KOMPARASI ALGORITMA KLASIFIKASI DECISION TREE, NAIVE BAYES DAN NEURAL NETWORK UNTUK PREDIKSI PENYAKIT GINJAL KRONIS
|
|
- Djaja Darmadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 KOMPARASI ALGORITMA KLASIFIKASI DECISION TREE, NAIVE BAYES DAN NEURAL NETWORK UNTUK PREDIKSI PENYAKIT GINJAL KRONIS Raja Syahmudin Harahap Teknik Informatika, STMIK ERESHA UNPAM JL. Raya Puspitek No.11, Serpong, Tangerang Selatan ABSTRACT: Chronic kidney disease is a worldwide health crisis. In 2005, there were about 58 million deaths worldwide, with 35 million people associated will chronic kidney disease. (World Health Organization). Data mining plays a vital role in health care domain, nowadays. There is an increased need for an efficient analytical methodology to detect unknown and valuable information in health data. It produces huge amount of data about patients, diseases, diagnosis and medicines so on. In the health care industry, the data mining is mainly used for predicting the diseases from the datasets. In order to obtain high accuracy algorithm will do a comparison few algorithms that have different characteristics, they are Decision Tree, Naïve Bayes and Neural Network. From the test results to measure the performance of the three algorithms using the test method Cross Validation, Confusion Matrix and ROC curves, it is known that the algorithm Naïve Bayes has the highest accuracy value of 99,50%, followed by Decision Tree algorithm with the accuracy value of 97,25%, and Neural Network algorithm with the accuracy value of 97,25%. AUC values for Naïve Bayes algorithm also showed the highest value, namely 1,000, followed by Decision Tree algorithm with AUC values of 0,998 and the lowest is the Neural Network algorithm with AUC values of 0,991. All methods are include excellent classification because the AUC value between 0,90-1,00. Keywords: Chronic kidney disease, data mining, comparison, decision tree, naïve bayes, neural network PENDAHULUAN Data mining memainkan peran penting dalam bidang kesehatan, saat ini. Ada peningkatan kebutuhan yang efisien dalam metodologi analisis untuk mendeteksi informasi yang tidak diketahui dan berharga dalam data kesehatan. Ini menghasilkan sejumlah besar data tentang pasien, penyakit, diagnosis dan obat-obatan. Dalam bidang kesehatan, data mining digunakan untuk memprediksi penyakit dari dataset (Khaleel et al. 2013). Penyakit ginjal kronis (PGK) adalah krisis kesehatan di seluruh dunia. pada tahun 2005, ada sekitar 58 juta kematian di seluruh dunia dengan 35 juta penderita yang dikaitkan dengan penyakit ginjal kronis ( World Health Organization). Beberapa kondisi seperti diabetes dan tekanan darah tinggi menjadi penyebab terjadinya tekanan pada ginjal. Dalam jangka panjang, kondisi-kondisi ini membuat fungsifungsi di atas tidak akan berjalan dengan baik. PGK diderita sekitar 10% populasi dunia. Tingginya jumlah penderita diabetes di Asia membuat gagal ginjal lebih umum terjadi pada penduduk Asia. Selain diabetes, tekanan darah tinggi juga menjadi salah satu penyebab terkuat terjadinya penyakit ginjal kronis di Asia. Indonesia termasuk ke dalam 10 besar negara di Asia dengan kasus penyakit gagal ginjal tertinggi. PERNEFRI (Perhimpunan Nefrologi Indonesia) dan Kementerian Kesehatan menemukan bahwa penderita gagal ginjal kronis di Indonesia mencapai 25 sampai 30 juta orang. Dalam penelitian ini yang akan dilakukan adalah komparasi algoritma klasifikasi data mining, diantaranya adalah algoritma Decision Tree, algoritma Naïve Bayes dan algoritma Neural Network untuk prediksi penyakit ginjal kronis dengan tujuan agar algoritma yang didapat merupakan algoritma yang paling akurat. Penelitian ini bertujuan untuk mendapatkan algoritma klasifikasi data mining yang paling 441
2 akurat untuk prediksi penyakit ginjal kronis. Algoritma-algoritma yang digunakan adalah decision tree, naive bayes dan neural network. BAHAN DAN METODE Metode penelitian pada penelitian ini adalah penelitian eksperimen dengan tahapan penelitian sebagai berikut: 1. Pengumpulan data Pengumpulan data merupakan tahap paling awal dalam penelitian. Untuk memperoleh data yang benar-benar akurat, maka penentuan jenis dan sumber data sangat penting. Sumber data pada penelitian ini adalah dataset penyakit ginjal kronis yang diperoleh dari UCI dataset melalui halaman website Kidney_Disease dengan jumlah atribut sebanyak 25 dan jumlah data sebanyak Pengolahan data awal Data yang digunakan dalam penelitian ini merupakan dataset yang didapat dari UCI Machine Learning Repository pada bagian Chronic Kidney Disease Dataset dengan menggunakan 25 atribut yaitu : a. Age: usia dalam tahun b. Blood Pressure: dalam mm/hg c. Specific Gravity: bernilai 1.005,1.010,1.015,1.020,1.025 d. Albumin: bernilai 0,1,2,3,4,5 e. Sugar: bernilai 0,1,2,3,4,5 f. Red Blood Cells: dalam normal/abnormal g. Pus Cell: dalam normal/abnormal h. Pus Cell clumps: dalam present/notpresent i. Bacteria: dalam present/notpresent j. Blood Glucose: dalam mgs/dl k. Blood Urea: dalam mgs/dl l. Serum Creatinine: dalam mgs/dl m. Sodium: dalam meq/l n. Potassium: dalam meq/l o. Hemoglobin: dalam gms p. Packed Cell Volume q. White Blood Cell Count: dalam cells/cumm r. Red Blood Cell Count: dalam millions/cmm s. Hypertension: bernilai ya atau tidak t. Diabetes Mellitus: bernilai ya atau tidak u. Coronary Artery Disease: bernilai ya atau tidak v. Appetite: bernilai good/poor w. Pedal Edema: bernilai ya atau tidak x. Anemia: bernilai ya atau tidak y. Class: bernilai ckd/notckd 3. Metode yang diusulkan Pada tahap ini dijelaskan metode yang digunakan untuk komparasi algoritma klasifikasi data mining. Proses secara bertahap dimulai dari pengolahan data pre-processing data yaitu integrasi, selection dan cleansing. Selanjutnya dilakukan komparasi terhadap model klasifikasi yang digunakan yaitu decision tree, naïve bayes dan neural network. Sumber: hasil rancangan (2016) Gambar 1. Metode yang diusulkan 4. Pengujian model Dalam melakukan penelitian ini diperlukan eksperimen dan proses pengujian model yang diusulkan. Proses eksperimen dan pengujian model menggunakan bagian dari dataset yang ada. Semua dataset kemudian diuji dengan metode yang diusulkan pada aplikasi Rapid Miner studio 7. Dalam penelitian eksperimen digunakan spesifikasi software dan hardware sebagai alat bantu dalam penelitian pada Tabel 1.dibawah ini. Tabel 1. Spesifikasi hardwaredan software SOFTWARE HARDWARE Sistem operasi Windows 7 Professional CPU : intel core i5 64-bit Data mining : Memory : 2 GB Rapidminer studio 7 Harddisk : 500 GB Sumber: hasil rancangan (2016) 442
3 5. Evaluasi dan validasi hasil Model yang diusulkan pada penelitian ini akan diuji dengan menggunakan confusion matrix untuk mengetahui tingkat akurasi. Confusion matrix akan menggambarkan hasil akurasi mulai dari prediksi positif yang benar, prediksi positif yang salah, prediksi negative yang benar, dan prediksi negative yang salah. Akurasi akan dihitung dari seluruh prediksi yang benar (baik prediksi positif dan negatif) dibandingkan dengan seluruh data testing. Semakin tinggi nilai akurasi, semakin baik pula model yang dihasilkan. Pengujian diukur dengan menggunakan ROC Curve. ROC Curve akan menggambarkan kelas positif dalam bentuk kurva. Pengujian dilakukan dengan menghitung nilai AUC( Area Under Curve), semakin tinggi nilai AUC dalam ROC Curve, maka semakin baik pula model klasifikasi yang terbentuk. HASIL DAN PEMBAHASAN Tujuan utama dari penelitian ini adalah untuk mengetahui tingkat keakurasian algoritma-algoritma klasifikasi data mining pada penyakit ginjal kronis. Dalam menentukan tingkat keakurasian ini maka hasil analisis algoritma dengan pendekatan Decision Tree, Naïve Bayes dan Neural Network akan dilakukan komparasi. Sebelum melakukan komparasi, masingmasing algoritma akan diuji kinerjanya. Metode pengujiannya adalah menggunakan 10-Fold Cross Validation dengan desain modelnya seperti pada gambar 1. Gambar 3. Model pengujian validasi decision tree Gambar 4. Nilai accuracy decision tree accuracy yang terdapat pada model decision tree adalah 97,25% yang terlihat pada gambar 4. Pengujian model Naïve Bayes Pengujian model dengan naïve bayes pada Rapidminer terlihat pada gambar 5. sebagai berikut: Gambar 2. Desain model validasi Gambar 5. Model pengujian validasi naïve bayes Pengujian model Decision Tree Pengujian model dengan decision tree pada Rapidminer terlihat pada gambar 3. sebagai berikut: Gambar 6. Nilai accuracy naïve bayes 443
4 accuracy yang terdapat pada model naïve bayes adalah 99,50% yang terlihat pada gambar 6. Pengujian model Neural Network Pengujian model dengan neural network pada Rapidminer terlihat pada gambar 7. sebagai berikut: Gambar 7. Model pengujian validasi neural network Gambar 8. Nilai accuracy neural network accuracy yang terdapat pada model neural network adalah 97,25% yang terlihat pada gambar 8. Tabel 2. Perbandingan performance algoritma DT NB NN Accuracy 97.25% 99.50% 97.25% AUC Sumber: Hasil pengolahan data Berdasarkan tabel 2. dapat diketahui bahwa algoritma naive bayes memiliki nilai accuracy tertinggi yaitu 99,50%, decision tree 97,25% dan neural network 97,25%. Sedangkan pada uji ROC curve menunjukkan bahwa naive bayes mencapai nilai AUC yang terbaik yaitu 1,000, kemudian decision tree 0,998 dan neural network 0,991. KESIMPULAN Berdasarkan komparasi algoritma klasifikasi data mining yaitu decision tree, naïve bayes dan neural network untuk prediksi penyakit ginjal kronis dengan menggunakan UCI dataset sebanyak 400 data penyakit ginjal kronis. Model yang dihasilkan diuji untuk mendapatkan nilai accuracy, precision, recall dan AUC dari setiap algoritma sehingga didapat pengujian dengan menggunakan decision tree didapat nilai accuracy adalah 97,25 % dengan nilai precision 95,15 %, kemudian nilai recall 98,00% dan nilai AUC adalah 0,998. sedangakan pengujian dengan mengunakan naïve bayes didapatkan nilai accuracy 99,50 % dengan nilai precision 99,38 %, kemudian nilai recall 99,33% dan nilai AUC adalah 1,000 dan neural network didapatkan nilai accuracy 97,25 % dengan nilai precision 96,40 %, kemudian nilai recall 96,67% dan nilai AUC adalah 0,991. Dengan demikian dari hasil pengujian model di atas, dapat disimpulkan bahwa naïve bayes adalah algoritma yang paling akurat untuk prediksi penyakit ginjal kronis. Meskipun pada penelitian komparasi algoritma klasifikasi data mining ini menghasilkan naïve bayes sebagai algoritma yang paling akurat untuk melakukan prediksi penyakit ginjal kronis, ada beberapa saran untuk penelitian selanjutnya yaitu: 1. Agar menambahkan beberapa algoritma klasifikasi data mining untuk dikomparasi seperti Particle Swarm Optimization, Support Vector Machine, Random Forest dan lain lain. 2. Agar menambahkan metode seleksi fitur seperti information gain, chi square, forward selection dan lain-lain. 3. Agar hasil penelitian ini diharapkan bisa digunakan untuk rumah sakit untuk meningkatkan akurasi dalam prediksi penyakit ginjal kronis. UCAPAN TERIMA KASIH Terima kasih kepada Bapak Anen Tumanggung, Ph.D, yang telah banyak mengarahkan, membimbing dan memberikan materi-materi pengajaran dalam menyelesaikan penelitian ini. DAFTAR PUSTAKA Alpaydin, Ethem. (2010). Introduction to Machine Learning. London: The MIT Press Astuti, E. D. (2009). Pengantar Jaringan Saraf Tiruan. Wonosobo: Star Publishing. 444
5 Budi Santoso. (2007). Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis, 1st ed. Yogyakarta, Indonesia: Graha Ilmu. Dr. S. Vijayarani; Mr.S.Dhayanand. (2015). Kidney Disease Prediction Using Svm and Ann, 6.2. Florin Gorunescu. (2011). Data Mining: Concepts, Model and Techniques, Prof. Janusz Kacprzyk and Prof. Lakhmi C. Jain, Eds. Berlin, Jerman: Springer, vol. 12. Gary S. Collins and others. (2013). A Sy stematic Review Finds Prediction Models for Chronic Kidney Disease Were Poorly Reported and Often Developed Using Inappropriate Methods, Journal of Clinical Epidemiology, 66.3, Han, J., & Kamber, M. (2006). Data Mining Concept and Tehniques. San Fransisco: Morgan Kauffman. Ian H. Witten, frank Eibe, and Mark A. Hall. ( 2011). Data Mining: Practical Machine Learning Tools and Techniques, 3rd ed., Asma Stephan and Burlington, Eds. United States of America: Morgan Kaufmann. Jiawei Han. (2007). Data Mining Concept And Technique, 2nd ed., Asma Stephan, Ed. Champaign, United States of America: Multiscience Press. Kusrini, & Luthfi, E. T. (2009). Algoritma Data mining. Yogyakarta: Andi. Larose, D. T. (2005). Discovering Knowledge in Data. Canada: Wiley Interscience. Marc Breit and Klaus M. Weinberger. (2016). Metabolic Biomarkers for Chronic Kidney Disease, Archives of Biochemistry and Biophysics. Mohammed Abdul Khaleel, Sateesh Kumar and Pradham G N Dash. (2013). A Survey of Data Mining Techniques on Medical Data for Finding Locally Frequent Diseases, International Journal of Advanced Research in Computer Science and Software Engineering, 3.8, Parul sinha; Poonam Sinha. (2015). Comparative Study of Chronic Kidney Disease Prediction Using KNN and SVM, 4.12, Shukla, A., Tiwari, R., & Kala, R. (2010). Real Life Application of Soft Computing. CRC Press. S.Ramya; Dr. N.Radha. (2016). Diagnosis of Chronic Kidney Disease Using Machine Learning Algorithms, Technology, Wu, Xindong& Kumar, Vipin. (2009). The Top Ten Algorithms in Data Mining. Boca Raton: CRC Press Xindong Wu and Vipin Kumar. (2009). The top ten Algorithms in Data Mining: Taylor & Francis Group, LLC. 445
DIAGNOSA 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 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 terperinciPERBANDINGAN DECISION TREE
84 2015 Jurnal Krea-TIF Vol: 03 No: 02 PERBANDINGAN DECISION TREE PADA ALGORITMA C 4.5 DAN ID3 DALAM PENGKLASIFIKASIAN INDEKS PRESTASI MAHASISWA (Studi Kasus: Fasilkom Universitas Singaperbangsa Karawang)
Lebih terperinciSNIPTEK 2014 ISBN:
KOMPARASI MENGGUNAKAN ALGORITMA C4.5, NEURAL NETWORK DAN NAÏVE BAYES DALAM PREDIKSI UJIAN KOMPENTENSI SMK MAHADHIKA 4 JAKARTA Aswan Supriyadi Sunge STMIK Nusa Mandiri mardian82@gmail.com Kaman Nainggolan
Lebih terperinciKajian Penerapan Radial Base Function (RBF) Dalam Mendeteksi Penyakit Tuberculosis (Tb)
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2016, pp. 303~307 303 Kajian Penerapan Radial Base Function (RBF) Dalam Mendeteksi Penyakit Tuberculosis (Tb) Derry Wiliandani AMIK BSI Karawang
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 terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
Lebih terperinciAnalisis Algoritma Decision Tree untuk Prediksi Mahasiswa Non Aktif
Analisis Algoritma Decision Tree untuk Prediksi Mahasiswa Non Aktif Khafiizh Hastuti 1, Erwin Yudi Hidayat 2 1, 2 Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Semarang 50131 E-mail : 1 afis@dsn.dinus.ac.id,
Lebih terperinciPERANCANGAN APLIKASI PEMILIHAN MITRA KERJA
PERANCANGAN APLIKASI PEMILIHAN MITRA KERJA Harry Dhika 1), Tri Yani Akhirina 2), Surajiyo 3) 1), 2),3) Teknik Informatika Universitas Indraprasta PGRI Jl Nangka No. 58B, Jakarta, DKI Jakarta 12530 Email
Lebih terperinciPENERAPAN ALGORITMA KLASIFIKASI DATA MINING C4.5 PADA DATASET CUACA WILAYAH BEKASI
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 368~372 368 PENERAPAN ALGORITMA KLASIFIKASI DATA MINING C4.5 PADA DATASET CUACA WILAYAH BEKASI Adhika Novandya AMIK BSI Bekasi e-mail:
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 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 terperinciKomparasi Metode Klasifikasi Data Mining untuk Prediksi Penyakit Ginjal
Komparasi Metode Klasifikasi Data Mining untuk Prediksi Penyakit Ginjal Sutri Handayani Abstract Data mining offers methodological and technical solutions for the prediction and classification of diseases,
Lebih terperinciPENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA
PENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA Laily Hermawanti Program Studi Teknik Informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro No. 1B
Lebih terperinciIMPLEMENTASI TEKNIK SELEKSI FITUR INFORMATION GAIN PADA ALGORITMA KLASIFIKASI MACHINE LEARNING UNTUK PREDIKSI PERFORMA AKADEMIK SISWA
IMPLEMENTASI TEKNIK SELEKSI FITUR INFORMATION GAIN PADA ALGORITMA KLASIFIKASI MACHINE LEARNING UNTUK PREDIKSI PERFORMA AKADEMIK SISWA Betha Nurina Sari 1) 1) Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciKOMPARASI ALGORITMA BERBASIS NEURAL NETWORK DALAM MENDETEKSI PENYAKIT HEPATITIS
Faktor Exacta 10 (1): 4049, 2017 pissn: 1979276X e ISSN: 2502339X KOMPARASI ALGORITMA BERBASIS NEURAL NETWORK DALAM MENDETEKSI PENYAKIT HEPATITIS SURANTO SAPUTRA surantosaputra@yahoo.com Program Studi
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA PADA PERGURUAN TINGGI KABUPATEN MAJALENGKA BERBASIS KNOWLEDGE BASED SYSTEM
PREDIKSI KELULUSAN MAHASISWA PADA PERGURUAN TINGGI KABUPATEN MAJALENGKA BERBASIS KNOWLEDGE BASED SYSTEM Teknik Informatika, Teknik Industri, Teknik Informatika Fakultas Teknik - Universitas Majalengka
Lebih terperinciIMPLEMENTASI KLASIFIKASI DATA KEMACETAN ANGSURAN LEASING MOBIL DENGAN ALGORITMA C4.5
Technologia Vol 8, No.1, Januari Maret 2017 15 IMPLEMENTASI KLASIFIKASI DATA KEMACETAN ANGSURAN LEASING MOBIL DENGAN ALGORITMA C4.5 M. Edya Rosadi (edya@fti.uniska-bjm.ac.id) Nur Alamsyah (alam@fti.uniska-bjm.ac.id)
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 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 terperinciKAJIAN PERANCANGAN RULE KENAIKAN JABATAN PADA PT. ABC
KAJIAN PERANCANGAN RULE KENAIKAN JABATAN PADA PT. ABC Harry Dhika Fakultas Teknik, Matematika dan IPA Universitas Indraprasta PGRI Email: dhikatr@yahoo.com ABSTRAK Penelitian ini membahas tentang cara
Lebih terperinciPenerapan Algoritma Klasifikasi Data Mining C4.5 Pada Dataset Cuaca Wilayah Bekasi
Penerapan Algoritma Klasifikasi Data Mining C4.5 Pada Dataset Cuaca Wilayah Bekasi Adhika Novandya 1, Isni Oktria 2 Program Studi Manajemen Informatika, AMIK Bina Sarana Informatika 1 Jurusan Teknik Informatika,
Lebih terperinciSNIPTEK 2014 ISBN: PENERAPAN PARTICLE SWARM OPTIMIZATION PADA ALGORITMA C 4.5 UNTUK SELEKSI PENERIMAAN KARYAWAN
PENERAPAN PARTICLE SWARM OPTIMIZATION PADA ALGORITMA C 4.5 UNTUK SELEKSI PENERIMAAN KARYAWAN Agus Wiyatno STMIK Nusa Mandiri Jakarta Agus.agq@nusamandiri.ac.id Abstract The Employees are the most vital
Lebih terperinciKOMPARASI 5 METODE ALGORITMA KLASIFIKASI DATA MINING PADA PREDIKSI KEBERHASILAN PEMASARAN PRODUK LAYANAN PERBANKAN
60 KOMPARASI 5 METODE ALGORITMA KLASIFIKASI DATA MINING PADA PREDIKSI KEBERHASILAN PEMASARAN PRODUK LAYANAN PERBANKAN Sari Dewi Manjemen Informatika AMIK BSI Pontianak Akademi Manajemen dan Ilmu Komputer
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN BERBASIS DECISION TREE DALAM PEMBERIAN BEASISWA STUDI KASUS: AMIK BSI YOGYAKARTA
SISTEM PENDUKUNG KEPUTUSAN BERBASIS DECISION TREE DALAM PEMBERIAN BEASISWA STUDI KASUS: AMIK BSI YOGYAKARTA Anik Andriani Program Studi Manajemen Informatika, AMIK BSI Jakarta Jl. RS Fatmawati 24, Pondok
Lebih terperinciPenerapan Algoritma C4.5 Untuk Penentuan Jurusan Mahasiswa
Penerapan Algoritma C4.5 Untuk Penentuan Jurusan Mahasiswa Liliana Swastina Program Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK) Indonesia Banjarmasin, Indonesia lilisera@gmail.com
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 terperinciPerbandingan Kinerja Algoritme CART dan Naïve Bayesian Untuk Mendiagnosa Penyakit Diabetes Mellitus
Perbandingan Kinerja Algoritme CART dan Naïve Bayesian Untuk Mendiagnosa Penyakit Diabetes Mellitus Pungkas Subarkah 1, Irfan Santiko 2, Tri Astuti 3 1 Informatics Technopreneurship, Universitas Amikom
Lebih terperinciPREDIKSI PENYAKIT DIABETES MENGGUNAKAN NAIVE BAYES DENGAN OPTIMASI PARAMETER MENGGUNAKAN ALGORITMA GENETIKA
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 71~76 71 PREDIKSI PENYAKIT DIABETES MENGGUNAKAN NAIVE BAYES DENGAN OPTIMASI PARAMETER MENGGUNAKAN ALGORITMA GENETIKA Frisma Handayanna
Lebih terperinciANALISIS ALGORITMA NAIVE BAYES UNTUK MENGKLASIFIKASI PENDUDUK KE DALAM STATUS TAHAPAN KELUARGA SEJAHTERA BERBASIS FORWARD SELECTION
ANALISIS ALGORITMA NAIVE BAYES UNTUK MENGKLASIFIKASI PENDUDUK KE DALAM STATUS TAHAPAN KELUARGA SEJAHTERA BERBASIS FORWARD SELECTION Bayu Setyawan 1, Aripin 2 Teknik Informatika, Fakultas Ilmu Komputer,
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 terperinciPERANCANGAN SISTEM MODEL PENENTU PEMBERIAN PINJAMAN KOPERASI KARYAWAN PERMATA BANK MENGGUNAKAN SVM
PERANCANGAN SISTEM MODEL PENENTU PEMBERIAN PINJAMAN KOPERASI KARYAWAN PERMATA BANK MENGGUNAKAN SVM Purwanti 1, Tuti Handayani 2 Program Studi Teknik Informatika, Universitas Indraprasta PGRI 1,2 Email:
Lebih terperinciMODEL ALGORITMA K-NEAREST NEIGHBOR
MODEL ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI KELULUSAN MAHASISWA Abdul Rohman Dosen Jurusan Elektronika Fakultas Teknik Universitas Pandanaran Semarang Abstrak Dalam sistem pendidikan mahasiswa
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL)
KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL) Budi Utami 1, Yuniarsi Rahayu, 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer,
Lebih terperinciPREDIKSI KETEPATAN KELULUSAN MAHASISWA MENGGUNAKAN METODE DECISION TREE BERBASIS PARTICLE SWARM OPTIMATION (PSO)
PREDIKSI KETEPATAN KELULUSAN MAHASISWA MENGGUNAKAN METODE DECISION TREE BERBASIS PARTICLE SWARM OPTIMATION (PSO) Arif Rakhman Email : arif@limamedia.net D III Teknik Komputer Politeknik Harapan Bersama
Lebih terperinciKOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA
KOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA 3) Rayung Wulan 1), Mei Lestari 2), Ni Wayan Parwati Septiani Program Studi Informatika Universitas Indraprasta PGRI
Lebih terperinciKLASIFIKASI METODE NAIVE BAYES UNTUK KELANCARAN PEMBAYARAN KREDIT LEASING SEPEDA MOTOR
Technologia Vol 8, No.3, Juli September 2017 146 KLASIFIKASI METODE NAIVE BAYES UNTUK KELANCARAN PEMBAYARAN KREDIT LEASING SEPEDA MOTOR Fakultas Teknologi Informasi Universitas Islam Kalimantan Muhammad
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 terperinciJURNAL INFORMATIKA UPGRIS Vol. 3, No. 1, (2017) P/E-ISSN: /
JURNAL INFORMATIKA UPGRIS Vol. 3, No. 1, (2017) P/E-ISSN: 2460-4801/2447-6645 63 Fitur Seleksi Forward Selection Untuk Menetukan Atribut Yang Berpengaruh Pada Klasifikasi Kelulusan Mahasiswa Fakultas Ilmu
Lebih terperinciPENERAPAN ALGORITMA K-NEAREST NEIGHBORS UNTUK PREDIKSI KELULUSAN MAHASISWA PADA STMIK SINAR NUSANTARA SURAKARTA
ISSN : 2338-4018 PENERAPAN ALGORITMA K-NEAREST NEIGHBORS UNTUK KELULUSAN MAHASISWA PADA STMIK SINAR NUSANTARA SURAKARTA Agus Panoto ( ragilpanoto@gmail.com ) Yustina Retno Wahyu Utami ( yustina.retno@gmail.com
Lebih terperinciKajian Algoritma Jaringan Syaraf Tiruan untuk Mendeteksi Secara Dini Kepatuhan Wajib Pajak Orang Pribadi
Kajian Algoritma Jaringan Syaraf Tiruan untuk Mendeteksi Secara Dini Kepatuhan Wajib Pajak Orang Pribadi Tatang Rohana Sekolah Tinggi Manajemen Informatika dan Komputer Cikarang cctatang@gmail.com Muh
Lebih terperinciTechnologia Vol 7, No.3, Juli September OPTIMASI KLASIFIKASI PENILAIAN AKREDITASI LEMBAGA KURSUS MENGGUNAKAN METODE K-NN DAN NAIVE BAYES
Technologia Vol 7, No.3, Juli September 2016 148 OPTIMASI KLASIFIKASI PENILAIAN AKREDITASI LEMBAGA KURSUS MENGGUNAKAN METODE K-NN DAN NAIVE BAYES MUHAMMAD AMIN,S.Kom, M.Kom (maminbjm58@gmail.com) ABSTRACT
Lebih terperinciKAJIAN PENERAPAN ALGORITMA DATA MINING TERHADAP PEMILIHAN MITRA KERJA PENYEDIA JASA TRANSPORTASI DI JAKARTA
KAJIAN PENERAPAN ALGORITMA DATA MINING TERHADAP PEMILIHAN MITRA KERJA PENYEDIA JASA TRANSPORTASI DI JAKARTA Harry Dhika 1), Tri Yani Akhirina 2), Surajiyo 3) 1), 2),3) Teknik Informatika Universitas Indraprasta
Lebih terperinciKomparasi Akurasi Algoritma C4.5 dan Naïve Bayes untuk Prediksi Pendonor Darah Potensial dengan Dataset RFMTC
Komparasi Akurasi Algoritma C4.5 dan Naïve Bayes untuk Prediksi Pendonor Darah Potensial dengan Dataset RFMTC Wahyu Eko Susanto 1, Candra Agustina 2 1, 2 Program Studi Manajemen Informatika, AMIK BSI Yogyakarta
Lebih terperinciKOMPARASI METODE KLASIFIKASI DATA MINING ALGORITMA C4.5 DAN NAIVE BAYES UNTUK PREDIKSI PENYAKIT HEPATITIS
76 Jurnal Pilar Nusa Mandiri Volume 13 No.1, Maret 2017 KOMPARASI METODE KLASIFIKASI DATA MINING ALGORITMA C4.5 DAN NAIVE BAYES UNTUK PREDIKSI PENYAKIT HEPATITIS Wisti Dwi Septiani Program Studi Manajemen
Lebih terperinciPenentuan Jurusan Sekolah Menengah Atas Menggunakan Metode K-Nearest Neighbor Classifier Pada SMAN 16 Semarang
1 Penentuan Jurusan Sekolah Menengah Atas Menggunakan Metode K-Nearest Neighbor Classifier Pada SMAN 16 Semarang Ari Sulistiyo 1 1,3 Jurusan Teknik Informatika, FASILKOM UDINUS Jln. Nakula 1 No.5-11 Semarang
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 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 terperinciAPPLICATION OF DATA MINING ALGORITHM TO RECIPIENT OF MOTORCYCLE INSTALLMENT
APPLICATION OF DATA MINING ALGORITHM TO RECIPIENT OF MOTORCYCLE INSTALLMENT Harry Dhika 1, Fitriana Destiawati 2 1,2 Teknik Informatika Fakultas Teknik, Matematika dan IPA, Universitas Indraprasta PGRI
Lebih terperinciOPTIMASI PARAMETER K PADA ALGORITMA K-NEAREST NEIGHBOUR UNTUK KLASIFIKASI PENYAKIT DIABETES MELLITUS
OPTIMASI PARAMETER K PADA ALGORITMA K-NEAREST NEIGHBOUR UNTUK KLASIFIKASI PENYAKIT DIABETES MELLITUS Indrayanti 1, Devi Sugianti 1, M. Adib Al Karomi 1* STMIK Widya Pratama Pekalongan * E-mail: adib.comp@gmail.com
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 terperinciANALISIS PERBANDINGAN ALGORITMA DECISION TREE J48 DAN NAÏVE BAYES DALAM MENGKLASIFIKASIKAN POLA PENYAKIT
ANALISIS PERBANDINGAN ALGORITMA DECISION TREE J48 DAN NAÏVE BAYES DALAM MENGKLASIFIKASIKAN POLA PENYAKIT Frista Yulianora Binus University, Jakarta, Indonesia, fristanora11@yahoo.com Muchammad Hasbi Latif
Lebih terperinciPREDIKSI NILAI PROYEK AKHIR MAHASISWA MENGGUNAKAN ALGORITMA KLASIFIKASI DATA MINING
Seminar Nasional Sistem Informasi Indonesia, 2-4 Nopember 2015 PREDIKSI NILAI PROYEK AKHIR MAHASISWA MENGGUNAKAN ALGORITMA KLASIFIKASI DATA MINING Paramita Mayadewi 1), Ely Rosely 2) 1,2 D3 Manajemen Informatika,
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 terperinciPenerapan Metode Neural Network Berbasis Algoritma Genetika Untuk Prediksi Penyakit Kanker Payudara
JURNAL TECH-E - VOL. NO. (207) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 258-96 (Online) Artikel Penerapan Metode Neural Network Berbasis Algoritma Genetika Untuk Prediksi
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 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 terperinciSWABUMI VOL IV No. 1, Maret 2016 ISSN X
PENERAPAN PARTICLE SWARM OPTIMIZATION (PSO) UNTUK SELEKSI ATRIBUT DALAM MENINGKATKAN AKURASI PREDIKSI DIAGNOSIS PENYAKIT HEPATITIS DENGAN METODE ALGORITMA C4.5 Lis Saumi Ramdhani Program Studi Manajemen
Lebih terperinci1. Model Prediksi Ini Menggunakan Tools RapidMiner
1. Model Prediksi Ini Menggunakan Tools RapidMiner RapidMiner memiliki keunggulan tersendiri, RapidMiner merupakan aplikasi data mining berbasis sistem open-source dunia yang terkemuka dan ternama. Tersedia
Lebih terperinciPenerapan Algoritma C4.5 untuk Klasifikasi Tingkat Keganasan Kanker Payudara
1 Penerapan Algoritma C4.5 untuk Klasifikasi Tingkat Keganasan Kanker Payudara Dwi Ayu Nursela A11.2010.05307 Teknik Informatika S1, Fakultas Ilmu Komputer Universitas Dian Nuswantoro Jalan Nakula I No.
Lebih terperinciPREDIKSI CALON MAHASISWA BARU MENGUNAKAN METODE KLASIFIKASI DECISION TREE
46. CSRID Journal, Vol.7 No.1 Februari 2015, Hal. 46-54 PREDIKSI CALON MAHASISWA BARU MENGUNAKAN METODE KLASIFIKASI DECISION TREE Mambang 1, Finki Dona Marleny 2 1 AKBID Sari Mulia, Banjarmasin 2 Jurusan
Lebih terperinciKajian Algoritma Jaringan Syaraf Tiruan Untuk Mendeteksi Secara Dini Kepatuhan Wajib Pajak Orang Pribadi
Kajian Algoritma Jaringan Syaraf Tiruan Untuk Mendeteksi Secara Dini Kepatuhan Wajib Pajak Orang Pribadi Tatang Rohana 1, Muh Arifuddin 2 1 Sekolah Tinggi Manajemen Informatika dan Komputer Cikarang 2
Lebih terperinciPARTICLE SWARM OPTIMIZATION MENINGKATKAN AKURASI NAÏVE BAYES CLASSIFIER
PARTICLE SWARM OPTIMIZATION MENINGKATKAN AKURASI NAÏVE BAYES CLASSIFIER Suamanda Ika Novichasari Universitas Dian Nuswantoro Email : vichareal0311@gmail.com ABSTRAK Salah satu teknik klasifikasi data mining
Lebih terperinciAnalisis Hubungan antar Faktor dan Komparasi Algoritma Klasifikasi pada Penentuan Penundaan Penerbangan
Analisis Hubungan antar Faktor dan Komparasi Algoritma Klasifikasi pada Penentuan Penundaan Penerbangan Danny Ibrahim 1*) 1 Program Magister Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian
Lebih terperinciKlasifikasi Berbasis Algoritma C4.5 untuk Deteksi Kenaikan Case Fatality Rate Demam Berdarah
Klasifikasi Berbasis Algoritma C4.5 untuk Deteksi Kenaikan Case Fatality Rate Demam Berdarah Anik Andriani Manajemen Informatika, AMIK BSI, Yogyakarta, Indonesia anik.aai@bsi.ac.id Abstract Extraordinary
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 terperinciPENERAPAN ADABOOST UNTUK KLASIFIKASI SUPPORT VECTOR MACHINE GUNA MENINGKATKAN AKURASI PADA DIAGNOSA CHRONIC KIDNEY DISEASE
PENERAPAN ADABOOST UNTUK KLASIFIKASI SUPPORT VECTOR MACHINE GUNA MENINGKATKAN AKURASI PADA DIAGNOSA CHRONIC KIDNEY DISEASE Eka Listiana 1*, Much Aziz Muslim 1 1 Program Studi Teknik Informatika, Fakultas
Lebih terperinciABSTRAK. Kata Kunci: data tidak seimbang, klasifikasi, KSMOTE, boosting, SSO, support vector machine.
ABSTRAK Klasifikasi dalam data mining adalah proses untuk menemukan model atau fungsi yang mendeskripsikan dan membedakan kelas-kelas data atau konsep. Salah satu permasalahan klasifikasi adalah distribusi
Lebih terperinciPERANCANGAN SISTEM PAKAR UNTUK MENENTUKAN ALAT KONTRASEPSI MENGGUNAKAN ALGORITMA C4.5
PERANCANGAN SISTEM PAKAR UNTUK MENENTUKAN ALAT KONTRASEPSI MENGGUNAKAN ALGORITMA C4.5 NI WAYAN PARWATI SEPTIANI wayan.parwati@gmail.com Program Studi Teknik Informatika Fakultas Teknik, Matematika dan
Lebih terperinciIMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Irwan Budiman 1, Dodon Turianto Nugrahadi 2, Radityo Adi Nugroho 3 Universitas Lambung Mangkurat 1,2,3 irwan.budiman@unlam.ac.id
Lebih 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 terperinciPerbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik
Perbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik Imam Sutoyo AMIK BSI JAKARTA e-mail: imam.ity@bsi.ac.id Abstrak - Klasifikasi peserta didik merupakan kegiatan yang sangat penting
Lebih terperinciAnalisa Kelayakan Pemberian Kredit Mobil Dengan Menggunakan Metode Neural Network Model Radial Basis Function
Analisa Kelayakan Pemberian Kredit Mobil Dengan Menggunakan Metode Neural Network Model Radial Basis Function Amrin Program Studi Teknik Komputer AMIK Bina Sarana Informatika Jakarta Jl. R.S Fatmawati
Lebih terperinciEducational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa
Educational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Universitas Nusantara PGRI Kediri Kontak Person: Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Kampus
Lebih terperinciPERBANDINGAN ALGORITMA DATA MINING NAIVE BAYES DAN BAYES NETWORK UNTUK MENGIDENTIFIKASI PENYAKIT TIROID
Jurnal PILAR Nusa Mandiri Vol.14, No. 1 Maret 2018 21 PERBANDINGAN ALGORITMA DATA MINING NAIVE BAYES DAN BAYES NETWORK UNTUK MENGIDENTIFIKASI PENYAKIT TIROID Bambang Wijonarko Teknik Komputer AMIK BSI
Lebih terperinciPENERAPANK-NEAREST NEIGHBOR BERBASIS GENETIC ALGORITHM UNTUKPENENTUAN PEMBERIAN KREDIT
PENERAPANK-NEAREST NEIGHBOR BERBASIS GENETIC ALGORITHM UNTUKPENENTUAN PEMBERIAN KREDIT Ester Arisawati Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri (STMIK Nusa Mandiri) Jl. Kramat Raya
Lebih terperinciIndu Indah Purnomo, S.Kom, M.Kom
Technologia Vol 7, No.3, Juli September 2016 130 KLASIFIKASI STATUS KESEJAHTERANAAN RUMAH TANGGA MENGGUNAKAN ALGORITMA K NEAREST NEIGHBOR DAN SELEKSI FITURE BERBASIS CHI SQUARED Indu Indah Purnomo, S.Kom,
Lebih terperinciSeminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN:
Komparasi Penerapan Algoritma Support Vector Machine dan SVM Optimasi Genetic Algorithms dalam Penentuan Penerimaan Dana KJP pada SD Negeri 02 Meruya Utara Jakarta Barat Yuli Haryanto 1, Reko Syarif Hidayatullah
Lebih terperinciARTIKEL TUGAS AKHIR PENENTUAN BESAR AKURASI METODE KLASIFIKASI MENGGUNAKAN ALGORITMA C4
ARTIKEL TUGAS AKHIR PENENTUAN BESAR AKURASI METODE KLASIFIKASI MENGGUNAKAN ALGORITMA C4.5 BERBASIS PARTICLE SWARM OPTIMIZATION PADA PREDIKSI PENYAKIT DIABETES Di Susun Oleh : Nama NIM Fakultas Program
Lebih terperinciPemanfaatan Educational Data Mining (EDM)...
PEMANFAATAN EDUCATIONAL DATA MINING (EDM) UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS: TI-S1 UDINUS) Defri Kurniawan 1*, Wibowo Wicaksono 1 dan Yani Parti Astuti 1 1
Lebih terperinciPenerapan Algoritma Decision Tree Untuk Penilaian Agunan Pengajuan Kredit
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Algoritma Decision Tree Untuk Penilaian Agunan Pengajuan Kredit Budi Setiadi 1), Bambang Lareno 2) 1 Teknik
Lebih terperinciApplication Determination Of Credit Feasibility in Sharia Cooperative
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2016, pp. 555~560 Application Determination Of Credit Feasibility in Sharia Cooperative 555 Dibjo Marginato AMIK BSI Tangerang Email: dibjomgo@gmail.com
Lebih terperinciKAJIAN PENERAPAN MODEL C45, SUPPORT VECTOR MACHINE (SVM), DAN NEURAL NETWORK DALAM PREDIKSI KENAIKAN KELAS
KAJIAN PENERAPAN MODEL C45, SUPPORT VECTOR MACHINE (SVM), DAN NEURAL NETWORK DALAM PREDIKSI KENAIKAN KELAS LUSI ARIYANI Program Studi Teknik Informatika, Fakultas Teknik, Matematika, dan IPA Universitas
Lebih terperinciKomparasi Algoritma Data Mining Untuk Akurasi Penentuan Beasiswa Kurang Mampu IAIN Syekh Nurjati Cirebon
Komparasi Algoritma Data Mining Untuk Akurasi Penentuan Beasiswa Kurang Mampu IAIN Syekh Nurjati Cirebon Arif Maulana Fakultas Ilmu Komputer, Dian Nuswantoro University Email: id.arifmaulana@gmail.com
Lebih terperinciANALISIS INTRUSION DETECTION SYSTEM DI INTERNAL JARINGAN WAN MENGGUNAKAN DATA MINING: STUDI KASUS PADA ASTRIDO GROUP JAKARTA
Jurnal Teknik dan Ilmu Komputer ANALISIS INTRUSION DETECTION SYSTEM DI INTERNAL JARINGAN WAN MENGGUNAKAN DATA MINING: STUDI KASUS PADA ASTRIDO GROUP JAKARTA INTRUSION DETECTION SYSTEM ANALYSIS IN INTERNAL
Lebih terperinciKLASIFIKASI JENIS BIMBINGAN DAN KONSELING SISWA SMKN 1 KEDIRI MENGGUNAKAN NAIVE BAYES CLASSIFIER DAN NEAREST NEIGHBOR
Nusantara of Engginering (NoE)/Vol. 1/No. 2/ISSN: 255-668 22 KLASIFIKASI JENIS BIMBINGAN DAN KONSELING SISWA SMKN 1 KEDIRI MENGGUNAKAN NAIVE BAYES CLASSIFIER DAN NEAREST NEIGHBOR Erna Daniati Program Studi
Lebih terperinciAgus Alim Muin S.Kom, M.Kom
Technologia Vol 7, No.4, Oktober Desember 2016 245 PENERAPAN SELEKSI ATRIBUT WEIGHTS BY INFORMATION GAIN DAN SELECT BY WEIGHTS PADA ALGORITMA NAÏVE BAYES UNTUK PREDIKSI KOLEKTIBILITAS PEMBIAYAAN USAHA
Lebih terperinciANALISIS KOMPARASI ALGORITMA KLASIFIKASI DATA MINING UNTUK PREDIKSI MAHASISWA NON AKTIF
ANALISIS KOMPARASI ALGORITMA KLASIFIKASI DATA MINING UNTUK PREDIKSI MAHASISWA NON AKTIF Khafiizh Hastuti Universitas Dian Nuswantoro, Semarang E-mail : afis@staff.dinus.ac.id ABSTRAK Mahasiswa non aktif
Lebih terperinciSISTEM PREDIKSI PENYAKIT DIABETES BERBASIS DECISION TREE
SISTEM PREDIKSI PENYAKIT DIABETES BERBASIS DECISION TREE Anik Andriani Manajemen Informatika AMIK BSI Jakarta Jl. R.S. Fatmawati No.24, Pondok Labu, Jakarta Selatan Email: anik.aai@bsi.ac.id ABSTRAK Data
Lebih terperinciSELEKSI MOBIL BERDASARKAN FITUR DENGAN KOMPARASI METODE KLASIFIKASI NEURAL NETWORK, SUPPORT VECTOR MACHINE, DAN ALGORITMA C4.5
Jurnal Pilar Nusa Mandiri Vol.XII, No.2 September 2016 153 SELEKSI MOBIL BERDASARKAN FITUR DENGAN KOMPARASI METODE KLASIFIKASI NEURAL NETWORK, SUPPORT VECTOR MACHINE, DAN ALGORITMA C4.5 Esty Purwaningsih
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 terperinciKAJIAN PENERAPAN ALGORITMAC4.5, NEURAL NETWORK DAN NAÏVE BAYES UNTUK KLASIFIKASI MAHASISWA YANG BERMASALAH DALAM REGISTRASI
KAJIAN PENERAPAN ALGORITMAC4.5, NEURAL NETWORK DAN NAÏVE BAYES UNTUK KLASIFIKASI MAHASISWA YANG BERMASALAH DALAM REGISTRASI HERU SULISTIONO mildlaser3@gmail.com 081282400050 Program Studi Teknik Informatika,
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA C4.5 DAN NAIVE BAYES UNTUK KETEPATAN PEMILIHAN KONSENTRASI MAHASISWA. Abstrak
PERBANDINGAN KINERJA ALGORITMA C4.5 DAN NAIVE BAYES UNTUK KETEPATAN PEMILIHAN KONSENTRASI MAHASISWA Wiwit Supriyanti 1), Kusrini 2), Armadyah Amborowati 3) STMIK AMIKOM Yogyakarta 1),2),3) Email : wiwitsupriyanti13@gmail.com
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 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 terperinciPENERAPAN ALGORITMA RADIAL BASIS FUNCTIONS UNTUK PREDIKSI KELAYAKAN PEMBERIAN KREDIT
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 607~612 607 PENERAPAN ALGORITMA RADIAL BASIS FUNCTIONS UNTUK PREDIKSI KELAYAKAN PEMBERIAN KREDIT Ahmad Setiadi AMIK BSI Karawang e-mail:
Lebih terperinciPENERAPAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DALAM PEMILIHAN BEASISWA: STUDI KASUS SMK YAPIMDA
PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DALAM PEMILIHAN BEASISWA: STUDI KASUS SMK YAPIMDA LUKMAN Lkmnaja51@gmail.com (021) 94319769 Program Studi Teknik Informatika,Fakultas Teknik, Matematika
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN:
KAJIAN KOMPARASI ALGORITMA C4.5, NAÏVE BAYES DAN NEURAL NETWORK DALAM PEMILIHAN PENERIMA BEASISWA (Studi Kasus pada SMA Muhammadiyah 4 Jakarta ) Ulfa Pauziah Program Studi Teknik Informatika, Universitas
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 terperinciJl. A. Yani Km 36 Banjarbaru, Kalimantan selatan 1 Abstract
Penerapan K-Optimal Pada Algoritma Knn untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam Berdasarkan IP Sampai Dengan Semester 4 Mutiara Ayu Banjarsari 1, H. Irwan
Lebih terperinci