KLASIFIKASI STATUS GUNUNG MERAPI DENGAN METODE NAIVE BAYES CLASIFIER DAN DECISION TREE
|
|
- Handoko Dharmawijaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 KLASIFIKASI STATUS GUNUNG MERAPI DENGAN METODE NAIVE BAYES CLASIFIER DAN DECISION TREE Arik Achmad Efendi 1, Fauzi Dwi Susanto 2, Grandis Mahendra 3, Rifqi Kurniawan 4, Siti Hardinti 5 Program Teknologi Informasi & Ilmu Komputer, Universitas Brawija, Malang 1 arik.ae@gmail.com, 2 fauzisusanto23@gmail.com, 3 Grandisgt@gmail.com, 4 bacotsoak@gmail.com, 5 siti.hardinti91@gmail.com Abstrak Gunung berapi merupakan salah satu keindahan alam ng ada. Namun keberadaan gunung berapi juga sangat meresahkan masrakat ng ada disekitar jika terjadi gunung meletus. Untuk menghindari hal hal ng tidak diinginkan, maka dibuatlah sebuah program dimana bisa mengklasifikasikan keadaan gunung berapi apakah, siaga, waspada atau awas. Program ini dibuat dengan menggunakan 2 metode itu metode Naïve Bayes Clasifier dan Decision Tree. Dimana program ng kita buat ini untuk membandingkan hasil kedua metode ini. Membandingkan kedua metode ini kita mencari metode mana ng hasiln alebih akurat, apakah Naïve Bayes Clasifier atau metode Decision Tree. Ke dua algoritnma ini, mampu mengklasifikasi status keadaan gunung, namun keakuratan data hasil kedua metode ini berbeda dimana data pada metode Decision Tree lebih akurat dibandingkan pada metode Naïve Bayes Clasifier. Hal ini terjadi karena pengklasifikasian menggunakan Decision Tree lebih cermat dan teliti perfiturn dibandingkan dengan Naïve Bayes Clasifier. Kata kunci: Gunung berapi, Naïve Bayes Clasifier, Decision Tree Abstract The volcano is one of the natural beauty. But the existence of the volcano is also very disturbing that there are people around in case of volcanic eruption. To avoid this - things that are not desirable, then made a program which can classify the state of the volcano is, alert, vigilant or alert. This program is made using two methods ie methods Clasifier Naive Bayes and Decision Tree. Where is the program that we created to compare the results of both methods. Comparing these two methods we find which method alebih accurate results, whether or method Clasifier Naive Bayes Decision Tree. Second algoritnma, was able to classify the status of the state of the mountain, but the accuracy of the data from these two different methods by which data on Decision Tree method is more accurate than the Naive Bayes method Clasifier. This occurs because the classification using Decision Tree more carefully and thoroughly than the Naive Bayes perfiturn Clasifies. Keyword: Gunung berapi, Naïve Bayes Clasifier, Decision Tree
2 1. PENDAHULUAN Informasi bencana alam sangat dibutuhkan dalam upa pengelolaan bencana alam terutama pada langkah-langkah mitigasi dan persiapan menghadapi bencana. Mitigasi ini merupakan proses pencegahan atau pengurangan akan kemungkinan terjadin bencana dan pengurangan kerugian akibat terjadin bencana, sedangkan langkah persiapan menghadapi bencana ini termasuk pula melakukan prediksi, dan peringatan dini akan terjadin bencana (early warning). [3] Oleh karena itu maka diperlukan sistem informasi ng jelas, akurat dan siap pada saat diperlukan, apalagi pada sebuah instansi pemerintahan, kemudahan serta kecepatan dalam menghasilkan informasi ng berkualitas adalah hal ng sangat penting. Untuk memperoleh informasi ng berkualitas dan hasil seperti ng diharapkan diatas, tentun kita harus memiliki sistem informasi data ng baik. Maka diperlukan sistem informasi mitigasi bencana alam ng bertujuan untuk memberikan informasi status gunung berapi dan media publikasi informasi data dasar gunung api untuk sosialisasi dan distribusi dalam bentuk program aplikasi ng bisa dipakai oleh pengguna secara mudah melalui inputan-inputan tertentu. Oleh karena itu diperlukann penelitian pada Badan Peneletian Gunung, Bromo Tengger Semeru kota Malang, sehingga dapat dibuatn system informasi status Gunung Berapi ng terdiri dari status Normal, Waspada, Siaga dan Awas. 2. LANDASAN TEORI A. Klasifikasi Klasifikasi adalah pemecahan suatu kelas tertentu ke dalam kelas-kelas bawahan berdasarkan ciri-ciri khas ng dimiliki oleh angota-anggota kelas itu. Klasifikasi merupakan suatu metode untuk menempatkan sejumlah hal dalam suatu sistem kelas, sehingga dapat dilihat hubungann ke samping, ke atas dan ke bawah. Tujuan klasifikasi adalah untuk mengetahui keseluruhan logis dari suatu konsep dan bagian-bagiann dengan lebih baik. Atau secara lebih sederhana adalah untuk memudahkan kita dalam berhubungan dengan hal ng kita cari. [4] Pada penelitian ini akan dilakukan klasifikasi ke dalam beberapa kelas status gunung berapi ng terdiri dari Normal, Waspada, Siaga, dan Awas. Status tersebut dapat diklasifikasikan setelah menginputkan data beberapa fitur ng terdiri dari 1 data kontinyu kni dan 7 data diskrit kni Awan Panas, Suhu Meningkat, Gas Beracun, Lahar Letusan, Lava, Lontaran Batu Pijar, Lumpur Panas, dan Hujan Abu. Dari beberapa hasil inputan data kontinyu dan diskrit tersebut maka status gunung tersebut sudah bisa diklasifikasikan pada salah satun. B. Tingkatan Status Gunung Secara umum, status gunung berapi di Indonesia dibagi atas 4 status, kni Normal, Waspada, Siaga dan Awas. [2] Aktif Normal (Level I) Kegiatan gunung api berdasarkan pengamatan dari hasil visual, kegempaan dan gejala vulkanik lainn tidak memperlihatkan adan kelainan Waspada (Level II) Terjadi peningkatan kegiatan berupa kelainan ng tampak secara visual atau hasil pemeriksaan kawah, kegempaan dan gejala vulkanik lainn Siaga (Level III) Peningkatan semakin nta hasil pengamatan visual/pemeriksaan kawah, kegempaan dan metoda lain saling mendukung. Berdasarkan analisis, perubahan kegiatan cenderung diikuti letusan. Awas (Level IV) Menjelang letusan utama, letusan awal mulai terjadi berupa abu/asap. Berdasarkan analisis data pengamatan, segera akan diikuti letusan utama. C. Naïve Bayes Clasisifier Untuk mengatasi berbagai permasalahan diatas, berbagai varian dari pengklasifikasian ng menggunakan teorema bayes diajukan, salah satun adalah Naïve Bayes, Naive Bayes Classifier adalah metode
3 pengklasifikasian paling sederhana dari model pengklasifikasian dengan peluang, dimana diasumsikan bahwa setiap atribut contoh (data sampel) bersifat saling lepas satu sama lain berdasarkan atribut kelas. Naive bayes classifier juga dapat menangani atribut bertipe kontinyu. Salah satu caran adalah menggunakan distribusi Gaussian. Distribusi ini dikarakterisasi dengan dua parameter itu mean (µ), dan variansi(σ 2 ), untuk setiap kelas y j, peluang kelas bersrat untuk atribut X i dintakan pada persamaan. Fungsi densitas mengekspresikan probabilitas relatif. fungsi densitas probabilitasn adalah : pers 1 D. Decision Tree Decision Tree pada intin adalah mengubah data menjadi pohon keputusan (decision tree) dan aturan-aturan keputusan (rule). Decision tree adalah algoritma ng paling bank digunakan untuk masalah klasifikasi. Gambar 1. Algoritma Decision Tree Sebuah decision tree terdiri dari beberapa simpul itu tree s roo, internal nod dan leafs. Konsep entropi digunakan untuk penentuan pada atribut mana sebuah pohon akan terbagi (split). Semakin tinggi entropy sebuah sampel, semakin tidak murni sampel tersebut. Rumus ng digunakan untuk menghitung entropy sampel S adalah : Entropi(S) = -p1log2p1-p2log2p2-p3log2p3-p4log2p4 Pada persamaan 1, p1 adalah proporsi sampel atau grup ng akan berstatus, p2 adalah proporsi untuk status ng waspada, p3 adalah proporsi untuk status siaga, dan p4 adalah proporsi untuk status ng awas. 3. METODOLOGI PENELITIAN A. Pengumpulan Data Pengumpulan data dilakukan dengan cara mencari sumber datasheet dari badan informasi status gunung Bromo di Bromo Tengger Semeru, Malang serta informasiinformasi ng ada pada internet. Data-data ng muncul pada internet sebagian besar berasal dari jurnal-jurnal ng sudah teruji kebenerann. Untuk tambahan data-data ng lain dengan melakukan pendekatan data dengan data-data ng sudah ada. Kami menggunakan 199 data training dan 10, 20 serta 30 data uji ng nantin digunakan untuk proses testing program baik dengan metode naive bayes atupun decision tree. Pada akhirn akan dihitung prosentase akurasi dari masing-masing metode dan perbedaan akurasi antara kedua metode tersebut. B. Fitur dan Jenis Untuk mengelompokkan jenis status pada gunung merapi kita menggunakan cara pemilihan fitur fitur dan jenis jenis status gunung agar lebih mudah. Fitur ng digunakan pada penelitian ini ada Sembilan fitur, itu: a) b) Awan Panas c) Suhu Meningkat d) Gas Beracun e) Lahar Letusan f) Lava g) Lontaran Batu Pijar h) Lumpur Panas i) Hujan Abu Keadaan tersebut akan dikelompokkan dalam empat kelas, itu: a) Normal b) Waspada c) Siaga d) Awas C. Analisis Data a. Naive Bayes Secara umum metode Naive Bayes ini melakukan proses klasifikasi dengan prosedur sebagai berikut : a. Menghitung nilai likehood masingmasing fitur, baik ng diskrit maupun kontinyu
4 b. Menghitung nilai prior masing-masing kelas. c. Mengalikan nilai prior dan nilai likehood ng sudah dihitung pada langkah sebelumn. b. Decision Tree Secara umum metode Decision Tree ini melakukan proses klasifikasi dengan prosedur sebagai berikut : a. Memilih node awal tree b. Mengubah bentuk data (tabel) menjadi model tree. c. Mengubah model tree menjadi rule 4. PENGUJIAN DAN ANALISA Data ng digunakan untuk melakukan uji coba ini diambil secara random dari sample dari tiap status gunung. Masing-masing status gunung ini memiliki sismograf, awan panas, suhu meningkat, gas beracun, lahar letusan,, lontaran batu pijar, lumpur panas, dan hujan abu ng berbeda. Tabel 1. Datauji [5] statististik ng dikemukakan oleh ilmuwan Inggris Thomas Bayes, itu memprediksi probabilitas dimasa depan berdasarkan pengalaman sebelumn. [1] Dasar dari teorema Naïve Bayes ng digunakan dalam pemrograman adalah rumus Bayes berikut ini : pers 2 Peluang kejadian A sebagai B ditentukan dari peluang B saat A, Peluang A dan peluang B. pada pengaplikasiann nanti rumus ini berubah menjadi :... pers 3 Naïve Bayes Clasifies atau biasa disebut sebagai multinominal naïve bayes merupakan model penyederhanaan dari algoritma bayes ng cocok dalam pengklasifian status gunung berapi. Persamaann adalah :... pers 4 P(a1,a2,. an) konstan, sehingga dapat dihilangakan menjadi pers 5 Karena P(a1,a1,. an vj) sulit untuk dihitung, maka akan diasumsikan bahwa setiapfitur pada datasheet tidak mempuni keterkaitan. pers 6 Berikut ini merupakan langkah-langkah ng digunakan untuk mengklasifikasikan data tersebut di atas ke dalam kelas-kelas. a. Naïve Bayes Bayesian filter atau Naïve Bayes Clasifier merupakan metode terbaru ng digunakan unutk mengklasifikasian. Algoritma ini memanfaatkan metode probabilitas dan Keterangan : P(vj) : probabilitas setiap kelas (prior) P(aj vj) : probabilitas kemunculan kemungkinan a pada kelas v. Pada Pengimplementasian n kita akan menggunkan rumus :... pers 7
5 Pada aplikasi ini tahapan dalam perhitungan Naïve Bayes Clasifier adalah : 1. Kita mencari nilai prior dari masing masing kelas 2. Setelah itu kita mencari nilai posterior pada masing masing nilai fitur ng di ingin kan terhadap masing masing kelas n. 3. Setelah prior dan posterior didapatkan maka smua n dihitung berdasarkan rumus pada masing masing kelasn. Dimana data itu digolongkan dilihat dari nilai ng terbesar. Contoh perhitungan : Jika nilai sismograf 42,5, awan panas tidak, suhu meningkat i, gas beracun tidak, lahar letusan i, tidak, lontaran batu pijar tidak, hujan abu tidak maka status n adalah Karena data sismograf adalah continue maka kita gunakan rumus kriteria dengan data sample ng ditentukan sebelumn. Node terpilih adalah kriteria dengan entropi paling kecil. Besarn entropi pada ruang sample S didefinisikan dengan : Entropi(S) = -p1log2p1-p2log2p2-p3log2p3-p4log2p4 Keterangan : - S adalah ruang (data) sample ng digunakan untuk training. - Pn adalah jumlah ng bersolusi positif (mendukung) pada data sample untuk kriteria tertentu. - Pn adalah jumlah ng bersolusi negatif (tidak mendukung) pada data sample untuk kriteria tertentu. Berikut salah satu contoh hasil perhitungan nilai entropi dari fitur tertentu. Disini, kami mengambil fitur dari awan panas. Berikut adalah hasil jumlah data dari setiap kelasn. Tabel 3. Hasil Jumlah Data Dari setiap Kelas pers 8 Dilihat dari hasil maka dia digolongkan kelas Siaga karena memiliki nilai terbesar Dari salah satu data uji ng kedua ng kita coba sebank 20 data, pada percobaan sebnk 17 data ng benar dan 3 data ng tidak sesuai hasiln. Setelah selesai melakukan proses perhitungan data beberapa sample uji di atas dengan metode naive bayes didapatkan akurasin sebagai berikut : Tabel 2. Akurasi Naive Bayes Data Jumlah Data Akurasi (%) Test % Test % Test % Dari hasil data tersebut, maka akan dihitung nilai entropi dari masing-masing kelas, kni kelas, waspada, siaga dan awas. Langkah menghitung entropi(s) tersebut dilakukan pada semua fitur dengan cara menjumlahkan jumlah kemunculan masingmasing kelas baik ng "" maupun "tidak". Setelah dilakukan penghitungan nilai entropi setiap fitur maka kita ambil nilai entropi ng terkecil. Didapatkan hasil nilai entropi terkecil adalah fitur "lumpur panas". Berikut adalah tabel hasil nilain dari entropi ng terkecil : b. Decision Tree Langkah 1 Memilih node awal tree. Untuk menentukan node awal tree digunakan nilai entropi dari setiap Tabel 4. Hasil Nilai Entropi Node Nilai entropi Lumpur Panas Lontaran Batu Pijar Hujan Abu 0.62
6 Lahar Letusan Lava Awan Panas Gas Beracun Suhu Meningkat Hasil perhitungan nilai entropi dari fitur data diskrit diatas juga akan menentukan fitur data kontinyu, itu fitur "sismograf". Pada fitur data kontinyu ini digunakan rentang nilai terhadap masing-masing kelas, rentang nilain sebagai berikut : Tabel 5. Rentang Nilai Tiap Tiap Kelas Status Rentang Nilai Normal Waspada Siaga Awas Langkah 2 Mengubah bentuk data (tabel) menjadi model tree Hujan abu Lahar letusan Suhu meningkat Suhu meningkat Hujan abu Lahar letusan Suhu meningkat Suhu meningkat 8.25 Lumpur panas Lahar letusan Lontaran batu pijar Suhu meningkat Gambar 2. Tree Kelas Normal Langkah 3 Mengubah model tree menjadi rule. 8 Hujan abu Lahar letusan Suhu meningkat Suhu meningkat Setelah kita membuat tree dari masing-masing kelas kita harus menjadikann "rule". Berikut ini adalah salah satu contoh rule n. Dibawah ini merupakan salah satu rule dari masing-masing kelas. Rule kelas If((awan_panas=='tidak')&&(suhu_mening kat=='tidak')&&(gas_beracun']=='tida k')&&(lahar_letusan)=='tidak')&&(lav a=='tidak')&&(lontaran_batu_pijar==' tidak')&&(lumpur_panas=='tidak')&&(h ujan_abu=='tidak')&&(sismograf>=0.5) &&(sismograf']<=7.75)) then Normal Setelah selesai melakukan proses perhitungan data beberapa sample uji di atas dengan metode decision tree didapatkan akurasin sebagai berikut : Tabel 6. Akurasi Decision Tree Data Jumlah Data Akurasi (%) Test % Test % Test % Setelah kita mendapatkan nilai entropi terkecil dari semua fitur, kita buat tree n, dibawah ini adalah bentuk tree dari status kelas
7 5. KESIMPULAN Dari program ng kita buat dan setelah kita uji menggunakan data uji menghasilkan bahwa data ng diuji menggunakan Decision Tree lebih akurat dibandingkan dengan menggunakan Naïve Bayes Clasifier. Karena pada metode Decision Tree penulusuran data n dari satu fitur ke fitur ng lainn sehingga hasiln dan pengklasifikasiann lebih akurat 6. DAFTAR PUSTAKA Artikel Jurnal [1] T. Nathan Mundhenk, A Tutorial on Simple Bayesian Inference and Classification Using Sampling, University of Southern California [2] Deddy Muldi. Peringatan Dini Baha Gunung Kelut, Jawa TImur. Bandung Publikasi Elektronik, informasi dari internet [3] pi [4] tika/article/download/60/12 [5]
Pengenalan Pola. Klasifikasi Naïve Bayes
Pengenalan Pola Klasifikasi Naïve Bayes PTIIK - 2014 Course Contents 1 Naïve Bayes Classifier 2 Fase Training 3 Fase Testing 4 Studi Kasus dan Latihan Naïve Bayes Classifier Metode klasifikasi ini diturunkan
Lebih terperinciAPLIKASI SURVEY POLITIK UNIVERSITAS BRAWIJAYA MALANG (ASUPOL) : STUDI KASUS PEMILIHAN BEM PTIIK 2012 (PEMILWA 2012)
APLIKASI SURVEY POLITIK UNIVERSITAS BRAWIJAYA MALANG (ASUPOL) : STUDI KASUS PEMILIHAN BEM PTIIK 2012 (PEMILWA 2012) Afiqie Fadhihansah 1*, Dio Dharmawan 1**, Fridha Agustina 1**, Irwan Nugrahanto 1*, Maharani
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciKata kunci : metode pencarian, perpustakaan, Naïve Bayes Classifier.
PENGGUNAAN METODE NAÏVE BAYES CLASSIFIER PADA APLIKASI PERPUSTAKAAN Selvia Lorena Br Ginting,S.Si., MT 1, Reggy Pasya Trinanda 2 1,2 Jurusan Teknik Komputer Unikom, Bandung 1 selvialorena@yahoo.com, 2
Lebih terperinciSISTEM KLASIFIKASI PENYEBARAN PENYAKIT MATA DI JAWA BARAT DENGAN ALGORITMA ITERATIVE DICHOTOMISER 3 DAN NAÏVE BAYES CLASSIFIER
SISTEM KLASIFIKASI PENYEBARAN PENYAKIT MATA DI JAWA BARAT DENGAN ALGORITMA ITERATIVE DICHOTOMISER 3 DAN NAÏVE BAYES CLASSIFIER Wina Witanti 1*, Dian Nursantika 2, Zillan Taufiq Budiman 3 1,2,3 Program
Lebih terperinciANALISIS SPAM FILTERING PADA MAIL SERVER DENGAN METODE BAYESIAN CHI-SQUARE DAN NAIVE BAYES CLASSIFIER SKRIPSI
ANALISIS SPAM FILTERING PADA MAIL SERVER DENGAN METODE BAYESIAN CHI-SQUARE DAN NAIVE BAYES CLASSIFIER SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Jurusan Informatika Disusun
Lebih terperinciMetode klasifikasi Naïve Bayes. Team teaching
Metode klasifikasi Naïve Bayes Team teaching Metode klasifikasi ini diturunkan dari penerapan teorema Bayes dengan asumsi independence (saling bebas), Naive Bayes Classifier adalah metode pengklasifikasian
Lebih terperinciKlasifikasi. Diadaptasi dari slide Jiawei Han
Klasifikasi Diadaptasi dari slide Jiawei Han http://www.cs.uiuc.edu/~hanj/bk2/ yudi@upi.edu / Okt 2012 Pengantar Classification Memprediksi kelas suatu item Membuat model berdasarkan data pelatihan dan
Lebih terperinciKlasifikasi. Diadaptasi dari slide Jiawei Han
Klasifikasi Diadaptasi dari slide Jiawei Han http://www.cs.uiuc.edu/~hanj/bk2/ Pengantar Classification Memprediksi kelas suatu item Membuat model berdasarkan data pelatihan dan digunakan untuk mengklasifikasi
Lebih terperinciAkurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa
Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa dengan Metode NAÏVE BAYES M. Ridwan Effendi Fakultas Komputer Jurusan Sistem Informasi Universitas Mohammad Husni Thamrin Jakarta Email :
Lebih terperinciKLASIFIKASI KARAKTERISTIK MAHASISWA UNIVERSITAS COKROAMINOTO PALOPO MENGGUNAKAN METODE NAÏVE BAYES DAN DECISION TREE. Yuli Hastuti
Jurnal Dinamika, September 2016, halaman 34-41 P-ISSN: 2087 7889 E-ISSN: 2503 4863 Vol. 07. No.2 KLASIFIKASI KARAKTERISTIK MAHASISWA UNIVERSITAS COKROAMINOTO PALOPO MENGGUNAKAN METODE NAÏVE BAYES DAN DECISION
Lebih terperinciPENENTUAN KUALITAS IKAN BANDENG MENGGUNAKAN ALGORITMA NAIVE BAYES BERDASARKAN TEKSTUR PADA CITRA ABSTRAK
PENENTUAN KUALITAS IKAN BANDENG MENGGUNAKAN ALGORITMA NAIVE BAYES BERDASARKAN TEKSTUR PADA CITRA Rahmanika Ratna Sari 1, Hanny Haryanto 2 1,2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian
Lebih terperinciKata kunci: Klasifikasi, warna kulit, naïve bayes
PENGKLASIFIKASI GENUS PANTHERA (HARIMAU, SINGA, JAGUAR DAN MACAN TUTUL DENGAN METODE NAIVE BAYES Program Studi Informatika, Program Teknologi Informasi dan Ilmu Komputer, Agus Suryanto, Brian Andrianto,
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 terperinciREKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER
REKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER Titis Suwartiningsih (11 1065 1116) 1, Bagus Setya Rintyarna,
Lebih terperinciOleh : Selvia Lorena Br Ginting, Reggy Pasya Trinanda. Abstrak
TEKNIK DATA MINING MENGGUNAKAN METODE BAYES CLASSIFIER UNTUK OPTIMALISASI PENCARIAN PADA APLIKASI PERPUSTAKAAN (STUDI KASUS : PERPUSTAKAAN UNIVERSITAS PASUNDAN BANDUNG) Oleh : Selvia Lorena Br Ginting,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Lebih terperinciAPLIKASI KLASIFIKASI PEMENUHAN GIZI PADA LANSIA MENGGUNAKAN METODE DECISION TREE ID3
APLIKASI KLASIFIKASI PEMENUHAN GIZI PADA LANSIA MENGGUNAKAN METODE DECISION TREE ID3 SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Sistem
Lebih 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 terperinciPENGKLASIFIKASIAN UNTUK MENDETEKSI SPAM MENGGUNAKAN ALGORITMA NAIVE BAYESIAN ABSTRAK
PENGKLASIFIKASIAN E-MAIL UNTUK MENDETEKSI SPAM MENGGUNAKAN ALGORITMA NAIVE BAYESIAN Ferdi / 0322043 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia Email
Lebih terperinciKLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER
KLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (STUDI KASUS : Calon Pendonor Darah di Kota Semarang) SKRIPSI Disusun Oleh : DHIMAS BAYUSUSETYO NIM. 24010212130081 DEPARTEMEN
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 terperinciPROGRAM BANTU PENEMPATAN PERSEDIAAN BARANG SANITER PADA DUA TOKO DENGAN METODE NAÏVE BAYES
PROGRAM BANTU PENEMPATAN PERSEDIAAN BARANG SANITER PADA DUA TOKO DENGAN METODE NAÏVE BAYES Umi Proboyekti, Djoni Dwiyana Abstrak Barang saniter merupakan salah satu macam barang yang dijual di toko bahan
Lebih terperinciPENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI JAGUNG PRODUKTIF DI GORONTALO
PENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI JAGUNG PRODUKTIF DI GORONTALO Ramayanti Kaku, Arip Mulyanto, Manda Rohandi Program Studi Sistem Informasi/ Jurusan Teknik Informatika Abstrak Bervariasinya
Lebih terperinciDAFTAR ISI. BAB I PENDAHULUAN 1.1 Latar Belakang Tujuan Penelitian Manfaat Penelitian... 4
DAFTAR ISI Halaman Judul... Halaman Pengesahan... Halaman Pernyataan... Halaman Pernyataan Publikasi... Kata Pengantar... Daftar Isi... Daftar Gambar... Daftar Tabel... Daftar Arti Lambang... Daftar Singkatan...
Lebih terperinciPerbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca
NATURALA Journal of Scientific Modeling & Computation, Volume 1 No.1 2013 7 ISSN 23030135 Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca Candra Dewi 1, M. Muslikh
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 terperinciSAINTEKBU: Jurnal Sains dan Teknologi Volume 9 No.2 Mei 2017 EVALUASI INTERNAL PROGRAM STUDI MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (NBC)
SAINTEKBU: Jurnal Sains dan Teknologi Volume 9 No.2 Mei 2017 EVALUASI INTERNAL PROGRAM STUDI MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (NBC) Yoseph Pius Kurniawan Kelen 1 1) Universitas Timor-Kefamenanu
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 651-659 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI TINGKAT KELANCARAN NASABAH DALAM MEMBAYAR PREMI
Lebih terperinciKLASIFIKASI KECENDERUNGAN PENYAKIT MATA DI JAWA BARAT DENGAN ASSOCIATION RULE DAN NAÏVE BAYES CLASSIFIER
KLASIFIKASI KECENDERUNGAN PENYAKIT MATA DI JAWA BARAT DENGAN ASSOCIATION RULE DAN NAÏVE BAYES CLASSIFIER Zillan Taufiq Budiman 1), Wina Witanti 2), Dian Nursantika 3) 1), 2), 3) Informatika Universitas
Lebih terperinciAKTIVITAS GUNUNGAPI SEMERU PADA NOVEMBER 2007
AKTIVITAS GUNUNGAPI SEMERU PADA NOVEMBER 27 UMAR ROSADI Pusat Vulkanologi dan Mitigasi Bencana Geologi Sari Pada bulan Oktober akhir hingga November 27 terjadi perubahan aktivitas vulkanik G. Semeru. Jumlah
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah 1.2 Hipotesis
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Setiap matakuliah memiliki silabus perkuliahan yang berisi materi-materi mengenai matakuliah tersebut. Silabus disusun berdasarkan buku-buku referensi utama
Lebih terperinciRancang Bangun Sistem Pendukung Keputusan Penerimaan Beasiswa Menggunakan Meotde Naive Bayes Classiffier
Rancang Bangun Sistem Pendukung Keputusan Penerimaan Beasiswa Menggunakan Meotde Naive Bayes Classiffier Riani Dewi H 1, Yunita 2, Novi Indrawati 3 Mahasiswa Program Studi Teknik Informatika Fakultas Teknik
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Perumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini sering terjadi data explosion problem yaitu data data yang tersimpan dalam database berjumlah sangat besar namun dari data data tersebut belum banyak dimanfaatkan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 1.1 Latar Belakang BAB I PENDAHULUAN Dalam Peraturan Menteri Agama Republik Indonesia Nomor 30 Tahun 2014 tentang Biaya Kuliah Tunggal dan Uang Kuliah Tunggal pada Perguruan Tinggi Keagamaan Negeri di
Lebih terperinciPENERAPAN DATA MINING MENGGUNAKAN ALGORITME C4.5 DALAM PENENTUAN JURUSAN SISWA SMA NEGERI 2 SURAKARTA
PENERAPAN DATA MINING MENGGUNAKAN ALGORITME C4.5 DALAM PENENTUAN JURUSAN SISWA SMA NEGERI 2 SURAKARTA oleh NADYA AL FITRIANI M0111060 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh
Lebih terperinciKLASIFIKASI PADA DATA MINING MENGGUNAKAN NAIVE BAYESIAN CLASSIFIER CLASSIFICATION FOR DATA MINING USING NAIVE BAYESIAN CLASSIFIER
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2005 KLASIFIKASI PADA DATA MINING MENGGUNAKAN NAIVE BAYESIAN CLASSIFIER CLASSIFICATION FOR DATA MINING USING NAIVE BAYESIAN CLASSIFIER Agustina Ratna Puspitasari¹,
Lebih terperinciBelajar Mudah Algoritma Data Mining : C4.5
Belajar Mudah Algoritma Data Mining : C4.5 Algoritma data mining C4.5 merupakan salah satu algoritma yang digunakan untuk melakukan klasifikasi atau segmentasi atau pengelompokan dan bersifat prediktif.
Lebih terperinciIMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA NAÏVE BAYES DALAM MENENTUKAN PENGUNDURAN DIRI CALON MAHASISWA PADA UNIVERSITAS DIAN NUSWANTORO SEMARANG
1 IMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA NAÏVE BAYES DALAM MENENTUKAN PENGUNDURAN DIRI CALON MAHASISWA PADA UNIVERSITAS DIAN NUSWANTORO SEMARANG Muhammad Efendi Program Studi Teknik Informatika
Lebih terperinciPenerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier
Penerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier Octia Nuraeni 55410244 Teknik Informatika Pembimbing : Dr. Riza Adrianti
Lebih terperinciBAB I PENDAHULUAN. menyertai kehidupan manusia. Dalam kaitannya dengan vulkanisme, Kashara
BAB I PENDAHULUAN 1.1 Latar Belakang Aktivitas vulkanisme dapat mengakibatkan bentuk bencana alam yang menyertai kehidupan manusia. Dalam kaitannya dengan vulkanisme, Kashara (Hariyanto, 1999:14) mengemukakan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Sistem Pendukung Keputusan Sistem Pendukung Keputusan (SPK) atau dikenal Decision Support System(DSS) adalah sistem informasi interaktif yang menyediakan informasi, pemodelan
Lebih terperinciAlfa Saleh. Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan
PENERAPAN DATA MINING DENGAN METODE KLASIFIKASI NAÏVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DALAM MENGIKUTI ENGLISH PROFICIENCY TEST (Studi Kasus : Universitas Potensi Utama) Alfa Saleh Teknik Informatika
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Indonesia merupakan negara yang memiliki gunung merapi cukup banyak yang tersebar di seluruh penjuru nusantara meliputi Sumatera, Jawa, dan Irian Jaya. Di Sumatera
Lebih terperinciPENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT
PENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT Dedy Ahmad Kurniawan 1), Danny Kriestanto 2) Teknik Informatika, STMIK AKAKOM e-mail: dedyahmad.akakom10@gmail.com 1), danny@akakom.ac.id 2) ABSTRAK
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 1.1 Data Training Data training adalah data yang digunakan untuk pembelajaran pada proses data mining atau proses pembentukan pohon keputusan.pada penelitian ini
Lebih terperinciBersama ini dengan hormat disampaikan tentang perkembangan kegiatan G. Kelud di Kabupaten Kediri, Blitar dan Malang, Provinsi Jawa Timur.
KEMENTERIAN ENERGI DAN SUMBER DAYA MINERAL REPUBLIK INDONESIA BADAN GEOLOGI JALAN DIPONEGORO NO. 57 BANDUNG 40122 JALAN JEND. GATOT SUBROTO KAV. 49 JAKARTA 12950 Telepon: 022-7212834, 5228424, 021-5228371
Lebih terperinciKLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (Studi Kasus : Calon Pendonor Darah di Kota Semarang)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 2, Tahun 2017, Halaman 193-200 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES
Lebih terperinciUniversitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika. Classification Decision Tree
Universitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika Classification Decision Tree Classification Decision Tree Pengertian Pohon Keputusan Pohon keputusan adalah
Lebih terperinciPERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI
Techno.COM, Vol. 15, No. 3, Agustus 2016: 241-245 PERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI Didik Srianto 1, Edy Mulyanto 2 1,2 Teknik Informatika,
Lebih terperinciMODUL 12 Model Prediktif
MODUL 12 Model Prediktif Prediktif Analytics adalah teknologi yang menangkap proses data mining dalam rutinitas sederhana. Kadang-kadang disebut "one-click data mining," Model ini menyederhanakan dan mengotomatisasi
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 terperinciBAB II TINJAUAN PUSTAKA. mengenai penelitian terdahulu, tentang prediksi lama masa studi mahasiswa,
BAB II TINJAUAN PUSTAKA 2.1 Terdahulu Dalam penelitian ini, peneliti juga menyertakan beberapa uraian singkat mengenai penelitian terdahulu, tentang prediksi lama masa studi mahasiswa, klasifikasi, metode
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA KLASIFIKASI NAÏVE BAYESIAN, LAZY-IBK, ZERO-R, DAN DECISION TREE- J48
PERBANDINGAN KINERJA ALGORITMA KLASIFIKASI NAÏVE BAYESIAN, LAZY-IBK, ZERO-R, DAN DECISION TREE- J48 Sulidar Fitri Teknik Informatika STMIK AMIKOM Yogyakarta email : inboxfitri@gmail.com Abstraksi Penelitian
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 terperinciBAB 3 ALGORITMA C4.5. Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan.
BAB 3 ALGORITMA C4.5 Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. A. Pohon Keputusan Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat dan
Lebih terperinciPERBANDINGAN AKURASI KLASIFIKASI TINGKAT KEMISKINAN ANTARA ALGORITMA C 4.5 DAN NAÏVE BAYES
PERBANDINGAN AKURASI KLASIFIKASI TINGKAT KEMISKINAN ANTARA ALGORITMA C 4.5 DAN NAÏVE BAYES Derick Iskandar 1), Yoyon K Suprapto 2) Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA
JURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA IMPLEMENTATION OF DATA MINING WITH C4.5 ALGORITHM TO PREDICT STUDENT ACHIEVEMENT Oleh: SITI MUHIMATUL KHOIROH NPM
Lebih terperinciBAB I PENDAHULUAN. samudra Hindia, dan Samudra Pasifik. Pada bagian selatan dan timur
BAB I PENDAHULUAN A. Latar Belakang Penelitian Secara geografis Indonesia merupakan Negara kepulauan yang terletak pada pertemuan tiga lempeng tektonik yaitu lempeng benua Eurasia, lempeng samudra Hindia,
Lebih terperinciJurnal Politeknik Caltex Riau
1 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id IMPLEMENTASI TEXT MINING DALAM KLASIFIKASI JUDUL BUKU PERPUSTAKAAN MENGGUNAKAN METODE NAIVE BAYES Siti Amelia Apriyanti 1), Kartina Diah Kesuma Wardhani
Lebih terperinciPERBANDINGAN METODE KLASIFIKASI NAÏVE BAYES DAN K-NEAREST NEIGHBOR PADA ANALISIS DATA STATUS KERJA DI KABUPATEN DEMAK TAHUN 2012
PERBANDINGAN METODE KLASIFIKASI NAÏVE BAYES DAN K-NEAREST NEIGHBOR PADA ANALISIS DATA STATUS KERJA DI KABUPATEN DEMAK TAHUN 2012 SKRIPSI Disusun Oleh : RIYAN EKO PUTRI 24010210120042 JURUSAN STATISTIKA
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Anak merupakan sebuah karunia bagi setiap orangtua. Setiap anak diharapkan dapat tumbuh dan berkembang secara sehat, baik fisik, mental dan sosial sesuai dengan pertambahan
Lebih terperinciBAB 1 PENDAHULUAN 1-1
BAB 1 PENDAHULUAN Bab ini menguraikan penjelasan umum mengenai tugas akhir yang dikerjakan. Penjelasan tersebut meliputi latar belakang masalah, tujuan tugas akhir, lingkup tugas akhir, metodologi yang
Lebih terperinciKEMENTRIAN ENERGI DAN SUMBER DAYA MINERAL REPUBLIK INDONESIA BADAN GEOLOGI
KEMENTRIAN ENERGI DAN SUMBER DAYA MINERAL REPUBLIK INDONESIA BADAN GEOLOGI JALAN DIPONEGORO NO. 57 BANDUNG 1 JALAN JEND GATOT SUBROTO KAV. 9 JAKARTA 195 Telepon: -713, 5,1-5371 Faksimile: -71, 1-537 E-mail:
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK MEMPREDIKSI KETEPATAN LAMARAN KERJA SISWA MENGGUNAKAN METODE NAIVE BAYES DI SMK ISLAM 1 DURENAN
SISTEM PENDUKUNG KEPUTUSAN UNTUK MEMPREDIKSI KETEPATAN LAMARAN KERJA SISWA MENGGUNAKAN METODE NAIVE BAYES DI SMK ISLAM 1 DURENAN SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat
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 terperinciBAB III METODOLOGI PENELITIAN
40 BAB III METODOLOGI PENELITIAN 3.1 DESAIN PENELITIAN Dalam melakukan penelitian, dibutuhkan desain penelitian agar penelitian yang dilakukan dapat berjalan dengan baik. Berikut ini merupakan desain penelitian
Lebih terperinciBAB I PENDAHULUAN. Peminatan atau bidang peminatan adalah sebuah jurusan yang harus di
BAB I PENDAHULUAN I. Latar Belakang Peminatan atau bidang peminatan adalah sebuah jurusan yang harus di ambil oleh mahasiswa untuk menentukan arah kompetensi dan keahlian mahasiswa tersebut yang mana di
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Dasar Penelitian Penelitian ini dilakukan berdasarkan rumusan masalah yang telah dijabarkan pada bab sebelumnya yaitu untuk mengklasifikasikan kelayakan kredit calon debitur
Lebih terperinciTelepon: , , Faksimili: ,
KEMENTERIAN ENERGI DAN SUMBER DAYA MINERAL REPUBLIK INDONESIA BADAN GEOLOGI JALAN DIPONEGORO NO. 57 BANDUNG 40122 JALAN JEND. GATOT SUBROTO KAV. 49 JAKARTA 12950 Telepon: 022-7212834, 5228424, 021-5228371
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
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 terperinciSISTEM PREDIKSI PENGUNDURAN DIRI PESERTA DIDIK MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER
SISTEM PREDIKSI PENGUNDURAN DIRI PESERTA DIDIK MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER ARTIKEL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program
Lebih terperinciIMPLEMENTASI METODE BAYESIAN DALAM PENJURUSAN DI SMA BRUDERAN PURWOREJO STUDI KASUS: SMA BRUDERAN PURWOREJO
IMPLEMENTASI METODE BAYESIAN DALAM PENJURUSAN DI SMA BRUDERAN PURWOREJO STUDI KASUS: SMA BRUDERAN PURWOREJO Sendy Winanta Yetli Oslan, Gunawan Santoso Abstrak Penjurusan siswa kelas X SMA yang akan naik
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Mining 2.1.1 Pengertian Data Mining Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka dibutuhkan metode analisis yang tepat. Data mining
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 terperinciKOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA
TESIS KOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA MEGA KARTIKA SARI No. Mhs : 135302022/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM PASCASARJANA UNIVERSITAS
Lebih terperinciPENGARUH DUMMY VARIABLE PADA METODE NAÏVE BAYES DALAM KASUS KLASIFIKASI PENYAKIT KANDUNGAN
PENGARUH DUMMY VARIABLE PADA METODE NAÏVE BAYES DALAM KASUS KLASIFIKASI PENYAKIT KANDUNGAN SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Prodi Informatika HALAMAN JUDUL Disusun
Lebih terperinciPENERAPAN DATA MINING DALAM MENENTUKAN JURUSAN SISWA
PENERAPAN DATA MINING DALAM MENENTUKAN JURUSAN SISWA Alfa Saleh Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan Email : alfasoleh1@gmail.com Abstrak
Lebih terperinciUKDW. 1.1 Latar Belakang BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi komputer yang pesat pada masa kini menjadi perhatian utama bagi manusia. Kemajuan teknologi komputer yang pesat ini menimbulkan bermacam-macam
Lebih terperinciKLASIFIKASI RUMAH LAYAK HUNI DI KABUPATEN BREBES DENGAN MENGGUNAKAN METODE LEARNING QUANTIZATION DAN NAIVE BAYES
KLASIFIKASI RUMAH LAYAK HUNI DI KABUPATEN BREBES DENGAN MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION DAN NAIVE BAYES SKRIPSI Disusun Oleh : FITRI JUNIATY SIMATUPANG 24010211140078 JURUSAN STATISTIKA
Lebih terperinciPENGKLASIFIKASIAN DAUN MANGGA, SALAM DAN SAWO DENGAN MENGGUNAKAN METODE NAIVE BAYES
PENGKLASIFIKASIAN DAUN MANGGA, SALAM DAN SAWO DENGAN MENGGUNAKAN METODE NAIVE BAYES Andrian Riza Hermawan 1, Andriano E. Wibowo 2, Dhio Alfanda F. 3, Dwi Fetiria Ningrum 4, Naldo Sancho Liman 5 1,2,3,4,5
Lebih terperinciPENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5
1 PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5 Dina Maurina, Ahmad Zainul Fanani S.Si, M.Kom Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula
Lebih terperinciBERITA NEGARA REPUBLIK INDONESIA
BERITA NEGARA REPUBLIK INDONESIA No.1046, 2014 KEMENPERA. Bencana Alam. Mitigasi. Perumahan. Pemukiman. Pedoman. PERATURAN MENTERI PERUMAHAN RAKYAT REPUBLIK INDONESIA NOMOR 10 TAHUN 2014 TENTANG PEDOMAN
Lebih terperinciPerbandingan Kinerja Algoritma Decision Tree dan Naive Bayes dalam Prediksi Kebangkrutan
Perbandingan Kinerja Algoritma Decision Tree dan Naive Bayes dalam Prediksi Kebangkrutan Dian Oktafia Sistem Informasi Universitas Gunadarma Jakarta Universitas Gunadarma Depok, Indonesia doktafia@yahoo.com
Lebih terperinciSISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU
SISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU Jonathan Rinaldy 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi Informatika & Komputer
Lebih terperinciNur Indah Pratiwi, Widodo Universitas Negeri Jakarta ABSTRAK
Klasifikasi Dokumen Karya Akhir Mahasiswa Menggunakan Naïve Bayes Classifier (NBC) Berdasarkan Abstrak Karya Akhir Di Jurusan Teknik Elektro Universitas Negeri Jakarta Nur Indah Pratiwi, Widodo Universitas
Lebih terperinciBAB I PENDAHULUAN. sistem peredaran darah orang lain. Sebelum ditransfusikan, periksa kembali sifat
BAB I PENDAHULUAN 1.1 Latar Belakang Donor darah adalah proses pengambilan darah dari seseorang secara sukarela untuk disimpan di bank darah untuk kemudian dipakai pada transfusi darah [1]. Seleksi donor
Lebih terperinciBAB IV METODOLOGI PENELITIAN. Penelitian ini dilakukan dengan melalui empat tahap utama, dimana
BAB IV METODOLOGI PENELITIAN Penelitian ini dilakukan dengan melalui empat tahap utama, dimana tahap pertama adalah proses pengumpulan dokumen teks yang akan digunakan data training dan data testing. Kemudian
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 terperinciPEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE
PEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Program Studi Sistem Informasi, STMIK
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Saat ini pendidikan di Indonesia semakin berkembang. Banyaknya
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini pendidikan di Indonesia semakin berkembang. Banyaknya pembangunan gedung sekolah maupun perguruan tinggi menjadi tanda berkembangnya pendidikan. Jumlah pendaftar
Lebih terperinciGUBERNUR DAERAH ISTIMEWA YOGYAKARTA PERATURAN GUBERNUR DAERAH ISTIMEWA YOGYAKARTA NOMOR 11 TAHUN 2013 TENTANG PEDOMAN PENETAPAN STATUS POTENSI BENCANA
GUBERNUR DAERAH ISTIMEWA YOGYAKARTA PERATURAN GUBERNUR DAERAH ISTIMEWA YOGYAKARTA NOMOR 11 TAHUN 2013 TENTANG PEDOMAN PENETAPAN POTENSI DENGAN RAHMAT TUHAN YANG MAHA ESA GUBERNUR DAERAH ISTIMEWA YOGYAKARTA,
Lebih terperinciUNNES Journal of Mathematics. Implementasi Fuzzy Decision Tree untuk Mendiagnosa Penyakit Hepatitis
UJM 4 (2) (2015) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm Implementasi Fuzzy Decision Tree untuk Mendiagnosa Penkit Hepatitis Jefry Latu Handarko, Alamsh Jurusan Matematika,
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Perkembangan multimedia saat ini sangat cepat. Dengan multimedia, pengguna dapat menyerap informasi dengan lebih mudah, sehingga pemilihan informasi yang tepat menjadi penting. Pemilihan informasi
Lebih terperinciPLUG-IN CLASSIFIER DENGAN BAYESIAN STATISTICS UNTUK MENDETEKSI SITUS WEB PALSU
PLUG-IN CLASSIFIER DENGAN BAYESIAN STATISTICS UNTUK MENDETEKSI SITUS WEB PALSU Anisah, Sapto W. Indratno Jurusan Matematika FMIPA ITB Abstrak Meningkatnya penipuan melalui situs web palsu mendorong orang
Lebih terperinci( ) ( ) (3) II-1 ( ) ( )
BAB II LANDASAN TEORI 2.1 Naïve Bayes Classifier 2.1.1 Teorema Bayes Bayes merupakan teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema Bayes (atau aturan Bayes) dengan
Lebih terperinci