CONCEPT/FRAMEWORK BIG DATA ANALYTICS ACTIVITIES
|
|
- Budi Sudjarwadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Manajemen Bisnis Telekomunikasi & Informatika Mata Kuliah: Big Data And Data Analytics Oleh: Tim Dosen CONCEPT/FRAMEWORK BIG DATA ANALYTICS ACTIVITIES
2 Telkom University Outline Fakultas Ekonomi dan Bisnis o o o o Review Data Analytics & Big Data (last week topics) Understanding Data Activity / Storytelling Based on Data Type (Model Based) Asking the Questions to Data 2 Creating the great business leaders
3 Telkom University Fakultas Ekonomi dan Bisnis Definitions Analytics: the systematic computational analysis of data or statistics (Google Definition) the method of logical analysis (Merriam Webster) Analysis of data is a process of inspecting, cleaning, transforming, and modeling data with the goal of discovering useful information, suggesting conclusions, and supporting decisionmaking. Data science is an interdisciplinary field about processes and systems to extract knowledge or insights from data in various forms, either structured or unstructured, [1][2] which is a continuation of some of the data analysis fields such as statistics, data mining, and predictive analytics (From Wikipedia, by many references) and many more.. 1. Dhar, V. (2013). "Data science and prediction". Communications of the ACM. 56 (12): 64. doi: / Jeff Leek ( ). "The key word in "Data Science" is not Data, it is Science". Simply Statistics. 3 Creating the great business leaders
4 Telkom University Fakultas Ekonomi dan Bisnis Data Science Based on aforementioned definitions, we can conclude that Data Analytics includes: Data engineering Scientific Method Math Statistics Data Engineering may includes: Data Gathering Data Mining Data Transformation Data Cleansing etc. Ref: many sources 4 Creating the great business leaders
5 Telkom University Recall Fakultas Ekonomi dan Bisnis Our approach to Big Data 5 Creating the great business leaders
6 Telkom University Fakultas Ekonomi dan Bisnis Big Data Approach Framework Some people prefer 3Vs, 6Vs or 7Vs even 12Vs to explain big data. But the original bigness measurement metrics are volume, velocity, and variety. For example 7Vs: 1. Volume 2. Velocity 3. Variety 4. Variability 5. Veracity 6. Visualitazion 7. Value 6 Creating the great business leaders
7 Telkom University Fakultas Ekonomi dan Bisnis 7 Creating the great business leaders
8 Data Telkom University Analytics Workflow Data Set Data Analytics Methods Knowledge 8 Creating the great business leaders
9 Big Telkom Data University Analytics Constructors 9 Creating the great business leaders
10 Telkom University Fakultas Ekonomi dan Bisnis UNDERSTANDING DATA : High Dimensional Data Dimension / Attributes / Properties Name Address Occupation Age Blood Type Marital.. Sex Agus Jl. Mawar 1 Artist 30 A Married.. Male Andry Jl. Kucing 50 Lawyer 32 O Married.. Male Beatrice Jl. Raya 27 Student 21 O Single.. Female Ben Jl. Diponegoro 12 Driver 37 AB Married.. Male Zorro Jl. Dago 34 Student 18 B Single... Male High Dimensional Data, add up complexity problem to Big Data Analytics Curse : High space searching, Summarization, Reduction (PCA) Blessing : Comprehensive data knowledge High Dimensonal Data Analysis : Curse and Blessing of Dimensionality Donoho (2000) 10 Creating the great business leaders
11 UNDERSTANDING Telkom University DATA : Network vs Non Network Data Name Sex Age Number of Friend Agus Cecep Dita Rina Agus Agus Male 25 2 Cecep Male 23 3 Dita Sex 21 2 Rina Sex 22 1 Non Network Data Cecep Dita Rina Network Data Agus Dita Cecep Rina 11 Creating the great business leaders
12 Telkom University Fakultas Ekonomi dan Bisnis UNDERSTANDING DATA : Structured vs UnStructured Data 12 Creating the great business leaders
13 Telkom University Fakultas Ekonomi dan Bisnis 13 Creating the great business leaders
14 Telkom University Fakultas Ekonomi dan Bisnis Characteristics Stuctured Data Well defined content Easily understood Stored in RDBMS Easy to enter, store, and analyze Example: Data in database table (customer data, sales data, sensor data) Unstructured Data Structure not obvious Process data to understand RDBMS not a good fit Difficult and costly to analyze Example: , video files, audio files, web pages, presentations, social media feeds 14 Creating the great business leaders
15 UNDERSTANDING Telkom University DATA : SQL vs NoSQL *NoSQL: Not only SQL SQL NoSQL 15 Creating the great business leaders
16 Telkom University Fakultas Ekonomi dan Bisnis 16 Creating the great business leaders
17 Telkom University Fakultas Ekonomi dan Bisnis 17 Creating the great business leaders
18 Telkom University Fakultas Ekonomi dan Bisnis MODELLING FRAMEWORK 18 Creating the great business leaders
19 Case Studies : Data Analytics Common Roles Telkom University 1. Estimation 5. Association 2. Predictions 4. Clustering 3. Classification 19 Creating the great business leaders
20 1. Estimation Telkom University Estimate Pizza Time Delivery Customer Number of Order (O) Number of Traffic Light (TL) Distance (D) Delivery Time (T) Learning with Estimation Methods (Regresi Linier) Label Delivery Time (T) = 0.48O TL + 0.5D Knowledge 20 Creating the great business leaders
21 Output/Pola/Model/Knowledge Telkom University 1. Formula/Function (Rumus atau Fungsi Regresi) DELIVERY TIME = DISTANCE TRAFFIC LIGHT ORDER 2. Decision Tree (Pohon Keputusan) 3. Correlation and Association 4. Rule (Aturan) IF ipk>3.5 THEN lulus cum laude 5. Cluster (Klaster) 21 Creating the great business leaders
22 2. Telkom Prediction University Label Predict Stock Price Stock price data set in a form of time series (rentet waktu) model Learning with Prediction(Neural Network) 22 Creating the great business leaders
23 2. Telkom Prediction University Predict Stock Price Knowledge in a form of Neural Network Model Prediction Plot 23 Creating the great business leaders
24 3. Telkom Classification University Student Number Sex National Final Score Classify Student Graduation Time School Origin IPS1 IPS2 IPS3 IPS 4... Graduation Status L 28 SMAN On Time P 27 SMA DK Late P 24 SMAN Late L 26.4 SMAN On Time L 23.4 SMAN On Time Label Learning with Classification Methods(C4.5) 24 Creating the great business leaders
25 3. Telkom Classification University Classify Student Graduation Time Knowledge in a form of Decision Tree Model 25 Creating the great business leaders
26 3. Telkom Classification University Golf Playing Time Recommendation Input Output (Rules) If outlook = sunny and humidity = high then play = no If outlook = rainy and windy = true then play = no If outlook = overcast then play = yes If humidity = normal then play = yes If none of the above then play = yes 26 Creating the great business leaders
27 3. Telkom Classification University Golf Playing Time Recommendation Output Decision Tree 27 Creating the great business leaders
28 3. Telkom Classification University Contact Lens Recommendation Input Output 28 Creating the great business leaders
29 4. Telkom Clustering University Finding Iris Flower Cluster Input Dataset without Label Learning with Clustering Methods (K-Means) 29 Creating the great business leaders
30 Telkom University Fakultas Ekonomi dan Bisnis 4. Clustering Finding Iris Flower Cluster Output (Distance Plot) 30 Creating the great business leaders
31 5. Telkom Association University Association Product Sold Learning with Association Method (FP-Growth) 31 Creating the great business leaders
32 5. Telkom Association University Association Product Sold Output (Association Rules) 32 Creating the great business leaders
33 Telkom University Fakultas Ekonomi dan Bisnis 5. Association association rule algorithm objective is to find some attributes which has shown up together Example, on Thursday night, 1000 customer has bought 200 orang membeli Soap, where from 200 who bought soap, 50 among them bought Fanta In association rule, we have If buy Soap, then buy Fanta, with support value = 200/1000 = 20% and confidence value= 50/200 = 25% Some association rule algorithm are : A priori algorithm, FP-Growth algorithm, GRI algorithm 33 Creating the great business leaders
34 Telkom University Assignment (in The Class) o Find a Case Study of Big Data Implementation / Application for Business or others o State the objective, problems, solution idea o State the methodology used (explain) o State the model, measurement, accuracy 34 Creating the great business leaders
35 Telkom University Assignment (at home) o Find a Case Study of Big Data Implementation / Application for Business or others o State the objective, problems, solution idea o State the methodology used (explain) o State the model, measurement, accuracy, evaluation o Learn Big Data online free course ( 35 Creating the great business leaders
DATA MINING. Pertemuan 2. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 2 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2016 Mengapa Data Mining? Penumpukan data Minimnya pemanfaatan data
Lebih terperinciAlgoritma Data Mining
Algoritma Data Mining Algoritma Estimasi Algoritma estimasi mirip dengan algoritma klasifikasi, tapi variabel target adalah berupa bilangan numerik (kontinyu) dan bukan kategorikal (nominal atau diskrit)
Lebih terperinciData Mining. Fajar Agung Nugroho, S.Kom, M.CS
Data Mining Fajar Agung Nugroho, S.Kom, M.CS fajar.nugroho@research.dinus.ac.id Textbooks Pretest 1. Jelaskan apa yang dimaksud dengan data mining? 2. Sebutkan peran data mining dan algoritma apa saja
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER
RENCANA PEMBELAJARAN SEMESTER Mata Kuliah Big Data and Data Analytics Semester Tujuh Kode SMXXXXXX Prodi MBTI Dosen Andry Alamsyah SKS 4 Capaian Pembelajaran 1. Memahami fenomena, framework, peluang dan
Lebih terperinciPretest dan Posttest untuk Mengukur Kompetensi Kognifif Mahasiwa
Data Mining Learning Design Pretest dan Posttest untuk Mengukur Kompetensi Kognifif Mahasiwa Penugasan berbasis Self- Contained Project atau Literatur Review Penyajian Materi dengan Model Minimalism berbasis
Lebih terperinciData Mining II Estimasi
Data Mining II Estimasi Matakuliah Data warehouse Universitas Darma Persada Oleh: Adam AB Data Mining-2012-a@b 1 Tahapan proses datamining Input (Data) Metode (Algoritma Data Mining) Output (Pola/Model/
Lebih terperinciAbstrak. Universitas Kristen Maranatha
Abstrak E-commerce merupakan model operasi bisnis yang sedang berkembang pesat skarang ini. Semakin banyak pelaku bisnis dan juga customer yang memanfaatkan e-commerce, Sehingga telah mempengaruhi kehidupan
Lebih terperinci2. Tahapan Penelitian
1 Course Outline 1. Pengantar Penelitian 2. Tahapan Penelitian 3. Masalah Penelitian 4. Literature Review 5. Struktur Penulisan Tesis 6. Kesalahan Penulisan Tesis 7. Metode Eksperimen 8. Pengujian Tesis
Lebih terperinciAPLIKASI DATA MINING DENGAN METODE CLASSIFICATION BERBASIS ALGORITMA C4.5
Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013 APLIKASI DATA MINING DENGAN METODE CLASSIFICATION BERBASIS ALGORITMA C4.5 Rizky Tahara Shita 1), Nita Marliani 2) 1, 2) Universitas Budi Luhur,
Lebih terperinciProgram Studi: Manajemen Bisnis Telekomunikasi & Informatika Mata Kuliah: Data Management Oleh: Yudi Priyadi ( DATA MANAGEMENT OVERVIEW )
Manajemen Bisnis Telekomunikasi & Informatika Mata Kuliah: Data Management Oleh: Yudi Priyadi ( DATA MANAGEMENT OVERVIEW ) Learning Objectives for Overview Students are able to analyze the implementation
Lebih terperinciData Mining. Romi Satria Wahono. WA/SMS:
Data Mining Romi Satria Wahono romi@romisatriawahono.net http://romisatriawahono.net/dm WA/SMS: +6281586220090 1 Romi Satria Wahono SD Sompok Semarang (1987) SMPN 8 Semarang (1990) SMA Taruna Nusantara
Lebih terperinciClassification (1) Classification (3) Classification (2) Contoh Classification. Classification (4)
Knowledge Discovery in Databases (IS704) dan Data Mining (CS704) Kuliah #5: Classification (Bagian 1) Gunawan Jurusan Teknik Informatika Sekolah Tinggi Teknik Surabaya Revisi 14 Agustus 2007 Classification
Lebih terperinciANALISA DAN PERANCANGAN E- LEARNING UNTUK PERSIAPAN UJIAN NASIONAL GEOGRAFI PADA SMA MARIE JOSEPH KELAS 12
ANALISA DAN PERANCANGAN E- LEARNING UNTUK PERSIAPAN UJIAN NASIONAL GEOGRAFI PADA SMA MARIE JOSEPH KELAS 12 Gani Soegandi,Witarsyah Abstract The purpose of this final project is to analyze the learning
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 terperinciDATA MINING ABU SALAM, M.KOM
DATA MINING ABU SALAM, M.KOM PROFIL Pendidikan SD N Kedungtukang 1 Brebes SMP N 5 Brebes SMA N 1 Brebes S1 dan S2 (Universitas Dian Nuswantoro) Research Interest Software Engineering (Web App) Data Mining
Lebih terperinciPrediksi Ketepatan Waktu Kelulusan Dengan Algoritma Data Mining C4.5
DOI: http://dx.doi.org/0./fij.vi.0 Prediksi Ketepatan Waktu Kelulusan Dengan Algoritma Data Mining C4.5 Indah Puji Astuti Dosen eknik Informatika, Universitas Muhammadiyah Ponorogo Abstrak Mahasiswa merupakan
Lebih terperinciProgram Studi: Manajemen Bisnis Telekomunikasi & Informatika Mata Kuliah: Data Management Oleh: Yudi Priyadi. (Structure of The Database Language)
Manajemen Bisnis Telekomunikasi & Informatika Mata Kuliah: Data Management Oleh: Yudi Priyadi (Structure of The Database Language) Learning Objectives Students are able to explain the Structured Query
Lebih terperinci7. Analisis Kebutuhan - 1 (System Actors & System Use Cases )
7. Analisis Kebutuhan - 1 (System Actors & System Use Cases ) SIF15001 Analisis dan Perancangan Sistem Informasi Agi Putra Kharisma, S.T., M.T. Genap 2014/2015 Desain slide ini dadaptasi dari University
Lebih terperinciImplementasi Algoritme Modified-Apriori Untuk Menentukan Pola Penjualan Sebagai Strategi Penempatan Barang Dan Promo
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3829-3834 http://j-ptiik.ub.ac.id Implementasi Algoritme Modified-Apriori Untuk Menentukan
Lebih terperinci2. Tahapan Penelitian pemahaman merupakan awal proses penelitian
Metodologi Penelitian Rudi Susanto rudist87@gmail.com 086547296211 2. Tahapan Penelitian pemahaman merupakan awal proses penelitian Course Outline 1. Pengantar Penelitian 2. Tahapan Penelitian 3. Masalah
Lebih terperinciBAB 2 TELAAH PUSTAKA
BAB 2 TELAAH PUSTAKA Pada bab ini akan dipaparkan mengenai deskripsi data mining secara umum dan landasan teori dari algoritma data mining yang digunakan pada FIKUI Mining. Selain itu, juga akan dijelaskan
Lebih terperinciPENGELOMPOKAN CITRA WAJAH DENGAN TEKNIK SUBSPACE CLUSTERING MENGGUNAKAN ALGORITMA LSA SC (LOCAL SUBSPACE AFFINITY SPECTRAL CLUSTERING)
PENGELOMPOKAN CITRA WAJAH DENGAN TEKNIK SUBSPACE CLUSTERING MENGGUNAKAN ALGORITMA LSA SC (LOCAL SUBSPACE AFFINITY SPECTRAL CLUSTERING) Disusun oleh : Febryan Setiawan (0922081) Jurusan Teknik Elektro,
Lebih terperinciPENDEKATAN BARU PENYELESAIAN KASUS PENJADWALAN UJIAN AKHIR SEMESTER SEKOLAH MENENGAH ATAS (STUDI KASUS SMA NEGERI 3 SURAKARTA)
PENDEKATAN BARU PENYELESAIAN KASUS PENJADWALAN UJIAN AKHIR SEMESTER SEKOLAH MENENGAH ATAS (STUDI KASUS SMA NEGERI 3 SURAKARTA) SKRIPSI Diajukan untuk Memenuhi Sebagian Persyaratan Mendapatkan Gelar Strata
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI SISTEM PEMINATAN SISWA SMA DENGAN ALGORITMA C4.5 PADA SMAK HARAPAN DENPASAR
PERANCANGAN DAN IMPLEMENTASI SISTEM PEMINATAN SISWA SMA DENGAN ALGORITMA C4.5 PADA SMAK HARAPAN DENPASAR KOMPETENSI REKAYASA PERANGKAT LUNAK SKRIPSI OLEH : AYU INDAH SARIDEWI NIM.1108605014 PROGRAM STUDI
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 terperinciMETODOLOGI PENELITIAN
METODOLOGI PENELITIAN TAHAPAN PENELITIAN TKK6352 Metodologi Penelitian Name Chalifa Chazar Website script.id Email chalifa.chazar@gmail.com Last update : Juli 2016 chalifa.chazar@gmail.com Course Outline
Lebih terperinciSATUAN ACARA PERKULIAHAN ANALISIS DAN DESAIN SISTEM PRODUKSI AGROINDUSTRI. Oleh : Prof. Dr. Ir. Machfud, MSi. Dr. Eng. Ir. Taufik Djatna, MSi
SATUAN ACARA PERKULIAHAN ANALISIS DAN DESAIN SISTEM PRODUKSI AGROINDUSTRI Oleh : Prof. Dr. Ir. Machfud, MSi Dr. Eng. Ir. Taufik Djatna, MSi Dr. Ir. Hartrisari Hardjomidjojo, DEA PROGRAM STUDI PASCASARJANA
Lebih terperinciSistem Informasi. Soal Dengan 2 Bahasa: Bahasa Indonesia Dan Bahasa Inggris
Sistem Informasi Soal Dengan 2 Bahasa: Bahasa Indonesia Dan Bahasa Inggris 1. Kita mengetahui bahwa perkembangan teknologi di zaman sekarang sangat pesat dan banyak hal yang berubah dalam kehidupan kita.
Lebih terperinciINDUSTRIAL ENGINEERING
INDUSTRIAL ENGINEERING ENGINEERING The application of scientific and mathematical principles to practical ends such as the design, manufacture, and operation of efficient and economical structures, machines,
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 terperinciABSTRAKSI. Kata-kata kunci: Dimensi Motivasi Berbelanja Hedonik: Petualang, Nilai, Peran, Ide, Sosial, Relaksasi. Universitas Kristen Maranatha
ABSTRAKSI Perilaku konsumen merupakan ilmu yang mempelajari mengenai bagaimana tindakan yang diambil pelanggan dalam mendapatkan produk, motivasi yang mendasari pelanggan dalam mendapatkan produk, dan
Lebih terperinciPENGELOMPOKAN DAN ANALISIS PELANGGAN DENGAN MENGGUNAKAN FUZZY C-MEANS CLUSTERING
PENGELOMPOKAN DAN ANALISIS PELANGGAN DENGAN MENGGUNAKAN FUZZY C-MEANS CLUSTERING Benedictus Andrian Henry Threstanto¹, Dhinta Darmantoro², Kiki Maulana³ ¹Teknik Informatika,, Universitas Telkom Abstrak
Lebih terperinciABSTRAK. Kata Kunci: keranjang, online, penjualan, pembelian, rekomendasi
ABSTRAK Cepatnya perkembangan teknologi saat ini, hampir seluruh kegiatan dilakukan dengan cepat dan mudah. Veron Olshop belum menggunakan sistem yang terkomputerisasi dalam proses penyimpanan data transaksi
Lebih terperinciProgram Studi: Manajemen Bisnis Telekomunikasi & Informatika Mata Kuliah: Big Data And Data Analytics Oleh: Tim Dosen UNDERSTANDING BIG DATA
Manajemen Bisnis Telekomunikasi & Informatika Mata Kuliah: Big Data And Data Analytics Oleh: Tim Dosen UNDERSTANDING BIG DATA BIG DATA and DATA ANALYTICS 1. RPS / Course Plan (13 weeks) 2. Lab Activity
Lebih terperincihttp://www.brigidaarie.com proses menganalisa data untuk mencari polapola tersembunyi dengan menggunakan metodologi otomatis Istilah lain : Machine Learning Knowledge Discovery in Database (KDD) Predictive
Lebih terperinciSATUAN ACARA PERKULIAHAN PROGRAM PASCA SARJANA MAGISTER TEKNIK INFORMATIKA (MKom) UNIVERSITAS DIAN NUSWANTORO
Pertemuan Tujuan Instruksional Umum (TIU) 1 Mahasiswa memahami konsep business Tujuan Instruksional Khusus (TIK) Pokok Bahasan Sub Pokok Bahasan Teknik Pembelajaran 1. Mahasiswa dapat menjelaskan konsep
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciPEMANFAATAN TPS (Transaction Processing System) PADA BORANG AKREDITASI
PEMANFAATAN TPS (Transaction Processing System) PADA BORANG AKREDITASI SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Jurusan Informatika Disusun Oleh : RABBANI MUHAMMAD REZA
Lebih terperinciPENDUDUK DAN TENAGA KERJA. Population and Worker
PENDUDUK DAN TENAGA KERJA Population and Worker POPULATION AND WORKER III PENDUDUK DAN KETENAGAKERJAAN III POPULATION AND EMPLOYMENT III.1 PENDUDUK a. Jumlah dan Laju Pertumbuhan Penduduk Jumlah penduduk
Lebih terperinciDecision Support System. by: Ahmad Syauqi Ahsan
15 Decision Support System by: Ahmad Syauqi Ahsan Kenapa Manajer butuh bantuan IT? 2 Alternatif penyelesaian yang harus dipertimbangkan semakin banyak dan selalu bertambah. Keputusan-keputusan harus dibuat
Lebih terperinciANALISIS PERBANDINGAN ALGORITMA DECISION TREE J48 DAN NAÏVE BAYES DALAM MENGKLASIFIKASIKAN POLA PENYAKIT SKRIPSI. Oleh :
ANALISIS PERBANDINGAN ALGORITMA DECISION TREE J48 DAN NAÏVE BAYES DALAM MENGKLASIFIKASIKAN POLA PENYAKIT SKRIPSI Oleh : Frista Yulianora 1401128832 Muchammad Hasbi Latif 1401136065 Rika Jubel Febriana
Lebih terperinciRahasia Cermat & Mahir Menguasai Akuntansi Keuangan Menengah (Indonesian Edition)
Rahasia Cermat & Mahir Menguasai Akuntansi Keuangan Menengah (Indonesian Edition) Hery Hery Click here if your download doesn"t start automatically Rahasia Cermat & Mahir Menguasai Akuntansi Keuangan Menengah
Lebih terperinciIMPLEMENTASI ALGORITMA RANDOM FORESTS UNTUK KLASIFIKASI SPAM PADA CITRA DAN TEXT INSTAGRAM TUGAS AKHIR
IMPLEMENTASI ALGORITMA RANDOM FORESTS UNTUK KLASIFIKASI SPAM PADA CITRA DAN TEXT INSTAGRAM TUGAS AKHIR RIZKY NOVRIYEDI PUTRA 1132001001 PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS
Lebih terperinciANALISIS KINERJA PENGEMBANGAN PRODUK BARU. (STUDI KASUS: TelkomRisTI) PROYEK AKHIR
ANALISIS KINERJA PENGEMBANGAN PRODUK BARU (STUDI KASUS: TelkomRisTI) PROYEK AKHIR Oleh: YULIA NOVIANTI NIM: 29106070 PROGRAM MAGISTER ADMINISTRASI BISNIS SEKOLAH BISNIS DAN MANAJEMEN INSTITUT TEKNOLOGI
Lebih terperinciSATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA
Mata Kuliah Kode / SKS Program Studi Fakultas : Konsep Data Mining : IT012274 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1 Pengenalan RDBMS 2 SQL Mahasiswa dapat mnegrti dan memahami
Lebih terperinciMetodologi Penelitian Rudi Susanto pemahaman merupakan awal proses penelitian
Metodologi Penelitian Rudi Susanto rudist87@gmail.com 086547296211 pemahaman merupakan awal proses penelitian Course Outline 1. Pengantar Penelitian 2. Tahapan Penelitian 3. Masalah Penelitian 4. Literature
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 2581-1916 (Online) Artikel Sistem Pakar Pemilihan Topik Judul Skripsi Dengan Metode Forward Chaining
Lebih terperinciInggang Perwangsa Nuralam, SE., MBA
Inggang Perwangsa Nuralam, SE., MBA Business analysts examine the entire business area and take a thoughtful or even creative approach to developing ideas for solutions. Seorang Bisnis Analis menguji semua
Lebih terperinciNama dosen: Eko Rujito, M.Hum
Alamat: Karangmalang, Yogyakarta 281 (0274) 0843, 548207 Fax. (0274) 548207 4. Rencana Pembelajaran Minggu ke I: Orientation Students are able to understand clearly the basic course outline, the description
Lebih terperinciLink Analysis (Superset) 3 Kategori Link Analysis (#1) 3 Kategori Link Analysis (#2) Association Rule Mining. 3 Kategori Link Analysis (#3)
Knowledge Discovery in Databases (IS704) dan Data Mining (CS704) Kuliah #7: Association Rules Mining (Bagian 1) Gunawan Jurusan Teknik Informatika Link Analysis (Superset) Tujuan: Mencari hubungan antara
Lebih terperinciTHESIS KLASTERISASI HARGA SAHAM DAN KOMODITAS MENGGUNAKAN METODE HYBRID KLASTERISASI. Halim Budi Santoso
THESIS KLASTERISASI HARGA SAHAM DAN KOMODITAS MENGGUNAKAN METODE HYBRID KLASTERISASI Halim Budi Santoso 125301830 PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM PASCASARJANA UNIVERSITAS ATMA JAYA YOGYAKARTA
Lebih terperinci( ). PENERAPAN MODEL PEMBELAJARAN PROBLEM BASED LEARNING
ABSTRAK Hilman Tsabat Hidayah (125010022). PENERAPAN MODEL PEMBELAJARAN PROBLEM BASED LEARNING (PBL) TIPE ENAM TOPI BERPIKIR (SIX THINKING HATS) DALAM PEMBELAJARAN PKN UNTUK MENINGKATKAN KEMAMPUAN BERPIKIR
Lebih terperinciID3 : Induksi Decision Tree
ID3 : Induksi Decision Tree Singkatan: Iterative Dichotomiser 3 Induction of Decision "3" (baca: Tree Pembuat: Ross Quinlan, sejak akhir dekade 70-an. Pengembangan Lanjut: Cikal bakal algoritma C4.5, pada
Lebih terperinciKESASTRAAN MELAYU TIONGHOA DAN KEBANGSAAN INDONESIA: JILID 2 FROM KPG (KEPUSTAKAAN POPULER GRAMEDIA)
Read Online and Download Ebook KESASTRAAN MELAYU TIONGHOA DAN KEBANGSAAN INDONESIA: JILID 2 FROM KPG (KEPUSTAKAAN POPULER GRAMEDIA) DOWNLOAD EBOOK : KESASTRAAN MELAYU TIONGHOA DAN KEBANGSAAN Click link
Lebih terperinciPEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG
PEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG T 610.28 PUT Abstrak Penelitian ini bertujuan untuk memperlihatkan suatu metoda pengenalan multi pola dari
Lebih terperinciPENERAPAN ALGORITMA ID3 UNTUK PREDIKSI MINAT STUDI MAHASISWA TEKNIK INFORMATIKA PADA UNIVERSITAS DIAN NUSWANTORO. Abstrak
PENERAPAN ALGORITMA ID3 UNTUK PREDIKSI MINAT STUDI MAHASISWA TEKNIK INFORMATIKA PADA UNIVERSITAS DIAN NUSWANTORO Sirli Fahriah 1, Heru Agus Santoso,Ph.D 2 Mahasiswa Universitas Dian Nuswantoro Semarang
Lebih terperinciPenjelasan Uji Paired T Test Manual
Penjelasan Uji Paired T Test Manual T-Test adalah kasus khusus dari one-way ANOVA Variable 1 Range Uji T-Paired Dua contoh (Two Sample) for Means / T-Test Paired Two Sample for Means menggunakan excel.
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 terperinciJURUSAN PENDIDIKAN BAHASA INGGRIS Alamat: Karangmalang, Yogyakarta (0274) , Fax. (0274) http: //www.fbs.uny.ac.
4. Rencana Pembelajaran Minggu ke: 1 Introduction/Orientation to Course Students are expected to comprehend the nature of the course, the class requirements, and type of evaluation Understand the nature
Lebih terperinciData Mining Outline BAB I Pendahuluan. Proses Data Mining. Recap
Data Mining Outline BAB I Pendahuluan BAB II Data BAB III Algoritma Klasifikasi BAB IV Algoritma Klastering BAB V Algoritma Asosiasi BAB VI Algoritma Estimasi BAB VII Deteksi Anomali Ricky Maulana Fajri
Lebih terperinciABSTRAK. Kata kunci : Kompetensi Pedagogik, Kompetensi Profesional, dan Hasil Belajar
ABSTRAK Skripsi dengan judul Pengaruh Kompetensi Pedagogik dan Kompetensi Profesional Guru PAI terhadap Hasil Belajar PAI Siswa Kelas XII di SMAN 1 Campurdarat Tulungagung ini ditulis oleh Abdul Rohman
Lebih terperinciBy: Elfira Fibriani Student Number: Approved by:
A thesis on Students Language Anxiety in English Lesson and Students Expectation to Cope with the Language Anxiety: A Study at the First Year Students of SMA 6 Semarang By: Elfira Fibriani Student Number:
Lebih terperinciDESIGNING STANDARD OPERATING PROCEDURS (SOP)
DESIGNING STANDARD OPERATING PROCEDURS (SOP) Menjawab Masalah Apa Saat kondisi persaingan semakin ketat, konsistensi kualitas hasil kerja (produk berupa barang maupun jasa) serta kualitas proses kerja
Lebih terperinciANALISIS KINERJA MANAJEMEN (INDONESIAN EDITION) BY HERY HERY
ANALISIS KINERJA MANAJEMEN (INDONESIAN EDITION) BY HERY HERY READ ONLINE AND DOWNLOAD EBOOK : ANALISIS KINERJA MANAJEMEN (INDONESIAN EDITION) Click button to download this ebook READ ONLINE AND DOWNLOAD
Lebih terperinciKOMUNIKASI CERDAS (INDONESIAN EDITION) BY DESMON GINTING DOWNLOAD EBOOK : KOMUNIKASI CERDAS (INDONESIAN EDITION) BY DESMON GINTING PDF
Read Online and Download Ebook KOMUNIKASI CERDAS (INDONESIAN EDITION) BY DESMON GINTING DOWNLOAD EBOOK : KOMUNIKASI CERDAS (INDONESIAN EDITION) BY Click link bellow and free register to download ebook:
Lebih terperinciABSTRAK. Kata Kunci : Enterprise architecture, TOGAF, document solution, PT.Astragraphia, Tbk. Universitas Kristen Maranatha
ABSTRAK PT Astragraphia,Tbk merupakan sebuah perusahaan yang mandiri yang mempunyai fokus pada bisnis Document Solution, dengan partner utama Fuji Xerox Co. Ltd, perusahaan yang ahli di bidang perdokumenan
Lebih terperinciLAPORAN SKRIPSI IMPLEMENTASI ALGORITMA SINGLE MOVING AVERAGE UNTUK MERAMALKAN HARGA KACANG HIJAU DI KABUPATEN PATI
LAPORAN SKRIPSI IMPLEMENTASI ALGORITMA SINGLE MOVING AVERAGE UNTUK MERAMALKAN HARGA KACANG HIJAU DI KABUPATEN PATI NAJIH IZZAN ZAHRIAL NIM. 2012-51-168 DOSEN PEMBIMBING Rina Fiati, S. T, M.Cs Ahmad Jazuli,
Lebih terperinciABSTRAK. Kata Kunci: DODAF, data, kegiatan, operasional, sistem, dan Enterprise Resource Planning. iii. Universitas Kristen Maranatha
ABSTRAK Sistem Enterprise Resource Planning (ERP) merupakan aplikasi berbasis web yang digunakan oleh PT Pionirbeton Industri (PBI) dalam mengatur keseluruhan proses yang terjadi setiap harinya. Seluruh
Lebih terperinciDAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian...
ABSTRAK Analisis asosiasi adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi item.aturan asosiatif dari analisis pembelian di suatu pasar swalayan adalah mengetahui besarnya
Lebih terperinciPENYUSUNAN JADWAL PRAKTIKUM MAHASISWA MENGGUNAKAN METODE BEST FIRST SEARCH ABSTRAK
PENYUSUNAN JADWAL PRAKTIKUM MAHASISWA MENGGUNAKAN METODE BEST FIRST SEARCH Jerry Wiyono (0827003) Jurusan Sistem Komputer, Fakultas Teknik, Jalan Prof. drg. Suria Sumantri, MPH. No 65 Bandung 40164, Indonesia
Lebih terperinciData Mining Outline BAB I Pendahuluan. Rules. Pendahuluan 9/9/2016. Who Am I? Manusia Memproduksi Data. Ricky Maulana Fajri
Who Am I? SDN146 Palembang (1997) SMPN 33 Palembang (2000) SMA 11 Palembang (2003) S.Kom, M.Sc and in Software Engineering from Ricky Maulana Fajri Universitas Bina Darma Palembang(2003 2007) University
Lebih terperinciKOMPUTERISASI SISTEM INFORMASI PRESENSI GURU DAN KARYAWAN PADA SMP NEGERI 1 PARAKAN TEMANGGUNG DENGAN MENGGUNAKAN BARCODE.
KOMPUTERISASI SISTEM INFORMASI PRESENSI GURU DAN KARYAWAN PADA SMP NEGERI 1 PARAKAN TEMANGGUNG DENGAN MENGGUNAKAN BARCODE Naskah Publikasi Disusun Oleh: INTAN YULIANA TANJUNG 07.02.6992 TITIK MUSLIMAH
Lebih terperinciElliottician Overview
3 May 2018 Elliottician Overview Jakarta Composite Index Elliott Wave Perspective Short Term View (1-2 days): Bullish Stocks Recommendation for Today INTP; Trading Buy Buy area 17200-17350; TP 19850, 21400;
Lebih terperinciElliottician Overview
2 May 2018 Elliottician Overview Jakarta Composite Index Elliott Wave Perspective Short Term View (1-2 days): Bullish Stocks Recommendation for Today ACES; Buy on Weakness Buy area 1240-1250; TP 1340,
Lebih terperincibelajar siswa karena siswa dengan mudah memahami pelajaran, Faktor pendukung penggunaan media pembelajaran, siswa di smart class sangat aktif, sarana
ABSTRAK Skripsi dengan judul Penggunaan Media Pembelajaran PAI dalam Meningkatkan Motivasi Belajar Siswa pada Smart Class (Kelas Unggulan) di SMP Negeri 3 Kota Kediri ini ditulis oleh Vivi Nuraini, pembimbing
Lebih terperinciMETODE KLASIFIKASI DENGAN ALGORITMA NAÏVE BAYES UNTUK REKOMENDASI PENJURUSAN SMA TERANG BANGSA
Techno.COM, Vol. 15, No. 3, Agustus 216: 195-2 METODE KLASIFIKASI DENGAN ALGORITMA NAÏVE BAYES UNTUK REKOMENDASI PENJURUSAN SMA TERANG BANGSA Andrew Yova Kencana 1, Setia Astuti 2 1,2 Jurusan Teknik Ilmu
Lebih terperinciEKSPLORA INFORMATIKA 127
EKSPLORA INFORMATIKA 127 Implementasi Algoritma C4.5 untuk Analisa Performa Pelayanan Bank Terhadap Nasabah Implementation of C4.5 Algorithm for Bank Service Performance Analysis To Customer Fandi Ramadhan
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 terperinciSoftware Engineering Streaming
Software Engineering Streaming by Meiliana D4572 - Ganjil 2017/2018 - Outline Introduction Course Structure Research Topics Application Example from Thesis SE Career Software Engineering Definition The
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 terperinciElliottician Overview
25 April 2018 Elliottician Overview Jakarta Composite Index Elliott Wave Perspective Short Term View (3-4 days): Bearish Stocks Recommendation for Today ANTM; Buy on Weakness - Buy area 835-840; TP 945;
Lebih terperinciCourse Perfomance Evaluation Odd Semester of Academic Year 2015/2016
Course Perfomance Evaluation Odd Semester of Academic Year 5/6 No. Course Performance Criteria A. Course Benefits (Manfaat Mata Kuliah) Improved knowledge literacy Meningkatkan pengetahuan Developed biomedical-specific
Lebih terperinci2. Data & Proses Datamining
2. Data & Proses Datamining Data 1. Input (Dataset) 2. Pengolahan Data Awal 3. Metode Learning Tahapan Utama Proses Data Mining Input (Data) Metode (Algoritma Data Mining) Output (Pola/Model/ Knowledge)
Lebih terperinciPenerapan Data Mining Association Rule Menggunakan Algoritma Apriori Untuk Meningkatkan Penjualan dan Memberikan Rekomendasi Pemasaran Produk Speedy
Penerapan Data Mining Association Rule Menggunakan Algoritma Apriori Untuk Meningkatkan Penjualan dan Memberikan Rekomendasi Pemasaran Produk Speedy (Studi Kasus di PT. Telkom Cabang Wonogiri ) Moch. Yusuf
Lebih terperinciHealth Care Service Questionnaire
Health Care Service Questionnaire Good morning/afternoon/evening The survey is conducted for the purpose of gathering information from respondents. All of the data inside this survey WILL BE KEPT SECRET.
Lebih terperinciIMPLEMENTASI KONTROL PID PADA PENDULUM TERBALIK MENGGUNAKAN PENGONTROL MIKRO AVR ATMEGA 16 ABSTRAK
IMPLEMENTASI KONTROL PID PADA PENDULUM TERBALIK MENGGUNAKAN PENGONTROL MIKRO AVR ATMEGA 16 Disusun Oleh: Nama : Earline Ignacia Sutanto NRP : 0622012 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciANALISIS SELEKSI ATRIBUT PADA ALGORITMA NAÏVE BAYES DALAM MEMPREDIKSI PENYAKIT JANTUNG
ANALISIS SELEKSI ATRIBUT PADA ALGORITMA NAÏVE BAYES DALAM MEMPREDIKSI PENYAKIT JANTUNG TESIS IVAN JAYA 117038072 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS
Lebih terperinciE-LEARNING PIANO UNTUK SISWA SEKOLAH DASAR DAN MENENGAH
E-LEARNING PIANO UNTUK SISWA SEKOLAH DASAR DAN MENENGAH Risnandar Politeknik Telkom Bandung rnd@politekniktelkom.ac.id ABSTRACT Some factors effecting the people to learn piano include workload, lazy,
Lebih terperinciANALISIS PERBANDINGAN ONLINE DAN OFFLINE TRAINING PADA JARINGAN BACKPROPAGATION PADA KASUS PENGENALAN HURUF ABJAD TESIS
ANALISIS PERBANDINGAN ONLINE DAN OFFLINE TRAINING PADA JARINGAN BACKPROPAGATION PADA KASUS PENGENALAN HURUF ABJAD TESIS MUHAMMAD ANGGI RIVAI NST 117038015 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU
Lebih terperinciABSTRAK. vi Universitas Kristen Maranatha
ABSTRAK Aspek akademik merupakan hal utama yang diperhatikan dalam kegiatan perkuliahan, namun adanya pengaruh dari aspek non akademik juga tidak dapat dibaikan. Dalam proses belajar mengajar pada Fakultas
Lebih terperinciSISTEM INFORMASI GEOGRAFIS (SIG) DALAM BIDANG KESEHATAN MASYARAKAT
SISTEM INFORMASI GEOGRAFIS (SIG) DALAM BIDANG KESEHATAN MASYARAKAT Endang lndriasih1 -- Decentraliz~tion in health sector has enable to identify many health problems, population characteristics, and locally
Lebih terperinciABSTRAK. Kata Kunci : Website Media Pembelajaran, SMK Teknik Komputer dan Jaringan, Use Case, Flowchart, ERD, AJAX, PHP, MySQL.
ABSTRAK Metode pembelajaran yang diterapkan di SMK Teknik Komputer dan jaringan (TKJ) PGRI Cibaribis untuk kelompok mata pelajaran kompetensi kejuruan dirasakan belum cukup untuk meningkatkan kualitas
Lebih terperinciMETODOLOGI PENELITIAN
METODOLOGI PENELITIAN MASALAH PENELITIAN TKK6352 Metodologi Penelitian Name Chalifa Chazar Website script.id Email chalifa.chazar@gmail.com Last update : Juli 2016 chalifa.chazar@gmail.com Course Outline
Lebih terperinciANALISIS KUALITAS PELAYANAN JASA DENGAN METODE SERVICE QUALITY DAN FUZZY DI RAJAWALI HOTEL & RESTAURANT TELENGRIA - PACITAN SRIPSI
ANALISIS KUALITAS PELAYANAN JASA DENGAN METODE SERVICE QUALITY DAN FUZZY DI RAJAWALI HOTEL & RESTAURANT TELENGRIA - PACITAN SRIPSI Disusun oleh : DENNIS PUDYA ADI PRADANA 1032210002 JURUSAN TEKNIK INDUSTRI
Lebih terperinciABSTRACT. Keywords: Accounting Information System, finished product stock, Internal Control System, computer technology. vii
ABSTRACT In this global economy era, we need a changing in our system, especially for Accounting Information System (AIS). Extending information using computer technology in a company could be more effective
Lebih terperinciPohon Keputusan. 6.1 Inductive Learning
6 Pohon Keputusan Sometimes you make the right decision, sometimes you make the decision right. Phil McGraw Bab ini akan menelaskan salah satu varian pohon keputusan yaitu ID3 oleh Quinlan [27, 28] yang
Lebih terperinciAlgoritma Dasar. 4.1 Naive Bayes
4 Algoritma Dasar It is a capital mistake to theorize before one has data. Arthur Conan Doyle Sebelum masuk ke algoritma machine learning yang cukup modern/ matematis, kami akan memberi contoh algoritma
Lebih terperinciABSTRAKSI. Kata Kunci : COBIT, Pengelolaan Teknologi Informasi, Audit Teknologi Informasi, Maturity Models, Tingkat Kecukupan Kontrol.
ABSTRAKSI Pengelolaan teknologi informasi di Pusat Penelitian dan Pengembangan Geologi Kelautan saat ini masih kurang terarah dan kurang terstruktur. Pengelolaan yang terarah dan terstruktur dapat mendukung
Lebih terperinciTeknik Kreatif Menyajikan Presentasi Memukau (Indonesian Edition)
Teknik Kreatif Menyajikan Presentasi Memukau (Indonesian Edition) Muhammad Noer Click here if your download doesn"t start automatically Teknik Kreatif Menyajikan Presentasi Memukau (Indonesian Edition)
Lebih terperinci