pelanggan yang sangat banyak dan sangat mungkin banyak pelanggan yang bertipikal sama. Sampling menggunakan rumus slovini dengan error yang dapat ditoleransi sebesar 0.05.
5 N n = 1 + Ne 2 dengan n merupakan jumlah sampel pelanggan yang diambil. Sampling diambil dengan menggunakan metode system random sampling. Setiap pelanggan memiliki peluang yang sama untuk terambil sebagai sampling. Dengan N sebanyak , melalui kaidah slovini maka diperoleh n sebesar atau didekati dengan n sebanyak Selected variable Pemilihan variabel dengan menggunakan evaluasi atribut subset dengan algoritma pencarian best first yang dilakukan menggunakan Weka. Terdapat 24 variabel yang terpilih untuk model klasifikasi dan pendugaan peluang target, yaitu: VAR_00034, VAR_0060, VAR_0062, VAR_0208, VAR_0212, VAR_0314, VAR_0331, VAR_0362, VAR_0437, VAR_0438, VAR_0503, VAR_0542, VAR_0624, VAR_0758, VAR_0807, VAR_0915, VAR_0947, VAR_1015, VAR_1020, VAR_1023, VAR_1027, VAR_1032, VAR_1385, VAR_1502. Output Weka dapat dilihat pada gambar berikut: Proses Cleaning Data Data pelanggan dengan berbagai fitur disampling dan fitur-fitur direduksi dengan algoritme best first. Klasifikasi Klasifikasi pelanggan menggunakan pohon keputusan J48 untuk menentukan target Regresi Logistik Alat statistik untuk menentukan peluang pelanggan memiliki nilai 1 pada peubah respon (target)
6 Output Output dari percobaan ini adalah aturan-aturan klasifikasi untuk pelanggan baru dan pendugaan peluang pelanggan memiliki target 1. Analisis Sebelum melakukan klasifikasi dan regresi logistik variabel yang dipilih dilakukan analisis kembali untuk penentuan variabel/fitur yang digunakan dalam model yang akan dibangun. Dari anlisis yang dilakukan terdapat 20 fitur yang akan digunakan, yaitu: VAR_00034, VAR_0060, VAR_0062, VAR_0212, VAR_0331, VAR_0362, VAR_0503, VAR_0542, VAR_0624, VAR_0758, VAR_0807, VAR_0915, VAR_0947, VAR_1015, VAR_1020, VAR_1023, VAR_1027, VAR_1032, VAR_1385, VAR_1502. Kemudian terdapat variabel yang dimodifikasi format datanya agar dapat mudah digunakan pada software, berikut modifikasi data dari setiap variabel: - Data yang bernilai NA, , 96-97, , akan diganti menjadi 0 - Khusus VAR_0947 data diganti menjadi nilai 1 apabila data >=1 dan bernilai 0 untuk selainnya - Arti lain, T bernilai 1 dan F bernilai 0 - Target bernilai 0 diubah menjadi A sedangkan target bernilai 1 diubah menjadi B. Dari praprocessing didapatkan data set baru dengan 399 baris dan 20 fitur sebagai data latih. Contoh data latih dapat dilihat pada gambar berikut: 1. Klasifikasi Proses klasifikasi menggunakan algoritma pohon keputusan J48 dan dijalankan pada software weka. Parameter yang digunakan pada Weka yaitu faktor kepercayaan / confidencefactor = 0.05 dan minimal banyaknya objek / minnumobj = 2. Percobaan pertama dilakukan dengan melakukan klasifikasi dengan cross validation fold = 10. Hasil klasifikasi yang dilakukan software weka pada percobaan pertama dapat dilihat di gambar berikut:
7 Berdasarkan gambar diatas, pada percobaan pertama dari total instance/objek atau pelanggan yang berjumlah 399, terdapat % data diklasifikasikan secara benar dan % data diklasifikasikan tidak benar. Berdasarkan gambar diatas, pada percobaan pertama class A mempunyai TP (True Positive) rate lebih besar dari TP Rate pada B. Hasil klasifikasi A dapat dikatakan lebih baik, karena hasil FP Rate, presisi, recall, F-Measure dan ROC Area memiliki nilai yang lebih besar dibandingkan class B. Melalui gambar confusion matrix diatas dapat diketahui, percobaan pertama menghasilkan sebanyak 272 data kelas A benar diklasifikasi class A, 40 data kelas B benar diklasifikasi class B. Sedangkan terdapat 70 data B salah diklasifikasi class A dan 17 data kelas A salah diklasifikasi class B. Pada percobaan kedua data test yang digunakan adalah hasil data split kedua yaitu sebanyak baris. Data test sudah disesuaikan dengan format data train. Hasil klasifikasi yang dilakukan software weka pada percobaan kedua dapat dilihat di gambar berikut:
8 Dari gambar diatas, percobaan kedua menghasilkan akurasi sebesar %. Dengan jumlah data yang benar diklasifikasikan sebanyak Sebanyak 6465 data kelas A benar diklasifikasi class A, 361 data kelas B benar diklasifikasi class B. Sedangkan terdapat 1769 data B salah diklasifikasi class A dan 481 data kelas A salah diklasifikasi class B. Berikut pohon keputusan yang terbentuk yang digunakan sebagai model untuk klasifikasi pelanggan: Dari hasil tree di atas. Hanya 11 variabel yang menjadi node keputusan, yaitu: VAR_1027, VAR_0034, VAR_1015, VAR_0759, VAR_503, VAR_1015, VAR_0915, VAR_1027, VAR_0212, VAR_1385. Variabel VAR_1027 sebagai root dan variabel lainnya menjadi node cabangnya.
9 Berikut aturan yang didapat: 1. Jika VAR_1027 <= 0 dan VAR_0034 <= 1, maka diklasifikasikan sebagai kelas A 2. Jika VAR_1027 <= 0 dan VAR_0034 >1 dan VAR_0758 > 4, maka diklasifikasikan sebagai kelas B 3. Jika VAR_1027 <= 0 dan VAR_1015 <= 1 dan VAR_0758 <= 4, maka diklasifikasikan sebagai kelas A 4. Jika VAR_1027 <= 0 dan VAR_1015 <= 1 dan VAR_0758 > 4, maka diklasifikasikan sebagai kelas B 5. Jika VAR_1027 > 0 dan VAR_503=F dan VAR_1015 <= 0, A 6. Jika VAR_1027 > 0 dan VAR_503=F dan VAR_1015 > 0 dan VAR_0915>11, B 7. Jika VAR_1027 > 0 dan VAR_503=F dan VAR_1015 > 0 dan VAR_0915<=11 dan VAR_0947 = T, B 8. Jika VAR_1027 > 0 dan VAR_503=F dan VAR_1015 > 0 dan VAR_0915<=11 dan VAR_0947 = F dan VAR_1027>1, B 9. Jika VAR_1027 > 0 dan VAR_503=F dan VAR_1015 > 0 dan VAR_0915<=11 dan VAR_0947 = F dan VAR_1027<=1, A 10. Jika VAR_1027 > 0 dan VAR_503=F dan VAR_0202> , B 11. Jika VAR_1027 > 0 dan VAR_503=F dan VAR_0202<= dan VAR_1305<=35, B 12. Jika VAR_1027 > 0 dan VAR_503=F dan VAR_0202<= dan VAR_1305>35, A 2. Regresi Logistik Model Logit pada regresi logistic adalah: ᴨ(x) = peluang pelanggan mempunyai nilai target bernilai 1. x1, x2,, xp = peubah penjelas (fitur-fitur) pelanggan sebanyak. Melalui SPSS dengan tools binary logistics didapatkan output sebagai berikut: Variables in the Equation B S.E. Wald df Sig. Exp(B) Step 1 a VAR_ VAR_ VAR_ VAR_ VAR_ VAR_ VAR_ VAR_ VAR_ VAR_ VAR_ VAR_ VAR_ VAR_ VAR_ VAR_ VAR_ VAR_
10 VAR_ VAR_ Constant a. Variable(s) entered on step 1: VAR_0034, VAR_0060, VAR_0062, VAR_0212, VAR_0331, VAR_0362, VAR_503, VAR_0542, VAR_0624, VAR_0758, VAR_0807, VAR_0915, VAR_0947, VAR_1015, VAR_1020, VAR_1023, VAR_1027, VAR_1032, VAR_1385, VAR_1502. Model yang terbentuk adalah: π(x) = 0.054x1Var_1502 x0.995 var _1385 Var _0034 x. x ( 0.054x1 Var 1502 x0.995 var 1385 x. x1.462 Va r 0034 ) Model ini dapat digunakan untuk mengetahui peluang seorang pelangan dengan fitur tertentu memiliki target bernilai 1. Kelayakan model pada regresi logistic diukur menggunakan tes hosmer dan lemeshow. Dengan H0=Model Layak vs H1=Model tidak layak. Dengan alpha sebesar 0.05 dan kemudian didapatkan signifikansi sebesar 0.55 maka H0 dapat diterima sehingga model yang keluar pada output layak digunakan. Hosmer and Lemeshow Test Step Chi-square df Sig Output selanjutnya adalah table klasifikasi sesuai dengan model yang dibuat: Classification Table a Predicted Observed target 0 1 Percentage Correct Step 1 target Overall Percentage 81.0 a. The cut value is.500 Dengan cut values sebesar 0.5 model yang dibangun memberikan keakuratan sebanyak 81%. Persentasi ini cukup baik untuk memodelkan fitur-fitur pelanggan beserta targetnya pada kasus ini.
11 Kesimpulan Melalui beberapa analisis yang telah dilakukan diperoleh kesimpulan sebagai berikut: 1. Teknik klasifikasi dapat diterapkan untuk mengklasifikasikan pelanggan baru dengan aturan-aturan yang dihasilkan dari klasifikasi menggunakan pohon keputusan dengan akurasi yang didapat sekitar 78%. 2. Model logit yang terbentuk adalah: π(x) = 0.054x1Var_1502 x0.995 var _1385 Var _0034 x. x ( 0.054x1 Var 1502 x0.995 var 1385 x. x1.462 Va r 0034 ) 3. Model ini digunakan untuk menduga peluang seorang pelanggan dengan fitur tertentu memiliki nilai target 1. Kelayakan model sesuai tes klasifikasi adalah sebesar 81 %, persentase yang cukup baik untuk menjadi model penduga.
EKSPLORASI DAN KLASIFIKASI DESA TERTINGGAL DI INDONESIA MENGGUNAKAN PENDEKATAN DATA MINING
EKSPLORASI DAN KLASIFIKASI DESA TERTINGGAL DI INDONESIA MENGGUNAKAN PENDEKATAN DATA MINING Oleh: Yuandri Trisaputra G64120004 2012 Oktarina Safar Nida G14120052 2012 INSTITUT PERTANIAN BOGOR BOGOR 2016
Lebih terperinciKLUSTERISASI DAN KLASIFIKASI PELANGGAN BERDASARKAN PENGGUNAAN DAYA LISTRIK DAN PERAMALAN KEBUTUHAN DAYA LISTRIK TAHUN 2015
KLUSTERISASI DAN KLASIFIKASI PELANGGAN BERDASARKAN PENGGUNAAN DAYA LISTRIK DAN PERAMALAN KEBUTUHAN DAYA LISTRIK TAHUN 2015 YUANDRI TRISAPUTRA 1 & OKTARINA SAFAR NIDA 2 (SIAP 16) 1 DEPARTEMEN LMU KOMPUTER
Lebih terperinciKlasifikasi Profil Siswa SMA/SMK yang Masuk PTN (Perguruan Tinggi Negeri) dengan k-nearest Neighbor
Klasifikasi Profil Siswa SMA/SMK yang Masuk PTN (Perguruan Tinggi Negeri) dengan k-nearest Neighbor Yuandri Trisaputra, Indriyani, Shellafuri Mardika Biru, Muhammad Ervan Departemen Ilmu Komputer, FMIPA,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Dasar Penelitian Penelitian ini dilakukan berdasarkan rumusan masalah yang telah dijabarkan pada bab sebelumnya yaitu untuk mengklasifikasikan kelayakan kredit calon debitur
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 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 terperinciLingkungan Pengembangan HASIL DAN PEMBAHASAN
aturan 3--5 untuk menentukan interval akan dibagi menjadi berapa kelompok. Hasilnya akan menjadi hirarki paling atas. Kemudian nilai maksimum dan nilai minimum diperiksa apakah nilainya masuk ke dalam
Lebih terperinciBAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) Odds Ratio
21 BAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) 3.1 Regresi Logistik Biner Regresi logistik berguna untuk meramalkan ada atau tidaknya karakteristik berdasarkan prediksi
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI PENGAMBILAN KEPUTUSAN PETANI TERHADAP PENGGUNAAN BENIH PADI DI KECAMATAN NISAM KABUPATEN ACEH UTARA
FAKTOR-FAKTOR YANG MEMPENGARUHI PENGAMBILAN KEPUTUSAN PETANI TERHADAP PENGGUNAAN BENIH PADI DI KECAMATAN NISAM KABUPATEN ACEH UTARA 18 Hayatul Rahmi 1, Fadli 2 email: fadli@unimal.ac.id ABSTRAK Pengambilan
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
70 BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Hasil Penelitian 1. Logistic Regression Binery Penelitian ini menggunakan perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia sebagai sampel penelitian.
Lebih terperinciBAB IV HASIL PENGUJIAN. Pada penelitian ini, peneliti menggunakan sampel perusahaan manufaktur
BAB IV HASIL PENGUJIAN IV.1 Gambaran Populasi dan Sampel Pada penelitian ini, peneliti menggunakan sampel perusahaan manufaktur yang bergerak di industri consumer goods yang ada di Bursa Efek Indonesia
Lebih terperinciHASIL DAN PEMBAHASAN. Setiap tahapan di dalam penelitian ini akan ditunjukkan di dalam Tabel 2.
6 tahap ini, pola yang telah ditemukan dipresentasikan ke pengguna dengan teknik visualisasi agar pengguna dapat memahaminya. Deskripsi aturan klasifikasi akan dipresentasikan dalam bentuk aturan logika
Lebih terperinciTINJAUAN PUSTAKA. Definisi Data Mining
TINJAUAN PUSTAKA Definisi Data Mining Sistem Manajemen Basis Data tingkat lanjut dan teknologi data warehousing mampu untuk mengumpulkan banjir data dan untuk mentransformasikannya ke dalam basis data
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1. Pengujian Signifikansi Parameter a. Uji serentak parameter regresi logistik Uji serentak adalah uji yang mempunyai fungsi dimana untuk mengetahui signifikansi
Lebih terperinciTabel 2 Jumlah data prosedur uji. Crop Variable. Jumlah data LAI 104 SPAD 105 yield 64 LAI 104 SPAD 105 yield 64 LAI 62 SPAD 63 yield 34.
2. Cross validation 5 fold dengan pemisahan data Indramayu dan, menggunakan data berikut: 3. Supplied test set : training:, testing: Hymap training:, testing: Hymap 4. Percentage split dengan data training
Lebih terperinciMETODE PENELITIAN HASIL DAN PEMBAHASAN
5. Oleh karena itu untuk meningkatkan akurasinya, proses learning harus dihentikan lebih awal atau melakukan pemotongan tree secara umum. Untuk itu diberikan 2 (dua) buah threshold yang harus dipenuhi
Lebih terperinciLAMPIRAN 1. Hasil Tabulasi Kuesioner Harga (X 1 ) Butir Soal/item No. Responden. Skor Total. Universitas Sumatera Utara
LAMPIRAN 1 Hasil Tabulasi Kuesioner Harga (X 1 ) No. Responden Butir Soal/item 1 2 3 1 5 5 5 15 2 4 5 5 14 3 3 2 2 7 4 5 5 5 15 5 5 5 5 15 6 5 5 5 15 7 5 5 4 14 8 5 5 5 15 9 5 5 3 13 10 5 4 4 13 11 5 5
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
Bab IV Hasil Penelitian dan Pembahasan 54 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Uji Validitas Untuk mengetahui tingkat validitas dari setiap pernyataan dalam kuisioner, digunakan rumus korelasi product
Lebih terperinciBAB 4 IMPLEMENTASI DAN PENGUJIAN
BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Tahap implementasi merupakan tahap pengimplementasian metode kedalam perangkat lunak simulasi, tahap lanjut dari tahap perancangan simulasi di bab sebelumnya.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.. Deskripsi Objek Penelitian Kemampuan laba (profitabilitas) merupakan hasil akhir bersih dari berbagai kebijakan dan keputusan manajemen. Rasio kemampulabaan akan memberikan
Lebih terperinciHASIL DAN PEMBAHASAN. Data
Transformasi data, mengubah data ke bentuk yang dapat di-mine sesuai dengan perangkat lunak yang digunakan pada penelitian. Penentuan Data Latih dan Data Uji Dalam penelitian ini data terdapat dua metode
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Analisis Data 1. Deskriptif Statistik Statistik deskriptif digunakan untuk menjelaskan atau menggambarkan secara umum berbagai karakteristik data yang telah dikumpulkan
Lebih terperinciBAB III METODOLOGI PENELITIAN
40 BAB III METODOLOGI PENELITIAN 3.1 DESAIN PENELITIAN Dalam melakukan penelitian, dibutuhkan desain penelitian agar penelitian yang dilakukan dapat berjalan dengan baik. Berikut ini merupakan desain penelitian
Lebih terperinciUniversitas Sumatera Utara
Lampiran 1. Karakteristik Konsumen Penelitian NO KEPUTUSAN UMUR PENDIDIKAN PENDAPATAN PENGELUARAN PENGALAMAN JENIS (TAHUN) (TAHUN) (Rp) (Rp) MEMBELI (TAHUN) KENDARAAN 1 1 34 12 3.000.000 2.500.000 6 1
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
BAB V HASIL DAN PEMBAHASAN A. Analisis Statistik Tingkat Literasi Keuangan di Kabupaten Mempawah Kalimantan Barat 1. Uji Validitas a. Tingkat Literasi Keuangan Data mengenai tingkat literasi keuangan memiliki
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dataset
BAB III METODOLOGI PENELITIAN Metodologi penelitian diuraikan dalam skema tahap penelitian untuk memberikan petunjuk atau gambaran yang jelas, teratur, dan sistematis seperti yang ditunjukkan pada Gambar
Lebih terperinciBAB IV ANALISIA HASIL DAN PEMBAHASAN
39 BAB IV ANALISIA HASIL DAN PEMBAHASAN A. Statistik Deskriptif Statistik deskriptif digunakan untuk melihat gambaran secara umum data yang telah dikumpulkan dalam penelitian ini. Dari 144 perusahaan manufaktur
Lebih terperinciBAB II TINJAUAN PUSTAKA Indeks Prestasi Kumulatif dan Lama Studi. menggunakan dokumen/format resmi hasil penilaian studi mahasiswa yang sudah
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Indeks Prestasi Kumulatif dan Lama Studi Mahasiswa yang telah menyelesaikan keseluruhan beban program studi yang telah ditetapkan dapat dipertimbangkan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Gambaran Umum Objek Penelitian Perusahaan yang menjadi objek dalam penelitian ini adalah seluruh perusahaan transportasi yang terdaftar di Bursa Efek Indoneisa
Lebih terperinciNI - Dep
Lampiran 1. Konservatisma Akuntansi No Kode NI - Dep 1. BTEL 360.509.098.480 569.173.611.827 1.077.665.420.219 1.154.623.609.849 2. EXCL 1.956.191.000.000 3.320.178.000.000 5.411.348.000.000 6.963.259.000.000
Lebih terperincimaksimum, rata-rata, dan deviasi standar tentang masing-masing variabel
BAB IV HASIL DAN ANALISIS DATA 4.1. Statistik Deskriptif Statistik deskriptif memberikan gambaran tentang nilai minimum, maksimum, rata-rata, dan deviasi standar tentang masing-masing variabel dalam penelitian.
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. sampai dengan tahun 2015 berdasarkan metode purposive sampling pada. TABEL 4. 1 Prosedur Pengambilan Sampel
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Gambaran Umum Obyek Penelitian Sampel pada penelitian ini adalah perusahaan perbankan yang berturut-turut terdaftar di Bursa Efek Indonesia (BEI) pada tahun 2010
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
Lebih 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 terperinciOthers Institution Credit Job Code
4. Residence status (status kepemilikan rumah) yang dinotasikan dengan RS. Peubah ini dibagi menjadi enam kelompok. 5. Job code (kode pekerjaan) yang dinotasikan dengan JC. Peubah ini dibagi menjadi lima
Lebih terperinciUji OR dan Regresi Logistik Sederhana
Uji OR dan Regresi Logistik Sederhana Pada kesempatan ini, kita akan mencoba melakukan analisa data pada penelitian case control study dimana analisis univariat menggunakan nilai odds ratio dan analisis
Lebih terperinciLampiran 1. Kuisioner Penelitian. Nim :
1 Lampiran 1 Kuisioner Penelitian Nama : Zikri Nim : 140823033 Universitas : Sehubungan akan adanya penelitian yang dilakukan untuk tugas akhir program strata satu (S1) Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 1.1 Data Training Data training adalah data yang digunakan untuk pembelajaran pada proses data mining atau proses pembentukan pohon keputusan.pada penelitian ini
Lebih terperinciANALISIS REGRESI LOGISTIK UNTUK MENGETAHUI FAKTOR FAKTOR YANG MEMPENGARUHI FREKUENSI KEDATANGAN PELANGGAN DI PUSAT PERBELANJAAN X
ANALISIS REGRESI LOGISTIK UNTUK MENGETAHUI FAKTOR FAKTOR YANG MEMPENGARUHI FREKUENSI KEDATANGAN PELANGGAN DI PUSAT PERBELANJAAN X Erna Hayati Fakultas Ekonomi Universitas Islam Lamongan ABSTRAKSI Kepuasan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. sehingga analisis deskriptif dipisahkan dari variabel lain. Tabel 4.1. Statistik Deskriptif
BAB IV HASIL DAN PEMBAHASAN 4.1. Statistik Deskriptif Penelitian menggunakan lima variabel independen dan satu variabel dependen. Dari kelima variabel tersebut terdapat satu buah variabel yaitu reputasi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Decision Tree Definisi Decision tree adalah sebuah diagram alir yang berbentuk seperti struktur pohon yang mana setiap internal node menyatakan pengujian terhadap suatu atribut,
Lebih terperinciMAKALAH REGRESI LOGISTIK DAN REGRESI DENGAN VARIABLE DUMMY
MAKALAH REGRESI LOGISTIK DAN REGRESI DENGAN VARIABLE DUMMY KELOMPOK : Karlina Siti Faresha 135020200111071 Rezky Ridhowati 135020200111074 Pahriyatul Ummah 135020201111002 JURUSAN MANAJEMEN FAKULTAS EKONOMI
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian terkait Penelitian ini sebelumnya dilakukan studi kepustakaan dari penelitian terdahulu sebagai dasar atau acuan untuk menyelesaikan tugas akhir. Dari studi kepustakaan
Lebih terperinciBAB IV. Statistik Parametrik. Korelasi Product Moment. Regresi Linear Sederhana Regresi Linear Ganda Regresi Logistik
BAB IV Statistik Parametrik Korelasi Product Moment Regresi Linear Sederhana Regresi Linear Ganda Regresi Logistik Korelasi Product Moment Korelasi product moment disebut juga korelasi Pearson adalah teknik
Lebih terperinciIMPLEMENTASI TEKNIK DATA MINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA PADA UNIVERSITAS BINA DARMA PALEMBANG
IMPLEMENTASI TEKNIK DATA MINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA PADA UNIVERSITAS BINA DARMA PALEMBANG Andri 1), Yesi Novaria Kunang 2), Sri Murniati 3) 1,2,3) Jurusan Sistem Informasi Universitas
Lebih terperinciALGORITMA C4.5 UNTUK PEMODELAN DAERAH RAWAN BANJIR STUDI KASUS KABUPATEN KARAWANG JAWA BARAT
ALGORITMA C4.5 UNTUK PEMODELAN DAERAH RAWAN BANJIR STUDI KASUS KABUPATEN KARAWANG JAWA BARAT Ahmad Khusaeri 1, Septian Ilham 2, Desi Nurhasanah 3, Derrenz Delpidat 4, Anggri 5, Aji Primajaya 6, Betha Nurina
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih terperinciBAB IV HASIL PENELITIAN. Penelitian ini dilakukan di Rumah Bersalin (RB) Amanda yang
digilib.uns.ac.id 43 BAB IV HASIL PENELITIAN A. Gambaran Umum RB AMANDA Penelitian ini dilakukan di Rumah Bersalin (RB) Amanda yang terletak di dusun Patukan, Ambarketawang, Kecamatan Gamping, Kabupaten
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. Segmentasi
4 Perangkat keras berupa Notebook: Processor intel Core i3 2.2 GHz. RAM kapasitas 2. GB. Harddisk Kapasitas 5 GB. Monitor pada resolusi 1366 x 768 piksel. Merek Acer Aspire 475. Perangkat lunak berupa:
Lebih terperinciFAKTOR FAKTOR YANG MEMPENGARUHI OPINI DISCLAIMER BPK TERHADAP LAPORAN KEUANGAN DI LINGKUNGAN DEPARTEMEN DI JAKARTA
FAKTOR FAKTOR YANG MEMPENGARUHI OPINI DISCLAIMER BPK TERHADAP LAPORAN KEUANGAN DI LINGKUNGAN DEPARTEMEN DI JAKARTA http://www.gunadarma.ac.id/ Sunarsih 91307043 1. LATAR BELAKANG Reformasi di berbagai
Lebih terperinciBAB IV. STATISTIK PARAMETRIK. KORELASI PRODUCT MOMENT. REGRESI LINEAR SEDERHANA REGRESI LINEAR GANDA REGRESI LOGISTIK
BAB IV. STATISTIK PARAMETRIK. KORELASI PRODUCT MOMENT. REGRESI LINEAR SEDERHANA REGRESI LINEAR GANDA REGRESI LOGISTIK BAB IV Statistik Parametrik Korelasi Product Moment Regresi Linear Sederhana Regresi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Penelitian Penelitian mengenai peningkatan kecepatan prediksi produksi susu sapi ini menggunakan metode eksperimen dengan metode sebagai berikut: a. Pengumpulan data
Lebih terperinciIII. METODOLOGI PENELITIAN. penelitian ini, penulis menggunakan dua sumber data, yaitu :
III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Salah satu yang mempengaruhi kualitas penelitian adalah kualitas data yang dikumpulkan. Pengumpulan data dapat dilakukan dengan berbagai cara. Dalam
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN PEMBAHASAN 4.1 Analisis Model Berdasarkan teori dan metode penelitian yang telah dikemukakan maka model logit dengan rasio keuangan sebagai variabelnya akan digunakan untuk menyelesaikan
Lebih terperinciBAB 3 METODE PENELITIAN. Bahan dan peralatan yang dibutuhkan dalam penelitian ini antara lain :
BAB 3 METODE PENELITIAN 3.1 Instrumen Penelitian Bahan dan peralatan yang dibutuhkan dalam penelitian ini antara lain : 3.1.1 Bahan Bahan yang digunakan dalam penelitian ini yaitu data siswa kelas SMA
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan yaitu metode eksperimental dimana metode ini bekerja dengan memanipulasi dan melakukan kontrol pada objek penelitian
Lebih terperinciBAB IV EKSPERIMEN. 4.1 Tujuan
BAB IV EKSPERIMEN Pada bab ini dibahas mengenai eksperimen penggunaan SVM dalam pendeteksian intrusi pada jaringan. Pembahasan ini meliputi tujuan yang ingin dicapai melalui eksperimen ini, parameter evaluasi
Lebih terperinciPEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE
PEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Program Studi Sistem Informasi, STMIK
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
BAB V HASIL DAN PEMBAHASAN A. Analisis Statistik 1. Uji Klasifikasi Model Uji klasifikasi model dapat menunjukkan kekuatan atau ketepatan prediksi dari model regresi untuk mempredikasi tingkat nilai willingness
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
3.1 Persiapan Data BAB III ANALISA DAN PERANCANGAN SISTEM Dalam pengerjaan tugas akhir ini data yang digunakan adalah kalimat tanya Berbahasa Indonesia, dimana kalimat tanya tersebut diambil dari soal-soal
Lebih terperinciBAB 3 ALGORITMA C4.5. Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan.
BAB 3 ALGORITMA C4.5 Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. A. Pohon Keputusan Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat dan
Lebih terperinciBAB IV HASIL PENGUJIAN DATA DAN PEMBAHASAN. IV.1.1 Gambaran Umum Populasi dan Sampel Penelitian
BAB IV HASIL PENGUJIAN DATA DAN PEMBAHASAN IV.1 Gambaran Umum Objek Penelitian IV.1.1 Gambaran Umum Populasi dan Sampel Penelitian Populasi dalam penelitian ini adalah 100 perusahaan kecil yang terdaftar
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 III METODOLOGI PENELITIAN. Pada penelitian ini menggunakan ala penelitian berupa perangkat keras
Bab III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian Pada penelitian ini menggunakan ala penelitian berupa perangkat keras dan perangkat lunak, yaitu: a. Perangkat keras 1. Processor Intel Core
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN. Proses pemilihan sampel menggunakan metode sampel bertujuan (purposive sampling), dimana
BAB IV ANALISIS HASIL DAN PEMBAHASAN A.Karakteristik Data Penelitian Populasi dalam penelitian ini adalah 139 perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia (BEI) berdasarkan tingkat total
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinci4 Notepad dan Microsoft Excel sebagai editor data.
dengan menggunakan perangkat lunak ENVI disimpan dalam file.txt (Lampiran 1). File ini berisi informasi mengenai panjang gelombang dan nilai pantulan (reflectance) objek di permukaan bumi. Objek yang diperlukan
Lebih terperinciMETODE PENELITIAN HASIL DAN PEMBAHASAN
METODE PENELITIAN Proses Dasar Sistem Proses dasar pengembangan sistem secara umum terdiri dari tahapan sebagai berikut: 1 Praproses. Pada tahap ini dilakukan persiapan yang meliputi seleksi data, transformasi
Lebih terperinciSandi Prianggoro / Pembimbing Sundari., SE.,MM
PENGARUH UKURAN KAP, QUICK RATIO, TOTAL DEBT TO ASSET RATIO, TOTAL DEBT TO EQUITY RATIO, RETURN ON ASSET, DAN AUDITOR CHANGES TERHADAP PENERIMAAN OPINI AUDIT GOING CONCERN PADA PERUSAHAAN TRANSPORTASI
Lebih terperinciDAFTAR LAMPIRAN. Daftar Perusahaan Sektor Industri Dasar dan Kimia Periode
DAFTAR LAMPIRAN Lampiran 1 Daftar Perusahaan Sektor Industri Dasar dan Kimia Periode 2008-2013 N0 NAMA PERUSAHAAN KODE PERSAHAAN 1 PT. Barito Pasific Tbk BRPT 2 PT. Budi Acid Jaya, Tbk BUDI 3 PT. Duta
Lebih terperinciManfaat Pohon Keputusan
DECISION TREE (POHON KEPUTUSAN) Latar Belakang Pohon Keputusan Di dalam kehidupan manusia sehari-hari, manusia selalu dihadapkan oleh berbagai macam masalah dari berbagai macam bidang. Masalah-masalah
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
51 BAB IV HASIL DAN PEMBAHASAN A. Gambaran Umum Objek penelitian yang menjadi sampel penelitian ini adalah perusahaanperusahaan perbankan yang terdaftar di Bursa Efek Indonesia (BEI) dan mempublikasikan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini menggunakan data primer dan data sekunder. Data primer merupakan
III. METODE PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunakan data primer dan data sekunder. Data primer merupakan data yang diperoleh langsung dari sumber asli (tidak melalui perantara).
Lebih terperinciKuisioner Penelitian Pengaruh Harga, Loaksi, Promosi, dan Gaya Hidup Terhadap Minat Pembelian Ulang Ke SOGO Department Store Sun Plaza Medan
Lampiran 1. Kuisioner Penelitian Kuisioner Penelitian Pengaruh Harga, Loaksi, Promosi, dan Gaya Hidup Terhadap Minat Pembelian Ulang Ke Medan Untuk mengetahui seberapa besar pengaruh harga, loaksi, promosi,
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Gambaran Umum Obyek/Subyek Penelitian Obyek penelitian ini adalah perusahaan sektor non keuangan yang terdaftar di Bursa Efek Indonesia dan menerbitkan obligasi
Lebih terperinciHASIL REKAP DATA. Jenis Kelamin. Status Pernikahan
62 Lampiran 1 No WTP Umur Jenis Kelamin HASIL REKAP DATA Status Pernikahan Tingkat Pendidikan Pendapatan (Ribu) 1 1 39 0 1 12 1500 2 1 42 0 1 12 2500 3 0 33 0 1 6 400 4 1 43 0 0 12 1800 5 0 37 0 1 6 500
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Pengkajian dan Analisis Data 1. Statistik deskriptif Penelitian ini menggunakan perusahaan manufaktur di Bursa Efek Indonesia sebagai sampel penelitian. Berdasarkan
Lebih terperinciPerbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik
Perbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik Imam Sutoyo AMIK BSI JAKARTA e-mail: imam.ity@bsi.ac.id Abstrak - Klasifikasi peserta didik merupakan kegiatan yang sangat penting
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 terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Hasil pemilihan sampel dengan metode purposive sampling terhadap
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Hasil pemilihan sampel dengan metode purposive sampling terhadap perusahaan-perusahaan manufaktur yang terdaftar di Jakarta Islamic Index selama 2012 sampai 2014,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. 1.2 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Pendahuluan Dewasa ini komputer berkembang sangat pesat di berbagai bidang kehidupan. Perkembangan ini didukung oleh proses komputasi yang sangat cepat dan juga dukungan pengolahan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
50 BAB IV HASIL DAN PEMBAHASAN A. Analisis Statisik Deskriptif Statistik deskriptif digunakan untuk melihat gambaran umum data yang telah dikumpulkan dalam penelitian ini. Sebanyak 25 perusahaan yang masuk
Lebih terperinciBAB III METODOLOGI PENELITIAN
28 BAB III METODOLOGI PENELITIAN Untuk menunjang kegiatan penelitian, dalam bab ini akan dijelaskan desain penelitian, metode penelitian yang digunakan, serta alat dan bahan penelitian. 3.1 Desain Penelitian
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
38 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Untuk menjalankan program aplikasi ini, diperlukan beberapa komponen pendukung. Yang pertama adalah konfigurasi dari perangkat keras dan yang kedua
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB III PEMBAHASAN. Sumber data diperoleh dari Koperasi X yang terdiri dari 3 file excel
BAB III PEMBAHASAN A. Sumber Data Sumber data diperoleh dari Koperasi X yang terdiri dari 3 file excel peminjam dengan jaminan sertifikat tanah, tunjuk, dan Buku Pemilik Kendaraan Bermotor (BPKB) serta
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Instrumen Penelitian Instrumen penelitian ini diperlukan agar penelitian dapat berjalan dengan lancar dan baik. Instrumen tersebut terdiri dari perangkat keras dan perangkat
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
33 BAB IV HASIL DAN PEMBAHASAN 4.1 Pengolahan Data Data yang dipergunakan dalam tugas akhir ini merupakan data karyawan PT Perkbunan Nusantara IX Kebun Blimbing pada tahun 2015. Jumlah data yang digunakan
Lebih terperinciBAB IV HASIL ANALISIS DAN PEMBAHASAN. penelitian ini, yang dapat dilihat pada tabel berikut ini: Tabel 4.1. Statistik Deskriptif GC
BAB IV HASIL ANALISIS DAN PEMBAHASAN 4.1. Statistik Deskriptif Pada bagian ini akan diuraikan mengenai statistik deksriptif dari penelitian ini, yang dapat dilihat pada tabel berikut ini: Tabel 4.1. Statistik
Lebih terperinciPPDAFTAR GAMBAR Gambar Halaman Yuni Melawati, 2013
PPDAFTAR GAMBAR Gambar 2.1 Contoh Pohon Keputusan untuk Mengklasifikasikan Pembelian Komputer... 19 3.1 Diagram CART... 29 3.2 Pohon Keputusan Sementara... 37 3.3 Pohon Keputusan Optimum... 38 3.4 Pohon
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 terperinciHASIL DAN PEMBAHASAN Praproses Data Clustering
Perangkat lunak: Sistem operasi: Windows XP Home Edition, WEKA versi 3.5.7, ArcView GIS 3.3, Map Server For Windows (ms4w) 2.3.1 Chameleon 2.4.1 Perangkat keras: Prosessor intel Pentium 4 ~2GHz Memory
Lebih terperinciAkurasi. Perangkat Lunak: Sistem operasi: Windows Vista Home Premium Aplikasi pemrograman: Matlab 7.0
Tabel 1 Dimensi citra di tiap level Level transformasi Dimensi citra 1 46 56 2 23 28 3 12 14 4 6 7 5 3 4 6 2 2 Pada Gambar 5 disajikan visualisasi transformasi wavelet hingga level 3. Deskripsi citra dekomposisi
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan dalam
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan dalam proses penelitian penerapan algoritma K-Means pada clustering berita berbahasa Indonesia.
Lebih terperinci4.1. Pengambilan Data
BAB IV HASIL PENGUJIAN DAN PEMBAHASAN Hasil pengujian adalah hasil final yang berarti penelitian telah selesai dilakukan, semua yang berkaitan dengan pengujian akan dibahas pada bab ini mulai dari pengolahan
Lebih terperinci