J. Informatika AMIK-LB Vol.2 No. 1/Januari/2014
|
|
- Sri Atmadja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 IMPLEMENTASI DATA MINING ROUGH SET DALAM MENENTUKAN TINGKAT KERUSAKAN ALAT DAN BAHAN KIMIA (STUDI KASUS DI LABORATORIUM RESEP SMK S-16 FARMASI BENGKULU) Oleh : Marnis Nasution, S.Kom, M.Kom Dosen Prodi Manajemen Informatika, AMIK LABUHANBATU Rantauprapat, Medan, nenis@yahoo.com ASBTRACT Data mining is one of the methods used in extracting the data in generating new knowledge from stored data. The extent of damage to the equipment and chemicals that affect the cost of school often do not know how much it cost the school. With data mining that generates knowledge in the form of some rules and help the school to predict the extent of damage and the cost of chemicals that can be in. Keywords : Data mining, Rough sets, Rosetta, replacement tools and chemicals. I. PENDAHULUAN 1.1 Latar Belakang Masalah Datamining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Salah satu contohnya adalah mengektraksi dari data yang tidak lengkap. Menurut Jerzi (2003), dataminingroughset tetap dapat menggali pengetahuan di dalam sebuah database walaupun data tersebut tidaklah lengkap. Ada dua langkah yang diambil dalam menangani data yang tidak lengkap, pertama data tidak lengkap dibiarkan sehingga pada tabel keputusan hanya rule yang terisi yang mempengaruhi keputusan akhir sedangkan langkah kedua adalah data yang kosong dicari nilai terendah atau tertingginya yang ditentukan dari tabel keputusan. 1.2 Perumusan Masalah 1 Bagaimana menentukan tingkat kerusakan alat dan bahan pada Laboratorium Resep SMK S-16 Farmasi Bengkulu? 2 Bagaimana menentukan tingkat kerusakan alat dan bahan kimia pada Laboratorium Resep SMK S-16 Farmasi Bengkulu dengan menggunakan Rosetta? 3 Bagaimana penerapan dataminingroughset dalam menentukan tingkat kerusakan alat dan bahan kimia? 1.3 Batasan Masalah Menganalisaan tingkat kerusakan alat dan bahan kimia pada Laboratorium Resep SMK S-16 Farmasi Bengkulu. Metode yang digunakan adalah roughset dan diimplementasikan pada Rosetta. II. LANDASAN TEORI 2.1 Knowledge Discovery in Database (KDD) Knowledge discovery in database (KDD) adalah penerapan metode saintifik pada data mining. Dalam konteks ini data mining merupakan satu langkah dari proses KDD (Herawati, 2013). 2.2 Definisi Data Mining Datamining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Datamining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machinelearning untuk mengektrasi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar (kusrini dan Luthfi, 2009). 2.3 Rough Set Teori Rough Set merupakan salah satu teknik yang dirasa cukup efisien untuk Knowledge Discovery in Database (KDD) 1
2 proses dan Data Mining. Data mining merupakan serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data. 2.4 Information System Tabel 2.1 Informiation System Nama barang Lama pakai (tahun) Tingkat kerusakan(%) Nam a bara ng A 2 50 Lama Tingkat Keputusan pakai kerusak (tahun an (%) ) A 2 50 Diperbaiki B 3 66 Diperbaiki Equivalen Class Tabel 2.3 Equivalen Class A B C EC Diperbaiki EC Diperbaiki EC Layak dipakai EC Diperbaiki EC Diganti Discerniblity Matrix Tabel 2.4 Discernibility Matrix EC1 EC2 EC3 EC4 EC5 EC1 - A AB A AB EC2 A - AB A B EC3 AB AB - B AB EC4 A A B - AB EC5 AB B AB AB - Discernibility Matrix Modulo D Tabel 2.5 Discernibility Matrix Modulo D EC1 EC2 EC3 EC4 EC5 EC1 - - AB - AB EC2 - - AB - B EC3 AB AB - B AB EC4 - - B - AB EC5 AB B A AB - B 3 66 C 1 39 D 1 51 E 3 75 F 2 50 G 1 51 Decision System Tabel 2.2 Decision System C 1 39 Layak dipakai D 1 51 Diperbaiki E 3 75 Diganti F 2 50 Diperbaiki G 1 51 Diperbaiki Reduct Clas s Tabel 2.6 Reduct CNF of Boolean Prime Implican t Reduct E1 (A B) (A B) {A},{B } E2 (A B) (B) (B) {B} E3 (A B) (B) (B) {B} E4 (B) (A B) (B) {B} E5 (A B) (B) ( A) Generating rule (A B) {A},{B } Berikut contoh rule yang didapat dari reduct diatas: A2,B2 C1 If A=2 And B=2 Then C=1 If lama pakai=2 tahun And tingkat kerusakan= 50%-74% Then barang layak pakai. B2 C1 If B=2 Then C=1 If tingkat kerusakan= 50%-74% Then barang diperbaiki. B1 C2 B=1 Then C=2 If tingkat kerusakan= 0%-69% Then barang layak pakai. A3,B3 C3 2
3 If A=3 And B=3 Then C=3 If lama pakai=3 tahun And tingkat kerusakan= 75%-100% Then barang diganti. III. PEMBAHASAN 3.1 Kerangka Kerja 3.2 Arsitektur Sistem Mendefinisikan Ruang Lingkup Masalah Menganalisa Masalah Menentukan Tujuan Mempelajari Literatur Mengumpulkan Data Menganalisa Teknik Pengolahan Data Dengan Teknik Artifical Intelligen Rough Set Mengimplementasi proses Rough Set Menggunakan Software Rosetta Menguji Hasil Penelitian Menghasilkan Kesimpulan Gambar 3.1 Arsitektur Penyelesaian Rough Set 3.3 Pengumpulan Data Metode pengumpulan data yang digunakan adalah pengamatan langsung di Laboratorium Resep SMK S-16 Kota Bengkulu. Selain melakukan pengamatan juga dilakukan wawancara kepada pihak-pihak yang terkait dengan penelitian ini. juga melakukan pengambilan sampel laporan inventaris Laboratorium Resep selama dua tahun guna menunjang penelitian ini NAMA RAK OBAT PANCI PILLEN PLANK STAMPER (KECIL) AYAKAN TIMBANGAN GRAM PEMADAM API GELAS UKUR 500 ml GELAS UKUR 100 ml KOMPUTER Tabel 3.1 Information System 3.4 Equivalen Class EC1 EC2,1 EC2,2 EC3 EC4 EC5 EC6 EC7 EC8 BAHAN LAMA PAKAI JUMLAH BRG LAMA LAMA 2 LAMA SEDANG 1 LAMA SEDANG 1 RUSAK BARU 4 CUKUP SEDANG 2 LAMA SEDANG 2 LAMA SEDANG 1 RUSAK BARU 2 RUSAK BARU 3 CUKUP SEDANG 1 Tabel 4.2 EquivalenClass A B C D LAMA LAMA 2 3 LAMA SEDANG 1 4 LAMA SEDANG 1 0 RUSAK BARU 4 1 CUKUP SEDANG 2 3 LAMA SEDANG 2 3 RUSAK BARU 2 0 RUSAK BARU 3 2 CUKUP SEDANG 1 4 3
4 Discernibility Matrix Tabel 4.2 DiscernibilityMatrix EC2 EC3 EC4 EC5 EC6 EC7 EC8 EC1 X BC ABC AB B AB ABC ABC EC2 BC X ABC AC C ABC ABC A EC3 ABC ABC X ABC ABC C C ABC EC4 AB AC ABC X X AB ABC C EC5 B C ABC X X AB ABC AC EC6 AB ABC C AB AB X C ABC EC7 ABC ABC C ABC ABC C X ABC EC8 ABC A ABC C AC ABC ABC X 3.5 Discernilibily Matrix Modulo D Tabel 4.3 Discernibility Matrix Modulo D EC1 EC2 EC3 EC4 EC5 EC6 EC7 EC8 EC1 X BC ABC X X AB ABC ABC EC2 BC X ABC AC C X ABC X EC3 ABC ABC X ABC ABC C C ABC EC4 X AC ABC X A AB ABC C EC5 X C ABC A X AB ABC AC EC6 AB X C AB AB X C ABC EC7 ABC ABC C ABC ABC C X ABC EC8 ABC X ABC C AC ABC ABC X 3.6 Reduct Tabel 4.4 Reduct Class CNF of Boolean Fungtion Prime Implican Reduct t EC1 (B C)^(A B C)^(A C)^ B {B} C^A EC2 (B C)^(A B C)^(A C)^ C^A {A,C} C^A EC3 (A B C)^C C {C} EC4 (A B)^(A C)^(A B C)^ A^C {A,C} A^C EC5 B^C^(A B C)^A^(A B)^ B^C^A {A,B,C} (A C) EC6 (A B)^(A B C)^C (A B)^ {A,C},{B, C C} EC7 (A B C)^C C {C} EC8 (A B C)^A^C^(A C) A^C {A,C} General Rule {B} = {lama pakai} If lama pakai= lama Then kerusakan=17%-71% If lama pakai= sedang Then kerusakan= >28% or 0% or 26%-28% If lama pakai= baru Then kerusakan = 2% or 3%-25% {A,C} = {bahan, jumlah barang} If bahan= tahan lama And jumlah barang=11-16 Then Kerusakan 17%-71% If bahan= tahan lama And jumlah barang=1-10 Then Kerusakan 71% or 0% If bahan= mudah rusak And jumlah barang= >28 Then Kerusakan 2% If bahan= cukup tahan And jumlah barang=11-16 Then Kerusakan 17%-71% If bahan= mudah rusak And jumlah barang=3-25 Then Kerusakan 0% If bahan= cukup tahan And jumlah barang= 2 Then Kerusakan 71% If jumlah barang= 3-25 Then kerusakan 17%- 71% or 0% If jumlah barang= 2 Then kerusakan 71% or 0% If jumlah barang= >28 Then kerusakan 1%- 10% If jumlah barang= Then kerusakan 11%- 16% {A,B,C}={bahan, lama pakai, jumlah barang} If bahan= tahan lama And lama pakai= lama And jumlah barang= 3-25 Then kerusakan = 17%-71% If bahan= tahan lama And lama pakai= sedang And jumlah barang= 2 Then kerusakan = 71% or 0% If bahan= mudah rusak And lama pakai= baru And jumlah barang= > 28 Then kerusakan = 1%-10% If bahan= cukup tahan And lama pakai= sedang And jumlah barang= 3-25 Then kerusakan = 17%-71%
5 If bahan= tahan lama And lama pakai= sedang And jumlah barang= 3-25 Then kerusakan = 17%-71% If bahan= mudah rusak And lama pakai= baru And jumlah barang= 3-25 Then kerusakan = 0% If bahan= mudah rusak And lama pakai= baru And jumlah barang= Then kerusakan = 11%-16% If bahan= cukup tahan And lama pakai= sedang And jumlah barang= 2 Then kerusakan = 71% {B,C} = {lama pakai, jumlah barang} If lama pakai= lama And jumlah barang = Then kerusakan= 17%-71% If lama pakai= sedang And jumlah barang = 2 Then kerusakan= 71% or 0% If lama pakai= baru And jumlah barang = >28 Then kerusakan= 1%-10% If lama pakai= sedang And jumlah barang = 3-25 Then kerusakan= 17%-71% If lama pakai= baru And jumlah barang = Then kerusakan= 0% If lama pakai= baru And jumlah barang = >28 Then kerusakan= 11%-16% IV. PENGUJIAN 4.1 Teknik Pengujian Proses pengujian dilakukan untuk mendapatkan data mengenai kelayakan alat dan bahan kimia pada Laboratorium Resep SMK S- 16 Kota Bengkulu dan guna mendapatkan tingkat kerusakan pada tiap-tiap alat. Proses pengujian ini dilakukan menggunakan alat bantu perangkat lunak Rosetta. Dalam menggunakan sofware Rosetta data dalam bentuk Decision System disimpan ke dalam Software Microsof Excel seperti gambar 4.1: Gambar 4.1 Data Pada Microsof Excel Data yang digunakan berasal dari laporan inventaris pada tahun 2012 dan tahun 2013 untuk menguji banyak data. Data yang sebelumnya berbentuk laporan kemudian diubah dalam bentuk Decision System dan dibuat ke bentuk Microsof Excel, data yang telah berbentuk xls nantinya akan dimport ke dalam SoftwareRosetta. Data tersebut memiliki tiga variabel yaitu bahan, lama pakai dan jumlah barang, setiap field memiliki satu variabel keputusan. Data tersebut adalah dasar awal dalam pembuatan Rule-rule yang akan membantu dalam pengambilan keputusan. 4.2 Tampilan Hasil Program 1. Menu Utama Menu utama dapat dikatakan sebagai antar muka (Use Interface) antara User dengan program. Menu utama menampilkan pilihan menu yang tersedia pada program. Pada Rosseta terdapat lima pilihan yaitu menu File, Edit, View, Window dan Help. 2. Form New Projek Form New Projek merupakan tempat di mana Projek akan dikerjakan. Di sinilah akan dimulai langkah-langkah pengerjaan untuk memperoleh rules yang dibutuhkan. 3. Open Database / Information System Langkah selanjutnya adalah membuka database yang sebelumnya telah dibuat dalam bentuk Microsof Excel dengan sajian Decision System. Untuk membuka data tersebut dengan mengklik kanan pada stuctures dan pilih ODBC, maka akan tambil kotak dialog ODBC import. Kemudian pilih Open database dan pilih bentuk file Excel File, setelah itu pilih databese yang sebelumnya telah dibuat kemudian klik OK. 5
6 maka akan muncul Reduct- double klik nya. Gambar 4.2 Form Pilih Database 4. Decision System Berikutnya adalah Decision System, yaitu data yang telah dibuat dapat ditampilkan dengan cara klik tanda (+) pada maka akan ada muncul, lalu double klik, maka akan data yang telah dimasukkan ke dalam Rosetta Gambar 4.3 Form DecisionSystem a. Reduct Pada Proses Reduct data akan dideklarasikan dan dikombinasikan untuk mendapatkan GenerateRulenya. Langkahlangkah untuk menghasilkan reduct dimulai dengan meng-klik kanan pada kemudian pilih Reduct lalu pilih Dynamic Reduct lalu klik OK. Gambar 4.5 FormReduct Dari hasil pencarian Software Rosetta dihasilkan tiga Reduct yang merupakan dasar dalam pembuatan Rule-rule. Reduct ini adalah hasil atribut minimal dari atribut kondisi yang sebelumnya telah disederhanakan menggunakan prime implicant fungsi boolean. Tiga reduct ini akan dicari rulenya disesuaikan data yang diimportkan awalnya. Support merupakan banyaknya kondisi reduct yang sesuai dengan data yang awalnya dimasukkan sedangkan length adalah panjang Reduct. b. Generate Rule Yang terakhir adalah proses menampilkan Generate Rule. Yang pertama klik kanan pada kemudian pilih Generate Rule lalu klik OK. 4.4 Pilihan Reduct Gambar Gambar 4.6 Pilih GenerateRule Selanjutnya klik tanda (+) maka akan muncul, kemudian double klik maka akan muncul Ruleyang dihasilkan. Kemudian klik tanda (+) pada sehingga akan muncul, selanjutnya 6
7 Gambar 4.7 FormGenerateRule Output Yang Dihasilkan Dalam percobaan mengunakan Rosetta ini menghasilkan output berupa rulerule, berikut hasil output-nya: IF bahan(mudah rusak) AND jumlah(3) OR kerusakan(2) IF bahan(mudah rusak) AND jumlah(1) IF bahan(tahan lama) AND jumlah(3) IF bahan(tahan lama) AND jumlah(4) bahan(mudah rusak) AND jumlah(4) OR kerusakan(1) IF bahan(mudah rusak) AND jumlah(2) OR kerusakan(4) IF bahan(tahan lama) AND jumlah(2) OR kerusakan(3) IF lama pakai(baru) AND jumlah(3) OR kerusakan(2) IF lama pakai(baru) AND jumlah(2) OR kerusakan(4) IF lama pakai(baru) AND jumlah(1) IF lama pakai(sedang) AND jumlah(2) IF lama pakai(lama) AND jumlah(1) IF lama pakai(lama) AND jumlah(3) IF lama pakai(lama) AND jumlah(2) => kerusakan(3) OR kerusakan(0) IF lama pakai(sedang) AND jumlah(4) IF lama pakai(baru) AND jumlah(4) OR kerusakan(1) IF bahan(tahan lama) AND lama pakai(sedang) AND jumlah(1) OR kerusakan(4) OR kerusakan(3) IF bahan(cukup tahan) => kerusakan(0) IF bahan(mudah rusak) => kerusakan(0) OR kerusakan(2) OR kerusakan(4) OR kerusakan(1) IF bahan(mudah rusak) AND lama pakai(sedang) IF jumlah(4) OR kerusakan(1) IF jumlah(2) OR kerusakan(3) OR kerusakan(4) IF jumlah(3) OR kerusakan(2) IF lama pakai(lama) OR kerusakan(3) IF lama pakai(baru) OR kerusakan(2) OR kerusakan(4) OR kerusakan(1)p 4.3 Hasil Pengujian Pada Proses pengujian menggunakan Software Rosetta, dihasikan Rule-Rule yang sesuai dengan variabel yang didapat dari laporan inventaris sekolah. Rule-Rule tersebut yang nantinya akan menjadi alat bantu dalam proses penggantian alat dan bahan kimia Pada Laboratorium Resep. Rule-rule tersebut akan digunakan dalam pengambilan keputusan apakah alat tersebut akan diganti, diperbaiki atau layak pakai. Proses keputusan yang dulunya diambil langsung oleh pakar dari alat dan bahan kimia yang merupakan kepala Laboratorium Resep, kini dapat dilakukan siapa saja yang bertugas mengganti alat dan bahan kimia. Sehingga tidak lagi ada ketergantungan dengan adanya kepala Laboratorium Resep. Rule-rule yang dihasilkan akan menuntun para pekerja yang mengganti alat dalam mengambil keputusan. Ketidakhadiran kepala Labor Resep tidak akan lagi menjadi halangan dalam proses penggantian alat dan bahan kima pada Laboratorium Resep SMK S- 16 Kota Bengkulu. 7
8 4.4 Perbandingan Sistem Lama dengan Sistem Baru 1. Untuk pencarian informasi Pada sistem yang lama pencarian informasi memakan waktu lama, karena bentuk laporan yang dibuat kepala Laboratorium Resep tidak memuat data yang lengkap dan terperinci sehingga akan membuat kesulitan dalam menentukan penggantian alat dan bahan kimia pada Laboratorium Resep. Dengan sistem yang baru ini keputusan penggantian alat dan bahan kimia tidak akan memakan waktu yang lama karena sudah tersedianya rule-rule yang membantu dalam proses menentukan persentase kerusakan pengambilan keputusan penggantian alat dan bahan kimia di Laboratorium Resep. 2. Pengolahan Data Dengan dirancang suatu teknik pengolahan data yang dapat diolah secara komputerisasi maka pengolahan datanya dapat dilakukan dengan cepat, dibandingkan dengan pengolahan data yang tidak menggunakan suatu teknik tertentu, walaupun pengolahan datanya sudah memakai komputer. Apalagi kalau pengolahan data dalam penentuan kelayakan dilakukan secara manual bahkan tidak menggunakan suatu teknik tertentu, seperti yang dikerjakan selama ini. V. PENUTUP 5.1 Kesimpulan 1. Tingkat kerusakan alat dan bahan kimia yang pasti terjadi akan terdeteksi dengan rule-rule yang dihasilkan oleh metode rough set dan dengan dapat dilihatnya presentase kerusakannya pihak sekolah dapat membuat rancangan untuk proses penggantian alat dan bahan serta sekolah dapat menghitung kapan masa alat dan bahan kimia tersebuat akan diganti. 2. Data mining rough set menggunakan variabel-variabel penting yang berhubungan dengan alat dan bahan kimia seperti bahan, lama pakai dan kondisi. Dari tiga variabel ini data mining rough set akan menghasilkan reduct yang merupakan hasil atribut minimal yang telah diseleksi, dari hasil reduct tersebut dapat menghasilkan rule yang dapat membantu memperlihatkan presentase kerusakan alat dan bahan kimia pada Laboratorium Resep SMK S-16 Farmasi Bengkulu. 3. Data yang berasal dari laporan inventaris laboratorium resep SMK S-16 Farmasi Bengkulu yang kemudian diproses di Software Rosetta akan menghasilkan rulerule. Rule-rule tersebut akan memperlihatkan berapa persentase kerusakan alat dan bahan kimia pada Laboratorium Resep SMK S-16 Farmasi Bengkulu. 5.2 Saran Dari hasil pembuatan tesis ini penulis dapat menyampaikan saran-saran: 1. Untuk membuat sebuah keputusan yang cukup tinggi tingkat keakuratannya maka dapat digunakan terknik Artificial Intellignt Rough Set. 2. Untuk mengolah data dalam kapasitas besar, selain menggunakan Software Rosset dapat menggunakan Software Rough Set lainnya. 3. Untuk penulis selanjutnya disarankan agar dapat membandingkan metode pengambilan keputusan dengan menggunakan teknik Artificial Intelligent Rough Set ini dengan teknik lain DAFTAR PUSTAKA Angga Ginanjar Mabrur dan Riani Lubis. (2012). Penerapan Data mining Untuk Memprediksi Kriteria Nasabah Kredit Jurnal Komputer dan Informatikan (KOMPUTA). Edisi 1. Volume 1. Durairaj M. dan Sathyavathi T. (2013). Applying Rough Set for Medical Informatics Data Analysis International Journal of Scientific Research in Biological Science. Volume 1. Issue 1. Eko Nur Wahyudi. (2013). Teknik Klasifikasi untuk Melihat Kecenderungan Calon Mahasiswa Baru dalam Memilih Jenjang Program Studi di Perguruan 8
9 Tinggi Jurnal Teknologi Informasi DINAMIK. Volume 18. No. 1. Andika Praja. Aplikasi Data Mining untuk Perbandingan Manajemen Laba Terhadap Persistensi Pada Perusahaan Perbankan yang Go Publik di Bursa Efek Indonesia ISSN Menterikesehatan republic Indonesia peraturanmenterikesehatan republic Indonesia no 284/MENKES/PER/III/2007 Herawati, Fajar Astuti Data Mining. Yogyakarta. Andi. Imay, Shinya. et.al. (2008). Rough Sets Approach to Human Resource Development of Information Technology Corporations IJSSST. Volume 9. No.2. Mujib, Ridwan. et.al. (2013). Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Neive Bayes Classifier Jurnal EECCIS volume 7. No.1. Dian Wirdasari. (2011). Penerapan Data Mining UntukMengolah Data penempatanbuku di perpustakaansmktipab 7 lubukpakamdenganmetode association rule. A.S.Salama (2011). Some Topological Properties of Rough Set with Tools for Data Mining IJCSI. Volume 8. No.2. Mohammad Rizal Ariefdan Daniel o Siahaan Klasterisasiteksmenggunakanmeto demax max Roughness (MMR) denganpengayaansimilaritas kata. Sarjon Defit. (2007). Peranan Diskretisasi Data Dalam Menambang Rule Asosiasi Dari Databese Prosiding Seminar Nasional Sistem & Teknologi Informasi (SNASTI). Susanto, Sani dan Dedy Suryadi Pengantar Data Mining: Menggali Pengetahuan Dari Bongkahan Data. Yogyakarta. Andi. W, Jerzy. (2003). Rough Set Statrgies to Data with Missing Attribut Value IEE Wanqing, Li. et.al. (2010). Data Mining Based on Set in Risk Decision-making: Foundation and Application ISSN: YudhoGiriSucahyo MenggaliInfomasi yang terpendam. W, Jerzy. (2003). Rough Set Statrgies to Data with Missing Attribut Value IEE Widodo, Prabowo Pudjo et.al Penerapan Data Mining Dengan Matlab. Bandung. Rekayasa Sains 9
APLIKASI ROUGH SET UNTUK MEMPREDIKSI PRESTASI CALON ANGGOTA KELOMPOK PROGRAMMING (STUDI KASUS : STMIK PELITA NUSANTARA)
APLIKASI ROUGH SET UNTUK MEMPREDIKSI PRESTASI CALON ANGGOTA KELOMPOK PROGRAMMING (STUDI KASUS : STMIK PELITA NUSANTARA) Muhammad Romi Syahputra Teknik Informatika STMIK Pelita Nusantara Medan, Jl. Iskandar
Lebih terperinciANALISIS TINGKAT KEPUASAN PELANGGAN TERHADAP PENJUALAN AIR MINUM ISI ULANG DENGAN MENGGUNAKAN METODE ROUGH SET (Studi Kasus: Rihata Water)
ANALISIS TINGKAT KEPUASAN PELANGGAN TERHADAP PENJUALAN AIR MINUM ISI ULANG DENGAN MENGGUNAKAN METODE ROUGH SET (Studi Kasus: Rihata Water) Tania Dian Tri Utami 1, Dedy Hartama 2, Agus Perdana Windarto
Lebih terperinciPENERAPAN TEKNIK DATA MINING UNTUK MENGELOMPOKKAN
PENERAPAN TEKNIK DATA MINING UNTUK MENGELOMPOKKAN EMAIL Ratih Puspasari1) 1) Manajemen Informatika Universitas Potensi Utama Jl.K.L. Yos Sudarso Km. 6,5 No. 3A Tanjung Mulia Medan Email : puspasariratih21@yahoo.com1)
Lebih terperinciLiza Efriyanti* Keywords: Artificial Intelligent Rough Sets, Decision Making System, DSS, Rosetta
PENERAPAN TEKNIK ARTIFICIAL INTELLIGENT ROUGH SET UNTUK MENDUKUNG KEPUTUSAN PADA PROSES PEMERIKSAAN KONDISI BARANG- BARANG OPERASIONAL LABORATORIUM KOMPUTER STT PAYAKUMBUH Liza Efriyanti* Abstract: The
Lebih terperinciANALISA SISTEM PENUNJANG KEPUTUSAN DISTRIBUSI PENJUALAN BAHAN POKOK DENGAN MENGGUNAKAN METODE ROUGH SET PADA CV SAMA SENANG
ANALISA SISTEM PENUNJANG KEPUTUSAN DISTRIBUSI PENJUALAN BAHAN POKOK DENGAN MENGGUNAKAN METODE ROUGH SET PADA CV SAMA SENANG Helmi Kurniawan Jurusan Teknik Informatika, STMIK Potensi Utama Jl. K.L. Yos
Lebih terperinciMETODE ROUGH SET UNTUK MEMILIH TIPE RUMAH IDAMAN SESUAI SELERA KONSUMEN PADA PT. RIZKI PRATIWI MULYA. Yanti Yusman 1 ABSTRACT
METODE ROUGH SET UNTUK MEMILIH TIPE RUMAH IDAMAN SESUAI SELERA KONSUMEN PADA PT. RIZKI PRATIWI MULYA Yanti Yusman 1 ABSTRACT In the process of research to see which type of housing most in demand according
Lebih terperinciDATA MINING ROUGH SET DALAM MENENTUKAN PILIHAN ALAT KONTRASEPSI PADA WANITA ( STUDI KASUS DI BKKBN KOTA PADANG )
DATA MINING ROUGH SET DALAM MENENTUKAN PILIHAN ALAT KONTRASEPSI PADA WANITA ( STUDI KASUS DI BKKBN KOTA PADANG ) Purnama Sari,S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang
Lebih terperinciJurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 1, Juni 2014 ISSN :
PENERAPAN TEKNIK ARTIFICIAL INTELLIGENT ROUGH SET UNTUK MENDUKUNG KEPUTUSAN PADA PROSES PEMERIKSAAN KONDISI PENJUALAN BARANG PADA TOKO SILUNGKANG ART CENTRE PADANG Ilmawati, S.Kom, M.Kom, Fakultas Ilmu
Lebih terperinciImplementasi Metode Rough Set Untuk Menentukan Kelayakan Bantuan Dana Hibah Fasilitas Rumah Ibadah
Implementasi Metode Rough Set Untuk Menentukan Kelayakan Bantuan Dana Hibah Fasilitas Rumah Ibadah Muhamad Jamaris Program studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan Komputer Amik
Lebih terperinciANALISIS KINERJA DOSEN STMIK IBBI DENGAN MENGGUNAKAN METODE ROUGH SET
ANALISIS KINERJA OSEN STMIK IBBI ENGAN MENGGUNAKAN METOE ROUGH SET edy Hartama 1), Hartono 2) 1), 2) Program Studi S-3 Ilmu Komputer, Universitas Sumatera Utara Medan, Indonesia Jalan Alumni No 9 Kampus
Lebih terperinciPENERAPAN DATA MINING UNTUK MENDISKRIPSIKAN TINGKAT KREDIT BERMASALAH PADA BANK
PENERAPAN DATA MINING UNTUK MENDISKRIPSIKAN TINGKAT KREDIT BERMASALAH PADA BANK Rizky Fajar Nugraha Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang ABSTRAK Pertumbuhan yang pesat dari akumulasi
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 terperinciJurnal Edik Informatika Penelitian Bidang Komputer Sains dan Pendidikan Informatika V1.i1(52-62)
Analisa Pola Peminjaman Buku Perpustakaan Menggun Algoritma Apriori Azwar Anas Program Studi Pendidikan Informatika, STKIP PGRI Sumbar aans_07@yahoo.co.id http://dx.doi.org/10.22202/jei.2014.v1i1.1439
Lebih terperinciRANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang)
RANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang) Naufal Farras Hilmy 1, Banni Satria Andoko 2 Program Studi Teknik
Lebih terperinciPrediksi Peluang Kelulusan Mahasiswa PTIK dalam Uji Kompetensi Microsoft Office 2010 menggunakan Teori Rough Set
TEKNOSI, Vol. 02, No. 01, April 2016 1 Prediksi Peluang Kelulusan Mahasiswa PTIK dalam Uji Kompetensi Microsoft Office 2010 menggunakan Teori Rough Set Karmila Suryani* Jurusan Pendidikan Teknik Informatika
Lebih terperinciDATA MINING MENGGUNAKAN METODE ROUGH SET UNTUK MENENTUKAN BAKAT MINAT MAHASISWA
DATA MINING MENGGUNAKAN METODE ROUGH SET UNTUK MENENTUKAN BAKAT MINAT MAHASISWA Muhammad Lukman Hakim dan Muhammad Rusli Staf Pengajar AMIK INTeL Com GLOBAL INDO ABSTRAK Data Mining adalah serangkaian
Lebih terperinciMuhammad Yudin Ritonga ( )
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PRODUKSI MAKANAN MENGGUNAKAN LOGIKA FUZZY DENGAN METODE TSUKAMOTO (STUDI KASUS : PT. INDOFOOD CBP SUKSES MAKMUR MEDAN) Muhammad Yudin Ritonga (0911555) Mahasiswa Program
Lebih terperinciAPLIKASI DATA MINING DENGAN METODE CLASSIFICATION BERBASIS ALGORITMA C4.5
Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013 APLIKASI DATA MINING DENGAN METODE CLASSIFICATION BERBASIS ALGORITMA C4.5 Rizky Tahara Shita 1), Nita Marliani 2) 1, 2) Universitas Budi Luhur,
Lebih terperinciMajalah Ilmiah UPI YPTK, Volume 20, No. 1, Maret
Majalah Ilmiah UPI YPTK, Volume 20, No. 1, Maret 2013 12 PENERAPAN ALGORITMA C 4.5 DALAM MEMPEROLEH DECISION TREE UNTUK MEMPREDIKSI PENENTUAN RESIKO KREDIT PADA BANK BPR BUKITTANDANG MANDIRI PADANG MENGGUNAKAN
Lebih terperinciJurnal Sistem Informasi (Journal of Information Systems). 2/13 (2017), DOI:
Jurnal Sistem Informasi (Journal of Information Systems). 2/13 (2017), 97-102 DOI: http://dx.doi.org/10.21609/jsi.v13i2.553 EFEKTIVITAS PELATIHAN SERTIFIKASI KOMPUTER DASAR MENGGUNAKAN TEORY ROUGH SET
Lebih terperinciPENERAPAN DATA MINING SEBAGAI MODEL SELEKSI PENERIMA BEASISWA PENUH (STUDI KASUS: STIE PERBANAS SURABAYA)
ISSN 1858-4667 JURNAL LINK VOL. 27/No. 1/Februari 2018 PENERAPAN DATA MINING SEBAGAI MODEL SELEKSI PENERIMA BEASISWA PENUH (STUDI KASUS: STIE PERBANAS SURABAYA) Hariadi Yutanto 1, Nurcholis Setiawan 2
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 terperinciTimor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak
DATA MINING MELIHAT POLA HUBUNGAN NILAI TES MASUK MAHASISWA TERHADAP DATA KELULUSAN MAHASISWA UNTUK MEMBANTU PERGURUAN TINGGI DALAM MENGAMBIL KEBIJAKAN DALAM RANGKA PENINGKATAN MUTU PERGURUAN TINGGI Timor
Lebih terperinciANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA)
ANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA) Harvei Desmon Hutahaean 1, Bosker Sinaga 2, Anastasya Aritonang Rajagukguk 2 1 Program
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 III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Bagi para calon mahasiswa cenderung bingung memilih jurusan yang mana yang akan mereka geluti di dunia pendidikan. Sekolah Tinggi Teknologi Sinar
Lebih terperinciAPLIKASI PENENTUAN CALON PENDONOR DARAH MENGGUNAKAN METODE ALGORITMA ID3 ( STUDI KASUS PMI KOTA KEDIRI )
Artikel Skripsi APLIKASI PENENTUAN CALON PENDONOR DARAH MENGGUNAKAN METODE ALGORITMA ID3 ( STUDI KASUS PMI KOTA KEDIRI ) SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer
Lebih terperinciIMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan)
IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan) Sri Rahayu Siregar ( 0911882) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
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 terperinciPENERAPAN DATA MINING UNTUK MEMPREDIKSI KRITERIA NASABAH KREDIT
Jurnal Komputer dan Informatika (KOMPUTA) 53 PENERAPAN DATA MINING UNTUK MEMPREDIKSI KRITERIA NASABAH KREDIT Angga Ginanjar Mabrur [1], Riani Lubis [2] 1,2 Program Studi Teknik Informatika Fakultas Teknik
Lebih terperinciKOMPARASI ALGORITMA C4.5 DENGAN NAÏVE BAYES DALAM PENGKLASIFIKASIAN TINGKAT PENDIDIKAN ANAK MISKIN. Andi Nurhayati 1, Andi Baso Kaswar 2
KOMPARASI ALGORITMA C4.5 DENGAN NAÏVE BAYES DALAM PENGKLASIFIKASIAN TINGKAT PENDIDIKAN ANAK MISKIN Andi Nurhayati 1, Andi Baso Kaswar 2 1),2) Teknik Informatika Universitas Cokroaminoto Palopo Jl Latammacelling
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
36 BAB III ANALISA DAN DESAIN SISTEM Tahapan ini merupakan tahapan utama dalam penelitian, dalam tahapan pengembangan sistem metode yang akan dipakai adalah Rapid Application Development dan tahapan Data
Lebih terperinciANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA 1.
ANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA M. Didik R. Wahyudi 1) Fusna Failasufa 2) 1) 2) Teknik Informatika FST UIN Sunan Kalijaga
Lebih terperinciProsedur merupakan suatu tata cara kerja atau kegiatan untuk menyelesaikan pekerjaan
Prosedur merupakan suatu tata cara kerja atau kegiatan untuk menyelesaikan pekerjaan dengan urutan waktu dan memiliki pola kerja yang tetap yang telah ditentukan. Tujuan dari prosedur ini adalah sebagai
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 terperinciANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE
ANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE Diki Arisandi 1, Nofriandi 2 Jurusan Teknik Informatika, FakultTeknik,Universitas Abdurrab
Lebih terperinciModul Praktikum WEKA. Pembaca modul ini diasumsikan telah mengerti dasar-dasar datamining.
Modul Praktikum WEKA Yudi Wibisono (e: yudi@upi.edu ); t: @yudiwbs Ilmu Komputer Universitas Pendidikan Indonesia (cs.upi.edu) Versi BETA : Oktober 2013 http://creativecommons.org/licenses/by-nc-sa/3.0/
Lebih terperinciPenerapan Data Mining dalam Memprediksi Pembelian cat
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining dalam Memprediksi Pembelian cat Fitriana Harahap STMIK POTENSI UTAMA Jl. KL. Yos Sudarso KM 6,5
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Dalam hal Penerimaan Mahasiswa Baru (PMB) khususnya di Universitas Kristen Duta Wacana (UKDW), keputusan akhir penerimaan ada ditangan Ketua Program Studi (Kaprodi)
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1 Analisis Permasalahan Keputusan selama ini yang dilakukan oleh Toko Buku Sembilan Wali Medan untuk menentukan buku apa saja yang paling potensial dijual berdasarkan
Lebih terperinciANALISA PENERAPAN DATAMINING PADA PENJUALAN PRODUK OLI MESIN SEPEDA MOTOR DENGAN ALGORITMA APRIORI
ANALISA PENERAPAN DATAMINING PADA PENJUALAN PRODUK OLI MESIN SEPEDA MOTOR DENGAN ALGORITMA APRIORI Siti Sundari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan Medan Jalan Hm. Joni No 70
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining (DM) Data mining adalah proses menambang (mining) pengetahuan dari sekumpulan data yang sangat besar (Han & Kamber 2006). Menurut Connolly dan Begg, 2005. Data mining
Lebih terperinciPENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA
PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA Domma Lingga Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja
Lebih terperinciAPLIKASI MONITORING KETERSEDIAAN STOK BARANG MINIMARKET DENGAN METODE MARKET BASKET ANALYSIS (MBA)
Seminar Nasional Teknologi Informasi dan Multimedia 2016 APLIKASI MONITORING KETERSEDIAAN STOK BARANG MINIMARKET DENGAN METODE MARKET BASKET ANALYSIS (MBA) Sugiyatno 1), Adhika Pramita Widyasari 2) 1),
Lebih terperinciMateri 1 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 1 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya nizar.radliya@yahoo.com Nama Mahasiswa NIM Kelas 1. Memahami cakupan materi dan sistem perkuliahan Data Mining.
Lebih terperinciPENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI PROFIL LULUSAN STMIK LPKIA
PENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI PROFIL LULUSAN STMIK LPKIA 1 Ati Suci Dian Martha, S.Kom, M.T., 2 Popy Widiyani 1 Program Studi Teknik Informatika STMIK LPKIA 2 Program Studi Sistem Informasi
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 terperinciKlasifikasi Nasabah Menggunakan Algoritma C4.5 Sebagai Dasar Pemberian Kredit
Klasifikasi Nasabah Menggunakan Algoritma C4.5 Sebagai Dasar Pemberian Kredit Larissa Navia Rani Dosen Sistem Informasi UPI YPTK Padang Jl. Raya Lubuk Begalung Padang - Sumatera Barat larissa_navia_rani@upiyptk.ac.id
Lebih terperinci2.2 Data Mining. Universitas Sumatera Utara
Basis data adalah kumpulan terintegrasi dari occurences file/table yang merupakan representasi data dari suatu model enterprise. Sistem basisdata sebenarnya tidak lain adalah sistem penyimpanan-record
Lebih terperinciAPLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang)
Hapsari Dita Anggraeni, Ragil Saputra, Beta Noranita APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Kebutuhan akan teori dalam dunia pendidikan sangat besar. Teori banyak di tulis ke dalam sebuah buku maupun jurnal. Pada universitas potensi utama,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Saat ini, perkembangan teknologi telah memberikan pengaruh yang sangat besar di dalam kehidupan manusia. Salah satu pengaruh tersebut di bidang informasi yaitu dalam
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA Erik Hadi Saputra 1), Burhan Alfironi Muktamar 2) 1), 2) Teknik Informatika
Lebih 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 terperinciPengembangan Aplikasi Market Basket Analysis Menggunakan Algoritma Generalized Sequential Pattern pada Supermarket
Pengembangan Aplikasi Market Basket Analysis Menggunakan Algoritma Generalized Sequential Pattern pada Supermarket Gunawan 1), Alex Xandra Albert Sim 2), Fandi Halim 3), M. Hawari Simanullang 4), M. Firkhan
Lebih terperinciLili Tanti. STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3A Tj. Mulia Medan ABSTRACT
Lili, Penerapan Data Mining Untuk 35 PENERAPAN DATA MINING UNTUK MENENTUKAN JUMLAH MAHASISWA PADA SATU DAERAH DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Lili Tanti Email : lili@potensi-utama.ac.id STMIK
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 terperinciABSTRAKSI. Keywords : DSS, C#, Penjualan. Universitas Kristen Maranatha
ABSTRAKSI Pada saat ini penerapan Decision Support System (DSS) belum dikenal secara luas, maka akan dikembangkan sebuah aplikasi desktop yang akan menerapkan Decision Support System, khususnya untuk proses
Lebih terperinciANALISA DATA PENJUALAN OBAT DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA RUMAH SAKIT UMUM DAERAH H. ABDUL MANAN SIMATUPANG KISARAN
ANALISA DATA PENJUALAN OBAT DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA RUMAH SAKIT UMUM DAERAH H. ABDUL MANAN SIMATUPANG KISARAN Chintia Oktavia Simbolon (0911456) Mahasiswa Program Studi Teknik Informatika,
Lebih terperinciIMPLEMENTASI DATA MINING MENGGUNAKAN METODE APRIORI PADA TRANSAKSI PENJUALAN BARANG (STUDI KASUS DI CHORUS MINIMARKET)
Implementasi Data Mining Menggunakan Metode Apriori Pada Transaksi Penjualan Barang (Studi Kasus Di Chorus Minimarket) IMPLEMENTASI DATA MINING MENGGUNAKAN METODE APRIORI PADA TRANSAKSI PENJUALAN BARANG
Lebih terperinciANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE
ANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE Diki Arisandi 1, Nofriandi 2 Jurusan Teknik Informatika, FakultTeknik,Universitas Abdurrab
Lebih terperinciDATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI
DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Heroe Santoso 1), I Putu Hariyadi 2), Prayitno 3) 1), 2),3) Teknik Informatika STMIK Bumigora Mataram Jl Ismail Marzuki
Lebih terperinciSISTEM REKOMENDASI PENGAMBILAN KATEGORI SKRIPSI DENGAN PERHITUNGAN NAIVE BAYES
SKRIPSI SISTEM REKOMENDASI PENGAMBILAN KATEGORI SKRIPSI DENGAN PERHITUNGAN NAIVE BAYES Oleh: Muhammad Amdanibik 11.1.03.0.025 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS NUSANTRA PGRI
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL PENJUALAN BARANG PADA TOKO SINAR BARU DENGAN MENGGUNAKAN ALGORITMA APRIORI
JURNAL IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL PENJUALAN BARANG PADA TOKO SINAR BARU DENGAN MENGGUNAKAN ALGORITMA APRIORI IMPLEMENTATION OF DATA MINING TO PREDICT RESULTS OF SALES GOODS IN THE
Lebih terperinciModel Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi
ISSN: 2089-3787 1181 Model Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi Soegiarto 1, Bahar 2 Program Studi Teknik Informatika, STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru
Lebih terperinciIMPLEMENTASI METODE ROUGH SET UNTUK MENGANALISA LABA/RUGI PADA SUATU PERUSAHAAN DISTRIBUTOR (STUDI KASUS : USAHA KITA PS PAYAKUMBUH)
IMPLEMENTASI METODE ROUG SET UNTU MENGANALISA LABA/RUGI PADA SUATU PERUSAAAN DISTRIBUTOR (STUDI ASUS : USAA ITA PS PAYAUMBU) M.Ardiansyah Sembiring *1), Zulfi Azhar 2) Program Studi Sistem Informasi, STMI
Lebih terperinciJURNAL PERAMALAN PENERIMAAN NASABAH PADA PT BPR BINA REKSA KARYAARTHA MENGGUNAKAN METODE NAÏVE BAYES FORECASTING CUSTOMER ACCEPTANCE OF PT BPR
JURNAL PERAMALAN PENERIMAAN NASABAH PADA PT BPR BINA REKSA KARYAARTHA MENGGUNAKAN METODE NAÏVE BAYES FORECASTING CUSTOMER ACCEPTANCE OF PT BPR KARYAARTHA USING NAÏVE BAYES Oleh: Bagus Dwi Laksono Putro
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 terperinciANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK
ANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK Dody Herdiana, S.T., M. Kom. Dosen PNS DPK pada Program Studi Teknik Informatika
Lebih terperinciDecision Tree Penentuan Masa Studi Mahasiswa Prodi Teknik Informatika (Studi Kasus: Fakultas Teknik dan Komputer Universitas Harapan Medan)
Decision Tree Penentuan Masa Studi Mahasiswa Prodi Teknik Informatika (Studi Kasus: Fakultas Teknik dan Komputer Universitas Harapan Medan) Rismayanti Program Studi Teknik Informatika Universitas Harapan
Lebih terperinciUCAPAN TERIMA KASIH. Selama menyelesaikan Tugas Akhir penulis mendapatkan banyak bantuan dan
UCAPAN TERIMA KASIH Selama menyelesaikan Tugas Akhir penulis mendapatkan banyak bantuan dan bimbingan dari berbagai pihak. Karena itu, penulis ingin mengucapkan terima kasih kepada: 1. Bapak Ir. Sutiyono.
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 terperinciPENERAPAN TEKNIK ASSOSIATION RULE UNTUK MENENTUKAN PENEMPATAN BUKU PERPUSTAKAAN
PENERAPAN TEKNIK ASSOSIATION RULE UNTUK MENENTUKAN PENEMPATAN BUKU PERPUSTAKAAN Jasmir Program Studi Teknik Informatika, STIKOM Dinamika Bangsa Jambi ijay_jasmir@yahoo.com ABSTRAK Penentuan tataletak buku
Lebih terperinciANALISIS ALGORITMA APRIORI UNTUK REKOMENDASI PENEMPATAN BUKU PADA PERPUSTAKAAN
1 ANALISIS ALGORITMA APRIORI UNTUK REKOMENDASI PENEMPATAN BUKU PADA PERPUSTAKAAN 1 Uma Mazida, 2 Ricardus Anggi Pramunendar, M.Cs Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas
Lebih terperinciPREDIKSI STATUS KEAKTIFAN STUDI MAHASISWA DENGAN ALGORITMA C5.0 DAN K-NEAREST NEIGHBOR IIN ERNAWATI G
PREDIKSI STATUS KEAKTIFAN STUDI MAHASISWA DENGAN ALGORITMA C5.0 DAN K-NEAREST NEIGHBOR IIN ERNAWATI G651044054 SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Data penjualan pada CV. Auto Medan selama ini tidak tersusun dengan baik, sehingga data penjualan yang semakin hari semakin banyak tersebut hanya
Lebih terperinciSTRATEGI PENJUALAN PAKAN UNGGAS PADA TOKO PAKAN PEKSI KEDIRI DENGAN MEMBANGUN SISTEM PENDUKUNG KEPUTUSAN MENGGUNAKAN ALGORITMA APRIORI
STRATEGI PENJUALAN PAKAN UNGGAS PADA TOKO PAKAN PEKSI KEDIRI DENGAN MEMBANGUN SISTEM PENDUKUNG KEPUTUSAN MENGGUNAKAN ALGORITMA APRIORI ARTIKEL SKRIPSI Diajukan Guna Memenuhi Salah Satu Syarat Memperoleh
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2012 (SNATI 2012) ISSN: 1907-5022 Yogyakarta, 15-16 Juni 2012 PENERAPAN KLASIFIKASI DENGAN ALGORITMA CART UNTUK PREDIKSI KULIAH BAGI MAHASISWA BARU Mardiani
Lebih terperinciPENGGUNAAN ALGORITHMA APRIORI DALAM MENGANALISA PRILAKU MAHASISWA DALAM MEMILIH MATA KULIAH ( STUDI KASUS : FKIP UPI YPTK )
PENGGUNAAN ALGORITHMA APRIORI DALAM MENGANALISA PRILAKU MAHASISWA DALAM MEMILIH MATA KULIAH ( STUDI KASUS : FKIP UPI YPTK ) SARJON DEFIT Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK E-mail :
Lebih terperinciPENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
Lebih terperinciPERBANDINGAN METODE ROUGH SET DAN NEURAL NETWORK UNTUK PREDIKSI STOK OBAT DI APOTEK
SNTIKI III 20 ISSN : 2085-02 PERBANDINGAN METODE ROUGH SET DAN NEURAL NETWORK UNTUK PREDIKSI STOK OBAT DI APOTEK Novi Yanti Universitas Islam Negeri Sultan Syarif Kasim Riau Kampus Raja Ali Haji, Jl. HR
Lebih terperinciSISTEM REKOMENDASI PENJURUSAN PADA SEKOLAH MENENGAH ATAS MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER
JURNAL SISTEM REKOMENDASI PENJURUSAN PADA SEKOLAH MENENGAH ATAS MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER THE SYSTEM OF RECOMMENDATION MAJOR TO THE SENIOR HIGH SCHOOL BY USING NAÏVE BAYES CLASSIFIER Oleh:
Lebih terperinciPENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI
PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI Gunawan 1, Fandi Halim 2, Tony Saputra Debataraja 3, Julianus Efrata Peranginangin 4
Lebih terperinciApliksasi Sistem Pelatihan Terintegrasi Lembaga Penjamin Mutu Pendidikan
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Apliksasi Sistem Pelatihan Terintegrasi Lembaga Penjamin Mutu Pendidikan Benie Ilman 1), Wahyu Purnamasari 2), Muhajir
Lebih terperinciANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE
ANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE Dewi Sibagariang 1), Karina Auliasari 2) 1.2) Jurusan Teknik Informatika, Institut Teknologi Nasional Malang Jalan
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisis Masalah Dibutuhkannya ketelitian dalam Melihat hasil penjualan minuman pada kedai kopi Uleekareng & Gayo untuk menentukan minuman yang paling diminati
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 terperinciPENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5
PENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5 Annisak Izzaty Jamhur Universitas Putera Indonesia YPTK Padang e-mail: annisakizzaty@yahoo.com Abstract
Lebih terperinciIMPLEMENTASI METODE PROFILE MATCHING PADA SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PESERTA LOMBA KOMPETENSI SISWA (LKS)
IMPLEMENTASI METODE PROFILE MATCHING PADA SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PESERTA LOMBA KOMPETENSI SISWA (LKS) Abdulgani Olii [1], Agus Lahinta [2], Tajuddin Abdillah [3] S1 Sistem Informasi/ Informatika
Lebih terperinciIMPLEMENTASI METODE ROUGH SET UNTUK MENENTUKAN DATA NASABAH POTENSIAL MENDAPATKAN PINJAMAN
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 015) Universitas Putra Indonesia YPTK Padang - 3 Oktober 015 Vol. 1, Oktober 015 ISSN : 460 4690 IMPLEMENTASI METODE ROUGH SET UNTUK MENENTUKAN
Lebih terperinciKeywords: C4.5 algorithm, Decision Supporting System, Fixing Employee Salary Increase
ISSN : 1693 1173 Sistem Pendukung Keputusan Penetapan Kenaikan Gaji Karyawan dengan Menggunakan Metode Algoritma C4.5 pada PT. Harapan Makmur Surakarta Dwi Ardiyanto Puro, Andriani KKW, Sri Sri Hariyati
Lebih terperinciBAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan
6 BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan
Lebih terperinciIMPLEMENTASI METODE ASSOSIATION RULES UNTUK MENEMUKAN POLA HUBUNGAN ANTARA DATA AKADEMIK DAN NON-AKADEMIK TUGAS AKHIR
IMPLEMENTASI METODE ASSOSIATION RULES UNTUK MENEMUKAN POLA HUBUNGAN ANTARA DATA AKADEMIK DAN NON-AKADEMIK TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
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 terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. dan fakor-faktor penyebab masalah tersebut bisa terjadi diantaranya. dimanfaatkan dan dikelola dengan baik.
BAB IV HASIL DAN PEMBAHASAN 4.1. Identifikasi Masalah Dalam menentukan status calon dosen dan dosen tetap terdapat masalahmasalah dan fakor-faktor penyebab masalah tersebut bisa terjadi diantaranya sebagai
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup banyak digunakan, antara lain
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup
Lebih terperinciPENERAPAN ALGORITMA APRIORI UNTUK TRANSAKSI PENJUALAN OBAT PADA APOTEK AZKA
PENERAPAN ALGORITMA APRIORI UNTUK TRANSAKSI PENJUALAN OBAT PADA APOTEK AZKA Winda Aprianti 1), Jaka Permadi 2), Oktaviyani 3) 1)2)3) Teknik Informatika, Politeknik Negeri Tanah Laut Jl. A. Yani Km. 06
Lebih terperinciMENGGUNAKAN DATA MINING
E.11 MENGGUNAKAN DATA MINING UNTUK SEGMENTASI CUSTOMER PADA BANK UNTUK MENINGKATKAN CUSTOMER RELATIONSHIP MANAGEMENT (CRM) DENGAN METODE KLASIFIKASI (AGORITMA J-48, ZERO-R DAN NAIVE BAYES) Maghfirah, Teguh
Lebih terperinci