Jurnal Aksara Komputer Terapan Politeknik Caltex Riau Vol. 4, No. 1, Tahun
|
|
- Yuliana Budiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Vol. 4, No. 1, Tahun Jurnal Aksara Komputer Terapan Politeknik Caltex Riau Website : pustaka@pcr.ac.id Visualisasi Pengembangan Judul Proyek Akhir di Politeknik Caltex Riau Arif Rahmat Saputra 1, Indah Lestari 2 dan Muhammad Ihsan Zul 3 1 Program Studi Sistem Informasi, Politeknik Caltex Riau, arif11si@mahasiswa.pcr.ac.id 2 Program Studi Sistem Informasi, Politeknik Caltex Riau, indah@pcr.ac.id 3 Program Studi Teknik Informatika, Politeknik Caltex Riau, ihsan@pcr.ac.id Abstrak Pengetahuan tentang tren topik Proyek Akhir (PA) mahasiswa di perguruan tinggi maupun pada program studi tertentu dapat dimanfaatkan dalam perancangan atau sebagai referensi dalam penelitian yang akan dibangun selanjutnya. Data judul-judul PA yang ada dapat digunakan untuk mengetahui tren topik PA pada tahun tertentu. Pada proyek akhir ini dikembangkan suatu sistem menggunakan metode Text Mining dan algoritma K-Means Clustering untuk dapat mengelompokkan data judul Proyek Akhir mahasiswa yang tersimpan pada database perpustakaan Politeknik Caltex Riau. Data hasil penerapan Text Mining dan algoritma K-Means terhadap judul PA tamatan tahun ajaran Jurusan Komputer di uji untuk mendapatkan nilai k terbaik menggunakan perhitungan Davies-Bouldin Index. Hasil pengujian tersebut menunjukkan k=8 merupakan nilai k yang paling sesuai untuk diterapkan pada sistem ini. Proyek akhir ini berhasil memvisualisasikan kelompok topik PA yang paling populer pada tahun tertentu menggunakan teknik visualisasi Bar Chart, Pie Chart, dan Tag Cloud. Setiap teknik visualisasi yang digunakan berfungsi untuk mempermudah pengguna dalam memahami informasi yang disampaikan, sehingga dapat memudahkan pengguna dalam proses menganalisa topik maupun judul PA yang dapat dikembangkan lebih lanjut. Kata kunci: Judul Proyek Akhir, Text Mining, K-Means, Bar Chart, Pie Chart, Tag Cloud Abstract Knowledge of trending topics from final project (PA) in universities or in any particular courses can be used in designing or as a reference of future research. The existing final project titles can be used to determine the trending topic in a specific year. In this final project, a system using Text Mining and K-Means clustering algorithm is proposed to classify the final project title on database of Politeknik Caltex Riau library. The result data of implementing text mining and K-Means algorithm of final project title in computer department that graduated in 2010 to 2014 is tested to find the best K-value using Davies-Bouldin Index. Based on that calculation k=8 is the most suitable value to be used in this system. This final project has successfully classify and visualize the most popular topics in a specific year using Bar Chart, Pie Chart, and the Tag Cloud. Each visualization techniques are used to make user being easier
2 Vol. 4, No. 1, Tahun to understand the information that shown on sistem, So it will ease the user to analyze the topics and the title for the research that can be developed furthermore. Keywords: Final Project Title, Text Mining, K-Means, Davies-Bouldin Index, Bar Chart, Pie Chart, Tag Cloud 1. Pendahuluan Pengetahuan tentang tren topik Proyek Akhir (PA) mahasiswa di perguruan tinggi, maupun pada program studi tertentu dapat dimanfaatkan dalam perancangan maupun sebagai referensi dalam penelitian yang akan dibangun selanjutnya. Perkembangan teknologi media penyimpanan digital yang semakin pesat telah mendorong peningkatan jumlah dokumen elektronik yang tersimpan dalam database perpustakaan di Politeknik Caltex Riau. Berbagai karya ilmiah dari mahasiswa seperti Proyek Akhir (PA), laporan kerja praktek dan lain sebagainya telah tersedia dalam versi digital. Namun, pada umumnya fenomena ini tidak disertai dengan pertumbuhan jumlah informasi atau pengetahuan yang dapat disarikan dari dokumen-dokumen elektronik tersebut Gupta [1]. Metode text mining merupakan pengembangan dari metode data mining yang diterapkan untuk menemukan pengetahuan baru dari sekumpulan dokumen. Algoritma yang diterapkan pada metode text mining dapat digunakan untuk mengenali data yang sifatnya semi terstruktur seperti judul PA, abstrak, maupun isi dari dokumen Gupta dan Lehal [2]. Beberapa aplikasi maupun sistem informasi berbasis text mining telah diterapkan untuk meningkatkan proses dokumen pencarian berbasis teks budhi dkk [3]. Namun belum banyak aplikasi atau sistem informasi yang dikembangkan untuk tujuan analisis, sehingga sulit untuk mengetahui kelompok topik penelitian populer maupun kecenderungan minat penelitian mahasiswa dalam periode tahun tertentu. Melalui penelitian ini dikembangkan suatu aplikasi menggunakan metode teks mining dan algoritma k-means untuk dapat mengelompokkan data judul Proyek Akhir mahasiswa yang tersimpan pada database perpustakaan Politeknik Caltex Riau. Judul PA digunakan sebagai sumber data dalam penerapan metode text mining dan k-means clustering, sehingga diperoleh kelompok topik judul PA. Informasi yang didapatkan dari hasil penerapan metode text mining dan algoritma k-means clustering tersebut akan ditampilkan menggunakan teknik visualisasi data. Informasi tersebut dapat digunakan untuk pengembangan lebih lanjut. Teknik visualisasi data Bar Chart, Pie Chart dan Tag Cloud. Teknik visualisasi data digunakan karena pengguna akan lebih mudah untuk memahami konsep dari data yang ditampilkan Bagya [4]. 1.1 Batasan Maslah Adapun batasan masalah pada pembuatan proyek akhir ini antara lain: 1. Data yang digunakan pada aplikasi ini adalah data PA mahasiswa PCR jurusan komputer yang diperoleh dari perpustakaan PCR tamatan tahun berupa file bertipe.xls. 2. Setiap kata hasil preprocessing data judul PA akan dikelompokkan berdasarkan kategori kata yang memiliki kemiripan makna kata secara manual. 3. Penamaan kelompok judul PA hasil Clustering K-Means mengikuti label kategori kata yang paling dominan dengan membandingkan banyaknya anggota pada setiap kategori kata. 4. Aplikasi ini dibangun berbasis web, dengan menggunakan
3 Vol. 4, No. 1, Tahun Tujuan bahasa pemrograman php, dan MySQL sebagai database. Tujuan pada penelitian ini adalah Membangun sebuah aplikasi yang dapat mengelompokkan data hasil pengolahan text mining dan clustering k-means dan mengetahui kelompok cluster yang memiliki anggota terbanyak kemudian memvisualisasikan data tersebut menggunakan beberapa teknik visualisasi data, tujuan lain dari penelitian ini adalah: 1. Mengetahui kelompok topik judul PA yang paling populer pada tahun tertentu. 2. Mengimplementasikan metode text mining untuk mengolah data PA menjadi data yang dapat digunakan pada aplikasi ini. 3. Mengimplementasikan algoritma k-means clustering untuk mengelompokkan judul PA. 4. Memvisualisasikan data hasil penerapan metode text mining dan algoritma k-means clustering pada judul PA 1.3 Manfaat Manfaat dari pembuatan proyek akhir ini adalah menjadi salah satu alternatif dalam menganalisa tren topik judul PA pada tahun tertentu yang dapat digunakan sebagai referensi dalam pengembangan proyek akhir lebih lanjut, dengan cara menganalisa data hasil visualisasi yang ditampilkan pada sistem dan dapat membantu mencari informasi rinci mengenai data judul PA berdasarkan inputan pengguna. 2. Landasan Teori 2.1 Text Mining Kunaifi [5] mendefenisikan bahwa Text Mining adalah suatu proses yang bertujuan untuk menemukan informasi atau tren terbaru yang sebelumnya tidak terungkap, dengan memproses dan menganalisa data dalam jumlah besar. Dalam menganalisa sebagian atau keseluruhan unstructured text, text mining mencoba untuk mengasosiasikan satu bagian teks dengan yang lainnya berdasarkan aturan-aturan tertentu. Text mining merupakan variasi dari data mining yang berusaha menemukan pola yang menarik dari sekumpulan data tekstual yang berjumlah besar. Beberapa tahapan proses pokok dalam text mining, yaitu pemrosesan awal teks (text preprocessing), transformasi teks (text transformation) atau (feature generation), pemilihan fitur (feature selection), dan penemuan pola text atau datamining (pattern discovery). 2.2 K-Means Clustering K-means clustering merupakan salah satu metode data clustering nonhirarki yang mengelompokkan data dalam bentuk satu atau lebih cluster. Data-data yang memiliki karakteristik yang sama dikelompokan dalam satu cluster dan data yang memiliki karakteristik yang berbeda dikelompokan dengan cluster yang lain sehingga data yang berada dalam satu cluster memiliki tingkat variasi yang kecil. Agusta [6]. langkah-langkah dari metode K- Means adalah sebagai berikut : 1. Tentukan nilai k sebagai jumlah cluster yang ingin dibentuk. 2. Tentukan k centroid (titik pusat cluster) awal secara acak. 3. Hitung jarak setiap data ke masingmasing centroid menggunakan rumus korelasi antar dua objek ( Euclidean Distance ).
4 Vol. 4, No. 1, Tahun D(i,j) = Jarak data i ke pusat cluster j X ki = Data ke i pada data atribut ke k X kj = Data ke j pada data atribut ke k 4. Kelompokkan setiap data berdasarkan jarak terdekat antara data dengan centroidnya. 5. Tentukan posisi centroid baru ( C k ) dengan cara menghitung nilai ratarata dari data yang ada pada centroid yang sama.... (2) n k = jumlah dokumen dalam cluster k d i = dokumen dalam cluster k 6. Kembali ke langkah 3 jika posisi centroid baru dengan centroid lama tidak sama. 2.3 Validasi Cluster Davies-Bouldin Index (DBI) merupakan salah satu untuk mengukur validitas cluster pada pengelompokkan berbasis partisi yang didasarkan pada nilai kohesi dan separasi Prasetyo [7]. Untuk menghitung DBI, terdapat beberapa elemen, yakni yakni Sum of Square Within cluster, Sum of Square Between cluster, dan rasio. Sum of Square Within cluster (SSW) merupakan metrik kohesi dalam sebuah cluster ke-i. Persamaan untuk menghitung SSW adalah sebagai berikut:...(3) n i = jumlah data yang berada pada cluster ke-i y i = centroid cluster ke-i d( )= jarak dengan perhitungan Euclidean Distance. Selain SSW, juga terdapat metrik separasi antara dua cluster (misalnya cluster i dan j). Metrik tersebut dikenal dengan Sum of Square Between cluster (SSB). Adapaun persamaan untuk menghitung SSB antara cluster i dan j adalah sebagai berikut:...(4) y i = nilai centroid cluster i, y j = nilai centroid cluster j. Kemudian didefinisikan juga Ri,j sebagai rasio perbandingan antara cluster ke-i dan cluster ke-j. Nilainya didapatkan dari komponen kohesi dan separasi. Cluster yang baik akan memiliki kohesi yang kecil dan separasi yang besar. Ri,j dapat dihitung dengan Persamaan(2.5) berikut: R i,j=...(5) Untuk nilai DBI didapatkan dari Persamaan (6) berikut:...(6) K = banyaknya cluster yang digunakan. Perhitungan DBI dilakukan terhadap beberapa nilai k yang diujikan. Nilai DBI yang terkecil menunjukkan bahwa K dengan nilai DBI tersebut merupakan jumlah k yang paling cocok untuk proses clustering data menggunakan algoritma K-Means. 2.4 Visualisasi Visualisasi adalah semacam narasi yang memberikan jawaban yang jelas untuk pertanyaan menggunakan penjelasan yang sederhana Fry [8]. Teknik visualisasi adalah konversi data ke dalam format visual atau tabel sehingga karakteristik dari data dan relasi di antara item data atau atribut dapat dianalisis dan dilaporkan. Teknik visualisasi data yang digunakan pada aplikasi ini adalah:
5 Vol. 4, No. 1, Tahun Bar Chart Bar Chart atau diagram batang adalah jenis grafik yang digunakan untuk menampilkan dan membandingkan jumlah, frekuensi atau melihat perubahan antar waktu untuk kategori data yang berbeda. 2. Pie Chart Pie Chart atau diagram lingkaran dapat digunakan untuk menunjukkan perbandingan (rasio) nilai data tertentu terhadap semua data. Diagram lingkaran adalah bentuk penyajian data statistika dalam bentuk lingkaran yang dibagi menjadi beberapa juring (luas daerah) lingkaran. 3. Tag Cloud Tag cloud atau word cloud adalah teknik visualisasi statistik yang berupa penanda berbentuk kata yang mewakili data yang telah digenerate. Dalam tag cloud, besaran nilai dari suatu tag ditunjukkan dengan perbedaan ukuran font atau warna pada label kata. 3. Metodologi Penelitian 3.1 Analisis Tahapan Umum VisualisasiPengembangan Judul PA di PCR Tahapan visualisasi pengembangan judul PA diawali dengan melakukan import terhadap sumber data yang berupa file data PA yang berekstensi.xls yang didapatkan dari perpustakaan Politeknik Caltex Riau kedalam database. Kemudian dilanjutkan dengan tahapan text mining yang terdiri dari beberapa proses preprocessing yaitu case folding, tokenizing, filtering, dan stemming. Tahapan case folding dilakukan untuk mengubah semua huruf pada judul PA menjadi huruf kecil (lower case). Sedangkan tahapan tokenizing bertujuan untuk mengekstraksi kalimat pada judul menjadi kumpulan kata. Selanjutnya tahapan filtering dan stemming dilakukan untuk mereduksi dimensi kata yang dengan mengubah kata menjadi kata dasar (root). Hasil penerapan preprocessing tersebut dianalisis untuk mendapatkan kategori kata. Kemudian Setiap kata pada judul akan masuk kedalam kategori kata yang telah ditentukan (feature selection), data ini akan ditransformasikan kedalam distribusi tabel. Data hasil transformasi ini yang akan diolah dalam penemuan pattern discovery menggunakan algoritma K-Means clustering. Sehingga menghasilkan kelompok topik judul PA yang siap untuk divisualisasikan. Gambar 1. Tahapan Umum Proses Visualisasi Topik Judul PA 3.2Analisis Pembentukan Kategori Kata Setiap kata yang telah melewati proses preprocessing akan di analisa dengan cara memilah kata-kata yang memiliki kemiripan makna, kemudian mengelompokkan kata tersebut menjadi beberapa kelompok. Dari 417 data PA yang telah melalui proses preprocessing terbentuklah 19 kelompok kategori kata. Berikut merupakan cuplikan data hasil pembentukan kategori kata: Gambar 2 Cuplikan Data Hasil Pembentukan Kategori Kata 3.3 Usecase Diagram Use case diagram merupakan perancangan yang menjelaskan aktor-aktor yang berperan dalam aplikasi dan kegiatan apa saja yang bisa dilakukannya. Berikut ini merupakan Use case diagram dari aplikasi yang akan dibangun:
6 Vol. 4, No. 1, Tahun aplikasi yang dibuat. K dengan nilai DBI terkecil merupakan jumlah cluster yang tepat digunakan pada aplikasi ini. Percobaan dilakukan sebanyak 4 kali dengan menggunakan sembarang nilai k dan didapatlah hasil sebagai berikut: Tabel 2 Hasil Pengujian DBI Gambar 3 Use Case Diagram Aplikasi 4. Hasil dan Pembasan 4.3 Tampilan hasil visualisasi Data Nilai K yang didapat melalui perhitungan DBI kemudian digunakan dalam perhitungan K-Means aplikasi ini. Berikut adalah tampilan visualisasi data yang didapatkan setelah melalui perhitungan k- means clustering. 4.1 Pengujian Hasil Stemming Proses Text Preprocessing Pengujian ini dilakukan untuk melihat apakah proses stemming yang diterapkan pada sistem berjalan dengan benar. Proses stemming yang digunakan adalah Porter Stemmer untuk Bahasa Indonesia. Tabel 1 Cuplikan Hasil Pengujian Stemming Gambar 4 Visualisasi Bar Chart Gambar 5 Visualisasi Pie Chart 4.2 Pengujian nilai K dengan daviesbouldin index(dbi) Data yang di uji merupakan data hasil pengolahan k-means judul PA, menggunakan sembarang nilai K pada
7 Vol. 4, No. 1, Tahun dapat dianalisa oleh pengguna sehingga pengguna dapat menentukan judul atau kategori judul seperti apa yang dapat dikembangkan lebih lanjut. 5. Kesimpulan dan Saran Gambar 6 Visualisasi Tag Cloud 4.4 Pembahasan Dari pengujian hasil stemming pada proses text preprocessing judul PA dapat disimpulkan bahwa algoritma porter stemmer pada bahasa Indonesia sesuai untuk digunakan dalam proses pencarian kata dasar untuk digunakan pada aplikasi ini. Dari 38 rule yang terdapat pada algoritma porter stemmer pada bahasa indonesia. Terdapat 33 rule yang berhasil diujikan dalam melakukan stemming terhadap data judul proyek akhir dan terdapat 5 rule yang tidak dapat diuji pada sistem ini. Hal tersebut disebabkan karena terdapat beberapa aturan stemming yang tidak memenuhi antara rule yang ada pada porter stemmer dengan data judul proyek akhir yang digunakan pada sistem ini. Kata-kata yang terdapat pada judul PA umumnya menggunakan kata baku sehingga hanya sedikit kata yang memiliki imbuhan pada setiap judul PA. Hasil pengujian DBI pada tabel 2 menunjukkan dengan jumlah data judul yang diolah sebanyak 417 dan dilakukan 4 kali percobaan, didapatkan hasil k=8 dengan nilai DBI 1,4608 merupakan nilai K terbaik untuk diimplementasikan dalam aplikasi ini. Penamaan kelompok hasil clustering dilakukan berdasarkan data label kategori kelompok topik yang paling dominan pada setiap cluster. Dari visualisasi data yang ditampilkan aplikasi ini menunjukkan bahwa aplikasi yang dirancang telah berhasil mengimplementasikan metode text mining dan algoritma k-means clustering dengan baik dan benar. Informasi dari visualisasi data yang disajikan tersebut 5.1 Kesimpulan Dari hasil penelitian ini dapat disimpulkan bahwa: 1. Penerapan metode Text Mining menggunakan algoritma K-Means Clustering berhasil diterapkan pada sistem ini. Hal ini dibuktikan dengan kesesuaian judul proyek akhir terhadap topik yang ada. 2. Pengujian stemming menggunakan aturan porter stemmer pada judul proyek akhir berhasil dilakukan. Hal ini dibuktikan dengan persentase akurasi sebesar 86.84%. 3. Pencarian nilai K terbaik menggunakan perhitungan daviesbouldin Index dengan melakukan 4 kali percobaan terhadap 417 judul PA, menghasilkan k=8 dengan nilai DBI terkecil yaitu 1,4608 merupakan jumlah cluster yang paling sesuai untuk digunakan pada sistem ini. 4. Visualisasi menggunakan bar chart dan pie chart dapat memberikan informasi tentang kelompok cluster judul PA yang menjadi tren pada tahun tertentu dan mengetahui sebaran data pada setiap kelompok cluster. 5. Visualisasi menggunakan tag cloud dapat memberikan informasi tentang kelompok kata yang paling sering digunakan dalam pembuatan judul proyek akhir. 5.2 Saran Adapun saran yang dapat diberikan adalah:
8 Vol. 4, No. 1, Tahun Sistem ini dapat dikembangkan dengan membandingkan beberapa algoritma untuk menentukan algoritma terbaik yang akan diimplementasikan pada sistem. Sehingga hasil penentuan kategori kata akan lebih akurat. 2. Sistem ini dapat dikembangkan dengan menambahkan fitur sistem pengambilan keputusan untuk menentukan kelompok cluster mana yang dapat dikembangkan dalam penelitian lebih lanjut, sehingga pengguna tidak perlu lagi menganalisa sendiri data hasil visualisasi tersebut Algoritma K-means. Surabaya: Politeknik Elektronika Negri Surabaya [7] Prasetyo, Eko (2014). Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab, Yogyakarta: Penerbit Andi [8] Fry, Ben. (2008). Visualizing Data. USA: O.Reilly Media. Daftar Pustaka [1] Gupta, N. (2011). Text Mining for Information Retreival. Ph.D. thesis, Jaypee Institute of Information Technology University, India. [2] Gupta, V., Lehal, G.S. (2009). A Survey of Text Mining Techniques and Application. Journal of Emerging Technologies in Web Intelligence. [3] Budhi, Gregorius S., Gunawan, Ibnu., & Yuwono, Ferry. (2006). Algortima Porter Stemmer For Bahasa Indonesia Untuk Pre- Processing Text Mining Berbasis Metode Market Basket Analysis. PAKAR Jurnal Teknologi Informasi Dan Bisnis 7 (3). [4] Bagya, Aldian., Hasan, Adi C., dan Sentosa, Surya. (2010). Perancangan Aplikai Visualisasi Data Untuk Implementasi Open Source. Tugas Akhir Program Sarjana S1 Universitas Bina Nusantara. Jakarta [5] Agusta, Y. (2007). K-Means Penerapan, Permasalahan dan Metode Terkait. Jurnal Sistem dan Informatika (3). [6] Kunaifi, Aang (2009). Klasifikasi Berbahasa Indonesia Menggunakan Text Mining Dan
KLASTERISASI PROSES SELEKSI PEMAIN MENGGUNAKAN ALGORITMA K-MEANS
1 KLASTERISASI PROSES SELEKSI PEMAIN MENGGUNAKAN ALGORITMA K-MEANS (Study Kasus : Tim Hockey Kabupaten Kendal) Alith Fajar Muhammad Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan rangkaian dari langkah-langkah yang diterapkan dalam penelitian, secara umum dan khusus langkah-langkah tersebut tertera pada Gambar flowchart
Lebih terperinciHERU SUSANTO Dosen Pembimbing : 1. Dr. Surya Sumpeno, ST., M.Sc. 2. Reza Fuad Rachmadi, ST., MT.
HERU SUSANTO 2209 105 030 Dosen Pembimbing : 1. Dr. Surya Sumpeno, ST., M.Sc. 2. Reza Fuad Rachmadi, ST., MT. LATAR BELAKANG Peran media jejaring sosial pada perkembangan teknologi komunikasi dan informasi;
Lebih terperinciJurnal Politeknik Caltex Riau
1 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id IMPLEMENTASI TEXT MINING DALAM KLASIFIKASI JUDUL BUKU PERPUSTAKAAN MENGGUNAKAN METODE NAIVE BAYES Siti Amelia Apriyanti 1), Kartina Diah Kesuma Wardhani
Lebih terperincicommit to user 5 BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori Text mining
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Text mining Text mining adalah proses menemukan hal baru, yang sebelumnya tidak diketahui, mengenai informasi yang berpotensi untuk diambil manfaatnya dari
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM Bab ini menjelaskan tentang analisa data, rancangan sistem, dan skenario pengujian. Bagian analisa data meliputi data penelitian, analisis data, data preprocessing.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam bagian ini dijelaskan aktifitas yang dilakukan dalam melakukan penelitian dibagi menjadi 2 (dua) yaitu: 1) Perancangan Skenario; dan 2) Penerapan Skenario. 3.1. Perancangan
Lebih terperinciJurnal Aksara Komputer Terapan Politeknik Caltex Riau Vol. 2, No. 1, Tahun
Vol. 2, No. 1, Tahun 2013 65 Jurnal Aksara Komputer Terapan Politeknik Caltex Riau Website : https://jurnal.pcr.ac.id/index.php/jakt/about/index Email : pustaka@pcr.ac.id Analisa Penjualan Barang Menggunakan
Lebih terperinciEKSTRAKSI FITUR SITUS BERITA ONLINE UNTUK KALEIDOSKOP BERITA TAHUNAN
EKSTRAKSI FITUR SITUS BERITA ONLINE UNTUK KALEIDOSKOP BERITA TAHUNAN Afri Yosela Putri 1, Faisal Rahutomo 2, Ridwan Rismanto 3 1, 2, 3 Jurusan Teknologi Informasi, Program Studi Teknik Informatika, Politeknik
Lebih terperinciAplikasi Text Mining untuk Automasi Penentuan Tren Topik Skripsi dengan Metode K-Means Clustering
Aplikasi Text Mining untuk Automasi Penentuan Tren Topik Skripsi dengan Metode K-Means Clustering Kestrilia Rega Prilianti Program Studi Teknik Informatika Universitas MaChung kestrilia@machung.ac.id ABSTRAK
Lebih terperinciPenerapan Algoritma K-Means untuk Clustering
Seminar Perkembangan dan Hasil Penelitian Ilmu Komputer (SPHP-ILKOM) 71 Penerapan Algoritma K-Means untuk ing Dokumen E-Jurnal STMIK GI MDP Ernie Kurniawan* 1, Maria Fransiska 2, Tinaliah 3, Rachmansyah
Lebih terperinciBAB I PENDAHULUAN I.1. Latar Belakang Masalah
BAB I PENDAHULUAN I.1. Latar Belakang Masalah Dalam era teknologi seperti saat ini, informasi berupa teks sudah tidak lagi selalu tersimpan dalam media cetak seperti kertas. Orang sudah mulai cenderung
Lebih terperinciJurnal Ilmiah Sains, Teknologi, Ekonomi, Sosial dan Budaya Vol. 1 No. 4 Desember 2017
TEXT MINING DALAM PENENTUAN KLASIFIKASI DOKUMEN SKRIPSI DI PRODI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER BERBASIS WEB Teuku Muhammad Johan dan Riyadhul Fajri Program Studi Teknik Informatika Fakultas
Lebih terperinciBAB I PENDAHULUAN. masyarakat tanpa kertas (paperless society) (Hernawati, 2005). Berdasarkan buku
BAB I PENDAHULUAN 1.1 Latar Belakang Revolusi teknologi informasi ikut mengubah perilaku masyarakat modern dengan mencoba masuk dan menghirup atmosfer kebudayaan baru, menjadikan masyarakat tanpa kertas
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 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 terperinciJurnal Informatika Mulawarman Vol. 10 No. 1 Februari
Jurnal Informatika Mulawarman Vol. 10 No. 1 Februari 2015 1 KLASIFIKASI DAN PENCARIAN BUKU REFERENSI AKADEMIK MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (NBC) (STUDI KASUS: PERPUSTAKAAN DAERAH PROVINSI
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN
Jurnal Teknik Informatika Vol. 1 September 2012 1 PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN Wahyu Saputra Wibawa 1, Juni Nurma Sari 2, Ananda 3 Program Studi
Lebih terperinciTEMU KEMBALI INFORMASI BERDASARKAN LOKASI PADA DOKUMEN YANG DIKELOMPOKKAN MENGGUNAKAN METODE CENTROID LINKAGE HIERARCHICAL
TEMU KEMBALI INFORMASI BERDASARKAN LOKASI PADA DOKUMEN YANG DIKELOMPOKKAN MENGGUNAKAN METODE CENTROID LINKAGE HIERARCHICAL Nadia Damayanti 1, Nur Rosyid Mubtada i, S.Kom, M.Kom 2, Afrida Helen S.T, M.Kom
Lebih terperinciANALISIS KECENDERUNGAN INFORMASI DENGAN MENGGUNAKAN METODE TEXT MINING
ANALISIS KECENDERUNGAN INFORMASI DENGAN MENGGUNAKAN METODE TEXT MINING (Studi Kasus: Akun twitter @detikcom) SKRIPSI Oleh: SYAIFUDIN KARYADI NIM. 24010212130030 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN
Lebih terperinciPERSYARATAN PRODUK. 1.1 Pendahuluan Latar Belakang Tujuan
BAB 1 PERSYARATAN PRODUK Bab ini membahas mengenai hal umum dari produk yang dibuat, meliputi tujuan, ruang lingkup proyek, perspektif produk, fungsi produk dan hal umum yang lainnya. 1.1 Pendahuluan Hal
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Pada penelitian ini ada beberapa tahapan penelitian yang akan dilakukan seperti terlihat pada gambar 3.1 berikut : Mulai Identifikasi Masalah Pengumpulan Data Analisa Aplikasi
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI 3.1 Twitter API Application Programming Interface (API) merupakan fungsi-fungsi/perintah-perintah untuk menggantikan bahasa yang digunakan dalam system calls dengan bahasa yang lebih
Lebih terperinciIMPLEMENTASI K NEAREST NEIGHBOR (KNN) PADA KLASIFIKASI ARTIKEL WIKIPEDIA INDONESIA
IMPLEMENTASI K NEAREST NEIGHBOR (KNN) PADA KLASIFIKASI ARTIKEL WIKIPEDIA INDONESIA Erik Hardiyanto 1, Faisal Rahutomo 2, Dwi Puspitasari 3 Jurusan Teknologi Informasi, Program Studi Teknik Informatika,
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Saat ini perkembangan ilmu pengetahuan dan teknologi informasi semakin berkembang pesat, banyak teknologi baru yang telah diciptakan dan digunakan oleh masyarakat
Lebih terperinciRANCANG BANGUN APLIKASI MARKET BASKET ANALYSIS (MBA) PADA MINIMARKET UD. DIANI DENGAN ALGORITMA CT-PRO
RANCANG BANGUN APLIKASI MARKET BASKET ANALYSIS (MBA) PADA MINIMARKET UD. DIANI DENGAN ALGORITMA CT-PRO Oleh Gede Agus Eka Kharisma Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan Universitas
Lebih terperinciBAB 1. PENDAHULUAN 1.1. Latar Belakang Pelanggan merupakan salah satu posisi penting dalam pengembangan strategi bisnis, pelanggan juga merupakan salah satu sumber keuntungan dalam perusahaan. Untuk itu
Lebih terperinciIMPLEMENTASI METODE TERM FREQUENCY INVERSED DOCUMENT FREQUENCE (TF-IDF) DAN VECTOR SPACE MODEL PADA APLIKASI PEMBERKASAN SKRIPSI BERBASIS WEB
IMPLEMENTASI METODE TERM FREQUENCY INVERSED DOCUMENT FREQUENCE (TF-IDF) DAN VECTOR SPACE MODEL PADA APLIKASI PEMBERKASAN SKRIPSI BERBASIS WEB Abdul Rokhim 1), Achmad ainul yaqin 2) 1) Program Studi/Prodi
Lebih terperinciStemming pada Preprocessing Twit Berbahasa Indonesia dengan Mengimplementasikan Algoritma Fonetik Soundex untuk Proses Klasifikasi
Stemming pada Preprocessing Twit Berbahasa Indonesia dengan Mengimplementasikan Algoritma Fonetik Soundex untuk Proses Klasifikasi Stemming in Indonesian Language Twit Preprocessing Implementing Phonetic
Lebih terperinciPEMANFAATAN TEKNIK STEMMING UNTUK APLIKASI TEXT PROCESSING BAHASA INDONESIA SKRIPSI. Oleh : SEPTIAN BAGUS WAHYONO NPM :
PEMANFAATAN TEKNIK STEMMING UNTUK APLIKASI TEXT PROCESSING BAHASA INDONESIA SKRIPSI Oleh : SEPTIAN BAGUS WAHYONO NPM : 0734010126 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA
SEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA Kamil Malik Jurusan Teknik Informatika STT Nurul Jadid Paiton nomor1001@gmail.com Andi Hutami Endang Jurusan Teknik Informatika
Lebih terperinciPERBANDINGAN ALGORITMA STEMMING PADATEKS BAHASA INDONESIA
PERBANDINGAN ALGORITMA STEMMING PADATEKS BAHASA INDONESIA Sigit Prasetyo Karisma Utomo 1, Ema Utami 2, Andi Sunyoto 3 1,2,3 Magister Teknik Informatika STMIK AmikomYogyakarta e-mail: 1 aku@sigitt.com,
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 terperinciPENENTUAN KEMIRIPAN TOPIK PROYEK AKHIR BERDASARKAN ABSTRAK PADA JURUSAN TEKNIK INFORMATIKA MENGGUNAKAN METODE SINGLE LINKAGE HIERARCHICAL
PENENTUAN KEMIRIPAN TOPIK PROYEK AKHIR BERDASARKAN ABSTRAK PADA JURUSAN TEKNIK INFORMATIKA MENGGUNAKAN METODE SINGLE LINKAGE HIERARCHICAL Nur Rosyid M, Entin Martiana, Damitha Vidyastana, Politeknik Elektronika
Lebih terperinciKLASIFIKASI DATA PENGADUAN MASYARAKAT PADA LAMAN PESDUK CIMAHI MENGGUNAKAN ROCCHIO
F.15 KLASIFIKASI DATA PENGADUAN MASYARAKAT PADA LAMAN PESDUK CIMAHI MENGGUNAKAN ROCCHIO Khusnul Khuluqiyah *, Tacbir Hendro Pudjiantoro, Agung Wahana Program Studi Informatika, Fakultas Matematika dan
Lebih terperinciBAB I PENDAHULUAN. secara manual dari suatu kumpulan data. Defenisi lain data mining adalah sebagai
BAB I PENDAHULUAN I.1. Latar Belakang Data mining merupakan serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual dari
Lebih terperinciJurnal Aksara Komputer Terapan Politeknik Caltex Riau Vol. 4, No. 2, Tahun
Vol. 4, No. 2, Tahun 2015 1 Jurnal Aksara Komputer Terapan Politeknik Caltex Riau Website : https://jurnal.pcr.ac.id/index.php/jakt/about/index Email : pustaka@pcr.ac.id Perancangan Dan Implementasi Sistem
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Klasifikasi Klasifikasi merupakan suatu pekerjaan menilai objek data untuk memasukkannya ke dalam kelas tertentu dari sejumlah kelas yang tersedia. Dalam klasifikasi ada dua pekerjaan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI II.1 Text Mining Text Mining merupakan penerapan konsep dan teknik data mining untuk mencari pola dalam teks, proses penganalisaan teks guna menemukan informasi yang bermanfaat untuk
Lebih terperinciNur Indah Pratiwi, Widodo Universitas Negeri Jakarta ABSTRAK
Klasifikasi Dokumen Karya Akhir Mahasiswa Menggunakan Naïve Bayes Classifier (NBC) Berdasarkan Abstrak Karya Akhir Di Jurusan Teknik Elektro Universitas Negeri Jakarta Nur Indah Pratiwi, Widodo Universitas
Lebih terperinciBAB I PENDAHULUAN. Dari tahun ke tahun sudah tidak dapat dipungkiri bahwa teknologi informasi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dari tahun ke tahun sudah tidak dapat dipungkiri bahwa teknologi informasi mengalami kemajuan yang sangat pesat. Ini merupakan bukti bahwa manusia senantiasa
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini, akan dibahas landasan teori mengenai pendeteksian kemiripan dokumen teks yang mengkhususkan pada pengertian dari keaslian dokumen, plagiarisme, kemiripan dokumen, dan
Lebih terperinciBAB I PENDAHULUAN I - 1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dunia pendidikan merupakan dunia yang memerlukan perhatian khusus karena pendidikan merupakan faktor yang sangat mempengaruhi kualitas para calon penerus bangsa
Lebih terperinciANALISA KINERJA AGENT PADA CALL CENTER PT.INDOSAT,Tbk DENGAN IMPLEMENTASI DATA MINING CLUSTERING METODE K-MEANS
ANALISA KINERJA AGENT PADA CALL CENTER PT.INDOSAT,Tbk DENGAN IMPLEMENTASI DATA MINING CLUSTERING METODE K-MEANS Nanda Kirana, Mike Yuliana, Nur Rosyid Mubtada i. Politeknik Elektronika Negeri Surabaya
Lebih terperinciBab 2 Tinjauan Pustaka
Bab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu Adapun penelitian terdahulu yang berkaitan dalam penelitian ini berjudul Penentuan Wilayah Usaha Pertambangan Menggunakan Metode Fuzzy K-Mean Clustering
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Penyimpanan dokumen secara digital berkembang dengan pesat seiring meningkatnya teknologi. Kondisi tersebut memunculkan masalah untuk mengakses informasi yang diinginkan
Lebih terperinciBAB I PENDAHULUAN. informasi yang akurat sangat dibutuhkan dalam kehidupan sehari-hari, sehingga
BAB I PENDAHULUAN I.1. Latar Belakang Dengan kemajuan teknologi informasi dewasa ini, kebutuhan akan informasi yang akurat sangat dibutuhkan dalam kehidupan sehari-hari, sehingga informasi akan menjadi
Lebih terperinciIMPLEMENTASI K-MEANS KLUSTERING UNTUK REKOMENDASI TEMA TUGAS AKHIR PADA STMIK ASIA MALANG. Lia Farokhah 1), Rendy Aditya 2)
IMPLEMENTASI K-MEANS KLUSTERING UNTUK REKOMENDASI TEMA TUGAS AKHIR PADA STMIK ASIA MALANG Lia Farokhah 1), Rendy Aditya 2) 1,2 Teknik Informatika, STMIK ASIA Malang email: 1 farokhah@asia.ac.id, 2 rendya@asia.ac.id
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Motivasi dalam penelitian ini berawal dari laporan (ID-SIRTII/CC, 2014) terkait serangan yang sering terjadi pada jaringan internet khususnya Indonesia, serangan
Lebih terperinciPENGENALAN HURUF HASIL DARI TULISAN TANGAN MENGGUNAKAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION
PENGENALAN HURUF HASIL DARI TULISAN TANGAN MENGGUNAKAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION ABSTRAK Gerald Patrick Siahainenia (0522128) Jurusan Teknik Elektro email : gerald_patrick2000@yahoo.com
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 terperinciBAB IV METODOLOGI PENELITIAN. Penelitian ini dilakukan dengan melalui empat tahap utama, dimana
BAB IV METODOLOGI PENELITIAN Penelitian ini dilakukan dengan melalui empat tahap utama, dimana tahap pertama adalah proses pengumpulan dokumen teks yang akan digunakan data training dan data testing. Kemudian
Lebih terperinciPENCARIAN DOKUMEN MENGGUNAKAN METODE SINGLE PASS CLUSTERING (STUDI KASUS : ABSTRAKSI TA TEKNIK INFORMATIKA UNIV. MUHAMMADIYAH MALANG) TUGAS AKHIR
PENCARIAN DOKUMEN MENGGUNAKAN METODE SINGLE PASS CLUSTERING (STUDI KASUS : ABSTRAKSI TA TEKNIK INFORMATIKA UNIV. MUHAMMADIYAH MALANG) TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1
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 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 terperinciAPLIKASI SURAT MASUK DAN KELUAR DENGAN KLASTERISASI MENGGUNAKAN METODE K-MEANS DI INSTALASI FARMASI RSUD DR.SAIFUL ANWAR
APLIKASI SURAT MASUK DAN KELUAR DENGAN KLASTERISASI MENGGUNAKAN METODE K-MEANS DI INSTALASI FARMASI RSUD DR.SAIFUL ANWAR Sari Nur Sita Wibowo 1 Amak Yunus EP 1 Sistem Informasi, Universitas Kanjuruhan
Lebih terperinciBAB I PENDAHULUAN. Saat ini, konsep data mining semakin dikenal sebagai tools penting dalam
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Saat ini, konsep data mining semakin dikenal sebagai tools penting dalam manajemen informasi karena jumlah informasi yang semakin besar jumlahnya. Data mining sendiri
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Pada bab ini menjelaskan topik taksonomi yang merupakan pengorganisasian informasi yang penting karena merupakan dasar dalam memahami suatu informasi. Taksonomi membantu memahami
Lebih terperinciSISTEM REKOMENDASI DOSEN PEMBIMBING TUGAS AKHIR BERBASIS TEXT MINING MENGGUNAKAN VECTOR SPACE MODEL
SISTEM REKOMENDASI DOSEN PEMBIMBING TUGAS AKHIR BERBASIS TEXT MINING MENGGUNAKAN VECTOR SPACE MODEL SKRIPSI Disusun Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer pada Departemen Ilmu
Lebih terperinciSTUDI AWAL KLASIFIKASI ARTIKEL WIKIPEDIA BAHASA INDONESIA DENGAN MENGGUNAKAN METODA K NEAREST NEIGHBOR
STUDI AWAL KLASIFIKASI ARTIKEL WIKIPEDIA BAHASA INDONESIA DENGAN MENGGUNAKAN METODA K NEAREST NEIGHBOR Erik Hardiyanto 1), Faisal Rahutomo 1) 1 Jurusan Teknologi Informasi, Program Studi Teknik Informatika,
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL BINARY PATTERN ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL BINARY PATTERN Zeth Pasongli (0222113) Jurusan Teknik Elektro Email: zeth_pasongli@yahoo.com ABSTRAK Pola pembuluh
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 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 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 terperinciARTIKEL KLASIFIKASI KONTEN BERITA SURAT KABAR BERDASARKAN JUDUL DENGAN TEXT MINING MENGGUNAKAN METODE NAÏVE BAYES (STUDI KASUS : RADAR KEDIRI)
ARTIKEL KLASIFIKASI KONTEN BERITA SURAT KABAR BERDASARKAN JUDUL DENGAN TEXT MINING MENGGUNAKAN METODE NAÏVE BAYES (STUDI KASUS : RADAR KEDIRI) Oleh: Enggal Suci Febriani 3..3..35 Dibimbing oleh :. Irwan
Lebih terperinciKata kunci: Cluster, Knowledge Discovery in Database, Algoritma K-Means,
K- Pembentukan cluster dalam Knowledge Discovery in Database dengan Algoritma K-Means Oleh: Sri Andayani Jurusan Pendidikan Matematika FMIPA UNY,email: andayani@uny.ac.id Abstrak Pembentukan cluster merupakan
Lebih terperinciIMPLEMENTASI ALGORITMA RABIN-KARP MENGGUNAKAN STEMMING NAZIEF DAN ADRIANI UNTUK MENDETEKSI TINGKAT KEMIRIPAN FILE TEKS YANG BERBENTUK SKRIPSI SKRIPSI
IMPLEMENTASI ALGORITMA RABIN-KARP MENGGUNAKAN STEMMING NAZIEF DAN ADRIANI UNTUK MENDETEKSI TINGKAT KEMIRIPAN FILE TEKS YANG BERBENTUK SKRIPSI SKRIPSI WINDI ARINDA 091401061 PROGRAM STUDI S1 ILMU KOMPUTER
Lebih terperinciIDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID ABSTRAK
IDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID Disusun Oleh : Robin Yosafat Saragih (1022076) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
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 terperinciJurnal Aksara Komputer Terapan Politeknik Caltex Riau Vol. 4, No. 1, Tahun
Vol. 4, No. 1, Tahun 2015 61 Jurnal Aksara Komputer Terapan Politeknik Caltex Riau Website : https://jurnal.pcr.ac.id/index.php/jakt/about Email : pustaka@pcr.ac.id Sistem Pendeteksi Kemiripan Proyek Akhir
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 terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
90 BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Sistem Tahap ini merupakan tahap dari implementasi program serta implementasi dari setiap proses tahap penelitian. 4.1.2 Persiapan Arsitektur Pada
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah kemiskinan merupakan hal yang sangat kompleks. Di wilayah Kecamatan Bantul, seorang warga disebut sebagai keluarga miskin berdasarkan beberapa aspek seperti
Lebih terperinciBAB 1 KONSEP DATA MINING 2 Gambar 1.1 Perkembangan Database Permasalahannya kemudian adalah apa yang harus dilakukan dengan data-data itu. Sudah diket
Bab1 Konsep Data Mining POKOK BAHASAN: Konsep dasar dan pengertian Data Mining Tahapan dalam Data Mining Model Data Mining Fungsi Data Mining TUJUAN BELAJAR: Setelah mempelajari materi dalam bab ini, mahasiswa
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini akan membahas tentang penelitian berita yang menggunakan Text Mining, metode TF-IDF, dan. Yang mana penelitian ini akan mengulas secara lengkap tentang
Lebih terperinciPERBANDINGAN METODE CLUSTERING MENGGUNAKAN METODE SINGLE LINKAGE DAN K - MEANS PADA PENGELOMPOKAN DOKUMEN
PERBANDINGAN METODE CLUSTERING MENGGUNAKAN METODE SINGLE LINKAGE DAN K - MEANS PADA PENGELOMPOKAN DOKUMEN Rendy Handoyo 1, R. Rumani M 2, Surya Michrandi Nasution 3 1,2,3 Gedung N-203, Program Studi Sistem
Lebih terperinciJurnal Informatika dan Komputer PENS
Jurnal Informatika dan Komputer PENS www.jurnalpa.eepis-its.edu Teknik Komputer Vol.2, No.2, 2015 Politeknik Elektronika Negeri Surabaya Aplikasi Pendeteksi Kemiripan Laporan Menggunakan Text Mining dan
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 terperinciSTEMMING BAHASA INDONESIA SEBAGAI MEDIA BELAJAR SISWA SEKOLAH MENGGUNAKAN ALGORITMA PORTER
STEMMING BAHASA INDONESIA SEBAGAI MEDIA BELAJAR SISWA SEKOLAH MENGGUNAKAN ALGORITMA PORTER Dony Yudha Lestiyanto, A12.2009.03537 Sistem Informasi S1 Universitas Dian Nuswantoro Semarang 2014 Abstrak Stemming
Lebih terperinciVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR CHAIN CODE ABSTRAK
VERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR CHAIN CODE Andre Sitorus (0822107) Jurusan Teknik Elektro email: tiantorus11@gmail.com ABSTRAK Pola yang dibentuk oleh
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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring dengan perkembangan jaman, komputer semakin banyak berperan di dalam kehidupan masyarakat. Hampir semua bidang kehidupan telah menggunakan komputer sebagai
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 terperinciLAPORAN SKRIPSI ALGORITMA K-MEANS UNTUK PENGELOMPOKAN KABUPATEN/KOTA DI INDONESIA BERDASARKAN INDIKATOR INDEKS PEMBANGUNAN MANUSIA.
LAPORAN SKRIPSI ALGORITMA K-MEANS UNTUK PENGELOMPOKAN KABUPATEN/KOTA DI INDONESIA BERDASARKAN INDIKATOR INDEKS PEMBANGUNAN MANUSIA Oleh : MUHAMMAD SHOFIYUDDIN 2011-51-182 PROGRAM STUDI TEKNIK INFORMATIKA
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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Pada bab ini akan dijelaskan tahap-tahap yang dilakukan dalam melakukan penelitian. Tahapan penelitian berguna agar pelaksanaan penelitian dapat berjalan dengan baik dan sistematis
Lebih terperinciBAB III ANALISIS III.1 Analisis Konseptual Teknik Pengolahan Data
BAB III ANALISIS III.1 Analisis Konseptual Teknik Pengolahan Data Data sudah menjadi bagian penting dalam pengambilan keputusan. Data telah banyak terkumpul baik itu data transaksi perbankan, data kependudukan,
Lebih terperinciSISTEM REKOMENDASI KURIKULUM DENGAN METODE K-MEANS CLUSTERING
SISTEM REKOMENDASI KURIKULUM DENGAN METODE K-MEANS CLUSTERING Ati Suci Dian Martha, S.Kom., M.T. 1, Dena Jatnika Kusumah 1, Program Studi Sistem Informasi, STMIK LPKIA, Bandung Jln. Soekarno Hatta No.
Lebih terperinciSTMIK GI MDP. Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 20010/2011
STMIK GI MDP Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 20010/2011 PENERAPAN METODE CLUSTERING HIRARKI AGGLOMERATIVE UNTUK KATEGORISASI DOKUMEN PADA WEBSITE SMA NEGERI
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Budi Susanto ANALISIS CLUSTER PADA DOKUMEN TEKS Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep analisis clustering Memahami tipe-tipe data dalam clustering Memahami beberapa algoritma
Lebih terperinciABSTRAK. Kata kunci : Informasi, Information Retreival, Ant Colony Optimization, Graph, Fitur dokumen. vii
ABSTRAK Untuk mendapatkan sebuah informasi pada saat ini sangatlah mudah. Dengan adanya internet orang dengan mudah untuk berbagi informasi. Informasi yang dibagikan biasanya dalam bentuk dokumen, artikel,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pengenalan ucapan (speech recognition) merupakan sistem yang dirancang untuk dapat mengenali sinyal suara, sehingga menghasilkan keluaran berupa tulisan. Input dari
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 terperinciPERANCANGAN CLIENT DENGAN PENGKLASIFIKASIAN MENGGUNAKAN ALGORITMA VECTOR SPACE MODEL SKRIPSI MOSES CHRISTIAN
PERANCANGAN EMAIL CLIENT DENGAN PENGKLASIFIKASIAN EMAIL MENGGUNAKAN ALGORITMA VECTOR SPACE MODEL SKRIPSI MOSES CHRISTIAN 081402050 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
Lebih terperinciOleh: ARIF DARMAWAN NIM
APLIKASI PENGKLASIFIKASIAN DOKUMEN INFO PADA TWITTER MENGGUNAKAN ALGORITMA NAIVE BAYES TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penelitian Terkait 2.1.1. Implementasi Opinion Mining Pernah dilakukan penelitian tentang opinion mining membahas tentang ekstraksi data opini publik pada perguruan tinggi.
Lebih terperinciBAB I 1. PENDAHULUAN
BAB I 1. PENDAHULUAN 1.1. Latar Belakang Pada era di mana teknologi sangat banyak digunakan oleh masyarakat seperti sekarang ini, seseorang yang disebut figur publik seringkali hanya merupakan sosok yang
Lebih terperinciANALISIS KLASTERING LIRIK LAGU INDONESIA
ANALISIS KLASTERING LIRIK LAGU INDONESIA Afdilah Marjuki 1, Herny Februariyanti 2 1,2 Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Stikubank e-mail: 1 bodongben@gmail.com,
Lebih terperinciPerbandingan Teknik Pengklasteran Dalam Visualisasi Data Teks Bahasa Indonesia
Perbandingan Teknik Pengklasteran Dalam Visualisasi Data Teks Bahasa Indonesia Praditya Kurniawan 1, Ema Utami 2, Andi Sunyoto 3 1,2,3 STMIK AMIKOM Yogyakarta e-mail: * 1 pradityakurniawan@gmail.com, 2
Lebih terperinci