Penggunaan Metodologi Analisa Komponen Utama (PCA) untuk Mereduksi Faktor-Faktor yang Mempengaruhi Penyakit Jantung Koroner
|
|
- Yuliana Yenny Halim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Penggunaan Metodologi Analisa Komponen Utama (PCA) untuk Mereduksi Faktor-Faktor yang Mempengaruhi Penyakit Jantung Koroner Galih Hendro M. T. B. Adji N. A. Setiawan Abstrak Tujuan dari penelitian ini adalah untuk mereduksi variabel-variabel yang benar-benar mempengaruhi penyakit jantung koroner. Untuk mendapatkan informasi yang diinginkan, maka diperlukan suatu metodologi yang tepat agar dapat digunakan dalam mengolah data yang sudah ada. Ada banyak metodologi yang digunakan untuk melakukan pengurangan variabel (feature eksraction) seperti principal component analysis (PCA), rough set theory, algoritma genetika, dan lainnya. Metodologi yang akan digunakan untuk melakukan reduksi dalam penelitian ini adalah metodologi principal component analisa (PCA) atau analisa komponen utama. Metodologi PCA digunakan untuk mereduksi jumlah variabel yang ada pada dataset sehingga dari 13 variabel yang terdapat pada dataset hanya akan diketahui empat variabel yang benarbenar mempengaruhi penyakit jantung koroner dan empat variabel yang dihasilkan dengan metodologi PCA dapat mewakili 13 variabel yang ada pada dataset. Dataset yang digunakan pada penelitian ini adalah data penyakit jantung koroner yang diperoleh dari Cleveland Clinic Foundation yang merupakan koleksi database dari Universitas California, Irvine (UCI) machine learning repository. Kata kunci-principal component analysis (pca), penyakit jantung koroner, feature ekstraction, reduksi variabel I. PENDAHULUAN Jantung merupakan organ yang sangat penting bagi manusia karena jantung diperlukan untuk memompa darah ke seluruh tubuh sehingga tubuh mendapatkan oksigen dari sari makanan yang diperlukan untuk metabolisme tubuh [1]. Salah satu yang perlu dihindari adalah penyakit jantung koroner yang merupakan salah satu penyakit berbahaya yang bisa menyebabkan serangan jantung. Penyakit jantung koroner disebabkan karena adanya penyempitan arteri koronaria sehingga menyebabkan jantung kekurangan oksigen. Penyakit jantung koroner tidak hanya berdampak moralitas yang dapat menyebabkan kematian pada seseorang, tetapi juga berdampak disabilitas yang menyebabkan kerugian ekonomis yang tertinggi dibandingkan dengan penyakit lain. Diperkirakan dana yang dibelanjakan tiap tahunnya untuk perawatan penyakit jantung koroner di Amerika Serikat adalah sebesar 14 milyar US$ (sekitar 42 triliun rupiah). Menurut estimasi World Health Organization (WHO), sekitar 50% dari 17 juta penduduk dunia meninggal akibat jantung dan pembuluh darah. Beberapa penelitian menggunakan feature ekstraction untuk mereduksi jumlah variabel terkait dengan penyakit jantung koroner, diantaranya Khempila dan boonjing dalam [2] menggunakan algoritma genetika untuk mereduksi jumlah variabel penyakit jantung koroner. Hasil reduksi dilihat dari information gain yang dihasilkan, dari 13 variabel yang ada diperoleh delapan variabel. Setiawan, dkk dalam [3] menggunakan metodologi rough set theory untuk melakukan reduksi variabel dengan dataset penyakit jantung koroner. Dari 13 variabel yang ada pada dataset UCI machine learning repository diperoleh hasil reduksi variabel sebanyak enam variabel. Soni, dkk dalam makalahnya [4] merangkum beberapa papper dan jurnal terkait dengan penyakit jantung koroner. Dalam makalah ini digunakan algoritma lain seperti naïve bayes, k nearest neighbour s, pohon keputusan, dan rough set theory. Pada makalah ini disimpulkan bahwa algoritma pohon keputusan (dessicion tree) menghasilkan nilai ketelitian yang paling tinggi dalam memprediksi penyakit jantung koroner. Pada penelitian ini akan digunakan metodologi PCA untuk mengurangi jumlah variabel yang ada dan menentukan faktor-faktor yang mempengaruhi penyakit jantung koroner. Principal component analysis (analisa komponen utama) adalah salah satu fitur ekstraksi (reduksi) variabel yang banyak digunakan. Bisa dikatakan principal component analysis merupakan analisa tertua dan paling terkenal dari teknik statistika multivariate [5]. PCA pertama kali perkenalkan oleh Karl Pearson pada tahun Harold Hotelling melakukan analisa untuk variabel stokastik. Hotelling menggunakan pendekatan PCA yang sebelumnya telah dikemukan oleh Pearson dan memperkenalkan istilah component sebagai variabel yang dihasilkan dengan menggunakan metodologi PCA. Perkembangan selanjutnya dikenal dengan istilah principal component yang menjelaskan komponen utama atau variabel baru yang dihasilkan/direduksi. Inilah cikal bakal dari analisa PCA. Analisa PCA dikenal juga dengan dengan Transformasi Karhunen-Loeve dan Transformasi Hotelling. TE47-1
2 Principal component analysis adalah kombinasi linear dari variabel awal yang secara geometris kombinasi linear ini merupakan sistem koordinat baru yang diperoleh dari rotasi sistem semula [6]. Metoda PCA sangat berguna digunakan jika data yang ada memiliki jumlah variabel yang besar dan memiliki korelasi antar variabelnya. Perhitungan dari principal component analysis didasarkan pada perhitungan nilai eigen dan vektor eigen yang menyatakan penyebaran data dari suatu dataset. Tujuan dari analisa PCA adalah untuk mereduksi variabel yang ada menjadi lebih sedikit tanpa harus kehilangan informasi yang termuat dalam data asli/awal. Dengan menggunakan PCA, variabel yang tadinya sebanyak n variabel akan direduksi menjadi k variabel baru (principal component) dengan jumlah k lebih sedikit dari n dan dengan hanya menggunakan k principal component akan menghasilkan nilai yang sama dengan menggunakan n variabel [7]. Variabel hasil dari reduksi tersebut dinamakan principal component (komponen utama) atau bisa juga disebut faktor. Sifat dari variabel baru yang terbentuk dengan analisa PCA nantinya selain memiliki jumlah variabel yang berjumlah lebih sedikit tetapi juga menghilangkan korelasi antar variabel yang terbentuk. II. METODOLOGI Pada makalah ini akan digunakan metodologi principal component analysis (PCA) untuk melakukan reduksi variabel sehingga dari 13 variabel yang ada pada dataset akan diperoleh empat variabel baru yang mewakili 13 variabel asal dan empat variabel baru yang terbentuk merupakan faktor-faktor yang menyebabkan penyakit jantung koroner. Data yang akan digunakan untuk penelitian ini adalah data UCI Machine Learning Repository [8]. UCI Machine Learning Repository adalah sebuah penyimpanan database yang berkaitan dengan bidang kesehatan dan bidang sosial. Data yang ada pada website ini telah dibuat sejak tahun 1988 dan sampai saat ini data tersebut banyak digunakan untuk penelitian berskala internasional dan bahan dalam pembuatan makalah di bidang ilmu komputer. Pada UCI mahine learning repository, dataset untuk penyakit jantung koroner memiliki 14 variabel dan 304 responden (record). Akan tetapi, jumlah variabel yang digunakan untuk metodologi PCA adalah sebanyak 13 variabel karena variabel terakhir yaitu variabel num digunakan untuk analisa lebih lanjut seperti untuk mengklasifikasikan penyakit jantung koroner, membuat aturan dari dataset yang ada, dan pengambilan keputusan. Sebelum dilakukan analisa dengan menggunakan PCA maka perlu dilakukan pembersihan data (data cleaning) yaitu membuang data yang tidak lengkap (missing value), data yang terduplikasi, dan data yang tidak konsisten. Tujuan dari pembersihan data adalah untuk mendapatkan data yang nilainya benar-benar valid. Setelah dilakukan pembersihan data dengan membuang data yang tidak memiliki nilai (missing value) maka diperoleh 13 variabel dan 297 responden. Data ini yang kemudian akan di analisa dengan menggunakan metodologi principal component analysis (PCA). Variabel penyakit jantung koroner dapat dilihat pada Tabel 1. TABEL 1 Variabel Age Sex Cp Trestbps Chol Fbs Restecg Thalach Exang Oldpeak Slope Ca Thal Num VARIABEL PENYAKIT JANTUNG KORONER Keterangan Age in years 1 : male, 0 : female Chest Pain 1: typical angina; 2 : atypical angina; 3 : non anginal pain; 4 : asymptomatic resting blood pressure (in mm Hg on admission to the hospital) serum cholestoral in mg/dl (fasting blood sugar > 120 mg/dl) (1 = true; 0 = false) resting electrocardiographic results 0:normal; 1: having ST-T wave abnormality (T wave inversions and/or ST elevation or depression of > 0.05 mv); 2: showing probable or definite left ventricular hypertrophy by Estes' criteria maximum heart rate achieved exercise induced angina (1 = yes; 0 = no) ST depression induced by exercise relative to rest the slope of the peak exercise ST segment. 1:upsloping; 2:flat; 3:downsloping number of major vessels (0-3) colored by flourosopy 3 = normal; 6 = fixed defect; 7 = reversable defect diagnosis of heart disease (disease status) Perhitungan analisa dengan menggunakan metodologi PCA adalah masalah memecahkan permasalahan persamaan eigen seperti yang dilihat pada Persamaan 1 karena pada dasarnya perhitungan PCA didasarkan pada nilai eigen yang lebih dari satu. Adapun algoritma PCA secara umum sebagai berikut : Hitung matriks kovarian dengan menggunakan Persamaan 2. å xy Cov (xy) = - ( x )( y) (2) n Hitung nilai eigen dengan menyelesaikan Persamaan 3. (A λi) = 0 (3) Hitung vektor eigen dengan menyelesaikan Persamaan 4. [A λi] [X] = [0] (4) Tentukan variabel baru (principal component) dengan mengalikan variabel asli dengan matriks vektor eigen. Sedangkan variansi yang dapat dijelaskan oleh variabel baru ke-i tergantung kontribusi pi, dari masingmasing nilai eigen yang dihitung dengan Persamaan 5. li ri = X100% (5) D å j = l 1 j Ada tiga cara yang digunakan untuk menentukan jumlah komponen utama (principal component) yang TE47-2
3 akan digunakan untuk analisa selanjutnya [7]. Pertama, dengan melihat total variansi yang dapat dijelaskan lebih dari 80%. Cara kedua adalah dengan melihat nilai eigen yang lebih dari satu. Cara ketiga adalah dengan mengamati scree plot yaitu dengan melihat patahan siku dari scree plot. Pada penelitian ini untuk menentukan jumlah komponen utama yang dihasilkan pada analisa PCA adalah dengan melihat nilai eigen lebih dari satu. III. IMPLEMENTASI Analisa dengan menggunakan metodologi PCA dilakukan apabila terdapat korelasi/hubungan antar variabelnya karena tujuan dari analisa dari PCA adalah membuat sejumlah variabel baru yang tidak memiliki korelasi antar variabelnya (korelasi = 0) dan jumlah variabel yang ada lebih sedikit dari jumlah variabel awal (feature ekstraction). Implementasi dari analisa PCA pada penelitian ini menggunakan software SPSS 19. Sebelum dilakukan analisa dengan metodologi PCA, dilakukan terlebih dahulu proses pembersihan data (data cleaning) yang bertujuan untuk membuang data yang duplikat, memeriksa data yang tidak konsisten, menghilangkan data yang tidak lengkap (missing value). Hal ini dilakukan agar pada saat analisa hasil yang diperoleh adalah hasil yang sebenarnya. Ada beberapa cara yang digunakan untuk mengatasi data yang hilang/kosong yaitu dengan mengabaikan/membuangnya jika jumlah datanya besar dan dapat juga dilakukan dengan menggantikan data yang hilang dengan nilai ratarata dari variabel jika jumlah datanya terbatas atau kecil [8]. Missing value pada dataset penelitian ini dilakukan dengan cara membuang record yang tidak memiliki nilai. Dari dataset yang digunakan dalam penelitian ini terdapat 304 responden dan setelah dilakukan pembersihan data maka diperoleh 297 responden. Data yang telah dibersihkan kemudian dihitung nilai Barlett Test of Sphericity yang digunakan untuk mengetahui apakah ada korelasi yang signifikan antar variabel dan menghitung nilai Keiser-Meyers-Oklin (KMO) Measure of Sampling Adequacy yang digunakan untuk mengukur kecukupan sampel dengan cara membandingkan besarnya korelasi yang diamati dengan korelasi parsialnya. Kedua uji ini dilakukan untuk memastikan dataset yang digunakan memenuhi persyaratan analisa PCA. Hasil hari analisa Barlett Test of Sphericity dan KMO dapat dilihat pada Gambar 1. Dari Gambar 1 diketahui nilai Barlett Test of Sphericity 671,256 pada signifikan 0,000 yang berarti pada penelitian ini ada korelasi yang sangat signifikan antar variabel dan hasil perhitungan KMO sebesar 0,695 menunjukkan kecukupan sampel termasuk kategori menengah sehingga dataset penyakit jantung yang digunakan dalam penelitian ini memenuhi syarat analisa dengan menggunakan metodologi PCA. Gambar 1 Hasil evaluasi Barlett Test of Sphericity dan KMO IV. HASIL DAN ANALISA Setelah memastikan bahwa dataset yang digunakan memenuhi syarat untuk melakukan analisa PCA dengan melihat nilai Barlett Test dan nilai KMO maka analisa PCA dapat dilakukan. Analisa PCA diawali dengan menghitung nilai korelasi antar variabel karena pada dasarnya analisa PCA dapat dilakukan jika variabel yang ada memiliki korelasi. Ada dua cara yang digunakan dalam menentukan hubungan antara variabel yaitu dengan menghitung nilai korelasi (matriks korelasi ) antar variabel dan dengan menghitung kovarian (matriks kovarian) dari semua variabel yang ada [5]. Pada analisa ini dilakukan perhitungan korelasi dari setiap variabel dan di bentuk dalam sebuah matriks korelasi. Dari matriks korelasi nantinya akan dilakukan analisa PCA dengan melihat nilai eigen yang ada pada masing-masing variabel. Variabel baru (principal component) yang terbentuk didasarkan pada nilai eigen lebih dari satu. Hasil dari perhitungan nilai egen dan varian dapat dilihat pada Tabel 2. TABEL 2 NILAI EIGEN HASIL ANALISA KOMPONEN UTAMA (PCA) Component Initial Eigen Total % of variance Cumulative % , TE47-3
4 PC 1 PC 2 PC 3 PC 4 PC 5 PC 6 PC 7 PC 8 PC 9 PC 10 PC 11 PC 12 PC 13 Tabel 3 menjelaskan hubungan (korelasi) antara variabel asli dengan variabel baru (principal component) yang dibentuk dengan PCA yang disebut dengan nilai loading. Nilai loading yang dipilih adalah nilai loading di atas 0,5 yang dianggap mampu menjelaskan variabel yang mempengaruhi penyakit jantung koroner (diberi warna merah). Variabel lain yang memiliki nilai loading dibawah 0,5 dianggap tidak atau kurang berpengaruh dalam penyakit jantung koroener dan dengan menggunakan empat variabel baru yang terbentuk telah mewakili 13 variabel pada data asli. Tabel 4 menjelaskan secara lebih terinci variabel-variabel yang mempengaruhi penyakit jantung koroner dan varian yang dijelaskan dari masing-masing variabel. TABEL 4 RINGKASAN ANALISA KOMPONEN UTAMA (PCA) Gambar 2 Kontribusi Masing-Masing Variabel (% of Variance) Tabel 2 menjelaskan nilai eigen dari masing-masing variabel beserta variannya. Pada tabel 2 diperoleh empat variabel baru (principal component) yang memiliki nilai eigen lebih dari satu. Keempat variabel ini memiliki nilai eigen yang telah terurut. Principal component pertama memilki nilai eigen sebesar 3,080 (varian sebesar 23,695%), principal component kedua memiliki nilai eigen 1,605 (varian sebesar 12,349%), principal component ketiga memiliki nilai eigen 1,248 (varian sebesar 9,604%), dan principal component keempat 1,107 (varian 8,516%). Keempat variabel baru ini mampu menjelaskan keragaman data sebesar 54,165% (dilihat dari % cumulative/total varian ). Untuk menentukan variabel apa saja yang termasuk dalam empat variabel baru ini dan variabel yang benar-benar mempengaruhi penyakit jantung koroner maka dilakukan rotasi faktor (transformasi) dengan menggunakan metodologi rotasi faktor varimax. TABEL 3 ROTASI FAKTOR DENGAN MENGGUNAKAN METODOLOGI VARIMAX Component Age Sex Cp Tresbps Chol Fbs Restecg Thalach Exang Oldpeak Slope Ca Thal Principal Component (PC) PC 1 : Peredaran Darah PC 2 : Tekanan Darah PC 3 : Denyut Jantung PC 4 : Jenis Kelamin Nama Variabel Cp Thalach Exang Age Tresbps Oldpeak Slope Sex Thal Faktor Loading 0,784-0,583 0,617 0,661 0,613 0,762 0,867 0,831 0,589 Varian yang dijelaskan 23,695 12,349 9,604 8,516 Pada Tabel 4 diketahui bahwa principal component pertama memiliki nilai persentase varian sebesar 23,695%. Berdasarkan nilai loadingnya, variabel yang membentuk principal component pertama yaitu cp (loading 0,784), thalach (loading -0,583), dan exang (loading 0,617). Principal component pertama ini lalu diberi nama peredaran darah. Principal component kedua memiliki nilai persentase 12,349% dari total variansinya. Berdasarkan nilai loadingnya, variabel yang membentuk principal component kedua yaitu age (loading 0,661) dan tresbps (0,613). Principal component kedua ini lalu diberi nama tekanan darah. Principal component ketiga memiliki nilai persentase variansi sebesar 9,604%. Berdasarkan nilai loadingnya, variabel yang membentuk principal component ketiga ini yaitu oldpeak (loading 0,762) dan slope (loading 0,867). Principal component ketiga ini diberi nama denyut jantung. Principal component keempat memiliki nilai persentase variansi sebesar 8,516%. Berdasarkan nilai loadingnya, variabel yang membentuk principal component keempat yaitu sex (loading 0,831) dan thal (loading 0,589). Principal component keempat ini diberi nama jenis kelamin. Pemberian nama pada keempat variabel baru (principal component) yang terbentuk berdasarkan karakteristik dari variabel yang membentuknya. V. KESIMPULAN Dari 13 variabel yang ada pada dataset, diketahui setelah dilakukan reduksi dengan menggunakan metodologi PCA diperoleh empat variabel baru yang menentukan penyakit jantung koroner. Keempat variabel baru yang terbentuk mampu menjelaskan total varian (cumulative percent of variance) sebesar 54,165% artinya penyakit TE47-4
5 jantung koroner ini mampu dijelaskan hanya dengan empat variabel yang terbentuk. Keempat variabel baru yang dibentuk dengan analisa PCA adalah peredarah darah, tekanan darah, denyut jantung, dan jenis kelamin. Keempat variabel ini merupakan faktor-faktor yang mempengaruhi penyakit jantung koroner. REFERENCES [1] diakses tanggal 19 April [2] Khemphila, Anchana dan Boonjing, Veera. Heart disease Classification using Neural Network and Feature Selection. IEEE Computer Society [3] Setiawan, N.A dkk. Missing Data Estimation on Heart Disease Using Artificial Neural Network and Rough Set Theory. IEEE Computer Society [4] Soni, Jyoti dkk. Predictive Data Mining for Medical Diagnosis : An Overview of Heart Disease Prediction [5] Jolliffe, I.T. Principal Component Analysis. Edisi kedua. Springer-Verlag. New York [6] Susetyoko, Ronny dan Purwantini, Elly. Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil. [7] Johnson dan Wichern. Applied Multivariate Statistical Analysis. Edisi keenam. Pearson Prentice Hall [8] CA:University of California, Department of Information and Computer Science [9] Santosa, B. Data Mining : Teknik Pemanfaatan Untuk Keperluan Bisnis. Graha Ilmu. Yogyakarta TE47-5
BAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1. 1.1 Latar Belakang Sistem peredaran darah manusia merupakan suatu jaringan yang memiliki dua fungsi utama, yaitu untuk mengedarkan oksigen dan nutrisi ke seluruh organ tubuh manusia
Lebih terperinciData ini berisi 13 atribut, yaitu. Dengan tipe atribut, yaitu
Hai khalayak ramai, pada kesempatan kali ini aku mau ngasik tutorial yang berkaitan dengan data mining. Apa sih itu data mining?? Data mining adalah suatu proses menemukan knowledge atau informasi dari
Lebih terperinciPENGGABUNGAN ALGORITMA BACKWARD ELIMINATION DAN K-NEAREST NEIGHBOR UNTUK MENDIAGNOSIS PENYAKIT JANTUNG
PENGGABUNGAN ALGORITMA BACKWARD ELIMINATION DAN K-NEAREST NEIGHBOR UNTUK MENDIAGNOSIS PENYAKIT JANTUNG Laily Hermawanti *, Sucianna Ghadati Rabiha Jurusan Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciALGORITMA K-NEAREST NEIGHBOR BERBASIS FORWARD SELECTION UNTUK MENDIAGNOSIS PENYAKIT JANTUNG KORONER
KOMPUTAKI Vol.3, No.1 Februari 2017 ALGORITMA K-NEAREST NEIGHBOR BERBASIS FORWARD SELECTION UNTUK MENDIAGNOSIS PENYAKIT JANTUNG KORONER Achmad Nuruddin Safriandono email : udinozz@gmail.com Abstrak K-Nearest
Lebih terperinciSeleksi Fitur Information Gain untuk Klasifikasi Penyakit Jantung Menggunakan Kombinasi Metode K-Nearest Neighbor dan Naïve Bayes
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2546-2554 http://j-ptiik.ub.ac.id Seleksi Fitur Information Gain untuk Klasifikasi Penyakit
Lebih terperinciTeknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil
Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil Ronny Susetyoko, Elly Purwantini Politeknik Elektronika Negeri Surabaya
Lebih terperinciDIAGNOSA PENYAKIT JANTUNG PADA PONSEL MENGGUNAKAN POHON KEPUTUSAN
DIAGNOSA PENYAKIT JANTUNG PADA PONSEL MENGGUNAKAN POHON KEPUTUSAN Febri Maspiyanti Teknik Informatika Universitas Pancasila febri.maspiyanti@univpancasila.ac.id Jullend Gatc Sistem Informasi Kalbis Institute
Lebih terperinciPERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI
ISSN 1858-4667 JURNAL LINK Vol 16/No. 1/Februari 212 PERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI Ronny Susetyoko 1, Elly Purwantini 2 1,2 Departemen Teknik Elektro,
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 terperinciIDENTIFIKASI FAKTOR PENDORONG PERNIKAHAN DINI DENGAN METODE ANALISIS FAKTOR
Saintia Matematika Vol. 2, No. 1 (2014), pp. 1 11. IDENTIFIKASI FAKTOR PENDORONG PERNIKAHAN DINI DENGAN METODE ANALISIS FAKTOR Aswin Bahar, Gim Tarigan, Pengarapen Bangun Abstrak. Pernikahan dini merupakan
Lebih terperinciAnalisis perbandingan Klasifikasi penyakit jantung dengan menggunakan naïve bayes
Analisis perbandingan Klasifikasi penyakit jantung dengan menggunakan naïve bayes Muhammad Sulkifly Said Program Studi Magister Teknologi Informasi, Universitas Gadjah Mada Jl. Grafika No.2 Kampus UGM,
Lebih terperinciDIAGNOSA PENYAKIT JANTUNG MENGGUNAKAN TEKNIK AUTOMATIC POST PRUNING DECISION TREE
DIAGNOSA PENYAKIT JANTUNG MENGGUNAKAN TEKNIK AUTOMATIC POST PRUNING DECISION TREE Susilawati, Aullia Rachman, Andi Batari Nurulniza, Chandra Prasetyo Utomo Universitas YARSI Jl.Let.Jend.Suprapto Cempaka
Lebih terperinciANALISIS FAKTOR PREDIKSI DIAGNOSIS TINGKAT KEPARAHAN PENYAKIT JANTUNG (HEART DISEASE) MENGGUNAKAN METODE STEPWISE BINARY LOGISTIC REGRESSION
ANALISIS FAKTOR PREDIKSI DIAGNOSIS TINGKAT KEPARAHAN PENYAKIT JANTUNG (HEART DISEASE) MENGGUNAKAN METODE STEPWISE BINARY LOGISTIC REGRESSION Indana Lazulfa Program Studi Teknik Informatika, Fakultas Teknologi
Lebih terperinciDIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 7~12 7 DIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5 Tri Retnasari 1, Eva Rahmawati 2 1 STMIK
Lebih terperinciGAMBARAN UMUM TUJUAN ANALISIS FAKTOR
GAMBARAN UMUM TUJUAN ANALISIS FAKTOR 1. Latar Belakang Analisis faktor adalah alat analisis statistik yang dipergunakan untuk mereduksi faktor-faktor yang mempengaruhi suatu variabel menjadi beberapa set
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Komponen Utama adalah suatu prosedur untuk mereduksi dimensi data dengan cara mentransformasi variabel-variabel awal yang berkorelasi menjadi sekumpulan variabel
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan diuraikan mengenai landasan teori yang akan digunakan dalam bab selanjutnya. 2.1 Matriks Sebuah matriks, biasanya dinotasikan dengan huruf kapital tebal seperti A,
Lebih terperinciAnalisis Faktor Terhadap Resiko Kejadian Diare pada Anak Balita di Kota Ambon
Statistika, Vol. 15 No. 2, 59-64 November 2015 Analisis Faktor Terhadap Resiko Kejadian Diare pada Anak Balita di Kota Ambon Ferry Kondo Lembang 1, Yuanita Samangun 2 1,2Jurusan Matematika Fakultas MIPA
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian yang dikembangkan dalam pengembangan sistem. keputusan jantung ini adalah sebagai berikut.
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian yang dikembangkan dalam pengembangan sistem keputusan jantung ini adalah sebagai berikut. Studi Literatur Data Pelatihan Data Data testing
Lebih terperinciPenentuan Prediksi Awal Penyakit Jantung Menggunakan Algoritma Back Propagation Neural Network dengan Metode Adaboost
Penentuan Prediksi Awal Penyakit Jantung Menggunakan Algoritma Back Propagation Neural Network dengan Metode Adaboost Ricardus Anggi Pramunendar 1, Ika Novita Dewi 2, Hasan Asari 3 1,3 Program Pasca Sarjana
Lebih terperinciIII. METODE PENELITIAN. sesuai dengan tujuan penelitian. Konsep dasar dan batasan operasional dalam
33 III. METODE PENELITIAN A. Konsep Dasar dan Batasan Operasional Konsep dasar dan definisi operasional mencakup semua pengertian dan pengukuran yang dipergunakan untuk mendapatkan data yang akan dianalisis
Lebih terperinciOPTIMASI JARINGAN SYARAF TIRUAN BACKPROPAGATION MENGGUNAKAN PARTICLE SWARM OPTIMIZATION UNTUK DETEKSI PENDERITA PENYAKIT JANTUNG
OPTIMASI JARINGAN SYARAF TIRUAN BACKPROPAGATION MENGGUNAKAN PARTICLE SWARM OPTIMIZATION UNTUK DETEKSI PENDERITA PENYAKIT JANTUNG Hargianti Henni Oktawandari Program Studi Teknik Informatika, Fakultas Ilmu
Lebih terperinciKAJIAN FAKTOR PENYEBAB PENDERITA HIPERTENSI DENGAN MENGGUNAKAN ANALISIS FAKTOR DI KOTAMADYA MEDAN (Studi Kasus : RSUP H.
Saintia Matematika ISSN: 2337-9197 Vol. 2, No. 4 (2014), pp. 333 343. KAJIAN FAKTOR PENYEBAB PENDERITA HIPERTENSI DENGAN MENGGUNAKAN ANALISIS FAKTOR DI KOTAMADYA MEDAN (Studi Kasus : RSUP H. Adam Malik
Lebih terperinciMODIFIKASI SELEKSI FITUR BERBASIS KOMPUTER UNTUK DIAGNOSIS PENYAKIT JANTUNG KORONER
MODIFIKASI SELEKSI FITUR BERBASIS KOMPUTER UNTUK DIAGNOSIS PENYAKIT JANTUNG KORONER Dwi Wahyu Prabowo Email: dwi.wahyu9@gmail.com Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Darwan
Lebih terperinciAnalisis Cluster Average Linkage Berdasarkan Faktor-Faktor Kemiskinan di Provinsi Jawa Timur
Analisis Cluster Average Linkage Berdasarkan Faktor-Faktor Kemiskinan di Provinsi Jawa Timur Qonitatin Nafisah, Novita Eka Chandra Jurusan Matematika Fakultas MIPA Universitas Islam Darul Ulum Lamongan
Lebih terperinciMinggu XI ANALISIS KOMPONEN UTAMA. Utami, H
Minggu XI ANALISIS KOMPONEN UTAMA Utami, H Outline 1 Pendahuluan 2 Tujuan 3 Analisis Komponen Utama 4 Contoh Utami, H Minggu XIANALISIS KOMPONEN UTAMA 2 / 16 Outline 1 Pendahuluan 2 Tujuan 3 Analisis Komponen
Lebih terperinciBAB V ANALISIS DATA PENELITIAN. responden. Data deskriptif ini nantinya dapat menggambarkan keadaan ataupun
BAB V ANALISIS DATA PENELITIAN 5.1. Gambaran Umum Responden Bagian ini menjelaskan mengenai data deskriptif yang diperoleh dari responden. Data deskriptif ini nantinya dapat menggambarkan keadaan ataupun
Lebih terperinciS 10 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis)
PROSIDING ISBN : 978 979 6353 6 3 S 0 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis) Wirayanti ), Adi Setiawan ), Bambang Susanto
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian ini akan dilakukan di Martha Tilaar Salon Day Spa Bogor tepatnya terletak di Jalan Pemuda No. 7 Bogor. Waktu penelitian adalah bulan April-Juni 2011
Lebih terperinciPENERAPAN ANALISIS KOMPONEN UTAMA DALAM PENENTUAN FAKTOR DOMINAN YANG MEMPENGARUHI PRESTASI BELAJAR SISWA (Studi Kasus : SMAN 1 MEDAN)
Saintia Matematika Vol. 1, No. 6 (2013), pp. 507 516. PENERAPAN ANALISIS KOMPONEN UTAMA DALAM PENENTUAN FAKTOR DOMINAN YANG MEMPENGARUHI PRESTASI BELAJAR SISWA (Studi Kasus : SMAN 1 MEDAN) Juliarti Hardika,
Lebih terperinciVolume 1, Nomor 2, Desember 2007
Volume 1, Nomor 2, Desember 2007 Barekeng, Juni 2007. hal.18-24 Vol. 1. No. 2 ANALISIS FAKTOR STUDI KASUS : UNTUK MENGETAHUI FAKTOR-FAKTOR DASAR YANG MEMPENGARUHI PELAYANAN PADA FMIPA UNPATTI FRANCIS Y
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Pendekatan dan Jenis Penelitian Penelitian ini menggunakan pendekatan kuantitatif. Penelitian kuantitatif merupakan metode untuk menguji teori - teori tertentu dengan cara
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 terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciANALISIS FAKTOR YANG MEMPENGARUHI TINGKAT PRODUKSI PADI SAWAH DI KABUPATEN PADANG LAWAS
Saintia Matematika ISSN: 2337-9197 Vol. 2, No. 4 (2014), pp. 323 332. ANALISIS FAKTOR YANG MEMPENGARUHI TINGKAT PRODUKSI PADI SAWAH DI KABUPATEN PADANG LAWAS Ida Yanti Hasibuan, Pengarapen Bangun, Ujian
Lebih terperinciANALISIS FAKTOR RESIKO PADA KEJADIAN BERAT BADAN BAYI LAHIR DI BAWAH NORMAL DI RSUP H. ADAM MALIK MEDAN
Saintia Matematika Vol. 1, No. 6 (2013), pp. 557 566. ANALISIS FAKTOR RESIKO PADA KEJADIAN BERAT BADAN BAYI LAHIR DI BAWAH NORMAL DI RSUP H. ADAM MALIK MEDAN Siti Andri Yanti, Agus Salim Harahap, Suwarno
Lebih terperinciBAB III METODE PENELITIAN. kuantitatif merupakan metode untuk menguji teori-teori tertentu dengan cara
BAB III METODE PENELITIAN A. Pendekatan dan Jenis Penelitian Penelitian ini menggunakan pendekatan kuantitatif. Penelitian kuantitatif merupakan metode untuk menguji teori-teori tertentu dengan cara meneliti
Lebih terperinciBAB III METODE PENELITIAN. atau menghubungkan dengan variabel lain (Sugiyono, 2000:11). Penelitian
BAB III METODE PENELITIAN A. Desain Penelitian Penelitian ini didesain sebagai penelitian deskriptif komparatif. Penelitian deskriptif yaitu suatu penelitian yang digunakan untuk mengetahui nilai variabel
Lebih terperinciTogu P. Marpaung, Normalina Napitupulu, Rachmad Sitepu
Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 289 298. ANALISIS FAKTOR YANG MEMPENGARUHI KUNJUNGAN MASYARAKAT KOTA MEDAN KE PERPUSTAKAAN UMUM KOTA MEDAN Togu P. Marpaung, Normalina Napitupulu,
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1. Karakteristik Responden Penelitian ini dilakukan pada PT. Rezeki Supermarketing sebuah perusahaan retail tradisional yang terletak di Jakarta, dengan mengambil
Lebih terperinciPENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL
Lebih terperinciPERBANDINGAN DEFUZZIFIKASI CENTROID DAN MAXIMUM DEFUZZIFIER PADA METODE FUZZY INFERENCE SYSTEM UNTUK DIAGNOSIS PENYAKIT JANTUNG
PERBANDINGAN DEFUZZIFIKASI CENTROID DAN MAXIMUM DEFUZZIFIER PADA METODE FUZZY INFERENCE SYSTEM UNTUK DIAGNOSIS PENYAKIT JANTUNG Satia Suhada 1) Dwiza Riana 2) 1) Program Studi Sistem Informasi Sekolah
Lebih terperinciProgram Studi Pendidikan Ekonomi FE UNY
LEMBAR KERJA Topik: Uji Validitas dengan Analisis Faktor Tujuan: Untuk menguji tingkat validitas konstruk seperangkat instrumen, kuesioner atau angket Contoh Masalah: Apakah butir-butir yang dikembangkan
Lebih terperinciPENERAPAN ALGORITMA C4.5 BERBASIS ADABOOST UNTUK PREDIKSI PENYAKIT JANTUNG
PENERAPAN ALGORITMA C4.5 BERBASIS ADABOOST UNTUK PREDIKSI PENYAKIT JANTUNG Abdul Rohman ) Abstrak Penyakit jantung adalah terjadinya penyumbatan sebagian atau total dari suatu lebih pembuluh darah, akibatnya
Lebih terperinciBAB IV ANALISIS DATA. yang memotivasi konsumen untuk berolah raga arung jeram serta menguji
BAB IV ANALISIS DATA A. Penjelasan Penelitian Pada bab empat ini akan dilakukan pembahasan mengenai hasil penelitian yang telah dilakukan. Penelitian ini dirancang sebagai suatu penelitian deskriptif komparatif.
Lebih terperinci(2.1) keterangan: i = Banyaknya faktor yang terbentuk; (i=1,2,3,...,k)
BAB 2 LANDASAN TEORI 2.1 Analisis Faktor Menurut J. Supranto (2004), analisis faktor merupakan teknik statistika yang utamanya dipergunakan untuk mereduksi atau meringkas data dari variabel yang banyak
Lebih terperinciBAB 1. Pendahuluan. 1.1 Latar Belakang
BAB 1 Pendahuluan 1.1 Latar Belakang Ketika ada seorang pasien yang menderita suatu penyakit dan kemudian pasien tersebut datang ke dokter untuk melakukan pemeriksaan atau check-up, tindakan medis yang
Lebih terperinciPenggunaan Analisis Faktor (Factor Analysis) dengan Aplikasi Program SPSS 11.5
Penggunaan Analisis Faktor (Factor Analysis) dengan Aplikasi Program SPSS 11.5 Oleh: Muji Gunarto (mgunarto@hotmail.com) I. Pendahuluan (Landasan Teori) Analisis faktor adalah salah satu analisis yang
Lebih terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Penelitian Semakin banyaknya usaha restoran yang ada di Bogor menimbulkan persaingan yang semakin ketat. Dalam persaingan yang ketat ini, Restoran Gurih
Lebih terperinciANALISIS FAKTOR PENYEBAB KEPADATAN PENDUDUK MENURUT PERSEPSI MASYARAKAT DI KOTAMADYA SIBOLGA
Saintia Matematika Vol. 1, No. 4 (2013), pp. 349 358. ANALISIS FAKTOR PENYEBAB KEPADATAN PENDUDUK MENURUT PERSEPSI MASYARAKAT DI KOTAMADYA SIBOLGA Henni Mulyani Siregar, Henry Rani Sitepu, Suwarno Ariswoyo
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.2. Analisis Faktor Analisis faktor merupakan salah satu metode statistik multivariat yang mencoba menerangkan hubungan antara sejumlah variabel variabel yang saling independen antara
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 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 terperinciPENERAPAN ALGORITMA C4.5 BERBASIS ADABOOST UNTUK PREDIKSI PENYAKIT JANTUNG
PENERAPAN ALGORITMA C4.5 BERBASIS ADABOOST UNTUK PREDIKSI PENYAKIT JANTUNG Abdul Rohman 1, Vincent Suhartono 2, Catur Supriyanto 3 123 Pasca Sarjana Teknik Informatika Universitas Dian Nuswantoro ABSTRACT
Lebih terperinciPenggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot
Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier Bernhard M. Wongkar 1, John S. Kekenusa 2, Hanny A.H. Komalig 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, bernhard.wongkar2011@gmail.com
Lebih terperinciBab 4 ANALISIS FAKTOR TEORITIS DAN APLIKATIF
Bab 4 ANALISIS FAKTOR TEORITIS DAN APLIKATIF Analisis Multivariat untuk analisis identifikasi, prediksi, eksplorasi, deskripsi: 1. Principle Component Analysis (PCA) 2. Factor Analysis 3. Cluster Analysis
Lebih terperinciBAB III PEMBAHASAN. Analisis cluster merupakan analisis yang bertujuan untuk. mengelompokkan objek-objek pengamatan berdasarkan karakteristik yang
BAB III PEMBAHASAN Analisis cluster merupakan analisis yang bertujuan untuk mengelompokkan objek-objek pengamatan berdasarkan karakteristik yang dimiliki. Asumsi-asumsi dalam analisis cluster yaitu sampel
Lebih terperinciBAB 4 ANALISA DATA 4.1 Profile Responden
BAB 4 ANALISA DATA 4.1 Profile Responden Pada penelitian ini, peneliti telah menyusun profile responden yang dibagi kedalam beberapa macam, yakni berdasarkan: 1. Nama pusat kebugaran langganan responden
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 FAKTOR TINGKAT KEPUASAN MAHASISWA UNIVERSITAS PAKUAN TERHADAP PELAYANAN PARKIR KAMPUS
ANALISIS FAKTOR TINGKAT KEPUASAN MAHASISWA UNIVERSITAS PAKUAN TERHADAP PELAYANAN PARKIR KAMPUS Sintya Dwi Rosady 1, Fitria Virgantari, Ani Andriyati Program Studi Matematika Fakultas Matematika dan Ilmu
Lebih terperinciANALISIS STATISTIK FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA
Saintia Matematika Vol. 1, No. 5 (2013), pp. 483 494. ANALISIS STATISTIK FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA Karyanus Daely, Ujian Sinulingga Asima Manurung Abstrak. Indeks Prestasi
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Subyek Penelitian Penelitian ini dilakukan kepada 47 orang guru BK SLTA (5, SMA, 1 MA, dan 9 SMK) di Salatiga, seperti yang dapat dilihat dalam tabel 4.1 di bawah
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
43 BAB 1 PENDAHULUAN 1.1 Latar Belakang Hipertensi merupakan penyakit ancaman bagi masyarakat Indonesia dengan prevalensi hipertensi yang cukup tinggi di Indonesia.Hipertensi menimbulkan angka morbiditas
Lebih terperinciANALISIS FAKTOR ANALISIS FAKTOR
ANALISIS FAKTOR ANALISIS FAKTOR Analisis factor digunakan untuk menemukan hubungan sejumlah variable yang bersifat independent dengan yang lain Analisis Faktor merupakan teknik untuk mengkombinasikan pertanyaan
Lebih terperinciPenerapan Analisa Faktor dalam Membentuk Faktor Laten yang Mempengaruhi Prestasi Mahasiswa di Jurusan Matematika FMIPA Universitas Sriwijaya
Jurnal Penelitian Sains Volume 12 Nomer 3(A) 12301 Penerapan Analisa Faktor dalam Membentuk Faktor Laten yang Mempengaruhi Prestasi Mahasiswa di Jurusan Matematika FMIPA Universitas Sriwijaya Oki Dwipurwani,
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI HASIL PRODUKSI KENTANG
Saintia Matematika Vol. 1, No. 5 (2013), pp. 445 457. ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI HASIL PRODUKSI KENTANG Sartika, Henry Rani Sitepu, Pengarapen Bangun Abstrak. Analisis faktor merupakan suatu
Lebih terperinciAbstract. Abstrak. Keywords : Principal Component Analysis, Agriculture Production and Plantation
JdC, Vol. 3, No. 2, September, 2014 1 Penggunaan Analisis Komponen Utama Dalam Penggabungan Data Peubah Ganda pada Kasus Produksi Pertanian dan Perkebunan Di Wilayah Bolaang Mongondow Tahun 2008 1 Sunarsi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Masyarakat dunia saat ini sedang dihadapkan dengan kemajuan teknologi sebagai salah satu penunjang dalam era informasi. Informasi yang menjadi komoditas utama
Lebih terperinciREDUKSI VARIABEL KRITERIAALTERNATIF RESTORAN DENGAN METODE FACTOR ANALYSIS
REDUKSI VARIABEL KRITERIAALTERNATIF RESTORAN DENGAN METODE FACTOR ANALYSIS Ai Nurhayat, S.Si.,MT. Jurusan Teknik Industri Sekolah tinggi Teknologi Bandung ABSTRAK Pada tahun 2017 telah terjadi kenaikan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Principal Component Analysis (PCA)merupakan salah satu teknik pereduksian dimensi data. Data yang direduksi saling berkorelasi satu sama lain.pca muncul sebagai solusi
Lebih terperinciBAB I PENDAHULUAN I.I LATAR BELAKANG
BAB I PENDAHULUAN I.I LATAR BELAKANG Penyakit tidak menular terus berkembang dengan semakin meningkatnya jumlah penderitanya, dan semakin mengancam kehidupan manusia, salah satu penyakit tidak menular
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan langkah-langkah atau metode penelitian sebagai berikut: 1. Penentuan Masalah Penentuan masalah ini diperoleh dari studi literature
Lebih terperinciMODUL 3 ANALISIS FAKTOR
TUJUAN PRAKTIKUM Tujuan dari praktikum modul 3 ini adalah : 1. Mahasiswa memahami apa yang dilakukan dalam proses Analisis Faktor; 2. Mahasiswa dapat menjalankan prosedur Analisis Faktor dalam SPSS; 3.
Lebih terperinciBAB V HASIL DAN PEMBAHASAN. Responden dalam penelitian ini adalah konsumen Alfamart Kecamatan Kotagajah
48 BAB V HASIL DAN PEMBAHASAN A. Karakteristik Responden Responden dalam penelitian ini adalah konsumen Alfamart Kecamatan Kotagajah lampung tengah. Penyebaran kuesioner ke berbagai responden berbagai
Lebih terperinciTingkat Kepuasan Mahasiswa Terhadap Kualitas Pelayanan Universitas Sam Ratulangi Menggunakan Analisis Faktor
JURNAL MIPA UNSRAT ONLINE 1 (1) 52-56 dapat diakses melalui http://ejournal.unsrat.ac.id/index.php/jmuo Tingkat Kepuasan Mahasiswa Terhadap Kualitas Pelayanan Universitas Sam Ratulangi Menggunakan Analisis
Lebih terperinciBAB II TINJAUAN PUSTAKA. dari variabel-variabel yang saling berkorelasi. Analisis peubah ganda dapat
BAB II TINJAUAN PUSTAKA 2.1 Analisis Peubah Ganda Analisis peubah ganda merupakan metode statistika yang menganalisis secara bersama-sama variabel yang cukup banyak yang diamati pada setiap individu atau
Lebih terperinciReduksi Data Luaran GCM Stasiun Amahai Dengan Menggunakan Analisis Komponen Utama
Reduksi Data Luaran GCM Stasiun Amahai Dengan Menggunakan Analisis Komponen Utama Ferry Kondo Lembang Jurusan Matematika FMIPA UNPATTI ferrykondolembang@yahoo.co.id Abstrak Reduksi dimensi adalah bagian
Lebih terperinciBAB I PENDAHULUAN. paling sering adalah berupa angina pektoris stabil (Tardif, 2010; Montalescot et al.,
BAB I PENDAHULUAN A. Latar Belakang Pada penyakit jantung koroner (PJK) terdapat kondisi dimana terjadi ketidakseimbangan antara suplai oksigen dengan kebutuhan yang menyebabkan kondisi hipoksia pada miokardium
Lebih terperinciKOMPARASI ALGORITMA MULTI LAYER PERCEPTRON DAN RADIAL BASIS FUNCTION UNTUK DIAGNOSA PENYAKIT JANTUNG. Ahmad Setiadi
Jurnal Pilar Nusa Mandiri Vol.X No.1, Maret 2014 KOMPARASI ALGORITMA MULTI LAYER PERCEPTRON DAN RADIAL BASIS FUNCTION UNTUK DIAGNOSA PENYAKIT JANTUNG Ahmad Setiadi Akademi Manajemen Informatika dan Komputer
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskripsi Lokasi Penelitian 1. Sejarah Singkat SMK Negeri Pasirian Perkembangan zaman era global yang sangat pesat dewasa ini sangat berpengaruh pada pola pikir
Lebih terperinciIII. METODE PENELITIAN. Metode yang digunakan dalam penelitian adalah metode survei. Metode
46 III. METODE PENELITIAN Metode yang digunakan dalam penelitian adalah metode survei. Metode survei adalah metode yang digunakan dalam penelitian yang dilakukan dengan pengamatan langsung terhadap suatu
Lebih terperinci(α = 0.01). Jika D i > , maka x i atau pengamatan ke-i dianggap pencilan (i = 1, 2,..., 100). HASIL DAN PEMBAHASAN
4 karena adanya perbedaan satuan pengukuran antar peubah. 1.. Memastikan tidak adanya pencilan pada data dengan mengidentifikasi adanya pencilan pada data. Pengidentifikasian pencilan dilakukan dengan
Lebih terperinciPENERAPAN METODE REGRESI GULUD DAN REGRESI KOMPONEN UTAMA DALAM MENGATASI PENYIMPANGAN MULTIKOLINEARITAS PADA ANALISIS REGRESI LINEAR BERGANDA
PENERAPAN METODE REGRESI GULUD DAN REGRESI KOMPONEN UTAMA DALAM MENGATASI PENYIMPANGAN MULTIKOLINEARITAS PADA ANALISIS REGRESI LINEAR BERGANDA Sri Siska Wirdaniyati 1), Edy Widodo ) 1) Mahasiswa Prodi
Lebih terperinciKOMPORASI METODE KLASIFIKASI DATA MINING UNTUK PREDIKSI PENYAKIT JANTUNG
KOMPORASI METODE KLASIFIKASI DATA MINING UNTUK PREDIKSI PENYAKIT JANTUNG Abdul Rohman Fakultas Teknik Universitas Pandanaran Jl. Banjarsari Barat No.1 Semarang email: abdulrohman@unpand.ac.id ABSTRAK Dalam
Lebih terperinciJURNAL GAUSSIAN, Volume 2, Nomor 2, April 2013, Halaman Online di:
JURNAL GAUSSIAN, Volume, Nomor, April 013, Halaman 119-18 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN KOEFISIEN KORELASI KANONIK DAN INTERPRETASI FUNGSI KANONIK MULTIVARIAT Muhamad
Lebih terperinciABSTRAK. Kata kunci: Minat beli, Bauran pemasaran. vii. Universitas Kristen Maranatha
ABSTRAK Perkembangan Industri pasar mie instant PT Indofood cenderung meningkat, dimana diketahui bahwa pada tahun 2008 Indonesia memproduksi 15 miliar bungkus mie instant, maka akan diperoleh angka sebesar
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 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 terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciV. HASIL DAN PEMBAHASAN
V. HASIL DAN PEMBAHASAN 5.1 Uji Validitas Dan Reliabilitas Analisis positioning kacang mete di benak konsumen dan faktor-faktor yang mempengaruhi keputusan pembelian konsumen dimulai dengan melakukan uji
Lebih terperinciPERBANDINGAN KINERJA ALGORITME C4.5 DAN NAÏVE BAYES MENGKLASIFIKASI PENYAKIT DIABETES
PERBANDINGAN KINERJA ALGORITME C4.5 DAN NAÏVE BAYES MENGKLASIFIKASI PENYAKIT DIABETES Hendra Marcos 1, Hengky Setiawan Utomo 2 1,2 Program Studi Teknik Informatika, STMIK Amikom Purwokerto Jl. Pol. Soemarto
Lebih terperinciPlot Multivariate Menggunakan Kernel Principal Component Analysis (KPCA) dengan Fungsi Power Kernel
Plot Multivariate Menggunakan Kernel Principal Component Analysis (KPCA) dengan Fungsi Power Kernel Vitawati Bawotong, Hanny Komalig, Nelson Nainggolan 3 Program Studi Matematika, FMIPA, UNSRAT, vbawotong@gmail.com
Lebih terperinciANALISIS FAKTOR-FAKTOR PENYEBAB KEMISKINAN DI PROVINSI JAWA TIMUR DENGAN METODE EKSPLORATORI KOMPONEN UTAMA
ANALISIS FAKTOR-FAKTOR PENYEBAB KEMISKINAN DI PROVINSI JAWA TIMUR DENGAN METODE EKSPLORATORI KOMPONEN UTAMA Rina Fitrianita Rizki 1, Susiswo 2 Universitas Negeri Malang E-mail: rin.bluey.7@gmail.com Abstrak:
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB TINJAUAN PUSTAKA.1 Pengertian Belajar Pengertian belajar menurut para ahli adalah sebagai berikut : a. Menurut Lyle E.Bourne,JR.,Bruce R.Ekstrand Belajar adalah perubahan tingkah laku yang relatif
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 METODE SUPPORT VECTOR MACHINE BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI PENYAKIT JANTUNG
PENERAPAN METODE SUPPORT VECTOR MACHINE BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI PENYAKIT JANTUNG Siti Nurajizah Manajemen Informatika, AMIK BSI Jakarta Jalan RS Fatmawati No 24 Pondok Labu,
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Konseptual English First Bogor adalah lembaga kursus bahasa Inggris yang menggunakan tenaga pengajar penutur asli bahasa Inggris, memiliki jadwal kursus
Lebih terperinciBAB I PENDAHULUAN. Hal ini dibuktikan dengan adanya fakta yang diungkap oleh World Health
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Manusia dapat mendeteksi rangsangan dari luar tubuh dengan adanya alat tubuh yang dinamakan indera. Indera yang digunakan untuk mendeteksi adanya rangsangan
Lebih terperinciEVALUATION OF PERFORMANCE FEATURE SELECTION ON DATA MINING TECHNIQUE FOR DIAGNOSIS CORONARY HEART DISEASE
EVALUATION OF PERFORMANCE FEATURE SELECTION ON DATA MINING TECHNIQUE FOR DIAGNOSIS CORONARY HEART DISEASE Wiharto Wiharto 1, Herianto Herianto 2, Hari Kusnanto 3 1 Department of Informatic, Sebelas Maret
Lebih terperinci