Data Mining. Yohana Nugraheni, S.Kom, MT yohananugraheni.wordpress.com
|
|
- Suhendra Tedja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Data Mining Yohana Nugraheni, S.Kom, MT yohananugraheni.wordpress.com
2 Penilaian UAS : 30% UTS : 25% Tugas : 30% Quiz : 10% Absensi : 5%
3 Course Outline 1.Pengenalan Data Mining 2. Proses Data Mining 3. Arsitektur dan Model Data Mining 4. Fungsi-Fungsi Data Mining 5. Teknik Data Mining 6. Aplikasi dan Trend Data Mining
4 Pengenalan Data Minin g
5 Pengenalan Data Mining 1. Apa itu Data Mining? 2. Peran Utama Data Mining 3. Algoritma Data Mining
6 Apa itu Data Mining?
7 Mengapa Data Mining? Manusia dalam suatu organisasi, sadar at au tidak sadar telah memproduksi berbag ai data yang jumlahnya sangat besar Contoh data: bisnis, kedokteran, ekonomi, ge ografi, olahraga, Pada dasarnya, data adalah entitas yang ti dak memiliki arti, meskipun kemungkinan memiliki nilai di dalamnya
8 Apa itu Data Mining? Disiplin ilmu yang mempelajari metode untuk me ngekstrak pengetahuan atau menemukan pola d ari suatu data 1. Data: fakta yang terekam dan tidak membawa arti 2. Pengetahuan: pola, aturan atau model yang muncul dari data Sehingga Data mining sering disebut Knowledg e Discovery in Database (KDD) Konsep Transformasi Data Informasi Pengetahuan
9 Data Tidak membawa arti, merupakan kum pulan dari fakta-fakta tentang suatu k ejadian Suatu catatan terstruktur dari suatu tr ansaksi Merupakan materi penting dalam me mbentuk informasi
10 Informasi Informasi adalah sekumpulan fakta (d ata) yang diorganisir dengan cara tert entu sehingga mereka mempunyai art i
11 Pengetahuan Informasi yang sudah diorganisasika n dan diproses untuk memperoleh p emahaman, pengalaman, pembelaja ran yang terakumulasi, sehingga da pat diaplikasikan dalam masalah ata u proses bisnis tertentu.
12 Data - Informasi Pengetahuan Data Kehadiran Pegawai NIP TGL DATANG PULANG /12/ :20 15: /12/ :45 15: /12/ :51 16: /12/ :00 15: /12/ :01 16: /12/ :49 17:00
13 Data - Informasi Pengetahuan Informasi Akumulasi Bulanan Kehadiran Pegawai NIP Masuk Alpa Cuti Sakit Telat
14 Data - Informasi Pengetahuan Informasi Kondisi Kehadiran Mingguan Pegawai Senin Selasa Rabu Kamis Jumat Terlambat Pulang Cepat Izin Alpa
15 Data - Informasi Pengetahuan Pengetahuan tentang kebiasaan pegawai dalam jam datang/pulang kerja Pengetahuan tentang bagaimana teknik meningkatkan kehadiran pegawai
16 Data - Informasi - Pengetahuan - Kebijakan Kebijakan penataan jam kerja karyawan khusus untuk hari senin dan jumat Peraturan jam kerja: Hari Senin dimulai jam 10:00 Hari Jumat diakhiri jam 14:00 Sisa jam kerja dikompensasi ke hari lain: 1. Senin pulang jam 18:00, toh jalanan macet total di sor e hari (bayar hutang 2 jam) 2. Rabu dan kamis bayar hutang setengah jam di pagi har i dan setengah jam di sore hari (bayar hutang 2 jam)
17 Definisi Data Mining Melakukan ekstraksi dari data set untuk m endapatkan informasi penting yang sifatny a implisit dan sebelumnya tidak diketahui, (Witten et al., 2011) Kegiatan yang meliputi pengumpulan, pe makaian data historis untuk menemukan k eteraturan, pola dan hubungan dalam dat a set berukuran besar (Santosa, 2007)
18 Definisi Data Mining The analysis of (often large) observational dat a sets to find unsuspected relationships and t o summarize the data in novel ways that are b oth understandable and useful to the data ow ner (Han & Kamber, 2001) The process of discovering meaningful new c orrelations, patterns and trends by sifting thr ough large amounts of data stored in reposito ries, using pattern recognition technologies a s well as statistical and mathematical techniq ues (Gartner Group)
19 Ilmu-Ilmu yg Berkaitan
20 Peran Utama Data Mining
21 Peran Utama Data Mining 1.Estimation 2.Prediction 3.Classification 4.Clustering 5.Association
22 Estimasi Waktu Pengiriman Pizza Customer Jumlah Pesanan (P) Jumlah Bangjo (B) Jarak (J) Waktu Tempuh (T) Waktu Tempuh (T) = 0.48P B + 0.5J
23 Prediksi Penentuan Kelulusan Maha siswa NIM Gender Nilai UN Asal Sekolah IPS1 IPS2 IPS3 IPS 4... Lulus Tepat Waktu L 28 SMAN Ya P 27 SMA DK Tidak P 24 SMAN Tidak L 26.4 SMAN Ya 23.4 SMAN Ya L
24 Data Set with Attribute and Class (Iris Data Set) Attribute Class/Label
25 Klastering Bunga Iris
26 Algoritma Data Mining (DM) 1. Estimation (Estimasi): Linear Regression, Neural Network, Support Vector Machine, etc 2. Prediction/Forecasting (Prediksi/Peramalan): Linear Regression, Neural Network, Support Vector Machine, etc 3. Classification (Klasifikasi): Naive Bayes, K-Nearest Neighbor, C4.5, ID3, CART, Linear Discri minant Analysis, etc 4. Clustering (Klastering): K-Means, K-Medoids, Self-Organizing Map (SOM), Fuzzy C-Mean s, etc 5. Association (Asosiasi): FP-Growth, A Priori, etc
27 Metode Learning Pada Algoritma DM
28 Metode Learning Pada Algoritma DM 1. Supervised Learning (Pembelajaran dengan G uru): Sebagian besar algoritma data mining (estimation, pre diction/forecasting, classification) adalah supervised l earning Variabel yang menjadi target/label/class ditentukan Algoritma melakukan proses belajar berdasarkan nilai dari variabel target yang terasosiasi dengan nilai dari v ariable prediktor
29 Dataset with Attribute and Class Attribute Class/Label
30 Metode Learning Pada Algoritma DM 2. Unsupervised Learning (Pembelajaran tanpa Guru): Algoritma data mining mencari pola dari semua variab le (atribut) Variable (atribut) yang menjadi target/label/class tida k ditentukan (tidak ada) Algoritma clustering adalah algoritma unsupervised le arning
31 Dataset with Attribute (No Class) Attribute
32 Metode Learning Pada Algoritma DM 3. Association Learning (Pembelajaran untuk Asosias i Atribut) Proses learning pada algoritma asosiasi (association r ule) agak berbeda karena tujuannya adalah untuk m encari atribut yang muncul bersamaan dalam satu tr ansaksi Algoritma asosiasi biasanya untuk analisa transaksi b elanja, dengan konsep utama adalah mencari produ k/item mana yang dibeli bersamaan Pada pusat perbelanjaan banyak produk yang dijual, sehingga pencarian seluruh asosiasi produk memaka n cost tinggi, karena sifatnya yang kombinatorial Algoritma association rule seperti a priori algorithm, dapat memecahkan masalah ini dengan efisien
33 Dataset Transaction
34 Association Rules
35 Proses Utama pada Data Mining
36 Output/Pola/Model/Knowledge 1. Formula/Function (Rumus atau Fungsi Regr esi) WAKTU TEMPUH = JARAK LAMPU PESA NAN 2. Decision Tree (Pohon Keputusan) 3. Rule (Aturan) IF ips3=2.8 THEN lulustepatwaktu 4. Cluster (Klaster)
37 Input Metode Output Evalu ation
38 Algoritma Data Mining
39 Algoritma Estimasi Algoritma estimasi mirip dengan algoritma klasifikasi, tapi variabel target adalah beru pa bilangan numerik (kontinyu) dan buka n kategorikal (nominal atau diskrit) Estimasi nilai dari variable target ditentuk an berdasarkan nilai dari variabel predikto r (atribut) Algoritma estimasi yang biasa digunakan a dalah: Linear Regression, Neural Network, Support Vector Machine
40 Contoh: Estimasi Performansi C PU Example: 209 different computer configurat time Main memory Cache Channels Performanc ions Cycle (ns) (Kb) (Kb) e MYCT MMIN MMAX CACH CHMIN CHMAX PRP Linear regression function PRP = MYCT MMIN MMAX CACH CHMIN CHMAX
41 Algoritma Prediksi Algoritma prediksi/forecasting sama dengan algoritma estimasi di mana label/target/clas s bertipe numerik, bedanya adalah data yang digunakan merupakan data rentet waktu (data time series) Istilah prediksi kadang digunakan juga untuk klasifikasi, tidak hanya untuk prediksi time se ries, karena sifatnya yang bisa menghasilkan class berdasarkan berbagai atribut yang kita sediakan Semua algoritma estimasi dapat digunakan u ntuk prediksi/forecasting
42 Contoh: Prediksi Harga Saham Dataset harga sah am dalam bentuk t ime series (rentet waktu) harian
43 Contoh: Prediksi Harga Saham (Plot)
44 Contoh: Prediksi Harga Saham (Plot)
45 Algoritma Klasifikasi Klasifikasi adalah algoritma yang menggunakan data dengan target/class/label berupa nilai kate gorikal (nominal) Contoh, apabila target/class/label adalah pend apatan, maka bisa digunakan nilai nominal (kate gorikal) sbb: pendapatan besar, menengah, keci l Contoh lain adalah rekomendasi contact lens, a pakah menggunakan yang jenis soft, hard atau n one Algoritma klasifikasi yang biasa digunakan adala h: Naive Bayes, K-Nearest Neighbor, C4.5, ID3,
46 Contoh: Rekomendasi Main Golf 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
47 Contoh: Rekomendasi Main Golf Input (Atribut Nominal dan Numerik): Output (Rules): If outlook = sunny and humidity = high then play = no If outlook = sunny and humidity > 83 then play = no If outlook = rainy and windy = true then play = no If outlook = overcast then play = yes If humidity < 85 then play = yes If none of the above then play = yes
48 Contoh: Rekomendasi Main Golf Output (Tree):
49 Algoritma Klastering Klastering adalah pengelompokkan data, hasil o bservasi dan kasus ke dalam class yang mirip Suatu klaster (cluster) adalah koleksi data yang mirip antara satu dengan yang lain, dan memiliki perbedaan bila dibandingkan dengan data dari k laster lain Perbedaan utama algoritma klastering dengan kl asifikasi adalah klastering tidak memiliki target/c lass/label, jadi termasuk unsupervised learning Klastering sering digunakan sebagai tahap awal dalam proses data mining, dengan hasil klaster y ang terbentuk akan menjadi input dari algoritma
50 Contoh: Klastering Jenis Gaya H idup Claritas, Inc. provide a demographic profile of each of th e geographic areas in the country, as defined by zip cod e. One of the clustering mechanisms they use is the PRI ZM segmentation system, which describes every U.S. zip code area in terms of distinct lifestyle types (66 segment s). Just go to the company s Web site, enter a particular zip code, and you are shown the most common PRIZM c lusters for that zip code. What do these clusters mean? For illustration, let s look up the clusters for zip code 90210, Beverly Hills, Califor nia. The resulting clusters for zip code are: 1. Cluster 01: Blue Blood Estates 2. Cluster 10: Bohemian Mix 3. Cluster 02: Winner s Circle 4. Cluster 07: Money and Brains
51
52 Contoh: Klastering Bunga Iris
53 Contoh: Klastering Bunga Iris (Pl ot)
54 Contoh: Klastering Bunga Iris (Ta ble)
55 Algoritma Asosiasi Algoritma association rule (aturan asosiasi) ad alah algoritma yang menemukan atribut yang muncul bersamaan Dalam dunia bisnis, sering disebut dengan affi nity analysis atau market basket analysis Algoritma asosiasi akan mencari aturan yang menghitung hubungan diantara dua atau lebih atribut Algoritma association rules berangkat dari pol a If antecedent, then consequent, bersamaa n dengan pengukuran support (coverage) dan confidence (accuration) yang terasosiasi dala
56 Algoritma Asosiasi Contoh, pada hari kamis malam, 1000 pelang gan telah melakukan belanja di supermaket A BC, dimana: 200 orang membeli Sabun Mandi dari 200 orang yang membeli sabun mandi, 50 or angnya membeli Fanta Jadi, association rule menjadi, Jika membeli s abun mandi, maka membeli Fanta, dengan ni lai support = 200/1000 = 20% dan nilai confi dence = 50/200 = 25% Algoritma association rule diantaranya adalah: A priori algorithm, FP-Growth algorithm, GRI al
57 Contoh Penerapan Data Mining Penentuan kelayakan aplikasi peminjaman uang di bank Analisis pola belanja pelanggan Penentuan pola pelanggan yang loyal pada perus ahaan operator telepon Memprediksi kasus kasus yang mengandung kec urangan dalam transaksi dalam transaksi kartu kr edit (Fraud detection).
58 Referensi 1. Ian H. Witten, Frank Eibe, Mark A. Hall, Data mining: Pr actical Machine Learning Tools and Techniques 3rd Ed ition, Elsevier, Daniel T. Larose, Discovering Knowledge in Data: an Int roduction to Data Mining, John Wiley & Sons, Florin Gorunescu, Data Mining: Concepts, Models and Techniques, Springer, Jiawei Han and Micheline Kamber, Data Mining: Conce pts and Techniques Second Edition, Elsevier, Oded Maimon and Lior Rokach, Data Mining and Know ledge Discovery Handbook Second Edition, Springer, Warren Liao and Evangelos Triantaphyllou (eds.), Rece nt Advances in Data Mining of Enterprise Data: Algorith
59 Textbooks
Algoritma 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 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 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 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 terperinciDATA 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 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 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 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 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 terperinciDt Data Mining. DJAYADI NUGROHO, M.KOM nugroho.stiemj.ac.id Sumber : Romi Satria Wahono
Dt Data Mining i DJAYADI NUGROHO, M.KOM nugroho.stiemj.ac.id Sumber : Romi Satria Wahono 1 PERSYARATAN KULIAH Kehadiran minimal 75 % Tugas terstruktur Tugas mandiri Ujiantengah semester Ujian akhir semester
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 terperinciDATA MINING KLASIFIKASI BERBASIS DECISION TREE. Ramadhan Rakhmat Sani, M.Kom
DATA MINING KLASIFIKASI BERBASIS DECISION TREE Ramadhan Rakhmat Sani, M.Kom Text Book Outline 1. Algoritma Data Mining Algoritma ID3 Algoritma C4.5 Algoritma C4.5 Introduction Algoritma C4.5 merupakan
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 terperinciData Mining I. Mata kuliah Data Warehouse Universitas Darma Persada Oleh: Adam AB
1 2 Data Mining I Mata kuliah Data Warehouse Universitas Darma Persada Oleh: Adam AB Bussiness Intelligent proses perubahan data menjadi informasi dan dari kumpulan informasi yang ada akan diambil polanya
Lebih terperinciSTUDI KELAYAKAN PEMBUKAAN CABANG BARU BISNIS USAHA MENGGUNAKAN MODEL PREDIKTIF
STUDI KELAYAKAN PEMBUKAAN CABANG BARU BISNIS USAHA MENGGUNAKAN MODEL PREDIKTIF Warnia Nengsih Prodi Sistem Informasi, Jurusan Komputer Politeknik Caltex Riau Jl. Umbansari No1 Rumbai Pekanbaru Riau 28265
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 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 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 terperinciClustering Data Ujian Tengah Semester (UTS) Data Mining Menggunakan Algoritma K-Means
Clustering Data Ujian Tengah Semester (UTS) Data Mining Menggunakan Algoritma K-Means Ginanjar Abdurrahman 1) 1) Jurusan Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Jember Jl. Karimata
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 terperinciALGORITMA NAÏVE BAYES UNTUK MELIHAT FAKTOR-FAKTOR YANG MEMPENGARUHI KULIT TERBAKAR
JURNAL STMIK ANTAR BANGSA VOL. III NO. 2 AGUSTUS 2014 ALGORITMA NAÏVE BAYES UNTUK MELIHAT FAKTOR-FAKTOR YANG MEMPENGARUHI KULIT TERBAKAR Rahmawati Abstract The skin is the most outer part of the body that
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 terperinciData Mining. Pengenalan Sistem & Teknik, Serta Contoh Aplikasi. Avinanta Tarigan. 22 Nov Avinanta Tarigan Data Mining
Data Mining Pengenalan Sistem & Teknik, Serta Contoh Aplikasi Avinanta Tarigan 22 Nov 2008 1 Avinanta Tarigan Data Mining Outline 1 Pengertian Dasar 2 Classification Mining 3 Association Mining 4 Clustering
Lebih terperinciEDUCATIONAL DATA MINING (KONSEP DAN PENERAPAN)
EDUCATIONAL DATA MINING (KONSEP DAN PENERAPAN) Fitri Marisa Program Studi Teknik Informatika Universitas Widyagama Malang Jl. Borobudur No. 35 Malang (0341)492282 e-mail: fitrimarisa@widyagama.ac.id ABSTRACT
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 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 terperinciTINJAUAN PUSTAKA. Definisi Data Mining
TINJAUAN PUSTAKA Definisi Data Mining Sistem Manajemen Basis Data tingkat lanjut dan teknologi data warehousing mampu untuk mengumpulkan banjir data dan untuk mentransformasikannya ke dalam basis data
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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Studi Sebelum menyusun tugas akhir ini dilakukan tinjauan pustaka terlebih dahulu terhadap penelitian-penelitian terkait sebagai bahan referensi. Penelitian tentang
Lebih terperinciSKRIPSI TI S1 FIK UDINUS 1
SKRIPSI TI S FIK UDINUS PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA TEKNIK INFORMATIKA S FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Data Mining Istilah data mining memiliki beberapa padanan, seperti knowledge discovery ataupun pattern recognition. Kedua istilah tersebut sebenarnya memiliki ketepatannnya masing-masing.
Lebih terperinciAnalisis Frekuensi Pola Pembelian Konsumen Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Bon Bon Resto Semarang
Analisis Frekuensi Pola Pembelian Konsumen Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Bon Bon Resto Semarang Nur Imam Fachruzi Fakultas Ilmu Komputer, Universitas Dian
Lebih terperinciPendahuluan : Aplikasi*
MMA99 Topik Khusus - Machine Learning Pendahuluan : Aplikasi* Dr. rer. nat. Hendri Murfi * Beberapa bagian dari slide ini adalah terjemahan dari slide Data Mining oleh I. H. Witten, E. Frank dan M. A.
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 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peminatan siswa SMA Negeri 8 Bandung dilakukan di kelas X SMA setelah tahap daftar ulang. Hal tersebut berdasarkan aturan kurikulum 2013 [11]. Peminatan merupakan hal
Lebih terperinciBAB 2 LANDASAN TEORI. Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun.
BAB 2 LANDASAN TEORI Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun. 2.1. Data Mining Data mining adalah suatu istilah yang digunakan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Lebih terperinciKLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING
KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING Moh Ahsan Universitas Kanjuruhan Malang ahsan@unikama.ac.id ABSTRAK. Universitas Kanjuruhan Malang
Lebih terperinciPENERAPAN DATA MINING UNTUK ESTIMASI NILAI MATEMATIKA DENGAN MENGGUNAKAN ALGORITMA REGRESI LINEAR PADA SMA KESATRIAN 1 SEMARANG
PENERAPAN DATA MINING UNTUK ESTIMASI NILAI MATEMATIKA DENGAN MENGGUNAKAN ALGORITMA REGRESI LINEAR PADA SMA KESATRIAN 1 SEMARANG Cindy Eka Febriana 1, Usman Sudibyo 2 Teknik Informatika, Fakultas Ilmu Komputer,
Lebih terperinciANALISA KELAYAKAN PEMBUKAAN CABANG BARU BISNIS USAHA DENGAN MENGGUNAKAN NAIVE BAYES CLASSIFICATION Warnia Nengsih 1 & Ibnu Surya 2
ANALISA KELAYAKAN PEMBUKAAN CABANG BARU BISNIS USAHA DENGAN MENGGUNAKAN NAIVE BAYES CLASSIFICATION Warnia Nengsih 1 & Ibnu Surya 2 1 Sistem Informasi Politeknik Caltex Riau, Jl. Umbansari No1 Rumbai Pekanbaru
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 terperinciAnalisa Kelayakan Pembukaan Cabang Baru Bisnis Usaha dengan Menggunakan Naive Bayes Classification
Jurnal Teknik Elektro dan Komputer, Vol. 2, No. 2, Oktober 2014, 217-224 217 Analisa Kelayakan Pembukaan Cabang Baru Bisnis Usaha dengan Menggunakan Naive Bayes Classification Warnia Nengsih 1 & Ibnu Surya
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 terperinciPRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Data Mining Kode/SKS: SS / (2/1/0) Dosen : SWP, KF Semester : VII
RPS1SK08 Kurikulum 2014, Edisi : September2014 No.Revisi : 00 Hal: 1 dari 6 A. : 1. CP 3.2 : Melakukan analisis data dengan menggunakan program statistik 2. CP 10.3 : Mampu menganalisis big data dengan
Lebih terperinciAnalisis asosiasi Penguasaan ICT Mahasiswa Baru dan Pencapaian Prestasi Akademik Mahasiswa dengan Algoritma Apriori.
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Analisis asosiasi Penguasaan ICT Mahasiswa Baru dan Pencapaian Prestasi Akademik Mahasiswa dengan Algoritma Apriori. Kuswari Hernawati 1,
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 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Data Mining Data mining merupakan disiplin ilmu yang mempelajari metode untuk mengekstrak pengetahuan atau menemukan pola dari suatu data (Han and Kamber, 2006). Data mining sering
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 terperinciLEARNING. Program Studi Ilmu Komputer FPMIPA UPI RNI IK460(Kecerdasan Buatan)
LEARNING Jiawei Han and Micheline Kamber. 2006. Data Mining Concepts and Techniques. San Fransisco : Elsevier M.Tim Jones. Artificial Intelligence A System Approach. Slide Kuliah Data Mining - Klasifikasi,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciPenerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop)
157 Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop) Elly Muningsih AMIK BSI Yogyakarta E-Mail : elly.emh@bsi.ac.id Abstrak Berkembangnya
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 terperinciOutline. Pengertian Dasar Arsitektur Tugas Data Mining Contoh Penggunaan Data Mining
Outine Pengertian Dasar Arsitektur Tugas Data Mining Contoh Penggunaan Data Mining Latar Beakang 3 Mengapa harus Data Mining? Definisi Data Mining Pengertian Yang Saah Imu Data Mining Arsitektur Data Mining
Lebih terperinciANALISIS ALGORITMA APRIORI UNTUK REKOMENDASI PENEMPATAN BUKU PADA PERPUSTAKAAN
1 ANALISIS ALGORITMA APRIORI UNTUK REKOMENDASI PENEMPATAN BUKU PADA PERPUSTAKAAN 1 Uma Mazida, 2 Ricardus Anggi Pramunendar, M.Cs Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas
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 TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE
PENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE Castaka Agus Sugianto Program Studi Teknik lnformatika Politeknik TEDC Bandung
Lebih terperinciCONCEPT/FRAMEWORK BIG DATA ANALYTICS ACTIVITIES
Manajemen Bisnis Telekomunikasi & Informatika Mata Kuliah: Big Data And Data Analytics Oleh: Tim Dosen CONCEPT/FRAMEWORK BIG DATA ANALYTICS ACTIVITIES Telkom University Outline Fakultas Ekonomi dan Bisnis
Lebih terperinciANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM)
ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) Nurani 1, Hamdan Gani 2 1 nurani_nanni@yahoo.com, 2 hamdan.gani.inbox@gmail.com
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 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 terperinciAPLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA
APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA Yuli Asriningtias, Rodhyah Mardhiyah Program Studi Teknik Informatika Fakultas Bisnis & Teknologi Informasi, Universitas Teknologi
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 terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di lakukan oleh Muhammad Toha dkk (2013), Sylvia Pretty Tulus (2014), Johan
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : E124909 / Data Mining Revisi ke : 4 Satuan Kredit Semester : 2 SKS Teori Tgl revisi : 16 Juli 2015 Jml Jam kuliah dalam seminggu
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA ABSTRACT
PENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA Rodiyatul FS 1, Bayu Adhi Tama 2, Megah Mulya 3 1,2,3 Fakultas Ilmu Komputer, Universitas Sriwijaya
Lebih terperinciJURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
JURNA TEKNIK, (2014) 1-6 1 AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciAPLIKASI DATAMINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA APRIORI DI IBI DARMAJAYA BANDAR LAMPUNG
Jurnal TIM Darmajaya Vol. 02 No. 01 Mei 2016 Page 79 APLIKASI DATAMINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA APRIORI DI IBI DARMAJAYA BANDAR LAMPUNG Nurjoko 1 Hendra Kurniawan
Lebih terperinci- PERTEMUAN 1 - KNOWLEGDE DISCOVERY
DATA WAREHOUSE - PERTEMUAN 1 - KNOWLEGDE DISCOVERY in DATABASE (KDD) Penemuan Pengetahuan di Database Tujuan : Mahasiswa Dapat memahami konsep KDD yang merupakan tujuan akhir dari Data Warehouse dan Data
Lebih terperinciKonsep Data Mining. Klasifikasi : Pohon Keputusan. Bertalya Universitas Gunadarma 2009
Konsep Data Mining Klasifikasi : Pohon Keputusan Bertalya Universitas Gunadarma 2009 Definisi Klasifikasi Proses untuk menyatakan suatu objek ke salah satu kategori yg sudah didefinisikan sebelumnya. Proses
Lebih terperinciSILABUS MATAKULIAH. Indikator Pokok Bahasan/Materi Aktifitas Pembelajaran
SILABUS MATAKULIAH Revisi : - Tanggal Berlaku : Maret 2015 A. Identitas 1. Nama Matakuliah : A11.54606 / Data 2. Program Studi : Teknik Informatika-S1 3. Fakultas : Ilmu Komputer 4. Bobot sks : 3 SKS 5.
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 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 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 terperinciPENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI
PENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI Laily Hermawanti Program Studi Teknik informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro 1B Jogoloyo Demak Telpon
Lebih terperinciPendahuluan* Data vs Informasi
MMA10991 Topik Khusus - Pendahuluan* Dr. rer. nat. Hendri Murfi * Beberapa bagian dari slide ini adalah terjemahan dari slide Data Mining oleh I. H. Witten, E. Frank dan M. A. Hall Intelligent Data Analysis
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : A11.54606 / Data Mining Revisi ke : - Satuan Kredit Semester : 3 SKS Teori Tgl revisi : - Jml Jam kuliah dalam seminggu :
Lebih terperinciMetode Bayes. Tim Machine Learning
Metode Bayes Tim Machine Learning Mengapa Metode Bayes Metode Find-S tidak dapat digunakan untuk data yang tidak konsisten dan data yang bias, sehingga untuk bentuk data semacam ini salah satu metode sederhana
Lebih terperinciSILABUS MATAKULIAH. Revisi : 4 Tanggal Berlaku : 04 September Indikator Pokok Bahasan/Materi Aktifitas Pembelajaran
SILABUS MATAKULIAH Revisi : 4 Tanggal Berlaku : 04 September 2015 A. Identitas 1. Nama Matakuliah : Data 2. Program Studi : Teknik Industri 3. Fakultas : Teknik 4. Bobot sks : 2 SKS 5. Elemen : MKB 6.
Lebih terperinciPERBANDINGAN ANALISIS KLASIFIKASI ANTARA DECISION TREE DAN SUPPORT VECTOR MACHINE MULTICLASS UNTUK PENENTUAN JURUSAN PADA SISWA SMA
PERBANDINGAN ANALISIS KLASIFIKASI ANTARA DECISION TREE DAN SUPPORT VECTOR MACHINE MULTICLASS UNTUK PENENTUAN JURUSAN PADA SISWA SMA (Studi Kasus Nilai Mata Pelajaran Pokok di SMA Negeri 1 Jepara) SKRIPSI
Lebih terperinciCLUSTERING MOTIVASI BELAJAR SISWA ELEARNING BERBASIS ALGORITMA K-MEANS
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 379~383 379 CLUSTERING MOTIVASI BELAJAR SISWA ELEARNING BERBASIS ALGORITMA K-MEANS Sismadi AMIK BSI JAKARTA e-mail: sismadi.ssm@bsi.ac.id
Lebih terperinciDATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5
DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5 DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION
Lebih terperinciData Mining Terapan dengan Matlab
Pendahuluan i ii Data Mining Terapan dengan Matlab Pendahuluan iii DATA MINING TERAPAN DENGAN MATLAB Oleh : Budi Santosa Edisi Pertama Cetakan Pertama, 2007 Hak Cipta 2007 pada penulis, Hak Cipta dilindungi
Lebih terperinciPENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 412~416 412 PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK Elly Muningsih AMIK BSI Yogyakarta e-mail : elly.emh@bsi.ac.id
Lebih terperinciDATA MINING. Pertemuan 1. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 1 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2016 Ketentuan Perkuliahan Perkuliahan diselenggarakan 14 kali pertemuan
Lebih terperinciPrediksi Kenaikan Rata-Rata Volume Perikanan Tangkap Dengan Teknik Data Mining
117 Prediksi Kenaikan Rata-Rata Volume Perikanan Tangkap Dengan Teknik Data Mining Anik Andriani AMIK BSI Yogyakarta E-Mail: anik.aai@bsi.ac.id Abstrak Peningkatan jumlah permintaan terhadap kebutuhan
Lebih terperinciModel Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi
ISSN: 2089-3787 1181 Model Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi Soegiarto 1, Bahar 2 Program Studi Teknik Informatika, STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru
Lebih terperinciIMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO)
IMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO) Andika Elok Amalia 1), Muhammad Zidny Naf an 2) 1), 2) Program Studi Informatika ST3 Telkom Jl D.I.
Lebih terperinciMETODE NON HIERARCHY ALGORITMA K-MEANS DALAM MENGELOMPOKKAN TINGKAT KELARISAN BARANG (STUDI KASUS : KOPERASI KELUARGA BESAR SEMEN PADANG)
METODE NON HIERARCHY ALGORITMA K-MEANS DALAM MENGELOMPOKKAN TINGKAT KELARISAN BARANG (STUDI KASUS : KOPERASI KELUARGA BESAR SEMEN PADANG) Fakultas Ilmu Komputer, Universitas Putra Indonesia YPTK Padang
Lebih terperinciAnalisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang
Analisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang Tia Arifatul Maulida Fakultas Ilmu Komputer, Universitas Dian Nuswantoro,
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Studi Sebelum melakukan penelitian penulis terlebih dahulu melakukan tinjauan pustaka dari penelitian lain dan penelitian tentang prediksi penjurusan
Lebih terperinciDATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5
DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5 Dwi Untari A11.2010.05410 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas
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 terperinciDATA MINING UNTUK REKOMENDASI KERJA BAGI ALUMI DENGAN ALGORITMA GARC(GAIN BASED ASSOCIATION RULE CLASSIFICTION)
DATA MINING UNTUK REKOMENDASI KERJA BAGI ALUMI DENGAN ALGORITMA GARC(GAIN BASED ASSOCIATION RULE CLASSIFICTION) Steffi Budi Fauziah¹, Shaufiah², Mahmud Dwi Suliiyo³ ¹Teknik Informatika,, Universitas Telkom
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : D22.5411 / Healthcare Datamng Revisi 1 Satuan Kredit Semester : 2 sks Tgl revisi : 1 Agustus 2014 Jml Jam kuliah dalam seminggu
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : 56601 / Data Warehouse dan Data Mng Revisi 1 Satuan Kredit Semester : 3 sks Tgl revisi : 1 September 2014 Jml Jam kuliah
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 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 terperinci