Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor
|
|
- Sugiarto Djaja Jayadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Jatisi, Vol. 1 No. 1 September Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor Ricky Imanuel Ndaumanu* 1, Kusrini 2, M. Rudyanto Arief 3 3 Magister Teknik Informatika STMIK AMIKOM Yogyakarta * 1 ricky_ndaumanu@ymail.com, 2 kusrini@amikom.ac.id, 3 rudy@amikom.ac.id Abstrak Kebutuhan akan analisis mengenai prediksi tingkat pengunduran diri mahasiswa di STIKOM UYELINDO Kupang, menjadi alasan dilakukannya penelitian terhadap prediksi tingkat pengunduran diri mahasiswa. Menentukan prediksi tingkat pengunduran diri mahasiswa dalam jumlah besar tidak mungkin dilakukan secara manual karena membutuhkan waktu yang cukup lama. Untuk itu dibutuhkan sebuah algoritma yang dapat mengkategorisasikan prediksi tingkat pengunduran diri mahasiswa secara otomatis menggunakan komputer. Dalam memprediksi digunakan sistem pendukung keputusan berupa prototype dan dalam menganalisis menggunakan Metode K-Nearest Neighbor karena memiliki prinsip kerja mencari jarak terpendek antara data yang akan dievaluasi dengan K terdekat dalam data pelatihannya. Berdasarkan dalam pengujian hasil prediksi dengan menggunakan Algoritma K-Nearest Neighbor yang pengujiannya dilakukan secara manual dan menggunakan sistem pendukung keputusan menghasilkan data yang baik. Hasil uji tersebut menyatakan sistem cukup layak untuk digunakan dalam prediksi calon mahasiswa meskipun sistem belum menghasilkan tingkat akurasi yang maksimal. Untuk menghasilkan nilai validasi yang maksimal membutuhkan data yang seimbang antara kasus keluar dan aktif. Hasil pengujian menggunakan prototype sistem pendukung keputusan dan dibandingkan secara manual yang menggunakan metode Algoritma K-Nearest Neighbor dengan variabel yaitu IPK, Pekerjaan orang tua, jurusan dan semester adalah mendapatkan kesesuaian 79%. Kata kunci Sistem Pendukung Keputusan, Data Mining, K-Nearest Neighbor. Abstract The need for an analysis of the prediction of the level of resignation of a student at stikom uyelindo kupang, be the reason he did research on predictions the level of the resignation of a student. Determine the prediction of the level of the resignation of the students in large quantities could not be done manually because it requires time cukub a long time.for that required an algorithm that can be mengkategorisasikan predictions the level of the resignation of students automatically use the computer. In forecasting used the support system decision in the form of prototypes and in analyzing uses the method k-nearest neighbor because it has the working principle of looking for the shortest distance between the data will be evaluated with k nearest in the data his training. Based on in testing the outcome predicted by using algorithm k-nearest neighbor that its done manually and use the support system decision produces good data going back. The results of such tests said the system quite feasible for use in the prediction of a candidate student although the system has not generate a level of accuracy maximally.to produce the value of validation maximum requiring data that balanced between cases out and active. Results testing use prototype support system decision and compared manually that uses method algorithms k-nearest neighbor with variable ipk, namely work parents, side and semester is get conformity 79 %. Keywords Decision Support System, Data Mining, K-Nearest Neighbor.
2 ISSN: ISSN : PENDAHULUAN Dari jumlah pendaftaran mahasiswa baru ini, banyak juga mahasiswa yang mengundurkan diri setiap tahunnya yang disebabkan berbagai masalah. Oleh karena adanya mahasiswa yang mengundurkan diri terutama di Sekolah Tinggi Manajemen Informatika Komputer (STIKOM) UYELINDO Kupang maka penulis ingin melakukan analisis pengunduran diri mahasiswa dengan mengangkat judul penelitian Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa Di STIKOM UYELINDO Kupang Dengan Metode K-Nearest Neighbor. Penelitian ini mengangkat permasalahan bagaimana mengetahui prediksi pengunduran diri mahasiswa menggunakan Algoritma K-Nearest Neighbor (KNN) di STIKOM UYELINDO Kupang?, Bagaimana keakuratan klasifikasi pengunduran diri mahasiswa dengan menggunakan Algoritma K-Nearest Neighbor (KNN)?. Penelitian ini bertujuan untuk memprediksi seberapa tingkat akurasi pengunduran diri mahasiswa Sekolah Tinggi Manajemen Informatika Komputer (STIKOM) UYELINDO Kupang dengan metode Algoritma K-Nearest Neighbor (KNN). Manfaat penelitian ini bagi pihak Sekolah Tinggi Manajemen Informatika Komputer (STIKOM) UYELINDO Kupang yaitu bermanfaat untuk mempermudah perguruan tinggi mengambil keputusan secara baik, bijak dan benar dalam menentukan tujuan dan arah kedepan perguruan tinggi untuk mengurangi pengunduran mahasiswa dan dapat dijadikan sebagai dasar pembuatan kebijakan oleh pimpinan dalam hal sistem seleksi mahasiswa baru, sistem pembelajaran. 2. METODE PENELITIAN 2.1 Data Mining Data Mining adalah suatu istilah yang di gunakan untuk menguraikan penemuan pengetahuan di dalam database [1]. Data mining adalah proses yang menggunakan teknik static. matematika, kecerdasan buatan dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terakit dari berbagai database besar [2]. Knowledge discovery data (KDD) adalah keseluruhan proses non-trivial untuk mencari dan mengidentifikasikan pola (pattern) dalam data, dimana pola yang ditemukan bersifat sah, baru dapat bermanfaat dan dapat dimengerti [3]. Gambar 1. Proses KnowledgeDiscoveryin Database (KDD)[3] Dimana tahapan proses KDD antara lain : 1. Data Selection Menciptakan himpunan data target, pemilihan himpunan data atau memfokuskan pada subset variabel atau sampel data, dimana penemuan (discovery) akan dilakukan. IJCCS Vol. x, No. x, July201x : first_page end_page
3 Jatisi, Vol. 1 No. 1 September Preprocesing / Cleaning Pemprosesan pendahuluan dan pembersihan data merupakan operasi dasar seperti penghapusan noise dilakukan. Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD. 3. Transformation Proses ini merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data.. Data Mining Pemilihan algoritma data mining untuk pencarian (searching) Proses Data mining yaitu Teknik, metode atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan. 5. Interpretation / Evaluation Tahap ini merupakan bagian dari proses KDD yang mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya. 2.2 Algoritma Algoritma dalam pengertian modern mempunyai kemiripan dengan istilah resep, proses, metode, teknik, prosedur, rutin. Algoritma adalah sekumpulan aturan-aturan berhingga yang memberikan sederetan operasi-operasi untuk menyelesaikan suatu jenis masalah yang khusus. 2.3 Algoritma K-Nearest Neighbor K-Nearest Neighbor (KNN) termasuk kelompok instance-based learning. Algoritma ini juga merupakan salah satu teknik lazy learning. KNN dilakukan dengan mencari kelompok k objek dalam data training yang paling dekat (mirip) dengan objek pada data baru atau data testing[]. Algoritma K-Nearest Neighbor adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dan kasus lama yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada [1] Untuk mendefinisikan jarak antara dua titik yaitu titik pada data training (x) dan titik pada data testing (y) maka digunakan rumus Euclidean, seperti yang ditunjukkan pada persamaan (1) D(x, y) = n k 1 (x k y k ) 2 (1) Dengan D adalah jarak antara titik pada data training x dan titik data testing y yang akan diklasifikasi, dimana x=x1,x2,,xi dan y=y1,y2,,yi dan I merepresentasikan nilai atribut serta n merupakan dimensi atribut. Pada fase training, algoritma ini hanya melakukan penyimpanan vektor-vektorfitur dan klasifikasi data training sample. Pada fase klasifikasi, fitur-fitur yang sama dihitung untuk testing data (yang klasifikasinya tidak diketahui). Jarak dari vektor baru yang ini terhadap seluruh vektor training sample dihitung dan sejumlah k buah yang paling dekat diambil. Langkah-langkah untuk menghitung metode Algoritma K-Nearest Neighbor: a. Menentukan Parameter K (Jumlah tetangga paling dekat). b. Menghitung kuadrat jarak Euclid (queri instance) masing-masing objek terhadap data sampel yang diberikan.
4 ISSN: ISSN : c. Kemudian mengurutkan objek-objek tersebut ke dalam kelompok yang mempunyai jarak Euclid terkecil. d. Mengumpulkan kategori Y (KlasifikasiNearest Neighbor) e. Dengan menggunakan kategori Nearest Neighbor yang paling mayoritas maka dapat diprediksi nilai queri instance yang telah dihitung. 2. Klasifikasi Data classification memiliki dua tahap proses. Tahap pertama adalah membangun suatu model yang berdasarkan serangkaian data class, yang disebut learned model. Model tersebut dibangun dengan menganalisa database tuple. Setiap tuple diasumsikan menjadi predefined class yang ditentukan oleh satu atribut yang disebut class label attribute [5]. 2.5 Metode Penelitian Metode penelitian yang digunakan oleh penulis adalah Model Penelitian Tindakan (Action Research). Metode yang digunakan menggunakan metode tindakan kelas model KurtLewin yang mengembangkan penelitian tindakan atas dasar konsep pokok bahwa penelitian tindakan terdiri dari empat komponen pokok yang juga menunjukkan langkah, yaitu [6]: a. Perencanaan (planning), b. Tindakan (acting), c. Pengamatan (observing), d. Refleksi (reflecting). Acting Planning Observing Reflecting Gambar 2. Metode Kurt Lewin 1990 [6] 1. Perencanaan Rencana tindakan ini mencakup semua langkah tindakan secara rinci. 2. Tindakan Tahap ini merupakan implementasidari semua rencana yang telah dibuat. 3. Pengamatan Kegiatan pengamatan dilakukan bersamaan dengan pelaksanaan tindakan.. Refleksi Tahapan ini merupakan tahapan untuk memproses data yang didapat saat dilakukan pengamatan dan data yang didapat kemudian dianalisis. 2.6 Alur Penelitian Gambar alur penelitian yang di lakukan oleh penelitian dari awal hingga akhir penelitian yang di tunjukan pada Gambar 3. IJCCS Vol. x, No. x, July201x : first_page end_page
5 Jatisi, Vol. 1 No. 1 September Planning / Perencanaan Action / Tindakan Mulai Identifikasi Masalah (latar belakang, rumusan masalah, batasan variabel penelitian, manfaat penelitian,tujuan Penelitian) Pengumpulan Data Di STIKOM UYELINDO Kupang (wawancara, Ovservasi, Dokumen) Tinjauan pustaka (landasan teori, keaslian penelitian) Input data Atribut dan nilai kedekatan antar atribut Data Selection Pemilihan data hasil seleksi yang akan digunakan untuk proses data mining Pre-processing/ Cleaning Pemrosesan pendahuluan dan pembersihan data atau proses cleaning (membuang duplikasi data dan memperbaiki kesalahan pada data) Transformation Proses pemindahan data yang telah dibersihkan untuk database data mining Action / Tindakan Observation / Pengamatan Data Mining Analisis dengan Menggunakan Algoritma K- Nearest Naighbor untuk mencari sesuai yang diinginkan pada rumusan masalah a. Perancangan model dengan menggunakan Algoritma K-Nearest Neighbor b. Tentukan nilai K c. Sorting d. Cari K terdekat e. Berdasarkan jumlah tetangga yang di tentukan hitung jumlah pembobotan f. Tampilkan hasil atau akurasi prediksi Hitung jumlah benar dan salah untuk mengetahui tingkat kepercayaan prediksi Pengamatan Apakah hasil sudah sesuai dengan yang diharapkan untuk mendapat hasil : a. Bagaimana mengetahui prediksi pengunduran diri mahasiswa menggunakan Algoritma K-Nearest Neighbour (KNN) di STIKOM UYELINDO Kupang b. Bagaimana keakuratan klasifikasi pengunduran diri mahasiswa dengan menggunakan Algoritma K- Nearest Neighbour (KNN) dalam penentuan bobot? Jika Tidak Interpretation/ Evaluation Penerjemahan pola-pola yang dihasilkan dari data mining dalam bentuk yang mudah dimengerti apakah sudah sesuai. Jika sesuai Tampilan Hasil / Akurasi Prediksi Kesimpulan dan saran Jika Ya Tahap Dalam PHP Refleksi / Evaluasi Selesai Gambar 3. Alur Penelitian 2.7 Metode Pembobotan Adapun rumus yang digunakan dapat dilihat pada persamaan (2) dan (3) [7]: a. Input nilai kriteria masing-masing model. b. Input bobot masing-masing kriteria. c. Hitung normalisasi dari bobot. NK = n i=1 (SBK)xBBT% n NilaiAkhir = n NK n (2) (3) Dimana : SBK :Kriteria BBT : Bobot Kriteria NK : Nilai Kriteria.
6 ISSN: ISSN : HASIL DAN PEMBAHASAN 3.1 Pemberian Nilai Bobot a. Memberi pembobotan pada IPK Dalam model IPK ini diberikan nilai yang diurutkan berdasarkan pengaruh data pengunduran diri mahasiswa, yang nilainya diberikan berdasarkan pengaruhnya dari range Cara pembobotan ini dapat dilihat pada Table 1 [7]. Nilai Kriteria IPK Adalah: Tabel 1 Pembobotan Pada IPK NO Kriteria IPK Nilai Bobot 1 IPK < IPK >=2 and IPK< IPK>=3 and IPK<3, % menjadi 0,8 IPK >=3.5 0 (100 0,8) + (80 0,8) + (60 0,8) + (0 0,8) NilaiKriteria = NilaiKriteria = NilaiKriteria = 22 NilaiKriteria = b. Memberi pembobotan pada Pekerjaan Orang Tua. Tabel 2 adalah model pembobotan pada pekerjaan orang tua. Tabel 2 Pembobotan Pekerjaan Orang Tua NO Kriteria Nilai Bobot 1 Petani PNS 90 3 TNI 80 Swasta 70 60% menjadi 0,6 5 Wiraswasta 60 6 Pensiunan 50 Dalam model Pekerjana Orang Tua ini diberikan nilai yang diurutkan berdasarkan pengaruh data pengunduran diri mahasiswa, yang nilainya diberikan berdasarkan pengaruhnya dari range Cara pembobotan ini dapat dilihat pada Table 2 [7]. Nilai Kriteria Pekerjaan Orang Tua Adalah : (100 0,6) + (90 0,6) + (80 0,6) + (70 0,6) + (60 0,6) + (50 0,6) NK = 6 NilaiKriteria = IJCCS Vol. x, No. x, July201x : first_page end_page
7 Jatisi, Vol. 1 No. 1 September NilaiKriteria = NilaiKriteria = c. Memberi Pembobotan pada Jurusan. Berikut ini adalah model pembobotan pada jurusan : Tabel 3 Pembobotan Jurusan NO Kriteria Nilai Bobot 1 TI-S SI-S1 70 0% menjadi 0, 3 TI-D3 0 Dalam model Jurusan ini diberikan nilai yang diurutkan berdasarkan pengaruh data pengunduran diri mahasiswa, yang nilainya diberikan berdasarkan pengaruhnya dari range Cara pembobotan ini dapat dilihat pada Table 3 [7]. Nilai Kriteria Jurusan Adalah: NK = (100 0,) + (70 0,) + (0 0,) 3 NilaiKriteria = NilaiKriteria = 8 3 NilaiKriteria = 28 d. Memberi pembobotan pada Semester. Berikut ini adalah model pembobotan pada Semester. Tabel Pembobotan Semester NO Kriteria Nilai Bobot 1 Semester Semester Semester % menjadi 0,3 Semester 0 Dalam model semester ini diberikan nilai yang diurutkan berdasarkan pengaruh data pengunduran diri mahasiswa, yang nilainya diberikan berdasarkan pengaruhnya dari range Cara pembobotan ini dapat dilihat pada Table [7]. Nilai Kriteria semester Adalah : (100 0,3) + (80 0,3) + (60 0,3) + (0 0,3) NilaiKriteria = NilaiKriteria =
8 ISSN: ISSN : NilaiKriteria = 8 NilaiKriteria = 21 e. Pembobotan Keseluruhan Proses perhitungan keseluruhan model berdasarkan rumus dari pembobotan yang dijelaskan didepan adalah sebagai berikut : Nilai akhir adalah: NilaiAkhir = NilaiAkhir = 150 NilaiAkhir = 37, Mengklasifikasi pembobotan. Dalam mengklasifikasi pembobotan ini adalah untuk mempermudah dalam penghitungan dalam proses di sistem Penunjang keputusan Analisis prediksi tingkat pengunduran diri mahasiswa sebagai berikut : a. Pembobotan Variabel Berikut ini adalah model pembobotan pada Variabel: Tabel 5 Pembobotan Variabel No Variabel bobot 1 IPK Pekerjaan Ortu Jurusan 0. Semester 0.3 Dalam pembobotan variabel ini dilihat dari yang berpengaruh dalam studi di perguruan tinggi STIKOM UYELINDO Kupang, pembobotan tersebut dilihat dari data yang paling tinggi tingkat pengunduran diri disebabkan oleh variabel-variabel dilihat pada Tabel 5. b. Kedekatan Nilai Variabel IPK Berikut ini adalah model kedekatan nilai variable IPK: Tabel 6Klasifikasi IPK NO Kriteria IPK Nilai Bobot 1 IPK < IPK >=2 and IPK< IPK >=3 and IPK<3, % menjadi 0,8 IPK >=3.5 0 Setelah dilakukan klasifikasi IPK berikutnya melakukan pencarian nilai kedekatan variabel IPK yaitu dilihat pada Tabel 7. IJCCS Vol. x, No. x, July201x : first_page end_page
9 Jatisi, Vol. 1 No. 1 September Tabel 7 Kedekatan Nilai Variabel IPK c. Kedekatan Nilai Variabel Pekerjaan Orang Tua. Berikut ini adalah model kedekatan nilai variable pekerjaan orang tua: Tabel 8 Pekerjaan Orang Tua NO Kriteria Nilai Bobot 1 Petani PNS 90 3 TNI 80 Swasta 70 60% menjadi 0,6 5 Wiraswasta 60 6 Pensiunan 50 Nilai kedekatan variable pekerjaan orang tua di sajikan pada Tabel 9. Tabel 9 Kedekatan Nilai Variabel Pekerjaan Orang Tua PNS Swasta Wiraswasta TNI Pensiunan Petani PNS Swasta Wiraswasta TNI Pensiunan Petani d. Kedekatan Nilai Variabel Jurusan. Tabel 10 adalah model kedekatan nilai variabel jurusan. Tabel 10 Kode Jurusan NO Kriteria Nilai Bobot 1 TI-S SI-S1 70 0% menjadi 0, 3 TI-D3 0 Adapun nilai kedekatan variabel jurusan tersaji pada Tabel 11. Tabel 11Kedekatan Nilai Variabel Jurusan e. Kedekatan Nilai Variabel Semester. Tabel 12 adalah model kedekatan nilai variabel semester.
10 ISSN: ISSN : Tabel 12 Semester NO Kriteria Nilai Bobot 1 Semester Semester Semester Menjadi 0.3 Semester 0 Tabel 13 adalah nilai kedekatan variabel semester. Tabel 13 Kedekatan Nilai Variabel Semester Tabel 1 Hasil Perhitungan Hitung Kedekatan Kasus KASUS 1 KASUS 2 KASUS 3 a Kedekatan semester b Bobot semester c Kedekatan jurusan d Bobot jurusan e Kedekatan IPK f Bobot IPK g Kedekatan pekerjaan orang tua h Bobot pekerjaan orang tua Jarak Berikut adalah contoh penghitungan tabel hasil perhitungan contoh kedekatan dengan kasus yang baru antara lain: 1. Menghitung kasus 1 a. Kedekatan semester kasus baru terhadap kasus 1 = 1 b. Bobot semester = 0. c. Kedekatan jurusan kasus baru terhadap kasus 1 = 1 d. Bobot jurusan = 0.3 e. Kedekatan IPK kasus baru terhadap kasus 1 = 0.75 f. Bobot IPK = 0.8 g. Kedekatan Pekerjaan Orang Tua kasus baru terhadap kasus 1 = 0.75 h. Bobot Pekerjaan Orang Tua = 0.6 Menghitung: Jarak = (a b)+c d)+(e f)+(g h) b+d+f+h (1 0.)+1 0.3)+( )+( ) Jarak= Jarak = Jarak = IJCCS Vol. x, No. x, July201x : first_page end_page
11 Jatisi, Vol. 1 No. 1 September Menghitung kasus 2 a. Kedekatan semester kasus baru terhadap kasus 2 = 0,8 b. Bobot semester = 0. c. Kedekatan jurusan kasus baru terhadap kasus 2 = 1 d. Bobot jurusan = 0.3 e. Kedekatan IPK kasus baru terhadap kasus 2 = 0.6 f. Bobot IPK = 0.8 g. Kedekatan Pekerjaan Orang Tua kasus baru terhadap kasus 2 =.75 h. Bobot Pekerjaan Orang Tua = 0.6 Menghitung: Jarak = (a b)+c d)+(e f)+(g h) b+d+f+h (0.8 0.)+1 0.3)+( )+( ) Jarak = Jarak = Jarak = Menghitung kasus 3 a. Kedekatan semester kasus baru terhadap kasus 3 = 1 b. Bobot semester = 0. c. Kedekatan jurusan kasus baru terhadap kasus 3 = 1 d. Bobot jurusan = 0.3 e. Kedekatan IPK kasus baru terhadap kasus 3 = 1 f. Bobot IPK = 0.8 g. Kedekatan Pekerjaan Orang Tua kasus baru terhadap kasus 3 = h. Bobot Pekerjaan Orang Tua = 0.6 Menghitung: Jarak = (a b)+c d)+(e f)+(g h) b+d+f+h Jarak = (1 0.)+(1 0.3)+(1 0.8)+( ) Jarak = Melihat dari ke tiga kasus tersebut maka yang mempunyai nilai tertinggi adalah kasus ke tiga, melihat dari kasus yang tertinggi bahwa kasus itulah yang merupakan kasus yang terdekat dengan kasus baru. Berarti yang mendekati dengan kasus baru adalah kasus ke tiga.
12 ISSN: ISSN : Pengujian Skenario Pengujian Gambar adalah skenario pengujian aplikasi.rencana pengujian yang dilakukan pada Aplikasi prediksi pengunduran diri mahasiswa di STIKOM UYELINDO Kupang, menggunakan pengujian data histori atau training untuk menghasilkan prediksi dan keakuratan klasifikasi dengan menggunakan Algoritma K-Nearest Neighbor. Adapun rencana pengujian tersebut dapat dilihat pada Gambar. Start Masukan data histori mahasiswa Masukan data testing yang akan di uji Proses prediksi pengunduran diri mahasiswa menggunakan sistem pendukung keputusan end Hasil (Sama / Tidak sama) Membandingkan data testing prediksi pengunduran diri mahasiswa STIKOM UYELINDO Kupang dengan sistem berdasarkan aturan prediksi pengunduran diri mahasiswa Gambar. Skenario Pengujian Menu Utama Menu utama ini merupakan tampak depan setelah memasukkan username dan password. Menu utama dapat di lihat pada Gambar 5. Gambar 5. Menu utama Gambar 5 merupakan tampilan utama dari aplikasi prediksi tingkat pengunduran diri mahasiswa STIKOM UYELINDO Kupang. IJCCS Vol. x, No. x, July201x : first_page end_page
13 Jatisi, Vol. 1 No. 1 September Form Hasil Kasus Baru Berikut ini adalah hasil dari proses tambah kasus baru pada SPK yang akan melakukan prediksi terhadap mahasiswa dan hasilnya mengeluarkan status aktif (a), keluar (k). Gambar 6. Form Hasil Kasus Baru Berdasarkan hasil pengujian (Gambar 6) prediksi secara manual (diperkirakan yang akan keluar) dan menggunakan sistem pendukung keputusan menunjukan hasil kesesuaian prediksi pengunduran diri mahasiswa STIKOM UYELINDO Kupang. Hasil kesesuaian di tunjukkan dengan cara menghitung secara manual dengan memasukkan data pada tabel (Tabel 15) untuk mendapatkan matriks seperti yang di sajikan pada Gambar 7. Tabel 15 Perbandingan HASIL JUMLAH Sama 71 Tidak sama 19 Grand Total 90 Berikut uji Validitas yang ditunjukan pada Gambar7. Uji Validitas = % = 78,89 % menjadi 79 % Gambar 7. Uji Validitas
14 ISSN: ISSN : Analisis Hasil Berdasarkan pengujian hasil prediksi menggunakan algoritma k-nearest neighbor secara manual dan menggunakan sistem yang digunakan data training adalah mengunakan 90 data mahasiswa yaitu 2 orang data teknik informatika S1, 0 orang mahasiswa sistem informasi S1 dan 8 orang mahasiswa teknik informatika D3. Berdasarkan hasil uji coba menggunakan secara manual dan menggunakan sistem didapatkan kesamaan hasil prediksi yaitu 79% dan melihat dari presentasi mungkin saja ini kurang akurat.. KESIMPULAN Berdasarkan hasil dan pembahasan maka didapatkan kesimpulan sebagai berikut: 1. Bagaimana mengetahui prediksi pengunduran diri mahasiswa menggunakan algoritma K- Nearest Neighbor di STIKOM UYELINDO Kupang dengan cara Langkah awal implementasi metode K-Nearest Neighbor adalah dengan menghitung nilai kemiripan atau jarak vektor data pada testing terhadap data yang akan digunakan sebagai data training. Selanjutnya akan diambil sejumlah k tetangga terdekat sesuai hasil penghitungan kemiripan atau jarak. Kemudian dilakukan penghitungan apakah cocok dengan data manual pada data testing. Data testing diklasifikasi kedalam kelas kategori yang memiliki nilai kesamaan kelas untuk data testing yang paling tinggi. 2. Hasil pengujian menggunakan prototype sistem pendukung keputusan dan dibandingkan secara manual yang menggunakan metode Alogaritma K-Nearest Neighbor dengan variabel yaitu IPK, Pekerjaan orang tua, jurusan dan semester adalah mendapatkan kesesuaian 79%. 3. Sistem pendukung keputusan yang dibangun untuk memprediksi tingkat pengunduran diri mahasiswa STIKOM UYELINDO Kupang dapat menjadi acuan atau pedoman dalam penyeleksian penerimaan mahasiswa.. Dalam mendapatkan hasil dari proses prototype pada data training mempunyai data yang masih aktif, nonaktif dan keluar datanya kurang berimbang menyebabkan dalam memprediksi. Oleh sebab itu status aktif lebih sering muncul karena kurang berimbang antara kasus tersebut. 5. SARAN Berikut adalah saran agar penelitian berikutnya yang akan melakukan penelitian yang sama, agar mendapatkan hasil yang lebih baik lagi. 1. Data yang digunakan dalam penelitian ini kurang berimbang antara data yang mengundurkan diri dengan yang masih aktif, sehingga data yang masih aktif lebih dominan hal ini berimbas pada sistem, justru menganalisis data yang aktif lebih sering muncul, untuk kedepannya lebih diselaraskan dan lebih seimbang antara data mahasiswa yang aktif dan sudah keluar ucapan terima kasih. 2. Sistem pendukung keputusan analisis prediksi tingkat pengunduran diri mahasiswa STIKOM UYELINDO Kupang agar lebih akurat atau optimal, dibutuhkan data lebih banyak lagi dan menambah jumlah variabel. IJCCS Vol. x, No. x, July201x : first_page end_page
15 Jatisi, Vol. 1 No. 1 September DAFTAR PUSTAKA [1] Kusrini, Emha T. Luthfi, 2009, Algoritma Data Mining. Andi, Yogyakarta [2] Turban, 2005,Decision Support System and Intelligent System(Terjemahan: Sistem Pendukung Keputusan dan Sistem Cerdas)Jilid 1, Andi Offset, Yogyakarta [3] Fayyad, Usama Advances in Knowledge Discovery and Data Mining.MIT Press. [] Chang, C, Wu, Y., Hou, S. (2009) Preparation and Characterization of Superparamagnetic Nanocomposites of Aluminosilicate/Silica/Magnetite, Coll. Surf. A336: 159,166. [5] Han, J. Kamber, M Data Mining: Concepts and Techniue.Morgan Kaufmann Publishers: San Fransisco. [6] Kurt Lewin, 1990, Action Research Minority Problems, 3rd ed. Victoria : DeaklinUniversity. [7] I Wayan Supriana, 2012, Sistem Pendukung Keputusan Dalam Pemilihan Tempat Kost Dengan Metode Pembobotan ( Studi Kasus : Sleman Yogyakarta) Program Pascasarjana Ilmu Komputer Fakultas MIPA Universitas Gadjah Mada, Jurnal Ilmu Komputer-Volume 5 - No 2 September 2012
VOLUME 1 NOMOR 1 SEPTEMBER 2014 JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI (JATISI) KETUA PENYUNTING Gasim
VOLUME 1 NOMOR 1 SEPTEMBER 2014 JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI (JATISI) Terbit dua kali setahun pada bulan Maret dan September, Jurnal Teknik Informatika dan Sistem Informasi (JATISI) merupakan
Lebih terperinciIMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Irwan Budiman 1, Dodon Turianto Nugrahadi 2, Radityo Adi Nugroho 3 Universitas Lambung Mangkurat 1,2,3 irwan.budiman@unlam.ac.id
Lebih 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 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 terperinciPENERAPAN ALGORITMA K-NEARST NEIGHBOR PADA NUPTK UNTUK PREDIKSI PESERTA SERTIFIKASI GURU
PENERAPAN ALGORITMA K-NEARST NEIGHBOR PADA NUPTK UNTUK PREDIKSI PESERTA SERTIFIKASI GURU THE APPLICATION OF K-NEAREST NEIGHBOR ALGORITHM ON NUPTK FOR PARTICIPANTS PREDICTION TEACHER CERTIFICATION 1 Dena
Lebih terperinciALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN
ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN Devi Sugianti Program Studi Sistem Informasi,STMIK Widya Pratama Jl. Patriot 25 Pekalongan Telp (0285)427816 email
Lebih 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 terperinciPENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN
PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN Fina Nasari 1 1 Sistem Informasi, STMIK Potensi Utama 3 Jalan K.L. Yos Sudarso KM.
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 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 terperinciPREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciPERTEMUAN 14 DATA WAREHOUSE
PERTEMUAN 14 DATA WAREHOUSE Data Warehouse Definisi : Data Warehouse adalah Pusat repositori informasi yang mampu memberikan database berorientasi subyek untuk informasi yang bersifat historis yang mendukung
Lebih terperinciJl. A. Yani Km 36 Banjarbaru, Kalimantan selatan 1 Abstract
Penerapan K-Optimal Pada Algoritma Knn untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam Berdasarkan IP Sampai Dengan Semester 4 Mutiara Ayu Banjarsari 1, H. Irwan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini, akan dibahas dasar teori, penelitian terdahulu, kerangka pikir dan hipotesis yang mendasari penyelesaian permasalahan memprediksi inflasi dengan menggunakan algoritma
Lebih terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciSOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA
SOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA Ade Putra Fakultas Vokasi, Program Studi Komputerisasi Akuntansi Universitas Bina Darma
Lebih 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 terperinciPENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING
PENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING Andreas Chandra Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email : andreaschaandra@yahoo.com
Lebih 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 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 terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah Proses yang menggunakan
Lebih terperinciIMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA NAÏVE BAYES DALAM MENENTUKAN PENGUNDURAN DIRI CALON MAHASISWA PADA UNIVERSITAS DIAN NUSWANTORO SEMARANG
1 IMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA NAÏVE BAYES DALAM MENENTUKAN PENGUNDURAN DIRI CALON MAHASISWA PADA UNIVERSITAS DIAN NUSWANTORO SEMARANG Muhammad Efendi Program Studi Teknik Informatika
Lebih terperinciBAB II TINJAUAN PUSTAKA Indeks Prestasi Kumulatif dan Lama Studi. menggunakan dokumen/format resmi hasil penilaian studi mahasiswa yang sudah
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Indeks Prestasi Kumulatif dan Lama Studi Mahasiswa yang telah menyelesaikan keseluruhan beban program studi yang telah ditetapkan dapat dipertimbangkan
Lebih terperinciKlasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree
Klasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree Disusun oleh : Budanis Dwi Meilani Achmad dan Fauzi Slamat Jurusan Sistem Informasi Fakultas Teknologi Informasi.
Lebih 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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining
Lebih terperinciPenerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 39 Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi Irwan
Lebih 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 terperinciMuhammad Syukri Mustafa* 1, I Wayan Simpen 2 1,2. Teknik Informatika STMIK Dipanegara * 1 2
270 ISSN: 2354-5771 Perancangan Aplikasi Prediksi Kelulusan Tepat Waktu Bagi Mahasiswa Baru Dengan Teknik Data Mining (Studi Kasus: Data Akademik Mahasiswa STMIK Dipanegara Makassar) Muhammad Syukri Mustafa*
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA PADA PERGURUAN TINGGI KABUPATEN MAJALENGKA BERBASIS KNOWLEDGE BASED SYSTEM
PREDIKSI KELULUSAN MAHASISWA PADA PERGURUAN TINGGI KABUPATEN MAJALENGKA BERBASIS KNOWLEDGE BASED SYSTEM Teknik Informatika, Teknik Industri, Teknik Informatika Fakultas Teknik - Universitas Majalengka
Lebih terperinciSISTEM PENENTUAN PEMASANGAN SALURAN AIR PDAM KOTA CIMAHI DENGAN MENGGUNAKAN CBR DAN ALGORITMA NEAREST NEIGHBORS
SISTEM PENENTUAN PEMASANGAN SALURAN AIR PDAM KOTA CIMAHI DENGAN MENGGUNAKAN CBR DAN ALGORITMA NEAREST NEIGHBORS ABSTRAKS Feri Frasetiyono 1, Gunawan Abdillah 2, Asep Id Hadiana 3 Program Studi Informatika,
Lebih terperinciKerusakan Barang Jadi
Penerapan Algoritma C4.5 pada Analisis Kerusakan Barang Jadi (Studi Kasus: PT Kayu Lapis Asli Murni) Ivan Oktana, Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang,
Lebih terperinciBAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan
6 BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan
Lebih 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 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 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 terperinciPENALARAN BERBASIS KASUS UNTUK DIAGNOSA PENYAKIT BUSUK BUAH PADA TANAMAN KAKAO DENGAN MENGGUNAKAN ALGORITMA BAYESIAN
PENALARAN BERBASIS KASUS UNTUK DIAGNOSA PENYAKIT BUSUK BUAH PADA TANAMAN KAKAO DENGAN MENGGUNAKAN ALGORITMA BAYESIAN Achmad Lukman Teknik Komputer, STMIK EL RAHMA Yogyakarta e-mail: mecaman@gmail.com,
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 terperinciAPLIKASI PREDIKSI STATUS KELULUSAN MAHASISWA MENGGUNAKAN k- NEAREST NEIGHBOR (STUDI KASUS PADA JURUSAN KIMIA - FST UNDANA)
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 66 ~ 77 66 APLIKASI PREDIKSI STATUS KELULUSAN MAHASISWA MENGGUNAKAN k- NEAREST NEIGHBOR (STUDI KASUS PADA JURUSAN KIMIA - FST UNDANA) Ruthey Stephanie Pauline Foeh
Lebih terperinciPENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
Lebih 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 terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
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 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 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 terperinciUniversitas Putra Indonesia YPTK Padang Fakulas Ilmu Komputer Program Studi Teknik Informatika. Knowledge Discovery in Databases (KDD)
Universitas Putra Indonesia YPTK Padang Fakulas Ilmu Komputer Program Studi Teknik Informatika Knowledge Discovery in Databases (KDD) Knowledge Discovery in Databases (KDD) Definisi Knowledge Discovery
Lebih terperinciANALISA DAN PERANCANGAN APLIKASI DATA MINING PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BERMOTOR MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR
ANALISA DAN PERANCANGAN APLIKASI DATA MINING PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BERMOTOR MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR Fahrozi Zulfami Program Sarjana Teknik Informatika, Universitas
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI penelitian. Pada bab ini akan dibahas literatur dan landasan teori yang relevan dengan 2.1 Tinjauan Pustaka Kombinasi metode telah dilakukan oleh beberapa peneliti
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 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 terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih 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 terperinciPENERAPAN ALGORITMA K-NEAREST NEIGHBORS UNTUK PREDIKSI KELULUSAN MAHASISWA PADA STMIK SINAR NUSANTARA SURAKARTA
ISSN : 2338-4018 PENERAPAN ALGORITMA K-NEAREST NEIGHBORS UNTUK KELULUSAN MAHASISWA PADA STMIK SINAR NUSANTARA SURAKARTA Agus Panoto ( ragilpanoto@gmail.com ) Yustina Retno Wahyu Utami ( yustina.retno@gmail.com
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 terperinciPenerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien
1 Penerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien Ketut Wisnu Antara 1, Gede Thadeo Angga Kusuma 2 Jurusan Pendidikan Teknik Informatika Universitas Pendidikan Ganesha
Lebih terperinciPERBANDINGAN DECISION TREE
84 2015 Jurnal Krea-TIF Vol: 03 No: 02 PERBANDINGAN DECISION TREE PADA ALGORITMA C 4.5 DAN ID3 DALAM PENGKLASIFIKASIAN INDEKS PRESTASI MAHASISWA (Studi Kasus: Fasilkom Universitas Singaperbangsa Karawang)
Lebih terperinciTimor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak
DATA MINING MELIHAT POLA HUBUNGAN NILAI TES MASUK MAHASISWA TERHADAP DATA KELULUSAN MAHASISWA UNTUK MEMBANTU PERGURUAN TINGGI DALAM MENGAMBIL KEBIJAKAN DALAM RANGKA PENINGKATAN MUTU PERGURUAN TINGGI Timor
Lebih 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 terperinciPENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI
PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI Gunawan 1, Fandi Halim 2, Tony Saputra Debataraja 3, Julianus Efrata Peranginangin 4
Lebih terperinciKata kunci : metode pencarian, perpustakaan, Naïve Bayes Classifier.
PENGGUNAAN METODE NAÏVE BAYES CLASSIFIER PADA APLIKASI PERPUSTAKAAN Selvia Lorena Br Ginting,S.Si., MT 1, Reggy Pasya Trinanda 2 1,2 Jurusan Teknik Komputer Unikom, Bandung 1 selvialorena@yahoo.com, 2
Lebih terperinciJURNAL PENERAPAN ALGORITMA NEAREST NEIGHBOR (K-NN) BAGI HAKIM DALAM MENENTUKAN PERTIMBANGAN HUKUMAN TINDAK PIDANA PENCURIAN
JURNAL PENERAPAN ALGORITMA NEAREST NEIGHBOR (K-NN) BAGI HAKIM DALAM MENENTUKAN PERTIMBANGAN HUKUMAN TINDAK PIDANA PENCURIAN APPLICATION ALGORITHM NEAREST NEIGHBOR (K-NN) JUDGE FOR DETERMINING THE CONSIDERATION
Lebih terperinciAPLIKASI PENENTUAN KELULUSAN CALON ANGGOTA KEPOLISIAN MENGGUNAKAN METODE WEIGHTED PRODUCT (WP) ( STUDI KASUS POLDA RIAU )
APLIKASI PENENTUAN KELULUSAN CALON ANGGOTA KEPOLISIAN MENGGUNAKAN METODE WEIGHTED PRODUCT (WP) ( STUDI KASUS POLDA RIAU ) Muhammad Junaidi 1, Rahmiati 2 1 Jurusan Teknik Informatika, STMIK AMIK RIAU 2
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Defenisi Sistem Menurut (Marimin, 2004) yang dikutip oleh (Febrealty, 2011) sistem adalah suatu kesatuan usaha yang terdiri dari bagian-bagian yang berkaitan satu sama lain yang
Lebih terperinciPENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5
1 PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5 Dina Maurina, Ahmad Zainul Fanani S.Si, M.Kom Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula
Lebih terperinciAPLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang)
Hapsari Dita Anggraeni, Ragil Saputra, Beta Noranita APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita
Lebih terperinci1. PENDAHULUAN. Kata Kunci: Data Mining, Clustering, Fuzzy C-Means
CLUSTERING BIDANG PEKERJAAN BERDASARKAN PEMETAAN MATA KULIAH MENGGUNAKAN ALGORITMA FUZZY C-MEANS PADA FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO SEMARANG Taufiq Ramadhan Ashari 1, Ruri Suko Basuki
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PROMOSI (Studi kasus Universitas Bina Darma Palembang)
J u r n a l 1 IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PROMOSI (Studi kasus Universitas Bina Darma Palembang) Deny Wahyudi 1, A.Haidar Mirza,S.T.,M.Kom. 2, Merrieayu
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 terperinciIJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN:
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Klasifikasi Naive Bayes Untuk Strategi Pemasaran Mahasiswa Baru di Universitas Dian Nuswantoro Naive Bayes Classification in marketing strategy of
Lebih terperinciImplementasi Data Mining dengan Metode Klastering untuk Meramalkan Permintaan Pasar (Studi Kasus PT. Nutrifood Indonesia )
Implementasi Data Mining dengan Metode Klastering untuk Meramalkan Permintaan Pasar (Studi Kasus PT. Nutrifood Indonesia ) November 20, 2010 Arimbi Kurniasari Lintang Yuniar Banowosari Alex Hutapea Manajemen
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Sebelum melakukan penelitian adapun penulis mencari penelitian penelitian yang memungkinkan terkait dengan penelitian antara lain : 1. Analisis Kinerja Data
Lebih terperinciBAB I PENDAHULUAN. Perusahaan perusahaan pada saat ini sudah memiliki database yang
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Perusahaan perusahaan pada saat ini sudah memiliki database yang berukuran sangat besar pada bagian kerusakan barang dan dapat terus bertambah ukurannya. Selama ini,
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 terperinciPenerapan Data Mining dalam Memprediksi Pembelian cat
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining dalam Memprediksi Pembelian cat Fitriana Harahap STMIK POTENSI UTAMA Jl. KL. Yos Sudarso KM 6,5
Lebih terperinciABSTRAK. Kata Kunci: data tidak seimbang, klasifikasi, KSMOTE, boosting, SSO, support vector machine.
ABSTRAK Klasifikasi dalam data mining adalah proses untuk menemukan model atau fungsi yang mendeskripsikan dan membedakan kelas-kelas data atau konsep. Salah satu permasalahan klasifikasi adalah distribusi
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 terperinciPENGELOMPOKAN PROGRAM PNPM MANDIRI DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN METODE K-NEAREST NEIGHBOR TUGAS AKHIR
PENGELOMPOKAN PROGRAM PNPM MANDIRI DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN METODE K-NEAREST NEIGHBOR TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA
PENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA Diajeng Tyas Purwa Hapsari Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email :
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pendahuluan Didalam bab ini menceritakan semua teori-teori yang digunakan didalam proses algoritma decision tree, algoritma Random tree dan Random Florest serta teoriteori dan
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
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 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Untuk melakukan sebuah penelitian, diperlukan adanya tahapan-tahapan yang tersusun dengan baik dan sistematis agar pelaksanaan penelitian tepat mencapai tujuan yang diharapkan.
Lebih terperinciAkurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa
Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa dengan Metode NAÏVE BAYES M. Ridwan Effendi Fakultas Komputer Jurusan Sistem Informasi Universitas Mohammad Husni Thamrin Jakarta Email :
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 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 terperinciMODEL MULTI ATTRIBUTE DECISION MAKING METODE SIMPLE ADDITIVE WEIGHTING DALAM PENENTUAN PENERIMA PINJAMAN
100 JURNAL TEKNIK KOMPUTER AMIK BSI MODEL MULTI ATTRIBUTE DECISION MAKING METODE SIMPLE ADDITIVE WEIGHTING DALAM PENENTUAN PENERIMA PINJAMAN Mely Mailasari 100 Abstract Employees Cooperative PT. Indomobil
Lebih terperinciKLASIFIKASI PENERIMAAN BEASISWA DENGAN MENGGUNAKAN LOGIKA FUZZY TSUKAMOTO (STUDI KASUS POLITEKNIK KESEHATAN KEMENTRIAN KESEHATAN SEMARANG)
KLASIFIKASI PENERIMAAN BEASISWA DENGAN MENGGUNAKAN LOGIKA FUZZY TSUKAMOTO (STUDI KASUS POLITEKNIK KESEHATAN KEMENTRIAN KESEHATAN SEMARANG) Fasrul Rahman Ansori Teknik Informatika, Ilmu Kompputer, Universitas
Lebih 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 terperinciKLASIFIKASI STATUS GIZI MENGGUNAKAN K-NEAREST NEIGHBOR INTISARI
KLASIFIKASI STATUS GIZI MENGGUNAKAN K-NEAREST NEIGHBOR Sumarni Arifin Hasani¹, Sitti Suhada², Lillyan Hadjaratie³ ¹Program Studi Sistem Informasi, Fakultas Teknik, Universitas Negeri Gorontalo Email: sumarni.hasani@gmail.com
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Identifikasi Masalah Identifikasi permasalahan ini bahwasanya diambil dari sudut pandang masyarakat tentang objek (batik) yang dikenal dari segi pola dan gambar
Lebih terperinciVol.17 No.2. Agustus 2015 Jurnal Momentum ISSN : X CASED BASED REASONING UNTUK PEMILIHAN KEGIATAN ORGANISASI MAHASISWA
CASED BASED REASONING UNTUK PEMILIHAN KEGIATAN ORGANISASI MAHASISWA Oleh: Arif Rohmadi* *)Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Gadjah Mada Abstrak Organisasi
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 terperinciKeyword : C 4.5 algorithm, Decision Support System, Selection Employees Candidate
Implementasi Algoritma C 4.5 Dalam Pembuatan Aplikasi Penunjang Keputusan Penerimaan Pegawai CV. X Joko Purnomo, Wawan Laksito YS, Yustina Retno Wahyu U Abstract The problems are often found in the recruitment
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL)
KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL) Budi Utami 1, Yuniarsi Rahayu, 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer,
Lebih terperinciDATA MINING POTENSI AKADEMIK SISWA BERBASIS ONLINE
Didik Setiyadi, Ali Nurdin DATA MINING POTENSI AKADEMIK SISWA BERBASIS ONLINE 1 DIDIK SETIYADI, 2 ALI NURDIN 1,2 Sekolah Tinggi Manajemen Informatika dan Komputer Eresha Program Studi : Teknik Informatika
Lebih terperinci