ANALISA KLASIFIKASI KADAR KARAT EMAS MENGGUNAKAN METODE K-NEAREST NEIGHBOURS (KNN) Study Kasus : Toko Emas Batam City
|
|
- Yuliana Hermawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ANALISA KLASIFIKASI KADAR KARAT EMAS MENGGUNAKAN METODE K-NEAREST NEIGHBOURS (KNN) Study Kasus : Toko Emas Batam City (Analysis Classification Levels Gold Rust Using Method K-Nearest Neighbours (KNN) Case Study: Gold Shop Batam City) Edi Permadi Budiyono, Nerfita Nikentari, ST., M.Cs dan Sulfikar Sallu, S.Kom., M.kom Jurusan Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji (UMRAH) Jl. Politeknik Senggarang, Tanjungpinang edii.permadi27@gmail.com; private.niken@gmail.com; ss354info@gmail.com ABSTRAK Sistem analisa klasifikasi kadar emas yang dilakukan oleh pihak Toko Emas Batam City diterapkan secara manual dengan menggunakan perhitungan dari kalkulator dan tabel. Diperlukan waktu tambahan untuk mengoptimalkan kadar emas tersebut. Aplikasi dekstop yang dipadukan dengan metode k nearest neighbours dikira mampu membantu menangani permasalahan tersebut baik dari sisi perekaman data maupun dalam hal analisa kadar emas tersebut. Metode k nearest neighbours merupakan suatu teknik klasifikasi yang mana mencari jarak terdekat antara data yang akan dievaluasi dengan K tetangga (neighbor) terdekatnya dalam data pelatihan. Kriteria yang digunakan dalam kadar emas ini adalah kandungan emas asli, kandungan campuran, persentase penandaan, berat emas, berat volume emas. Sebanyak 120 data sampel dan 99 data training yang dianalisis, diperoleh perbandingan kesamaan hasil klasifikasi kadar emas antara perhitungan metode k nearest neighbours dan perhitungan dari toko emas diperoleh nilai tertinggi yaitu dimana pada saat pembobot bernilai K = 7 dengan tingkat Kesamaan persentase keberhasilan sebesar 92,93 %. Kata kunci : kadar emas, K-Nearest Neighbor (KNN), kriteria, pengelompokan. ABSTRACT Classification systems of the gold content analysis conducted by the Gold Shop Batam City applied manually by using calculations from the calculator and tables. Additional time is needed to optimize the gold content. Desktop applications, combined with the method of k nearest neighbors thought to be able to help address these problems both in terms of data recording and analysis in terms of the gold content. K nearest neighbors method is a classification technique in which look for the shortest distance between the data to be evaluated with K neighbors ( neighbor ) in the closest training data. Criteria used in the gold content is original gold content, the content mix, percentage labeling, gold weight, volume weight of gold. A total of 120 sample data and 99 training data are analyzed, the comparison of the similarities between the gold content of the classification results of the calculation method and calculation of k nearest neighbors of a gold shop where the highest values obtained when the weighting value K = 7 with a success percentage similarity rate of 92.93%. Keywords: gold content, the method of K-Nearest Neighbor (KNN), criteria, grouping. 1
2 I. PENDAHULUAN Toko emas merupakan perusahaan yang bergerak dalam bidang jual beli perhiasan emas yang memiliki karakteristik bisnis yang spesifik. Kegiatan bisnis yang ada antara lain pembelian emas dari supplier maupun pelanggan, penyimpanan emas, baik berupa emas batangan maupun emas berdisain, penjualan emas, dan perhitungan kadar karat emas. Sistem analisa kadar emas yang dilakukan oleh pihak toko masih diterapkan secara manual atau analisa dilakukan masih menggunakan perhitungan rumusan. Akibatnya, waktu akan lebih banyak terbuang dan dari segi hasil perhitungan juga belum tentu akurat. Maka, tentu diperlukan waktu tambahan guna mengoptimalkan data-data status kadar emas tersebut. Aplikasi desktop ini merupakan solusi yang dirasa mampu membantu menangani permasalahan tersebut. Ditambah lagi dengan perhitungan dengan metode K Nearest Neighbours (KNN) dirasa sangat mampu membantu menangani permasalahan tersebut baik dari sisi perekaman data maupun dalam hal analisa kadar emas dan diharapkan aplikasi yang dibangun dapat bekerja lebih baik dengan menggunakan analisa perhitungan nilai-nilai kriterianya. II. URAIAN PENELITIAN A. Landasan Teori 1. Klasifikas Klasifikasi merupakan suatu teknik dengan melihat pada kelakuan dan atribut dari kelompok yang telah didefinisikan. Teknik ini dapat memberikan klasifikasi pada data baru dengan memanipulasi data yang ada yang telah diklasifikasi dan dengan menggunakan hasilnya untuk memberikan sejumlah aturan. Aturanaturan tersebut digunakan pada data-data baru untuk diklasifikasi. Teknik ini menggunakan supervised induction, yang memanfaatkan kumpulan pengujian dari record yang terklasifikasi untuk menentukan kelas-kelas tambahan (Kusnawi, 2007). Tujuan dari klasifikasi ini adalah recordrecord yang sebelumnya belum termasuk dalam kategori dapat dinyatakan kelasnya secara akurat 2. Emas Emas merupakan barang tambang yang memilki unsur kimia dalam tabel periodik yang memiliki simbol Au (bahasa Latin: 'aurum') dan nomor atom 79. Sebuah logam transisi (trivalen dan univalen) yang lembek, mengkilap, kuning, berat. Emas melebur dalam bentuk cair pada suhu sekitar 1000 derajat celcius (Chalimah, 2012). Mengenal emas, kita terlebih dahulu mengenal istilah "kadar" dalam emas. Kadar merupakan tingkat keaslian emas, atau jumlah kandungan kemurnian emas. Kadar emas dinyatakan dalam karat. Menurut SNI (Standart Nasional Indonesia) - No : SNI standard karat emas sebagai berikut : - 24 K = 99,00-99,99% - 23 K = 94,80-98,89% - 22 K = 90,60-94,79% - 21 K = 86,50-90,59% - 20 K = 82,30-86,49% - 19 K = 78,20-82,29% - 18 K = 75,40-78,19% Perhitungan kadar emas yang dilakukan di toko emas tersebut yaitu dengan menggunakan rumus : 3. Metode KNN Metode yang digunakan dalam pengklasifikasian adalah metode KNN. Prinsip kerja K-Nearest Neighbor (KNN) adalah mencari jarak terdekat antara data yang akan dievaluasi dengan K tetangga (neighbor) terdekatnya dalam data pelatihan. Tujuan algoritma KNN adalah mengklasifikasikan obyek baru berdasarkan atribut dan training sample. Clasifier tidak menggunakan model apapun untuk dicocokkan dan hanya berdasarkan pada memori. Diberikan titik query, akan ditemukan sejumlah k obyek atau (titik training) yang paling dekat dengan titik query. Klasifikasi menggunakan voting terbanyak diantara klasifikasi dari k obyek. Algoritma KNN menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari query instance yang baru. Algoritma metode KNN sangatlah sederhana, bekerja berdasarkan jarak terpendek dari query instance ke training sample untuk menentukan KNN-nya ((Laina, 2013) Nilai k yang terbaik untuk algoritma ini tergantung pada data. Secara umum, nilai k yang 2
3 tinggi akan mengurangi efek pada klsifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi semakin kabur. Nilai k yang bagus dapat dipilih dengan optimasi parameter. Kasus khusus dimana klasifikasi diprekdisikan berdasarkan training data yang paling dekat (dengan kata lain, k=1) disebut algoritma Nearest Neighbor. Rumus perhitungan dengan metode KNN (Ninki, 2009) Keterangan: x 1 = Data Sampel x 2 = Data Uji / Training i = Variabel Data d = Jarak BlackboxTesting yang dilakukan dari sisi pengembang. III. HASIL DAN PEMBAHASAN Pada halaman data sampel sistem penganalisa klasifikasi kadar emas yang terdapat daftar data sampel dan beberapa menu pendukung. 1. Perhitungan dari Toko Emas Diketahui inputan emas dengan id training 2002 dengan kriteria sebagai berikut : - Berat Kering : 60 gram - Berat Volume : 3,737 gram³. Menghitung berat bersih dan berat volume yang terdapat pada emas yang akan di tentukan kadarnya dengan menggunakan rumus : Berat kering p = Dimensi Data B. Metode Penelitian Pengumpulan data-data yang dibutuhkan dilakukan dengan cara melakukan observasi. Hal ini dilakukan di Toko Emas Batam secara langsung. Dalam hal ini diperlukan sebuah laptop dan alat tulis untuk merekap data dan memudahkan dalam pengambilan data. Hasil dari pembagian antara berat jenis dengan berat volume yaitu 16,055. Liatlah tabel berat jenis dari perhitungan emas, cari terletak di posisi manakah nilai 16,055 tadi. Lebih jelas liat lah tabel dari kadar emas : Tabel 1 : Kecocokan Berat jenis C. Metode Pengembangan Sistem 1. Analisa Kebutuhan Tahapan ini untuk mencari kebutuhan akan sistem yang akan dibangun, sehingga sistem dibuat sesuai dengan kebutuhan dari analisa data. 2. Perancangan Sistem Tahap perancangan sistem membagi proses dalam merancang kebutuhan yang akan diperlukan ke dalam perangkat keras dan perangkat lunak. Perancangan sistem dibangun untuk menetapkan arsitektur sistem, menentukan spesifikasi secara lengkap dari komponen-komponen sistem serta informasi yang sesuai dengan hasil tahap analisis. Menggunakan DFD sebagai tool untuk perekayasaan alur sistem. 3. Pengujian Tahapan ini dilakukan dengan mengintegrasikan unit program dan diuji sebagai satu sistem untuk memastikan bahwa seluruh kebutuhan perangkat lunak telah terpenuhi. Pengujian yang dilakukan dalam penelitian ini adalah pengujian Tabel menjelaskan bahwa hasil dari perhitungan berat jenis 60 dan berat volume 3,737 yaitu 16,055. Tabel 1, yang nilai 16,055 diarsir terdapat emas bersihnya yaitu 82,5 % jika diliat standar emas yang telah di tetapkan pemerintah 82,5% memiliki kadar emas yaitu 20 Karat. 3
4 2. Perhitungan Metode KNN Tabel 4 : Perhitungan Nilai Jarak Diketahui inputan emas dengan id training 2002 dengan kriteria sebagai berikut : - : 82,5% - Kadar Campuran : 17,5% - Persentasi Penandaan : Berat Jenis : 60 gram - Berat Volume : 3,737 gram³. Berdasarkan algoritma KNN, dapat dilakukan perhitungan sebagai berikut : 1. Tentukan nilai K, missal K = Hitung jarak setiap training data dengan data sampel. Tabel 2 : Data Training Tabel 3 : Data Sampel 3. Selanjutnya, data diurutkan berdasarkan jarak terkecil seperti pada Tabel 5. Tabel 5 : Mengurutkan Nilai Jarak Menghitung jarak : 4
5 5
6 4. Apabila ditetapkan nilai K= 7, maka diambil 7 jarak terpendek. Tabel 8 : Hasil Klasifikasi Tabel 6 : Memilih alternatif terbanyak 5. Hasil Klasifikasi Tabel 7 tersedia 2 kadar emas yaitu 18 karat dan 19 karat. Dari kedua pilihan kadar mas tersebut data yang paling banyak yaitu emas dengan 19 karat yaitu sebanyak 4 sempel, 18 karat yaitu sebanyak 3 sampel. Tabel 7 : Menentukan Hasil Klasifikasi Jadi didapatkan klasifikasi emas yang mempunyai kriteria dengan : - : 82,5% - Kadar Campuran : 17,5% - Persentasi Penandaan : Berat Jenis : 60 gram - Berat Volume : 3,737 gram yaitu 20 Karat dengan memiliki 5 data sampel dengan jarak terdekat. Adapun hasil perhitungan klasifikasi kadar emas di data training lainnya adalah sebagai berikut : 6
7 7
8 Berdasarkan tabel 8, maka dapat diperoleh hasil lengkap seperti di dalam tabel berikut: IV Validasi Data Tabel 9 : Hasil Klasifikasi Adapun hasil penentuan kesamaan data antara perhitungan kadar emas secara munual dan secara penalaran metode K-Nearest Neighbor dapat dilihat pada tabel berikut : Tabel 10 : Validasi Perhitungan Toko dan KNN ID Training (Perhitungan Toko) (Metode KNN) Validasi ID Training (Perhitungan Toko) (Metode KNN) Validasi 8
9 ID Training (Perhitungan Toko) (Metode KNN) Validasi ID Training (Perhitungan Toko) (Metode KNN) Keteranan : Validasi = Terjadi apabila hasil perhitungan KNN sama dengan perhitungan manual = Terjadi apabila hasil perhitungan KNN berbeda dangan hasil perhitungan manual Maka, perhitungan persentase kesamaan data untuk nilai K = 7 sebagai berikut. Dari keseluruhan nilai untuk setiap pembobot, maka dapat dilihat pada tabel 5.9 bahwa sistem menghasilkan persentase kesamaan sebagai berikut. 9
10 Tabel 11 : Persentase Persamaan Nilai K No Niai K Persentase Kesamaan (%) , , , , , , , ,8 Dari tabel 11, dapat disimpulkan bahwa persentase Kesamaan hasil klasifikasi antara perhitungan menurut perhitungan manual yang dilakukan di toko emas dan perhitungan dengan metode K- Nearest Neighbor (KNN) yang tertinggi yaitu pada saat pembobot bernilai K = 7 dengan tingkat Kesamaan persentase keberhasilan sebesar 92,93%. IV. KESIMPULAN Dari 120 sampel data yang dianalisis dan 99 data training, diperoleh perbandingan kesamaan hasil klasifikasi kadar emas antara perhitungan metode metode K-Nearest Neighbor (KNN) dan perhitungan menurut dari toko emes yang tertinggi yaitu dimana pada saat pembobot bernilai K = 7 dengan tingkat Kesamaan persentase keberhasilan sebesar 92,93%. DAFTAR PUSTAKA Chalimah Siti (2012), Tugas Makalah Kimia Non Pangan Bahan Tambang Emas. Temanggung. Hermaduanti Ninki dan Sri Kusumadewi (2009). Sistem Pendukung Keputusan Berbasis SMS untuk Menentukan Status Gizi Menggunakan Metode K-Nearest Neighbour. Yogyakarta. Kusnawi (2007). PENGANTAR SOLUSI DATA MINING. Yogyakarta Laina Farsiah, Taufik Faudi Abidin, Khairul Munadi (2013). Klasifikasi Gambar Berwarna Menggunakan Metode K-NN dan support Vector Machine. Banda Aceh. 10
Perancangan Sistem Penentuan Kunjungan Tempat Wisata Daerah Bali Menggunakan Metode K-Nearest Neighbour
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Perancangan Sistem Penentuan Kunjungan Tempat Wisata Daerah Bali Menggunakan Metode K-Nearest Neighbour Ni Made Dewi Kansa
Lebih terperinciApa itu is K-Nearest Neighbor (KNN) Algorithm?
K-Nearest Neighbor Pendahuluan K-Nearest Neighbour atau KNN adalah salah dari algoritma instance based learning atau case-based reasoning. Definisi case based reasoning: KNN digunakan dalam banyak aplikasi
Lebih terperinciTEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD
Jurnal Teknik Komputer Unikom Komputika Volume 3, No.2-2014 TEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD Selvia Lorena Br Ginting 1), Wendi Zarman
Lebih terperinciAnalisa Klasifikasi Status Gizi dengan Metode Fuzzy C-Means Menggunakan Aplikasi Berbasis Android
Analisa Klasifikasi Status Gizi dengan Metode Fuzzy C-Means Menggunakan Aplikasi Berbasis Android (Classification Analysis of Nutritional Status with the Fuzzy C-Means Method Using Android Based Applications)
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 terperinciSISTEM PENDUKUNG KEPUTUSAN BERBASIS POCKET PC SEBAGAI PENENTU STATUS GIZI MENGGUNAKAN METODE KNN (K-NEAREST NEIGHBOR)
1 SISTEM PENDUKUNG KEPUTUSAN BERBASIS POCKET PC SEBAGAI PENENTU STATUS GIZI MENGGUNAKAN METODE KNN (K-NEAREST NEIGHBOR) Tedy Rismawan, Ardhitya Wiedha Irawan, Wahyu Prabowo, Sri Kusumadewi Laboratorium
Lebih terperinciBAB III ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN 1.1 Analisa dan Identifikasi Penjurusan mahasiswa merupakan hal krusial, dimana mahasiswa yang memilih jurusan sesuai dengan kompetensi yang dimiliki akan dikatakan berhasil
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 terperinciOleh: Astrid Darmawan Pembimbing: Selvia Lorena Br. Ginting, M.T Wendi Zarman, M.Si
PEMBUATAN APLIKASI DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD (Studi Kasus Data Akademik Jurusan Teknik Komputer-S1 Universitas Komputer Indonesia)
Lebih terperinciSISTEM INFORMASI PENJUALAN DAN PENGHITUNGAN KADAR PERHIASAN EMAS (STUDY KASUS DI TOKO PERHIASAN REJEKI DENPASAR - BALI)
SISTEM INFORMASI PENJUALAN DAN PENGHITUNGAN KADAR PERHIASAN EMAS (STUDY KASUS DI TOKO PERHIASAN REJEKI DENPASAR - BALI) Ali Mahmudi 1, Sandy Nataly Mantja 2, Dias Alfan Fernanda 3 1 amahmudi@hotmail.com,
Lebih terperinciJURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: ( Print) A-534
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-534 Rancang Bangun Sistem Navigasi Indoor Berbasis Integrasi Symbolik Location Model dan Wifi Based Positioning System Untuk
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. pembanding dalam penelitian yang akan penulis lakukan. Pustaka yang digunakan
1 BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Dalam penelitian ini, penulis menggunakan beberapa sumber pustaka. Sumber pustaka yang dimasudkan untuk digunakan sebagai pedoman dan pembanding
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 terperinciAPLIKASI PREDIKSI HARGA SAHAM APPLE, IBM, DELL DAN HP MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS
APLIKASI PREDIKSI HARGA SAHAM APPLE, IBM, DELL DAN HP MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS Naila Fitriah 52409455 Teknologi Industri Teknik Informatika AGENDA Saham? Manfaat Prediksi Saham KNN? 2
Lebih terperinciANALISIS PENYAKIT PARU-PARU MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS PADA RUMAH SAKIT ALOEI SABOE KOTA GORONTALO
ANALISIS PENYAKIT PARU-PARU MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS PADA RUMAH SAKIT ALOEI SABOE KOTA GORONTALO Olha Musa 1 dan Alang 2 1 0lh4mu54@gmail.com, 2 virus.stimik@gmail.com 12 STMIK Ichsan
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN BERBASIS POCKET PC SEBAGAI PENENTU STATUS GIZI MENGGUNAKAN METODE KNN (K-NEAREST NEIGHBOR)
18 Teknoin, Volume 13, Nomor 2, Desember 2008, 18-23 SISTEM PENDUKUNG KEPUTUSAN BERBASIS POCKET PC SEBAGAI PENENTU STATUS GIZI MENGGUNAKAN METODE KNN (K-NEAREST NEIGHBOR) Tedy Rismawan, Ardhitya Wiedha
Lebih terperinciINTELEGENSI BUATAN. Mesin Pembelajaran (Machine Learning)
INTELEGENSI BUATAN Mesin Pembelajaran (Machine Learning) M. Miftakul Amin, M. Eng. e-mail: mmiftakulamin@gmail.com website : http://mafisamin.web.ugm.ac.id Jurusan Teknik Komputer Politeknik Negeri Sriwijaya
Lebih terperinci3.6 Data Mining Klasifikasi Algoritma k-nn (k-nearest Neighbor) Similaritas atribut numerik
DAFTAR ISI PERNYATAAN... iii PRAKATA... vi DAFTAR ISI... viii DAFTAR GAMBAR... xi DAFTAR TABEL... xiv DAFTAR PERSAMAAN... xv DAFTAR ALGORITMA... xvi DAFTAR LAMPIRAN... xvii INTISARI... xviii ABSTRACT...
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahapan yang dilaksanakan selama pembuatan penelitian tugas akhir. Secara garis besar metodologi penelitian tugas akhir ini dapat
Lebih terperinciBAB I PENDAHULUAN. cabai. Berdasarkan dari sisi produsen, akhir-akhir ini usaha tani cabai mengalami
1 BAB I PENDAHULUAN 1.1 Latar Belakang Kebutuhan cabai terus meningkat setiap tahun sejalan dengan meningkatnya jumlah penduduk dan berkembangnya industri yang membutuhkan bahan baku cabai. Berdasarkan
Lebih terperinciPerbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit
Perbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit Sri Redjeki Program Studi Teknik Informatika STMIK AKAKOM Yogyakarta, Indonesia dzeky@akakom.ac.id Abstrak
Lebih terperinciPENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA
PENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA 1 Muhammad Hafiz Ardiansyah, 2 Wahyu Nurjaya WK 1 Program Studi Teknik Informatika,
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciImplementasi Algoritma Bayesian Classification Dalam Menentukan Kelayakan Ekowisata Mangrove
Implementasi Algoritma Bayesian Classification Dalam Menentukan Kelayakan Ekowisata Mangrove Nurwijayatima, Martaleli Bettiza, S.Si., M.Sc dan Eka Suswaini, ST., MT Jurusan Informatika, Fakultas Teknik
Lebih terperinciBAB II LANDASAN TEORI
6 BAB II LANDASAN TEORI 2 2.1 Tinjauan Pustaka Aplikasi sistem pendukung keputusan untuk menentukan penjurusan pada tingkat SMA sudah beberapa kali dilakukan dengan menggunakan metode yang bermacam-macam.
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 terperinciKLASIFIKASI GAMBAR GERAK PEMAIN BOLA VOLI DENGAN MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN)
KLASIFIKASI GAMBAR GERAK PEMAIN BOLA VOLI DENGAN MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN) Edis Siswanto Karo Karo,Dr. Pulung Nurtantio Andono, S.T.,M.KOM Program Studi Teknik Informatika, Fakultas
Lebih terperinciUKDW. 1.1 Latar Belakang BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi komputer yang pesat pada masa kini menjadi perhatian utama bagi manusia. Kemajuan teknologi komputer yang pesat ini menimbulkan bermacam-macam
Lebih terperinciMADM-TOOL : APLIKASI UJI SENSITIVITAS UNTUK MODEL MADM MENGGUNAKAN METODE SAW DAN TOPSIS.
MADM-TOOL : APLIKASI UJI SENSITIVITAS UNTUK MODEL MADM MENGGUNAKAN METODE SAW DAN TOPSIS. Henry Wibowo S Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi saat ini telah mengalami perubahan yang pesat. Teknologi telah menjadi bagian dari kehidupan manusia. Hampir setiap kegiatan yang dilakukan manusia
Lebih terperinciKOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA
TESIS KOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA MEGA KARTIKA SARI No. Mhs : 135302022/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM PASCASARJANA UNIVERSITAS
Lebih terperinciJURNAL. Sistem Bantu Pemilihan Penerima Bantuan Siswa Miskin Menggunakan KNN (K-NEAREST NEIGHBOR)
JURNAL Sistem Bantu Pemilihan Penerima Bantuan Siswa Miskin Menggunakan KNN (K-NEAREST NEIGHBOR) Help System Selecting The Beneficiaries Of Poor Students Use KNN (K-NEAREST NEIGHBOR) Oleh: MOHAMMAD SYAIFUDIN
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini membahas tentang hal-hal yang menjadi latar belakang pembuatan tugas akhir, rumusan masalah, tujuan, batasan masalah, manfaat, metodologi penelitian serta sistematika penulisan
Lebih terperinciTerkait dengan klasifikasi trafik jaringan komputer, beberapa penelitian telah dilakukan dengan fokus pada penerapan data mining. Penelitian tentang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pada saat ini komunikasi data pada jaringan internet telah mencapai kemajuan yang sangat pesat, ditandai oleh pemakaiannya yang lebih beragam dan teknologi yang digunakan
Lebih terperinciSKRIPSI RONNY BENEDIKTUS SIRINGORINGO
ANALISIS PERBANDINGAN PROSES CLUSTER MENGGUNAKAN K- MEANS CLUSTERING DAN K-NEAREST NEIGHBOR PADA PENYAKIT DIABETES MELLITUS SKRIPSI RONNY BENEDIKTUS SIRINGORINGO 131421021 PROGRAM STUDI S1 ILMU KOMPUTER
Lebih terperinciPROGRAM BANTU PREDIKSI PENJUALAN BARANG MENGGUNAKAN METODE KNN Studi Kasus: U.D. ANANG
PROGRAM BANTU PREDIKSI PENJUALAN BARANG MENGGUNAKAN METODE KNN Studi Kasus: U.D. ANANG Rio Setyo Nugroho Katon Wijana Abstrak Dewasa ini ada beberapa perusahaan atau toko yang masih mengalami kesulitan
Lebih terperinciModel Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi
ISSN: 2089-3787 1181 Model Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi Soegiarto 1, Bahar 2 Program Studi Teknik Informatika, STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru
Lebih terperinciIMPLEMENTASI CASE BASED REASONING UNTUK SISTEM DIAGNOSIS PENYAKIT ANJING
IMPLEMENTASI CASE BASED REASONING UNTUK SISTEM DIAGNOSIS PENYAKIT ANJING Fransica Octaviani S. (1) Joko Purwadi (2) Rosa Delima (3) foctas@yahoo.com jokop@ukdw.ac.id rosa@ukdw.ac.id Abstraksi Penalaran
Lebih terperinciDeteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor
Deteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor Regha Julian Pradhana 1,*, Bambang Hidayat 1, Ratri Dwi Atmaja 1 1 Fakultas Teknik Elektro, Universitas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciImplementasi Algoritme Fuzzy K-Nearest Neighbor untuk Penentuan Lulus Tepat Waktu (Studi Kasus : Fakultas Ilmu Komputer Universitas Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 4, April 2018, hlm. 1726-1732 http://j-ptiik.ub.ac.id Implementasi Algoritme Fuzzy K-Nearest Neighbor untuk Penentuan
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 1, Januari 2018, hlm. 184-189 http://j-ptiik.ub.ac.id Klasifikasi Standar Produk Baja PT. Krakatau Steel (Persero)
Lebih terperinciK NEAREST NEIGHBOR INFORMATION RETRIEVAL (SISTEM TEMU KEMBALI INFORMASI)
K NEAREST NEIGHBOR INFORMATION RETRIEVAL (SISTEM TEMU KEMBALI INFORMASI) Disusun Oleh : Alfian Sukma 081116007 Dian Ramadhan 081211631003 Bagus Puji Santoso 081211631061 Tiara Ratna Sari 081211632014 Ni
Lebih terperinciALGORITMA NEAREST NEIGHBOR
ALGORITMA NEAREST NEIGHBOR A. Algoritma Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari
Lebih terperinciPENERAPAN METODE PROBABILITAS BAYESIAN DAN NEAREST NEIGHBOUR DALAM SISTEM PAKAR BERBASIS CASE BASED REASONING (CBR) KOMPETENSI KOMPUTASI SKRIPSI
PENERAPAN METODE PROBABILITAS BAYESIAN DAN NEAREST NEIGHBOUR DALAM SISTEM PAKAR BERBASIS CASE BASED REASONING (CBR) KOMPETENSI KOMPUTASI SKRIPSI NI WAYAN RIRIN PUSPITA DEWI NIM. 1108605045 PROGRAM STUDI
Lebih terperinciPenghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori
Penghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori Abstrak 1 Sri Rahayu, 2 Teguh Bharata Adji & 3 Noor Akhmad Setiawan
Lebih terperinciSistem Pendukung Keputusan Rekomendasi Pemilihan Laptop Menggunakan Fuzzy Tahani
Sistem Pendukung Keputusan Rekomendasi Pemilihan Laptop Menggunakan Fuzzy Tahani Eddy Triswanto S., ST., M.Kom. Jurusan Sistem Informasi Institut Informatika Indonesia Jl. Raya Sukomanunggal Jaya 3, Surabaya
Lebih terperinciBAB I PENDAHULUAN. banyak informasi yang tersedia di internet, maka akan semakin sulit juga untuk
BAB I PENDAHULUAN 1.1. Latar Belakang Film merupakan salah satu media hiburan bagi masyarakat luas. Film sendiri dapat juga berarti sebuah industri, yang mengutamakan eksistensi dan ketertarikan cerita
Lebih terperinciOPTIMASI TEKNIK KLASIFIKASI MODIFIED K NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI TEKNIK KLASIFIKASI MODIFIED K NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA GENETIKA Optimization Techniques Modi ed k Nearest Neighbor Classi cation Using Genetic Algorithm Siti Mutro n 1, Abidatul
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Resep Elektronik Sistem resep elektronik adalah pemanfaatan sistem elektronik untuk menfasilitasi dan meningkatkan komunikasi urutan resep atau obat, membantu pilihan, administrasi
Lebih terperinciTugas Ujian Tengah Semester (UTS) Data Mining Lanjut ABSTRAK
PERBANDINGAN KLASIFIKASI KNN DAN NAIVE BAYESIAN SERTA PERBANDINGAN CLUSTERING SIMPLE K-MEANS YANG MENGGUNAKAN DISTANCE FUNCTION MANHATTAN DISTANCE DAN EUCLIDIAN DISTANCE PADA DATASET Dresses_Attribute_Sales
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Di dalam landasan teori ini, akan dibahas tentang teori teori dan konsep dasar yang mendukung pembahasan dari sistem yang akan dibuat. 2.1 Basis Data (Database) Basis data diperlukan
Lebih terperinciBAB I PENDAHULUAN. penunjang Al-Quran untuk memudahkan untuk mempelajarinya, yang bisa
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dengan kemajuan teknologi yang sangat pesat ini sudah banyak aplikasi penunjang Al-Quran untuk memudahkan untuk mempelajarinya, yang bisa disebut atau di artikan
Lebih terperinciJuwita Linggarani Mahasiswa Teknik Informatika, FT UMRAH
PERBANDINGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) DAN PREFERENCE RANKING ORGANIZATION METHOD FOR ENRICHMENT EVALUTION (PROMETHEE) SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PEGAWAI TELADAN PEMERINTAH KOTA
Lebih terperinciModel Penentuan Jenis Beasiswa Menggunakan Algoritma K-NN Kombinasi Basis Aturan Dan Basis Pengetahuan
ISSN: 2089-3787 579 Model Penentuan Jenis Beasiswa Menggunakan Algoritma K-NN Kombinasi Basis Aturan Dan Basis Pengetahuan Bahar, Nidia Rosmawanti STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru bahararahman@gmail.com,
Lebih terperinciSKRIPSI KLASIFIKASI CALON PEGAWAI DENGAN MENGGUNAKAN METODE K-MEANS CLASSIFICATION OF PROSPECTIVE EMPLOYEES BY USING THE K-MEANS METHOD
SKRIPSI KLASIFIKASI CALON PEGAWAI DENGAN MENGGUNAKAN METODE K-MEANS CLASSIFICATION OF PROSPECTIVE EMPLOYEES BY USING THE K-MEANS METHOD DONY ENDRIYONO 135610017 PROGRAM STUDI SISTEM INFORMASI SEKOLAH TINGGI
Lebih terperinciKETEPATAN KLASIFIKASI STATUS KERJA DI KOTA TEGAL MENGGUNAKAN ALGORITMA C4.5 DAN FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS (FK-NNC) SKRIPSI
KETEPATAN KLASIFIKASI STATUS KERJA DI KOTA TEGAL MENGGUNAKAN ALGORITMA C4.5 DAN FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS (FK-NNC) SKRIPSI Disusun Oleh : ATIKA ELSADINING TYAS 24010211120013 JURUSAN STATISTIKA
Lebih terperinciJurnal SCRIPT Vol. 3 No. 1 Desember 2015
PREDIKSI LAMA STUDI MAHASISWA DENGAN MENGGUNAKAN METODE K-NNPREDICTION OF STUDY TIMING PERIOD USING K-NNMETHOD Deserius Marianus Oenunu 1, Naniek Widyastuti 2, Amir Hamzah 3 1,2,3 Teknik Informatika, FTI,
Lebih terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (2017) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-116 (Online) Artikel Perancangan Aplikasi Prediksi Kelulusan Mahasiswa Tepat Waktu Pada
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kemajuan teknologi informasi yang begitu cepat mendorong manusia dalam memanfaatkan teknologi tersebut untuk melakukan pekerjaan yang dahulu dikerjakan secara
Lebih terperinciPerancangan Aplikasi Penentuan Pemberian SP Karyawan dengan Metode KNN
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Perancangan Aplikasi Penentuan Pemberian SP Karyawan dengan Metode KNN Rosalia Hadi STMIK STIKOM Bali Jl. Raya Puputan
Lebih terperinciSiti Khadarlina Mahasiswa Teknik Informatika, FT UMRAH
SISTEM PENDUKUNG KEPUTUSAN KESESUAIAN KAWASAN WISATA PANTAI MENGGUNAKAN METODE MULTI FACTOR EVALUATION PROCESS DAN SMART (Studi Kasus : Kepulauan Riau) Siti Khadarlina Mahasiswa Teknik Informatika, FT
Lebih terperinciSKRIPSI SISTEM PENDUKUNG KEPUTUSAN KELAYAKAN PENDONOR DARAH MENGGUNAKAN METODE PROFILE MATCHING. Oleh : RINA NOVIANA
SKRIPSI SISTEM PENDUKUNG KEPUTUSAN KELAYAKAN PENDONOR DARAH MENGGUNAKAN METODE PROFILE MATCHING Oleh : RINA NOVIANA 2012-51-135 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK MEMPEROLEH GELAR SARJANA
Lebih terperinciPerancangan Sistem Penilaian Kinerja KaryawanMenggunakan Metode TOPSIS Studi Kasus Pada Business Center Tempo Direct Solo
Perancangan Sistem Penilaian Kinerja KaryawanMenggunakan Metode TOPSIS Studi Kasus Pada Business Center Tempo Direct Solo SKRIPSI Diajukan kepada Fakultas Teknologi Informasi untuk memperoleh Gelar Sarjana
Lebih terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
Lebih terperinciBAB I PENDAHULUAN. ilmu tertentu dengan menggunakan kaidah-kaidah yang berlaku dalam bidang
BAB I PENDAHULUAN 1.1.Latar Belakang Masalah Tugas Akhir (TA) atau Skripsi merupakan suatu karya tulis ilmiah, berupa paparan tulisan hasil penelitian yang membahas suatu masalah dalam bidang ilmu tertentu
Lebih terperinciPROFIL PUSAT PENELITIAN TEKNOLOGI MARITIM UNIVERSITAS MARITIM RAJA ALI HAJI (PPTM UMRAH)
PROFIL PUSAT PENELITIAN TEKNOLOGI MARITIM UNIVERSITAS MARITIM RAJA ALI HAJI (PPTM UMRAH) Latar Belakang Teknologi maritim memiliki peran penting dalam mewujudkan indonesia sebagai Negara maritim, karena
Lebih terperinciWEIGHT K-SUPPORT VECTOR NEAREST NEIGHBOR
WEIGHT K-SUPPORT VECTOR NEAREST NEIGHBOR Eko Prasetyo 1), Rifki Fahrial Zainal 2), Harunur Rosyid 3) 1), 2) Teknik Informatika Universitas Bhayangkara Surabaya Jl. A. Yani 114, Surabaya, 60231 3) Teknik
Lebih terperinciRima Ayuningtyas NIM Jurusan Teknik Informatika, Universitas Maritim Raja Ali Haji. Jl. Politeknik Senggarang, Tanjungpinang
Sistem Pendukung Keputusan Dalam Menentukan Jenis Budidaya Ikan Dengan Mengukur Kualitas Air Menggunakan Metode Fuzzy Tsukamoto (Studi Kasus : Balai Benih Ikan di Pengujan Kabupaten Bintan) Rima Ayuningtyas
Lebih terperinciPENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
PENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Andi Gita Novianti 1, Dian Prasetyo 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Manajemen,
Lebih terperinciKLASIFIKASI TINGKAT KEMATANGAN BUAH PEPAYA (CARICA PAPAYA L) CALIFORNIA (CALLINA-IPB 9) DALAM RUANG WARNA HSV DAN ALGORITMA K-NEAREST NEIGHBORS
KLASIFIKASI TINGKAT KEMATANGAN BUAH PEPAYA (CARICA PAPAYA L) CALIFORNIA (CALLINA-IPB 9) DALAM RUANG WARNA HSV DAN ALGORITMA K-NEAREST NEIGHBORS Sigit Sugiyanto*, Feri Wibowo Program Studi Teknik Informatika
Lebih terperinciSistem Pakar Identifikasi Varietas Ikan Mas (Cyprinus carpio) Berdasarkan Karakteristik Morfologi dan Tingkah Laku
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 4 Nomor 1 halaman 6-13 ISSN: 2089-6026 Sistem Pakar Identifikasi Varietas Ikan Mas (Cyprinus carpio) Berdasarkan Karakteristik
Lebih terperinciSISTEM KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN)
SISTEM KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN) Fitri Yunita Fakultas Teknik dan Ilmu Komputer, Universitas Islam Indragiri Email:Fitriyun@gmail.com Abstrak Diabetes
Lebih terperinciPENENTUAN RUTE PENDISTRIBUSIAN GAS LPG DENGAN METODE ALGORITMA NEAREST NEIGHBOUR (Studi Kasus Pada PT. Graha Gas Niaga Klaten)
PENENTUAN RUTE PENDISTRIBUSIAN GAS LPG DENGAN METODE ALGORITMA NEAREST NEIGHBOUR (Studi Kasus Pada PT. Graha Gas Niaga Klaten) Disusun sebagai salah satu syarat menyelesaikan Program Studi Strata II pada
Lebih terperinciBAB II TINJAUAN PUSTAKA
2.1 Tinjauan Empiris BAB II TINJAUAN PUSTAKA Pada penelitian ini, peneliti menggunakan beberapa penelitian yang pernah dilakukan sebelumnya sebagai tinjauan studi. Berikut ialah tinjauan empiris yang digunakan:
Lebih terperinciTechno.COM, Vol. 16, No. 2, Mei 2017 :
Penerapan Metode K-Nearest Neighbor Untuk Sistem Rekomendasi Pemilihan Mobil Implementation of K-Nearest Neighbor Method for Car Selection Recommendation System Ni Luh Gede Pivin Suwirmayanti Program Studi
Lebih terperinciMODEL DATA MINING CAPAIAN PEMBELAJARAN. N. Tri Suswanto Saptadi. Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 12/4/2015
1 MODEL DATA MINING N. Tri Suswanto Saptadi CAPAIAN PEMBELAJARAN Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 1 3 Definisi Mining : proses atau usaha untuk mendapatkan sedikit barang
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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Sistem adalah rangkaian dari suatu komponen yang saling berhubungan satu dengan yang lainnya dan mempunyai tujuan tertentu yang sesuai dengan pengembangan yang dilakukan dari rangkaian
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN DENGAN MENGGUNAKAN METODE SAW UNTUK MENGETAHUI KEPUASAN PELANGGAN (STUDI KASUS KANTOR BPJS KISARAN)
Jurnal Manajemen Informatika dan Teknik Komputer Volume 1, Nomor 2, Oktober 2015 SISTEM PENDUKUNG KEPUTUSAN DENGAN MENGGUNAKAN METODE SAW UNTUK MENGETAHUI KEPUASAN PELANGGAN (STUDI KASUS KANTOR BPJS KISARAN)
Lebih terperinciIMPLEMENTASI SISTEM PENDUKUNG KEPUTUSAN PADA SUPPLIER FURNITURE MENGGUNAKAN MODEL PROMETHEE ABSTRAK
IMPLEMENTASI SISTEM PENDUKUNG KEPUTUSAN PADA SUPPLIER FURNITURE MENGGUNAKAN MODEL PROMETHEE Alexander Setiawan, Agustinus Noertjahyana, Willy Saputra Jurusan Teknik Informatika, Fakultas Teknologi Industri
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR
Cogito Smart Journal/VOL. 1/NO. 1/DESEMBER 2015IJCCS ISSN: 1 97 55 SISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR Ratih Kumalasari Niswatin 1) Teknik
Lebih terperinciImplementasi Modified K-Nearest Neighbor Dengan Otomatisasi Nilai K Pada Pengklasifikasian Penyakit Tanaman Kedelai
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 75-79 http://j-ptiik.ub.ac.id Implementasi Modified K-Nearest Neighbor Dengan Otomatisasi
Lebih terperinciPENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS
PENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS Disusun oleh: Juan Elisha Widyaya (0822014) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, no. 65, Bandung, Indonesia
Lebih terperinciABSTRACT Technological developments can cause a person to quickly and easily find the information they want. Such information can be obtained from various sources of media, whether in print or electronic
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Padi adalah salah satu bahan makanan yang mengandung gizi dan penguat yang cukup bagi tubuh manusia, karena didalamnya terkandung bahan-bahan yang mudah diubah menjadi
Lebih terperinciK NEAREST NEIGHBOR DALAM IMPUTASI MISSING DATA. Susanti, Shantika Martha, Evy Sulistianingsih INTISARI
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 07, No. 1 (2018), hal 9-14. K NEAREST NEIGHBOR DALAM IMPUTASI MISSING DATA Susanti, Shantika Martha, Evy Sulistianingsih INTISARI Missing data
Lebih terperinciOptimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika
Optimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika Siti Mutrofin 1, Arrie Kurniawardhani 2, Abidatul Izzah 3, Mukhamad Masrur 4 Universitas Pesantren Tinggi Darul Ulum
Lebih terperinciAPLIKASI KLASIFIKASI PEMENUHAN GIZI PADA LANSIA MENGGUNAKAN METODE DECISION TREE ID3
APLIKASI KLASIFIKASI PEMENUHAN GIZI PADA LANSIA MENGGUNAKAN METODE DECISION TREE ID3 SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Sistem
Lebih terperinciPROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS MURIA KUDUS
LAPORAN SKRIPSI PENERAPAN METODE TECHNIQUE FOR ORDER PREFERENCE BY SIMILARITY TO IDEAL SOLUTION (TOPSIS) DALAM PENENTUAN PENGAMBILAN KEPUTUSAN PEMBERIAN KREDIT PADA KJKS BMT FASTABIQ KOTA KUDUS ISMAIL
Lebih terperinciKLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST NEIGHBORS (K-NN)
Klasifikasi Helpdesk Universitas Jenderal Achmad ni... (Herawan dkk.) KLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST
Lebih terperinciPERBANDINGAN ANALISIS DISKRIMINAN DAN K-NEAREST NEIGHBOR (KNN) UNTUK MENGKLASIFIKASIKAN PENDERITA PENYAKIT TUBERKULOSIS (TB)
JIMT Vol. 12 No. 2 Desember 2016 (Hal 115-124) ISSN : 2450 766X PERBANDINGAN ANALISIS DISKRIMINAN DAN K-NEAREST NEIGHBOR (KNN) UNTUK MENGKLASIFIKASIKAN PENDERITA PENYAKIT TUBERKULOSIS (TB) Nurfajri 1,
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 terperinciAnalisis Kinerja Struktur Data Kd-Tree Pada Metode K-Nearest Neighbors
Riau Journal of Computer Science Vol.2 No.2 Tahun 2016 : 1-6 1 Analisis Kinerja Struktur Data Kd-Tree Pada Metode K-Nearest Neighbors Yuan Lukito Program Studi Teknik Informatika, Fakultas Teknologi Informasi
Lebih terperinciLAPORAN SKRIPSI SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN METODE SABLON KAOS MANUAL MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING (SAW)
LAPORAN SKRIPSI SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN METODE SABLON KAOS MANUAL MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) AHMAD SYAIFUL ULUM NIM. 2012-51-070 DOSEN PEMBIMBING Mukhamad Nurkamid,
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 terperinciKLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS
Ikhwan Ruslianto KLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS IKHWAN RUSLIANTO Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan
Lebih terperinciBAB II TINJAUAN PUSTAKA. Istilah kredit berasal dari bahasa Yunani Credere yang berarti
BAB II TINJAUAN PUSTAKA 2.1 Kredit Istilah kredit berasal dari bahasa Yunani Credere yang berarti kepercayaan, oleh karena itu dasar dari kredit adalah kepercayaan. Seseorang atau semua badan yang memberikan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Saat ini pendidikan di Indonesia semakin berkembang. Banyaknya
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini pendidikan di Indonesia semakin berkembang. Banyaknya pembangunan gedung sekolah maupun perguruan tinggi menjadi tanda berkembangnya pendidikan. Jumlah pendaftar
Lebih terperinci