BAB I PENDAHULUAN 1.1 Latar Belakang
|
|
- Fanny Widjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB I PENDAHULUAN 1.1 Latar Belakang Seiring berkembangnya teknologi informasi, kebutuhan akan informasi yang digunakan untuk mendukung business intelligent suatu perusahaan juga meningkat. Informasi penting yang dibutuhkan dalam mendukung pengambilan keputusan strategis menjadi kunci keberhasilan suatu perusahaan. Persaingan dan kompetisi dalam dunia bisnis memaksa para pelaku bisnis untuk selalu berinovasi dan merancang strategi-strategi yang dapat menunjang perkembangan bisnis yang dijalankan. Salah satu cabang ilmu yang dapat memberikan informasi penting yang berguna bagi perusahaan adalah data mining. Data mining merupakan suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan atau informasi di dalam suatu data set. Kemajuan data mining didorong oleh beberapa faktor, antara lain: pertumbuhan data yang cepat, perkembangan teknologi, peningkatan akses data dan perkembangan yang hebat dalam kemampuan komputasi serta perkembangan kapasitas media penyimpanan. Secara fungsional data mining dibagi menjadi beberapa kelompok, salah satu pengelompokkan data mining tersebut adalah klasifikasi. Klasifikasi merupakan suatu pekerjaan menilai objek data untuk memasukkannya ke dalam kelas tertentu dari sejumlah kelas yang tersedia. Klasifikasi telah menjadi topik penting dalam machine learning, pattern recognition dan data mining. Berhubungan dengan pemanfaatan teknologi data mining dalam berbagai bidang, klasifikasi banyak digunakan dalam pengembangan sistem pendukung pengambilan keputusan (Decision Support System), sistem prediksi, sistem diagnosis dan lain-lain. Sehubungan dengan besarnya kebutuhan terhadap sistem klasifikasi yang efektif dan efisien, maka klasifikasi yang baik dituntut untuk dapat memberikan hasil klasifikasi yang akurat, pemrosesan yang cepat dan mudah untuk diimplementasikan atau memiliki kompleksitas yang rendah. Dalam pengimplementasian klasifikasi terdapat beberapa algoritme yang dapat digunakan, seperti : Decision Tree, Naïve
2 Bayes Classifier, Neural Network, Genetic Algorithms, Support Vector Machines dan lain sebagainya. Salah satu algoritme yang dapat digunakan dalam proses klasifikasi adalah Naïve Bayes Classifier (NBC). Naïve Bayes Classifier merupakan algoritme klasifikasi yang berbasis pada teori keputusan Bayes yang menggunakan probabilitas untuk penentuan keputusan. Naïve Bayes Classifer merupakan algoritme klasifikasi yang sederhana, efektif, cepat, memiliki tingkat akurasi yang tinggi dan algoritme yang paling banyak digunakan dalam proses klasifikasi dibanding algoritme klasifikasi lainnya. Meskipun Naïve Bayes Classifier merupakan algoritme yang paling banyak digunakan, Naïve Bayes Classifier masih memiliki kelemahan yang harus diatasi guna meningkatkan performa dari algoritme tersebut. Kelemahan Naïve Bayes Classifier dijelaskan pada penelitian yang dilakukan oleh Nurnberger, dkk [1] yang menyebutkan bahwa dalam proses klasifikasi, algoritme Naïve Bayes Classifier hanya berdasar pada distribusi probabilitas (prior probability dan conditional probability). Jika hanya menggunakan distribusi probabilitas maka yang menjadi faktor penentu pemetaan suatu kelas hanya berdasar kepada tingkat kemunculan data pada data set dengan asumsi bahwa bobot atau prioritas masing-masing atribut adalah sama. Pada saat dilakukan perhitungan probability masing-masing atribut terhadap kelas dengan metode Naive Bayes Classifier, idealnya juga diperhitungkan seberapa kuat hubungan atribut tersebut dengan kelas. Perhitungan nilai hubungan atribut dengan kelas menyebabkan yang menjadi parameter untuk pemetaan data yang belum diketahui kelasnya terhadap kelas yang ditentukan bukan hanya dari probability atribut data tersebut, tetapi juga seberapa kuat hubungan atribut dari data tersebut dengan kelas yang ditentukan. Dalam beberapa tahun terakhir, banyak penelitian dilakukan untuk mengatasi permasalahan Naïve Bayes Classifier yang hanya bergantung pada distribusi probabilitas. Pengembangan yang dilakukan untuk mengatasi masalah tersebut adalah dengan melakukan pembobotan atribut pada Naïve Bayes Classifier. Beberapa algoritme yang telah diusulkan para peneliti terdahulu adalah : Weighted Naïve Bayes Classifier
3 Algorithm-Attribute Frequency (WNBCA-AF), Naïve Bayes Classifier with Hybrid-weight (NBCH) dan Weighted Naïve Bayes on Correlation Coefficient (WNB-CC). Algoritme Weighted Naïve Bayes Classifier Algorithm-Attribute Frequency (WNBCA-AF) merupakan pengembangan algoritme Naïve Bayes Classifier yang diusulkan oleh Zhang dan Wang [2]. Konsep dasar pembobotan atribut dalam algoritme ini adalah dengan melakukan pembobotan Attribute Frequency. Frekuensi atribut merupakan jumlah data dari matriks yang terbentuk oleh masing-masing atribut. Atribut dengan frekuensi atribut terbesar merupakan atribut yang memiliki bobot terbesar. Algoritme ini merupakan algoritme yang paling mudah dan sederhana, akan tetapi kelemahan dari algoritme ini adalah pembobotan frekuensi atribut tidak selalu tepat digunakan untuk semua kondisi data set dan akurasi yang diberikan tidak begitu tinggi. Algoritme lain yang diusulkan adalah Naïve Bayes Classifier with Hybridweight (NBCH). Algoritme ini diusulkan oleh Geng, dkk [3] yang menerapkan metode penggabungan gain ratio dan koefisien korelasi. Gain ratio digunakan untuk mengukur keefektifan kondisi atribut dalam klasifikasi dan koefisien korelasi digunakan untuk menggambarkan hubungan ketergantungan antara atribut dengan kelas. Algoritme ini memberikan tingkat akurasi yang cukup tinggi, akan tetapi kelemahan dari algoritme ini adalah memiliki kompleksitas yang tinggi dan hampir mendekati kompleksitas algoritme Decision Tree. Dengan melakukan pembobotan berdasarkan information gain, entropy dan koefisien korelasi, proses komputasi dalam klasikasi menjadi sangat tinggi. Hal ini sangat berpengaruh terhadap kecepatan proses klasifikasi. Algoritme yang cukup efektif dan efisien serta memiliki akurasi cukup tinggi diusulkan oleh Yao dan Li [4] yaitu Weighted Naïve Bayes on Correlation Coefficient (WNB-CC). Konsep dari pembobotan atribut dengan koefisien korelasi ini adalah dengan memberikan bobot atribut berdasarkan pada nilai koefisien korelasi antara atribut tersebut dengan atribut kelas. Pembobotan atribut dibobotkan pada conditional probability, hal ini membuat algoritme ini memiliki kelemahan karena nilai koefisien korelasi berkisar antara -1 sampai dengan 1
4 maka memungkinkan terjadi probability negatif. Kelemahan lain dari algoritme ini adalah pembobotan dengan metode ini tidak selalu akurat untuk semua kondisi misalnya jika frekuensi kemunculan data suatu atribut berbanding terbalik dengan koefisien korelasinya serta jika terjadi probability 0 atau zero probability pada conditional probability, maka pembobotan atribut menjadi tidak efektif lagi. Dalam penelitian ini menawarkan sebuah metode baru untuk pembobotan atribut pada Naïve Bayes Classifier yang lebih sederhana, efektif, cepat dan memiliki tingkat akurasi yang tinggi yang dinamakan Correlated-Naïve Bayes Classifier (CNBC). Metode yang diusulkan ditujukan untuk mengatasi kelemahan Naïve Bayes Classifier yang hanya menggunakan distribusi probabilitas dengan pembobotan atribut terhadap kelas dan dioptimalkan dengan metode Laplacian. Bobot atribut dalam metode yang diusulkan, didapatkan dari nilai koefisien korelasi antara atribut tersebut dengan kelas. Koefisien korelasi mempunyai range nilai dari -1 sampai dengan 1, sehingga terdapat kemungkinan nilai pembobotan atribut menjadi negatif. Untuk mencegah terjadi nilai negatif, maka yang digunakan untuk pembobotan atribut adalah nilai R Square. Pembobotan atribut merupakan metode dimana nilai R Square dari masing-masing atribut terhadap kelas dikalikan dengan probability masing-masing atribut dalam perhitungan conditional probability Naive Bayes Classifier dengan metode join probability. Pembobotan atribut ini dapat meningkatkan akurasi dengan memperhitungkan seberapa kuat hubungan atribut tersebut terhadap kelas yang ditentukan. Untuk menjaga konsistensi bahwa nilai R Square selalu berpengaruh pada proses klasifikasi, maka digunakan metode Laplacian yang mencegah terjadinya probability 0. Metode Laplacian perlu diterapkan karena jika terdapat probability 0, maka berapapun nilai R Square atribut tidak akan berpengaruh. Penerapan metode Laplacian adalah dengan memaksa frekuensi kemunculan data pada data set lebih besar dari 0 dengan menambahkan nilai kemunculan 1 pada setiap perhitungan conditional probability.
5 1.2 Perumusan masalah Berdasarkan latar belakang masalah, maka permasalahan yang dibahas dan diteliti adalah sebagai berikut: 1. Proses klasifikasi algoritme Naïve Bayes Classifier yang hanya bergantung kepada distribusi probabilitas. 2. Akurasi algoritme Naïve Bayes Classifier masih memiliki kemungkinan untuk dapat ditingkatkan. 1.3 Keaslian penelitian Ada beberapa penelitian yang telah dilakukan yang berkaitan dengan data mining dan pengembangan algoritme Naïve Bayes Classifier. Berikut akan diuraikan ringkasan mengenai penelitian yang berkaitan dengan data mining dan pengembangan algoritme Naïve Bayes Classifier yang merupakan hasil review dari penelitian sebelumnya. Arroyo dan Sucar [5] melakukan penelitian untuk mengoptimalkan algoritme Naïve Bayes Classifier dengan menggunakan metode diskritisasi dan perbaikan struktur. Tujuan dari optimasi ini adalah untuk mengatasi kelemahan algoritme Naïve Bayes Classifier yang cenderung akurasi klasifikasinya menurun ketika atribut tidak independen dan tidak dapat menangani nonparametric continuous attributes. Perbaikan struktural yang dilakukan adalah dengan menghilangkan dan menggabungkan atribut berdasarkan pada kondisional dan saling ketergantungan antar atribut. Penelitian lain yang bertujuan untuk mengembangkan algoritme Naïve Bayes Classifier adalah penelitian yang dilakukan Nurnberger dan Klose [1] yang menjelaskan pengembangan algoritme Naïve Bayes Classifier dengan sebuah sistem Neuro-Fuzzy dan distribusi non-gaussian. Salah satu kelemahan dalam algoritme Naïve Bayes Classifier adalah hanya bergantung pada distribusi probability. Untuk mengatasi kelemahan algoritme Naïve Bayes Classifier yang hanya bergantung pada distribusi probability, metode yang diusulkan adalah dengan memetakan Naïve Bayes Classifier ke dalam Neuro-Fuzzy Classifier.
6 Pengembangan data mining tidak hanya dilakukan dengan optimasi algoritme yang digunakan. Beberapa penelitian mengembangkan data mining dengan memperbaiki proses dalam pemilihan fitur yang akan digunakan untuk proses data mining khususnya proses klasifikasi. Huang, dkk [6] melakukan penelitian tentang feature selection berbasis analisis korelasi. Feature selection merupakan salah satu hal penting dalam bidang machine learning dan klasifikasi data mining. Analisis korelasi dalam penelitian ini dibagi menjadi C-correlation dan F-correlation. C-correlation digunakan untuk mengidentifikasi feature yang relevan untuk kategori atribut dan F-Correlation digunakan untuk mengukur redundansi antar feature. Optimasi proses feature selection lainnya ditunjukkan pada penelitian Deshmukh, dkk [7] yang melakukan penelitian untuk menggambarkan sebuah sistem yang menggunakan serangkaian kegiatan preprocessing data yang termasuk feature selection dan discretization. Feature selection diimplementasikan dengan menggunakan metode Fast Correlation Based Filter (FCBF). Konsep dasar dari Fast Correlation Based Filter adalah dengan memprioritaskan feature yang memiliki korelasi tinggi dengan kelas dan mengeliminasi feature yang memiliki korelasi rendah dengan class. Discretization ditujukan untuk merubah continuous variable menjadi variabel nominal dengan nilai yang terbatas. Hal lain yang perlu diperbaiki dalam pengembangan algoritme Naïve Bayes Classifier adalah permasalahan Zero Probabilistic. Zhang, dkk [8] membuat sebuah penelitian untuk mengatasi permasalahan Zero Probabilistic (ZP) pada proses klasifikasi berbasis probability dengan mengusulkan sebuah metode Improved Naïve Bayes Learning (INBL). Metode INBL berbasis pada karakteristik data. Konsep dasar dari INBL adalah jika menemukan nilai probability 0 pada saat proses perhitungan conditional probability atribut x terhadap kelas y, maka nilai dari probability atribut x akan diganti dengan atribut lain yang memiliki nilai paling dekat dengan atribut x. Dalam penelitian ini, pengujian metode INBL diterapkan pada algoritme klasifikasi Naïve Bayes dan k- Nearest Neighbors.
7 Penelitian lain yang bertujuan untuk mengembangkan algoritme Naïve Bayes Classifier adalah penelitian yang dilakukan oleh Liu, dkk [9] yang mengusulkan sebuah metode untuk mengembangkan algoritme Naïve Bayes Classifier. Metode yang digunakan adalah Improved Naïve Bayes Classifier (INBC) dan mengeksplorasi penggunaan Genetic Algorithms (GAs) untuk pemilihan subset dari fitur-fitur dalam permasalahan klasifikasi. Konsep dasar dari INBC adalah dengan membagi data set x ke dalam beberapa data set x 1, x 2,, x i untuk memodifikasi data set x secara bertahap. Hasil akhir dari INBC adalah data set baru yang merupakan hasil dari pengujian dan modifikasi pecahan data set x 1, x 2,, x i terhadap data set x. Pengembangan algoritme Naïve Bayes Classifier juga dilakukan dengan pembobotan atribut. Salah satu algoritme yang diusulkan adalah algoritme Weighted Naïve Bayes Classifier Algorithm-Attribute Frequency (WNBCA-AF) yang yang diusulkan oleh Zhang dan Wang [2]. Konsep dasar pembobotan atribut dalam algoritme ini adalah dengan melakukan pembobotan Attribute Frequency. Frekuensi atribut merupakan jumlah data dari matriks yang terbentuk oleh masing-masing atribut. Atribut dengan frekuensi atribut terbesar merupakan atribut yang memiliki bobot terbesar. Algoritme ini merupakan algoritme yang paling mudah dan sederhana, akan tetapi kelemahan dari algoritme ini adalah pembobotan frekuensi atribut tidak selalu tepat digunakan untuk semua kondisi data set dan akurasi yang diberikan tidak begitu tinggi. Algoritme pembobotan atribut lain yang diusulkan adalah Naïve Bayes Classifier with Hybrid-weight (NBCH). Algoritme ini diusulkan oleh Geng, dkk [3] yang menerapkan metode penggabungan gain ratio dan koefisien korelasi. Gain ratio digunakan untuk mengukur keefektifan kondisi atribut dalam klasifikasi dan koefisien korelasi digunakan untuk menggambarkan hubungan ketergantungan antara atribut dengan kelas. Algoritme ini memberikan tingkat akurasi yang cukup tinggi, akan tetapi kelemahan dari algoritme ini adalah memiliki kompleksitas yang tinggi dan hampir mendekati kompleksitas algortime Decision Tree. Dengan melakukan pembobotan berdasarkan information gain, entropy dan koefisien korelasi, proses komputasi dalam klasikasi menjadi sangat
8 tinggi. Hal ini sangat berpengaruh terhadap kecepatan proses klasifikasi. Yao dan Li [4] juga mengusulkan sebuah algoritme pembobotan atribut yaitu Weighted Naïve Bayes on Correlation Coefficient (WNB-CC). Konsep dari pembobotan atribut dengan koefisien korelasi ini adalah dengan memberikan bobot atribut berdasarkan pada nilai koefisien korelasi antara atribut tersebut dengan atribut kelas. Pembobotan atribut dibobotkan pada conditional probability, hal ini membuat algoritme ini memiliki kelemahan karena nilai koefisien korelasi berkisar antara -1 sampai dengan 1 maka memungkinkan terjadi probability negatif. Kelemahan lain dari algoritme ini adalah pembobotan dengan metode ini tidak selalu akurat untuk semua kondisi misalnya jika frekuensi kemunculan data suatu atribut berbanding terbalik dengan koefisien korelasinya serta jika terjadi probability 0 atau zero probability pada conditional probability, maka pembobotan atribut menjadi tidak efektif lagi. Pengembangan algoritme Naïve Bayes Classifier pada penelitian yang akan dilakukan menggunakan pembobotan atribut berdasarkan pada keeratan hubungan masing-masing atribut dengan kelas. Konsep dasar dari pembobotan atribut adalah dengan mengasumsikan bahwa masing-masing atribut memiliki pengaruh dan prioritas yang berbeda terhadap kelas. Untuk mengoptimalkan hasil klasifikasi, dalam penelitian yang akan dilakukan juga menggunakan metode Laplacian untuk mengatasi permasalahan Zero Probability. Perbedaan dari penelitian yang pernah dilakukan adalah pada penelitian ini menggunakan metode pengembangan yang berbeda dari penelitian-penelitian yang sudah dilakukan yaitu dengan pembobotan atribut dengan menggunakan R Square yang diperhitungkan pada conditional probability dengan metode join probability dan disempurnakan dengan metode Laplacian. Pada penelitian ini menggunakan 30 data set yang disediakan oleh Uci Repository dengan tipe atribut numerical, categorical atau mixed. Penelitian ini juga akan memberikan hasil analisis perbandingan antara algoritme Naïve Bayes Classifier dengan algoritme Correlated Naïve Bayes Classfier.
9 1.4 Tujuan Penelitian Tujuan yang ingin dicapai dalam penelitian ini adalah membuat sebuah metode baru yang sederhana dan memiliki akurasi yang lebih tinggi dibandingkan dengan algoritme Naïve Bayes Classifier. 1.5 Manfaat Penelitian Manfaat yang dapat diberikan dari adanya penelitian ini adalah mendapatkan sebuah algoritme baru yang dapat digunakan sebagai salah satu alternatif untuk proses klasifikasi seperti dalam membangun sistem pakar, sistem kecerdasan buatan, sistem prediksi dan sistem klasifikasi lainnya.
ANALISIS PERFORMA ALGORITME WEIGHTED NAIVE BAYES CLASSIFIER. Abstrak
ANALISIS PERFORMA ALGORITME WEIGHTED NAIVE BAYES CLASSIFIER Burhan Alfironi Muktamar Program Studi Teknik Informatika STMIK Jenderal Achmad Yani burhanalfironimuktamar@gmail.com Abstrak Naïve Bayes Classifier
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pendidikan adalah salah satu aspek terpenting bagi kehidupan manusia, yang dapat mempengaruhi manusia itu sendiri, juga menjadi faktor pendukung dalam setiap sektor
Lebih terperinciBABI PENDAHULUAN. 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Kanker payudara adalah jenis kanker yang dimulai pada sel-sel payudara sebagai sekelompok sel kanker, yang kemudian dapat menyerang jaringan di sekitarnya atau menyebar
Lebih terperinciPEMBOBOTAN KORELASI PADA NAÏVE BAYES CLASSIFIER
PEMBOBOTAN KORELASI PADA NAÏVE BAYES CLASSIFIER Burhan Alfironi Muktamar 1), Noor Akhmad Setiawan 2), Teguh Bharata Adji 3) 1), 2), 3) Teknik Elektro dan Teknologi Informasi Universitas Gadjah Mada Jl.
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis sentimen merupakan proses dalam mengolah, memahami, dan mengekstrak data dalam bentuk teks terhadap suatu topik, kejadian ataupun individu untuk mendapatkan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penyakit Kanker merupakan suatu peyakit yang paling ditakuti oleh masyakat karena proses penyembuhannya yang sulit, efek yang ditimbulkan dan memerlukan biaya yang
Lebih terperinci( ) ( ) (3) II-1 ( ) ( )
BAB II LANDASAN TEORI 2.1 Naïve Bayes Classifier 2.1.1 Teorema Bayes Bayes merupakan teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema Bayes (atau aturan Bayes) dengan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Setiap siswa di dalam kelas memiliki karakteristik diri yang berbeda beda, seperti : jujur, empati, sopan, menghargai dan sebagainya. Karakteristik diri tersebut berperan
Lebih terperinciANALISIS PERBANDINGAN TINGKAT AKURASI ALGORITMA NAÏVE BAYES CLASSIFIER DENGAN CORRELATED-NAÏVE BAYES CLASSIFIER
ANALISIS PERBANDINGAN TINGKAT AKURASI ALGORITMA NAÏVE BAYES CLASSIFIER DENGAN CORRELATED-NAÏVE BAYES CLASSIFIER Burhan Alfironi Muktamar 1), Noor Akhmad Setiawan 2), Teguh Bharata Adji 3) 1), 2), 3) Teknik
Lebih terperinciMoch. Ali Machmudi 1) 1) Stmik Bina Patria
UJI PENGARUH KARAKTERISTIK DATASET PADA PERFORMA ALGORITMA KLASIFIKASI Moch. Ali Machmudi 1) 1) Stmik Bina Patria 1) Jurusan Manjemen Informatika-D3 Email : 1 aliadhinata@gmail.com 1) Abstrak Tujuan utama
Lebih terperinciANALISIS INFORMATION GAIN ATTRIBUTE EVALUATION UNTUK KLASIFIKASI SERANGAN INTRUSI
ANALISIS INFORMATION GAIN ATTRIBUTE EVALUATION UNTUK KLASIFIKASI SERANGAN INTRUSI Aulia Essra (1), Rahmadani (2), Safriadi (3) Magister Teknik Informatika, Universitas Sumatera Utara Jl. Universitas No.24A
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 terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang Diagnosis kanker dapat dilakukan berdasarkan struktur morfologisnya, namun hal tersebut mengalami kesulitan karena perbedaan struktur morfologis yang sangat tipis
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jantung adalah organ dalam tubuh manusia yang memiliki peran penting pada sistem peredaran darah. Jantung merupakan pompa paling efisien dan tahan lama yang dikenal
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 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penelitian Terkait Penelitian terkait dengan topik analisis sentimen cukup banyak, berikut beberapa penelitian yang tekait dengan analisa sentimen yang menggunakan seleksi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 1.1 Latar Belakang BAB I PENDAHULUAN Dalam Peraturan Menteri Agama Republik Indonesia Nomor 30 Tahun 2014 tentang Biaya Kuliah Tunggal dan Uang Kuliah Tunggal pada Perguruan Tinggi Keagamaan Negeri di
Lebih terperinciKlasifikasi Teks Bahasa Indonesia Pada Corpus Tak Seimbang Menggunakan NWKNN
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Klasifikasi Teks Bahasa Indonesia Pada Corpus Tak Seimbang Menggunakan NWKNN Achmad Ridok 1), Retnani Latifah 2) Filkom
Lebih terperinciBAB II TINJAUAN PUSTAKA
digilib.uns.ac.id BAB II TINJAUAN PUSTAKA 2.1. Landasan Teori 2.1.1. Twitter API Twitter API terdiri dari dua komponen yang berbeda, REST dan SEARCH API. REST API memungkinkan pengembang/developer Twitter
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Saat ini pendidikan di Indonesia semakin berkembang. Banyaknya
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini pendidikan di Indonesia semakin berkembang. Banyaknya pembangunan gedung sekolah maupun perguruan tinggi menjadi tanda berkembangnya pendidikan. Jumlah pendaftar
Lebih terperinciOPTIMASI NAÏVE BAYES DENGAN PEMILIHAN FITUR DAN PEMBOBOTAN GAIN RATIO
OPTIMASI NAÏVE BAYES DENGAN PEMILIHAN FITUR DAN PEMBOBOTAN GAIN RATIO I. Gusti. A. Socrates ), Afrizal L. Akbar 2), dan M. Sonhaji Akbar 3), 2, 3) Teknik Informatika, Institut Teknologi Sepuluh Nopember
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada penelitian machine learning banyak sekali diperbincangkan tentang perilaku belajar mesin (komputer) agar mampu belajar dan berpikir cerdas layaknya manusia yang
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar belakang
1.1 Latar belakang BAB I PENDAHULUAN Paru-paru adalah organ penting yang merupakan salah satu organ vital bagi kehidupan manusia. Organ ini memiliki peranan pada sistem pernapasan, karena dapat memenuhi
Lebih terperinciBAB II TINJAUAN PUSTAKA. penelitian yang penting (Baharudin, Lee and Khan, 2010). Beberapa peneliti telah
BAB II TINJAUAN PUSTAKA Beberapa peneliti yang melakukan penelitian menganggap text mining menjadi sangat penting karena kemudahan untuk mendapatkan data elektronik dari berbagai macam sumber, karena itu
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 KLASIFIKASI PADA TEXT MINING Budi Susanto Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Budi Susanto KLASIFIKASI PADA TEXT MINING Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa algoritma klasifikasi: KNN Naïve Bayes Decision
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 terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring berkembangnya teknologi informasi saat ini maka berkembang pula perangkat perangkat yang mendukung guna akses informasi yang semakin dibutuhkan dalam waktu
Lebih terperinciPENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU
PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro
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 terperinciPREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION Hamsir Saleh Hamsir.saleh@gmail.com Fakultas Ilmu Komputer Universitas Ichsan Gorontalo Abstrak Memprediksi kebangkrutan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Data mining adalah salah satu teknik dan proses untuk menemukan suatu pola dan pengetahuan dari data yang berjumlah besar (Han dkk., 2011). Proses yang dilakukan
Lebih terperinciBAB I PENDAHULUAN. untuk bisa mengeluarkan pendapat dan ekspresi secara bebas. Itu artinya perusahaan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pesatnya perkembangan media sosial menawarkan pengguna kesempatan untuk bisa mengeluarkan pendapat dan ekspresi secara bebas. Itu artinya perusahaan tidak lagi memiliki
Lebih terperinciPENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi internet memunculkan berbagai metode komunikasi yang mudah, murah, dan cepat. Salah satu media yang paling populer dan sangat cepat berkembang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Bencana kebakaran dapat terjadi dimana saja dan kapan saja, misalkan terjadi di area tempat tinggal, di tambang atau di hutan. Untuk kebakaran hutan, kerugian yang
Lebih terperinciBAB I PENDAHULUAN. memberikan dampak yang luas dalam bagaimana manusia menjalani hidupnya.
BAB I PENDAHULUAN 1. 1.1. Latar Belakang Perkembangan infrastruktur dan penggunaan teknologi informasi memberikan dampak yang luas dalam bagaimana manusia menjalani hidupnya. Salah satunya adalah perolehan
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 terperinciAPLIKASI KLASIFIKASI PEMENUHAN GIZI PADA LANSIA MENGGUNAKAN METODE DECISION TREE ID3
APLIKASI KLASIFIKASI PEMENUHAN GIZI PADA LANSIA MENGGUNAKAN METODE DECISION TREE ID3 SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Sistem
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA Erik Hadi Saputra 1), Burhan Alfironi Muktamar 2) 1), 2) Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Selain sebagai media komunikasi, Twitter memberikan akses bagi pihak ketiga yang ingin mengembangkan aplikasi yang memanfaatkan layanannya melalui Twitter API. Salah
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Deposito merupakan salah satu tabungan berjangkaayangamodel pengambilannya berdasarkan pada kesepakatan dari pihak bank dengan nasabah deposito [1].Suku bunga
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Internet saat ini merupakan kebutuhan pokok yang tidak bisa dipisahkan dari segenap sendi kehidupan. Berbagai pekerjaan ataupun kebutuhan dapat dilakukan melalui media
Lebih terperinciPERBANDINGAN K-SUPPORT VECTOR NEAREST NEIGHBOR TERHADAP DECISION TREE DAN NAIVE BAYES
PERBANDINGAN K-SUPPORT VECTOR NEAREST NEIGHBOR TERHADAP DECISION TREE DAN NAIVE BAYES Eko Prasetyo 1), Rr Ani Dijah Rahajoe 2), Arif Arizal 3) 1), 2), 3) Teknik Informatika Universitas Bhayangkara Surabaya
Lebih terperinci3. Masalah Penelitian
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Perumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini sering terjadi data explosion problem yaitu data data yang tersimpan dalam database berjumlah sangat besar namun dari data data tersebut belum banyak dimanfaatkan
Lebih terperinciPENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
Lebih terperinciBAB I PENDAHULUAN. ada tiga, yaitu association rules, classification dan clustering.
BAB I PENDAHULUAN 1.1. Latar Belakang Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data. Informasi yang
Lebih terperinciMateri 1 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 1 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya nizar.radliya@yahoo.com Nama Mahasiswa NIM Kelas 1. Memahami cakupan materi dan sistem perkuliahan Data Mining.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1. BAB I PENDAHULUAN 1.1 Latar Belakang website adalah salah satu layanan yang bisa digunakan untuk melakukan pencarian berbagai informasi, sehingga sangat dibutuhkan untuk keperluan pengguna dalam pencarian
Lebih terperinciDATA MINING. Pertemuan 4. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 4 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2015 Pre-Processing Agregasi (aggregation) Penarikan contoh (sampling)
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 terperinciBab 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
Bab 1 PENDAHULUAN 1.1 Latar Belakang Masalah Semakin hari semakin banyak inovasi, perkembangan, dan temuan-temuan yang terkait dengan bidang Teknologi Informasi dan Komputer. Hal ini menyebabkan semakin
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1 Analisa Masalah Dengan banyaknya jumlah dokumen yang ada di Teknik Informatika yang terus bertambah dari waktu ke waktu maka akan sulit juga untuk mencari informasi
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Salah satu metode penambangan data adalah klasifikasi. Metode klasifikasi memiliki beberapa algoritma dan setiap algoritma klasifikasi pada
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Penelitian 4.1.1 Support Vector Machines (SVM) Setelah melalui proses training dan testing dengan metode Support Vector Machines (SVM), diperoleh hasil yang tertera
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini dijelaskan landasan teori dan metode yang digunakan pada tugas akhir ini dalam pengklasifikasian dokumen teks. Pembahasan dimulai dengan penjelasan mengenai klasifikasi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian terkait Penelitian ini sebelumnya dilakukan studi kepustakaan dari penelitian terdahulu sebagai dasar atau acuan untuk menyelesaikan tugas akhir. Dari studi kepustakaan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi dewasa ini sudah mempengaruhi kebutuhan manusia modern, hal ini ditandai dengan penggunaan teknologi disetiap aspek kehidupan manusia yang berguna
Lebih terperinciFEATURE SELECTION UNTUK KLASIFIKASI TEKS DENGAN MEKANISME WITHIN CLASS POPULARITY(WCP)
FEATURE SELECTION UNTUK KLASIFIKASI TEKS DENGAN MEKANISME WITHIN CLASS POPULARITY(WCP) Ratna Pertiwi¹, Deni Saepudin², Intan Nurma Yulita³ ¹Teknik Informatika,, Universitas Telkom Abstrak Berkembangnya
Lebih terperinciBAB II TINJAUAN PUSTAKA. mengenai penelitian terdahulu, tentang prediksi lama masa studi mahasiswa,
BAB II TINJAUAN PUSTAKA 2.1 Terdahulu Dalam penelitian ini, peneliti juga menyertakan beberapa uraian singkat mengenai penelitian terdahulu, tentang prediksi lama masa studi mahasiswa, klasifikasi, metode
Lebih terperinciBAB I PENDAHULUAN. Machine learning (ML), bagian dari kecerdasan buatan (artificial
BAB I PENDAHULUAN 1. 1.1. Latar Belakang Machine learning (ML), bagian dari kecerdasan buatan (artificial intelligence), merupakan metode untuk mengoptimalkan performa dari sistem dengan mempelajari data
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dataset
BAB III METODOLOGI PENELITIAN Metodologi penelitian diuraikan dalam skema tahap penelitian untuk memberikan petunjuk atau gambaran yang jelas, teratur, dan sistematis seperti yang ditunjukkan pada Gambar
Lebih terperinciBABI PENDAHULUAN. 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Setiap perusahaan dituntut untuk siap menghadapi persaingan yang semakin ketat dengan perusahaan lain. Makin intensifnya persaingan yang dihadapi, telah menyebabkan
Lebih terperinciUKDW. 1.1 Latar Belakang BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi komputer yang pesat pada masa kini menjadi perhatian utama bagi manusia. Kemajuan teknologi komputer yang pesat ini menimbulkan bermacam-macam
Lebih terperinciOptimasi Naïve Bayes Dengan Pemilihan Fitur Dan Pembobotan Gain Ratio
Optimasi Naïve Bayes Dengan Pemilihan Fitur Dan Pembobotan Gain Ratio I. Gusti. A. Socrates 1, Afrizal L. Akbar 2, M. Sonhaji Akbar 3 Teknik Informatika, Institut Teknologi Sepuluh Nopember, Surabaya,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data Mining adalah proses pencarian pengetahuan dari suatu data berukuran besar melalui metode statistik, machine learning, dan artificial algorithm. Hal yang paling
Lebih terperinciSeleksi Atribut Menggunakan Information Gain Untuk Clustering Penduduk Miskin Dengan Validity Index Xie Beni
1 Seleksi Atribut Menggunakan Information Gain Untuk Clustering Penduduk Miskin Dengan Validity Index Xie Beni Femi Dwi Astuti Program Studi Teknik Informatika STMIK AKAKOM femi@akakom.ac.id Abstrak -
Lebih terperinciSistem Rekomendasi Bacaan Tugas Akhir Jurusan Teknik Informatika Universitas Sriwijaya menggunakan Metode Collaborative Filtering dan Naive Bayes
Sistem Rekomendasi Bacaan Tugas Akhir Jurusan Teknik Informatika Universitas Sriwijaya menggunakan Metode Collaborative Filtering Naive Bayes Riri Intan Aprilia 1 Teknik Informatika Fakultas Ilmu Komputer
Lebih terperinciSekip Utara Yogyakarta * 1 2
IJCCS, Vol.9, No.1, January 2015, pp. 1~12 ISSN: 1978-1520 1 Klasifikasi Data NAP (Nota Analisis Pembiayaan) untuk Prediksi Tingkat Keamanan Pemberian Kredit (Studi Kasus : Bank Syariah Mandiri Cabang
Lebih terperinciKomparasi Algoritma Support Vector Machine, Naïve Bayes Dan C4.5 Untuk Klasifikasi SMS
Vol.2 No.2, November 2017, pp. 7~13 ISSN: 2527-449X E-ISSN: 2549-7421 7 Komparasi Algoritma Support Machine, Naïve Dan C4.5 Untuk Klasifikasi SMS Retno Sari STMIK Nusa Mandiri e-mail: bee.retno@gmail.com
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Kanker payudara merupakan salah satu penyebab kematian yang sering dialami oleh wanita pada usia lanjut. Tercatat bahwa pada tahun 2011, terdapat lebih
Lebih terperinciAnalisis Sentimen Pada Review Konsumen Menggunakan Metode Naive Bayes Dengan Seleksi Fitur Chi Square Untuk Rekomendasi Lokasi Makanan Tradisional
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2982-2988 http://j-ptiik.ub.ac.id Analisis Sentimen Pada Review Konsumen Menggunakan Metode
Lebih terperinciKLASIFIKASI SPAM MENGGUNAKAN NAÏVE BAYES
KLASIFIKASI SPAM EMAIL MENGGUNAKAN NAÏVE BAYES Ratih Yulia H Akademi Bina Sarana Informatika Jl. RS. Fatmawati No. 24, Pondok Labu, Jakarta Selatan Email: ratih.ryl@bsi.ac.id Abstraksi - Email salah satu
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih terperinciBAB 1 PENDAHULUAN 1-1
BAB 1 PENDAHULUAN Bab ini menguraikan penjelasan umum mengenai tugas akhir yang dikerjakan. Penjelasan tersebut meliputi latar belakang masalah, tujuan tugas akhir, lingkup tugas akhir, metodologi yang
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 terperinciLANDASAN TEORI. Universitas Indonesia. Klasifikasi topik menggunakan..., Dyta Anggraeni
BAB 2 LANDASAN TEORI Pada bab ini dijelaskan landasan teori dari pekerjaan dan metode yang digunakan dalam tugas akhir untuk melakukan klasifiksi topik. Pembahasan ini dimulai dengan penjelasan klasifikasi
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Lebih terperinciPERBANDINGAN AKURASI KLASIFIKASI DARI ALGORITMA NAIVE BAYES, C4.5, DAN ONER (1R)
Arifin, Perbandingan Akurasi Klasifikasi Dari Algoritma Naïve Bayes, C4.5, PERBANDINGAN AKURASI KLASIFIKASI DARI ALGORITMA NAIVE BAYES, C4.5, DAN ONER (1R) M Zainal Arifin Abstrak : Artikel ini menjabarkan
Lebih terperinciTabel 1.1 Pertumbuhan Panjang Jalan dan Jumlah Kendaraan
BAB I PENDAHULUAN Sebagai negara berkembang, perekonomian Indonesia didorong untuk tumbuh dengan pesat. Salah satu indikator pertumbuhan perekonomian yang baik adalah tingginya daya beli masyarakat. Tingginya
Lebih terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Teknologi semakin berkembang seiring dengan berjalannya waktu. Disadari atau tidak, sebagian besar kehidupan ini dibantu oleh teknologi dan banyak sekali manfaat yang
Lebih terperinciPENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C5.0
PENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C.0 Rachma Fauzia Azhary, Isnandar Slamet, Supriyadi Wibowo Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Tinjauan atau review seseorang yang ditujukan kepada suatu objek atau produk sangat berpengaruh terhadap penilaian publik atas produk tersebut (Sahoo, 2013). Review
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Anak merupakan sebuah karunia bagi setiap orangtua. Setiap anak diharapkan dapat tumbuh dan berkembang secara sehat, baik fisik, mental dan sosial sesuai dengan pertambahan
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 terperinciJurnal Komputer Terapan Vol. 3, No. 2, November 2017, Jurnal Politeknik Caltex Riau
Jurnal Komputer Terapan Vol. 3, No. 2, November 2017, 233-240 233 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id Prediksi Ketepatan Waktu Lulus Mahasiswa dengan k- Nearest Neighbor dan Naïve Bayes
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN Latar Belakang Kredit merupakan salah satu usaha sekunder yang dapat dilakukan untuk pemenuhan kebutuhan sehari-hari. Pada umumnya, proses kredit dapat dilayani melalui lembaga keuangan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Penambangan Data (Data Mining) Pengertian data mining, berdasarkan beberapa orang: 1. Data mining (penambangan data) adalah suatu proses untuk menemukan suatu pengetahuan atau
Lebih terperinci1. BAB I PENDAHULUAN 1.1 Latar Belakang
1. BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia menganut ekonomi terbuka, jadi pertumbuhan ekonomi Indonesia dipengaruhi pertumbuhan ekonomi Internasional. Oleh karena itu, jika terjadi fluktuasi pada
Lebih terperinciOptimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika
Optimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika Siti Mutrofin 1, Arrie Kurniawardhani 2, Abidatul Izzah 3, Mukhamad Masrur 4 Universitas Pesantren Tinggi Darul Ulum
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Teoritis 2.1.1 Autisme Monks dkk., mengungkapkan bahwa autisme berasal dari kata autos yang berarti aku. Pada pengertian nonilmiah kata tersebut dapat ditafsirkan bahwa
Lebih terperinci3. Masalah Penelitian pemahaman merupakan awal proses penelitian
Metodologi Penelitian Rudi Susanto rudist87@gmail.com 086547296211 3. Masalah Penelitian pemahaman merupakan awal proses penelitian Course Outline 1. Pengantar Penelitian 2. Tahapan Penelitian 3. Masalah
Lebih terperinci