ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN
|
|
- Iwan Kurnia
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN Devi Sugianti Program Studi Sistem Informasi,STMIK Widya Pratama Jl. Patriot 25 Pekalongan Telp (0285) dv1398@yahoo.com ABSTRAK Pekalongan dijuluki sebagai kota batik, batik merupkan produk unggulan Di Pekalongan terdapat 631 unit usaha batik, dengan jumlah pekerja dan nilai investasi Rp dalam juta pada tahun Permasalahan yang sering dihadapi oleh pengusaha batik di kota Pekalongan adalah menentukan area pemasaran yang tepat untuk produk baru yang telah dibuat. Data mining dapat menguraikan penemuan pengetahuan didalam database dengan menggunakan teknik machine learning. Algoritma nearest neighbor dapat digunakan untuk mencari solusi untuk kasus yang baru dari sejumlah kasus lama, untuk mencari solusi yang hapir mirip dengan kasus lama. Variable yang digunakan untuk mengetahui area pemasaran seperti: harga, motif,warna, model dan jenis kain. Kata Kunci: area pemasaran, produk batik, nearest neighbor 1. PENDAHULUAN Pekalongan dijuluki sebagai kota batik. Produk batik menduduki peringkat pertama dalam produk unggulan di Kota Pekalongan. Hasil produksi batik Pekalongan juga menjadi salah satu penopang perekonomian Kota Pekalongan. Corak dan warna yang khas dari produk batik Pekalongan telah menjadikan kerajinan batik Pekalongan semakin dikenal. Industri ini memberikan sumbangan yang besar terhadap kemajuan perekonomian di Pekalongan dengan mayoritas dari home industry. Di Pekalongan terdapat 631 unit usaha batik, dengan jumlah pekerja dan nilai investasi Rp dalam juta pada tahun 2010 (dinas perindustrian kota Pekalongan. Permasalahan yang dihadapi oleh pengusaha batik Pekalongan salah satunya adalah menentukan area pemasaran untuk produk yang baru dihasilkan. Tidak semua konsumen di area pemasaran menanggapi dengan baik produk baru tersebut, karena tidak sesuai dengan daya beli dan selera masyarakat di sekitar area pemasarannya. Dengan adanya data mining dapat mampu mengatasi permasalahan yang ada. ). Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar. (Turban.2005) Untuk dapat memecahkan kasus area pemasaran untuk produk baru menggunakan metode nearest neighbor dan menggunakan variable :motif, harga, warna, model, dan kain. 1.2 Data Mining data mining merupakan analisis dari peninjauan kumpulan data untuk menemukan hubungan yang tidak diduga dan meringkas data dengan cara yang berbeda dengan sebelumnya, yang dapat dipahami dan bermanfaat bagi pemilik data (Daniel Larose.2005). Dan salah satu tahapan dalam proses knowledge discovery in databases KDD adalah data mining (Han J.Kamber.2001) dapat dilihat pada gambar yang, terdiri dari tahapan-tahapan sebagai berikut (Han J Kamber.2001) [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012] 1
2 Gambar Data mining sebagai tahapan dalam proses KDD (Sumber : Han dan Kamber, Data Mining : Concepts and Techniques, Second Edition. 2006:6) 1. Data Cleaning Proses cleaning antara lain membuang duplikasi data, memeriksa data yang tidak konsisten, dan memperbaiki kesalahan pada data, seperti kesalahan penulisan. 2. Data Integration Proses menambah data yang sudah ada dengan data atau informasi lain yang relevan dan dibutuhkan oleh KDD. 3. Data Selection Pemilihan data yang relevan dan dapat dilakukan analisis dari data operasional. Data hasil pemilihan disimpan dalam database yang terpisah. 4. Data Transformation Proses transformasi data kedalam bentuk tertentu sehingga data tersebut sesuai untuk proses data mining. 5. Data Mining Proses mencari pola atau informasi menarik dengan menggunakan teknik, metode atau algoritma tertentu. 6. Pattern Evaluation Mengidentifikasi pola-pola yang benar-benar menarik dari hasil data mining. Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang ditemukan. 7. Knowledge presentation Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang diperoleh pengguna. 1.3 NEAREST NEIGHBOR adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. Misalkan diinginkan untuk mencari solusi terhadap seorang pasien baru dengan menggunakan solusi dari pasien terdahulu. Untuk mencari kasus pasien mana yang akan digunakan maka dihitung kedekatan kasus pasien baru dengan semua kasus pasien lama. Kasus pasien lama dengan kedekatan terbesar-lah yang akan diambil solusinya untuk digunakan pada kasus pasien baru (Kusrini, Emha Taufiq Luthfi.2009) 2 [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
3 Seperti tampak pada Gambar 2, terdapat dua pasien lama A dan B. Ketika ada pasien Baru, maka solusi yang akan diambil adalah solusi dari pasien terdekat dari pasien Baru. Seandainya d1 adalah kedekatan antara pasien Baru dan pasien A, sedangkan d2 adalah kedekatan antara pasien Baru dengan pasien B. Karena d2 lebih dekat dari d1 maka solusi dari pasien B lah yang akan digunakan untuk memberikan solusi pasien Baru. Adapun rumus untuk melakukan penghitungan kedekatan antara dua kasus adalah sebagai berikut: keterangan: T: Kasus Baru S: Kasus yang ada dalam penyimpanan n: jumlah atribut dalam setipa kasus i : atribut individu antara 1 s.d n f : fungsi similarity atribut I antara kasus T dan kasus S w : bobot yang diberikan pada atribut ke i 2. METODE PENELITIAN 2.1 Jenis Penelitian Langkah-langkah penelitian yang dilakukan adalah perumusan masalah, penentuan teknik yang akan digunakan, pemrosesan data, transformasi data, analisa hasil dan penarikan kesimpulan. Preproses data dilakukan, karena data yang didapatkan masih dalam keadaan berantakan dan harus diolah lagi terlebih dahulu, sebelum memasuki proses data selanjutnya. Setelah data ditransormasi atau diolah, kemudian masuk kepada tahap analisis data. Dari data training yang telah dianalisis, kemudian dibuat prediksi klasifikasi untuk kemungkinan-kemungkinan yang akan datang bagi data testing jenis yang sama. 2.2 Populasi dan Sampel Dari data penggrajin batik dikota Pekalongan terdapat 631 usaha diambil sampel untuk beberapa unit usaha dengan pengrajin dengan batik jenis tulis. Ada sekitar 10 unit usaha. Dengan pengambilan data secara acak. 3. HASIL DAN PEMBAHASAN Dalam menentukan area pemasaran produksi batik menggunakan atribut : 1. Harga 2. Motif 3. Warna 4. Model 5. Kain Tabel 1. penentuan harga: Range Keterangan Murah Sedang tak terhingga mahal Dalam penentuan motif terdapat 2: a. Motif pesisir b. Motif kraton Dalam penentuan warna terdapat 2: a. Warna tua b. Warna menyala Dalam penentuan model terdapat 2: a. Model resmi b. Model santai Dalam penentuan kain terdapat 3: a. Sutra b. Primis [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012] 3
4 c. dobby Pembobotan Pembobotan atribut dapat dilihat dalam tabel berikut ini Tabel 2 pembobotan atribut: Atribut Bobot Harga 0.2 Motif 1 Warna 0.8 Model 0.6 Kain 0.4 Kedekatan nilai Kedekatan antar nilai dapat dilihat dari tabel seperti berikut: Tabel 3. Kedekata nilai atribut harga Nilai 1 Nilai 2 kedekatan Murah Murah 1 Murah Sedang 0,5 Murah Mahal 0,25 Sedang Murah 0,5 Sedang Sedang 1 Sedang Mahal 0,5 Mahal Murah 0,25 Mahal Sedang 0,5 Mahal Mahal 1 Tabel 4 kedekatan motif Nilai 1 Nilai 2 Kedekatan Pesisir Pesisir 1 Pesisir Kraton 0,5 Kraton Pesisir 0,5 Kraton Kraton 1 Tabel 5. Kedekatan warna Nilai 1 Nilai 2 Kedekatan Warna Tua Warna Tua 1 Warna Tua Warna Muda 0,5 4 [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
5 Warna muda Warna muda 1 Warna muda Warna Tua 0,5 Table 6 Kedekatan Model Nilai 1 Nilai 2 Kedekatan Resmi Resmi 1 Resmi Santai 0,5 Santai Santai 1 Santai Resmi 0,5 Table 7 Kedekatan Kain Nilai 1 Nilai 2 kedekatan Sutra Sutra 1 Sutra Doby 0,5 Sutra Premis 0,25 Doby Sutra 0,5 Doby Doby 1 Doby Premis 0,5 Premis Sutra 0,25 Premis Doby 0,5 Premis Premis 1 Terdapat tabel 8. kasus yang telah ada: NO Harga Motif Warna Model Kain Kota Pemasaran 1 Murah Pesisir Muda Resmi Sutra Purwokerto 2 Murah Kraton Tua Santai Premis Yogyakarta 3 Sedang Kraton Tua Santai Doby Solo 4 Sedang Pesisr muda Santai Premis Tegal 5 Mahal Pesisir Muda Resmi Premis Cilacap Misal akan diproduksi sebuah batik dengan cirri-ciri seperti berikut: Harga : murah Motif : kraton Warna : muda Model : resmi Kain : doby Maka pemasaran yang cocok adalah? [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012] 5
6 Untuk memprediksi pemasaran yang cocok dengan cirri ciri produksi yang ada 1. Untuk menghitung kedekatan kasus baru dengan kasus no 1. Diketahui: A : Kedekatan dengan atribut harga B : Bobot atribut harga : 0,2 C : Kedekatan dengan atribut motif : 0,5 D : Bobot atribut motif E : Kedekatan dengan atribut warna F : Bobot atribut warna : 0.8 G : Kedekatan dengan model H : Bobot atribut model : 0.6 I : Kedekatan dengan kain J : Bobot kain : 0.4 Menghitung jarak kedekatan: 6 [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
7 2. Untuk menghitung kedekatan kasus baru dengan kasus no 2. Diketahui: A : Kedekatan dengan atribut harga B : Bobot atribut harga : 0,2 C : Kedekatan dengan atribut motif D : Bobot atribut motif E : Kedekatan dengan atribut warna F : Bobot atribut warna : 0.8 G : Kedekatan dengan model H : Bobot atribut model : 0.6 I : Kedekatan dengan kain J : Bobot kain : 0.4 [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012] 7
8 3. Untuk menghitung kedekatan kasus baru dengan kasus no 3. Diketahui: A : Kedekatan dengan atribut harga B : Bobot atribut harga : 0,2 C : Kedekatan dengan atribut motif D : Bobot atribut motif E : Kedekatan dengan atribut warna F : Bobot atribut warna : 0.8 G : Kedekatan dengan model H : Bobot atribut model : 0.6 I : Kedekatan dengan kain J : Bobot kain : [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
9 4. Untuk menghitung kedekatan kasus baru dengan kasus no 4. Diketahui: A : Kedekatan dengan atribut harga B : Bobot atribut harga : 0,2 C : Kedekatan dengan atribut motif D : Bobot atribut motif E : Kedekatan dengan atribut warna F : Bobot atribut warna : 0.8 G : Kedekatan dengan model H : Bobot atribut model : 0.6 I : Kedekatan dengan kain J : Bobot kain : Untuk menghitung kedekatan kasus baru dengan kasus no 5 [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012] 9
10 Diketahui: A : Kedekatan dengan atribut harga : 0.25 B : Bobot atribut harga : 0,2 C : Kedekatan dengan atribut motif D : Bobot atribut motif E : Kedekatan dengan atribut warna F : Bobot atribut warna : 0.8 G : Kedekatan dengan model H : Bobot atribut model : 0.6 I : Kedekatan dengan kain J : Bobot kain : 0.4 Untuk produk baru dengan kreteria seperti harga murah, motif kraton, warna muda, model resmi, dan kain dobby. Maka jarak yang paling dekat adalah Purwokerto, dengan jarak 0,77 4. Kesimpulan Algoritma nearest neighbor dapat membantu permasalahan yang terjadi pada pengusaha batik di kota Pekalongan dalam membantu untuk menentukan area pemasaran dan dapat memberikan hasil analisa pemasaran. Dengan menggunakan kasus lama atau data pemasaran yang sudah pernah ada, untuk mengetahui area pemasaran untuk produk baru yang ditelah diproduksi. Atribut yang digunakan harga, motif dan warna, model, 10 [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
11 kain. Atribut harga mempunyai range mahal, sedang dan murah. Atribut motif terdapat pesisir dan kraton, sedangkan untuk atribut warna terdapat dua yaitu warna tua dan warna muda, untuk model terdapat dua model yaitu model resmi, dan model santai. 6. Daftar Pustaka Han, J. Kamber, M 2001 data mining: concepts and technique. San Francisco: Morgan Kaufmann Publisher Kusrini, Emha Taufiq Luthfi.2009 Algoritma data mining, Andi,Yogyakarta Larose, Daniel T Discovering Knowledge in data :an Introduction to data mining. John willey& sonc,inc Turban, E dkk 2005 Decicion support systems and intelligent system Yogyakarta: andi Offset [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012] 11
ALGORITMA BAYESIAN CLASSIFICATION UNTUK MEMPREDIKSI HEREGRISTRASI MAHASISWA BARU DI STMIK WIDYA PRATAMA
ALGORITMA BAYESIAN CLASSIFICATION UNTUK MEMPREDIKSI HEREGRISTRASI MAHASISWA BARU DI STMIK WIDYA PRATAMA Devi Sugianti Program Studi Sistem Informasi,STMIK WidyaPratama Jl. Patriot 25 Pekalongan Telp (0285)427816
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciALGORITMA NEAREST NEIGHBOR
ALGORITMA NEAREST NEIGHBOR A. Algoritma Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari
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 ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Irwan Budiman 1, Dodon Turianto Nugrahadi 2, Radityo Adi Nugroho 3 Universitas Lambung Mangkurat 1,2,3 irwan.budiman@unlam.ac.id
Lebih 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 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 terperinciKerusakan Barang Jadi
Penerapan Algoritma C4.5 pada Analisis Kerusakan Barang Jadi (Studi Kasus: PT Kayu Lapis Asli Murni) Ivan Oktana, Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang,
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database
Lebih terperinciBAB I PENDAHULUAN. Perusahaan perusahaan pada saat ini sudah memiliki database yang
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Perusahaan perusahaan pada saat ini sudah memiliki database yang berukuran sangat besar pada bagian kerusakan barang dan dapat terus bertambah ukurannya. Selama ini,
Lebih terperinciPREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih 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 terperinciKlasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree
Klasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree Disusun oleh : Budanis Dwi Meilani Achmad dan Fauzi Slamat Jurusan Sistem Informasi Fakultas Teknologi Informasi.
Lebih terperinciPENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
PENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Andi Gita Novianti 1, Dian Prasetyo 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Manajemen,
Lebih terperinciALGORITMA APRIORI UNTUK REKOMENDASI PENAWARAN PRODUK DI BATIK PUTRA GHOFUR PEKALONGAN
ALGORITMA APRIORI UNTUK REKOMENDASI PENAWARAN PRODUK DI BATIK PUTRA GHOFUR PEKALONGAN Arief Soma Darmawan Program Studi Sistem Informasi,STMIK WidyaPratama Jl. Patriot 25 Pekalongan, Telp (0285)427816
Lebih terperinciPENGELOMPOKAN PROGRAM PNPM MANDIRI DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN METODE K-NEAREST NEIGHBOR TUGAS AKHIR
PENGELOMPOKAN PROGRAM PNPM MANDIRI DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN METODE K-NEAREST NEIGHBOR TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
Lebih terperinciPENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA
PENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA 1 Muhammad Hafiz Ardiansyah, 2 Wahyu Nurjaya WK 1 Program Studi Teknik Informatika,
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 terperinciAnalisa Data Mining Menggunakan Metode Bayes Untuk Mengukur Tingkat Kerusakan Mesin Motor (Studi Kasus Pada AHASS Astra Motor Kudus)
Analisa Data Mining Menggunakan Metode Bayes Untuk Mengukur Tingkat Kerusakan Mesin Motor (Studi Kasus Pada AHASS Astra Motor Kudus) Yunus Pradika FakultasIlmuKomputer, Universitas Dian Nuswantoro, Jl.
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 terperinciDESAIN APLIKASI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA. Oleh : Rita Prima Bendriyanti ABSTRAK
DESAIN APLIKASI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA Oleh : Rita Prima Bendriyanti ABSTRAK Penelitian ini menggunakan metode observasi, dengan melihat atau mengamati secara langsung
Lebih terperinciDATA MINING ALGORITMA NEAREST NEIGHBOR UNTUK MEMPREDIKSI TINGKAT RESIKO PINJAMAN DANA DI BANK PERKREDITAN RAKYAT
DATA MINING ALGORITMA NEAREST NEIGHBOR UNTUK MEMPREDIKSI TINGKAT RESIKO PINJAMAN DANA DI BANK PERKREDITAN RAKYAT Eka Praja Wiyata Mandala Universitas Putra Indonesia YPTK, Padang Jl. Raya Lubuk Begalung
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah Proses yang menggunakan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Konsep Pemasaran Dalam merancang dan mengembangkan produk, baik yang berupa jasa maupun barang, tidak terlepas dari konsep pemasaran yang bertujuan memenuhi
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR
Cogito Smart Journal/VOL. 1/NO. 1/DESEMBER 2015IJCCS ISSN: 1 97 55 SISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR Ratih Kumalasari Niswatin 1) Teknik
Lebih terperinciPenerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien
1 Penerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien Ketut Wisnu Antara 1, Gede Thadeo Angga Kusuma 2 Jurusan Pendidikan Teknik Informatika Universitas Pendidikan Ganesha
Lebih terperinciIMPLEMENTASI DATA MINING MENGGUNAKAN CRISP-DM PADA SISTEM INFORMASI EKSEKUTIF DINAS KELAUTAN DAN PERIKANAN PROVINSI JAWA TENGAH
IMPLEMENTASI DATA MINING MENGGUNAKAN CRISP-DM PADA SISTEM INFORMASI EKSEKUTIF DINAS KELAUTAN DAN PERIKANAN PROVINSI JAWA TENGAH Indra Purnama, Ragil Saputra, Adi Wibowo Universitas Diponegoro Semarang
Lebih terperinciStudent Clustering Based on Academic Using K-Means Algoritms
Student Clustering Based on Academic Using K-Means Algoritms Hironimus Leong, Shinta Estri Wahyuningrum Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com
Lebih terperinciSKRIPSI TI S1 FIK UDINUS 1
SKRIPSI TI S FIK UDINUS PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA TEKNIK INFORMATIKA S FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pasar modal merupakan salah satu bagian dari pasar keuangan, di samping pasar uang, yang sangat penting peranannya bagi pembangunan nasional pada umumnya dan bagi
Lebih terperinciTEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD
Jurnal Teknik Komputer Unikom Komputika Volume 3, No.2-2014 TEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD Selvia Lorena Br Ginting 1), Wendi Zarman
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 terperinciPenerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 39 Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi Irwan
Lebih terperinciProses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer
Proses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer Mewati Ayub Jurusan Teknik Informatika, Fakultas Teknologi Informasi Universitas Kristen Maranatha, Bandung Email : mewati.ayub@eng.maranatha.edu
Lebih terperinciTechnoXplore ISSN : X Jurnal Ilmu Komputer & Teknologi Informasi Vol 1 No : 2, Oktober 2016
Penerapan Data Mining Pada Data Transaksi Superstore Untuk Mengetahui Kemungkinan Pelanggan Membeli Product Category Dan Product Container Secara Bersamaan Dengan Teknik Asosiasi Menggunakan Algoritma
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih terperinciKonsep Data Mining. Pendahuluan. Bertalya. Universitas Gunadarma 2009
Konsep Data Mining Pendahuluan Bertalya Universitas Gunadarma 2009 Latar Belakang Data yg dikumpulkan semakin bertambah banyak Data web, e-commerce Data pembelian di toko2 / supermarket Transaksi Bank/Kartu
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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Penambangan Data (Data Mining) Pengertian data mining, berdasarkan beberapa orang: 1. Data mining (penambangan data) adalah suatu proses untuk menemukan suatu pengetahuan atau
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Data mining adalah salah satu teknik dan proses untuk menemukan suatu pola dan pengetahuan dari data yang berjumlah besar (Han dkk., 2011). Proses yang dilakukan
Lebih terperinciPEMILIHAN BEASISWA BAGI MAHASISWA STMIK WIDYA PRATAMA DENGAN METODE PROFILE MATCHING
PEMILIHAN BEASISWA BAGI MAHASISWA STMIK WIDYA PRATAMA DENGAN METODE PROFILE MATCHING Arief Soma Darmawan Program Studi Teknik Informatika,STMIK Widya Pratama Jl. Patriot 25 Pekalongan 12345 Telp (0285)427816
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini, akan dibahas dasar teori, penelitian terdahulu, kerangka pikir dan hipotesis yang mendasari penyelesaian permasalahan memprediksi inflasi dengan menggunakan algoritma
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Faktor penentu bagi usaha atau bisnis apapun pada masa sekarang ini adalah kemampuan untuk menggunakan informasi seefektif mungkin. Penggunaan data secara tepat karena
Lebih terperinciKLASIFIKASI JENIS BIMBINGAN DAN KONSELING SISWA SMKN 1 KEDIRI MENGGUNAKAN NAIVE BAYES CLASSIFIER DAN NEAREST NEIGHBOR
Nusantara of Engginering (NoE)/Vol. 1/No. 2/ISSN: 255-668 22 KLASIFIKASI JENIS BIMBINGAN DAN KONSELING SISWA SMKN 1 KEDIRI MENGGUNAKAN NAIVE BAYES CLASSIFIER DAN NEAREST NEIGHBOR Erna Daniati Program Studi
Lebih terperinciBAB II TINJAUAN PUSTAKA Indeks Prestasi Kumulatif dan Lama Studi. menggunakan dokumen/format resmi hasil penilaian studi mahasiswa yang sudah
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Indeks Prestasi Kumulatif dan Lama Studi Mahasiswa yang telah menyelesaikan keseluruhan beban program studi yang telah ditetapkan dapat dipertimbangkan
Lebih terperinciPENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING
PENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING Andreas Chandra Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email : andreaschaandra@yahoo.com
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 terperinciREKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING
REKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING Fadly Shabir 1 dan Abdul Rachman M 2 1 kyofadly@gmail.com, 2 emanrstc@yahoo.co.id 1 Stimik Handayani, 2 Universitas Muslim Indonesia
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 terperinciKonsep Data Mining DATA MINING & KNOWLEDGE DISCOVERY IN DATABASES. Bertalya Universitas Gunadarma 2009
Konsep Data Mining DATA MINING & KNOWLEDGE DISCOVERY IN DATABASES Bertalya Universitas Gunadarma 2009 Data Mining (DM) DM merupakan suatu proses penjelajahan otomatis untuk mendapatkan informasi berguna
Lebih terperinciPENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI
PENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI Fitri Nurchalifatun Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Jl.
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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan
Lebih terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciPENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 412~416 412 PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK Elly Muningsih AMIK BSI Yogyakarta e-mail : elly.emh@bsi.ac.id
Lebih terperinciPENGKLASIFIKASIAN MINAT BELAJAR MAHASISWA DENGAN MODEL DATA MINING MENGGUNANAKAN METODE CLUSTERING
PENGKLASIFIKASIAN MINAT BELAJAR MAHASISWA DENGAN MODEL DATA MINING MENGGUNANAKAN METODE CLUSTERING Marlindawati 1) Andri 2) 1) Manajemen Informatika Universitas Bina Darma Jl. Ahmad Yani No. 3, Palembang
Lebih terperinciBAB I PENDAHULUAN. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Data mining adalah suatu konsep yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses semi otomatik yang menggunakan
Lebih terperinciData Mining : Klasifikasi Menggunakan Algoritma C4.5
Data Mining : Klasifikasi Menggunakan Algoritma C4.5 Yuli Mardi Dosen Akademi Perekam dan Informasi Kesehatan (APIKES) Iris Padang Jl. Gajah Mada No. 23 Padang, Sumatera Barat adimardi@yahoo.com ABSTRAK
Lebih terperinciJl. A. Yani Km 36 Banjarbaru, Kalimantan selatan 1 Abstract
Penerapan K-Optimal Pada Algoritma Knn untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam Berdasarkan IP Sampai Dengan Semester 4 Mutiara Ayu Banjarsari 1, H. Irwan
Lebih terperinciTriuli Novianti 1) Abdul Aziz 2) Program Studi D3 Teknik Komputer UMSurabaya, Surabaya ),
Jurnal Ilmiah NERO Vol. 1 No. 15 APLIKASI DATA MINING MENGGUNAKAN METODE DECISION TREE UNTUK MENAMPILKAN LAPORAN HASIL NILAI AKHIR MAHASISWA (STUDI KASUS DI FAKULTAS TEKNIK UMSURABAYA) Triuli Novianti
Lebih terperinciPenggunaan Pohon Keputusan untuk Klasifikasi Tingkat Kualitas Mahasiwa Berdasarkan Jalur Masuk Kuliah
Penggunaan Pohon Keputusan untuk Klasifikasi Tingkat Kualitas Mahasiwa Berdasarkan Jalur Masuk Kuliah Selly Artaty Zega Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknik Informatika, Politeknik
Lebih terperinciMODEL DATA MINING DALAM PENGKLASIFIKASIAN KETERTARIKAN BELAJAR MAHASISWA MENGGUNAKAN METODE CLUSTERING
MODEL DATA MINING DALAM PENGKLASIFIKASIAN KETERTARIKAN BELAJAR MAHASISWA MENGGUNAKAN METODE CLUSTERING Marlindawati1), Andri2) 1), 2) Sistem Informasi UNIVERSITAS BINA DARMA Palembang Jl, Jend. A.Yani
Lebih terperinciAnalisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor
Jatisi, Vol. 1 No. 1 September 201 1 Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor Ricky Imanuel Ndaumanu* 1, Kusrini 2, M. Rudyanto Arief 3 3 Magister Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN. bersaing. Dalam dunia bisnis yang dinamis dan penuh persaingan. Seiring dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Kemajuan perkembangan teknologi informasi pada era globalisasi sekarang ini sangat pesat, hal ini menuntut setiap perusahaan untuk dapat saling bersaing. Dalam dunia
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI penelitian. Pada bab ini akan dibahas literatur dan landasan teori yang relevan dengan 2.1 Tinjauan Pustaka Kombinasi metode telah dilakukan oleh beberapa peneliti
Lebih terperinci- PERTEMUAN 1 - KNOWLEGDE DISCOVERY
DATA WAREHOUSE - PERTEMUAN 1 - KNOWLEGDE DISCOVERY in DATABASE (KDD) Penemuan Pengetahuan di Database Tujuan : Mahasiswa Dapat memahami konsep KDD yang merupakan tujuan akhir dari Data Warehouse dan Data
Lebih terperinciJURNAL PENERAPAN ALGORITMA NEAREST NEIGHBOR (K-NN) BAGI HAKIM DALAM MENENTUKAN PERTIMBANGAN HUKUMAN TINDAK PIDANA PENCURIAN
JURNAL PENERAPAN ALGORITMA NEAREST NEIGHBOR (K-NN) BAGI HAKIM DALAM MENENTUKAN PERTIMBANGAN HUKUMAN TINDAK PIDANA PENCURIAN APPLICATION ALGORITHM NEAREST NEIGHBOR (K-NN) JUDGE FOR DETERMINING THE CONSIDERATION
Lebih terperinciDATA MINING INFORMASI TINGKAT KELULUSAN MAHASISWA STMIK PELITA NUSANTARA MEDAN. Anita Sindar RM Sinaga
DATA MINING INFORMASI TINGKAT KELULUSAN MAHASISWA STMIK PELITA NUSANTARA MEDAN Anita Sindar RM Sinaga Program Studi Teknik Informatika STIMIK Pelita Nusantara, Jl. Iskandar Muda No. 1 Medan, Indonesia
Lebih terperinciSOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA
SOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA Ade Putra Fakultas Vokasi, Program Studi Komputerisasi Akuntansi Universitas Bina Darma
Lebih terperinciAnalisis asosiasi Penguasaan ICT Mahasiswa Baru dan Pencapaian Prestasi Akademik Mahasiswa dengan Algoritma Apriori.
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Analisis asosiasi Penguasaan ICT Mahasiswa Baru dan Pencapaian Prestasi Akademik Mahasiswa dengan Algoritma Apriori. Kuswari Hernawati 1,
Lebih 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 terperinciIMPLEMENTASI CASE BASED REASONING UNTUK SISTEM DIAGNOSIS PENYAKIT ANJING
IMPLEMENTASI CASE BASED REASONING UNTUK SISTEM DIAGNOSIS PENYAKIT ANJING Fransica Octaviani S. (1) Joko Purwadi (2) Rosa Delima (3) foctas@yahoo.com jokop@ukdw.ac.id rosa@ukdw.ac.id Abstraksi Penalaran
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 terperinciAnalisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang
Analisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang Tia Arifatul Maulida Fakultas Ilmu Komputer, Universitas Dian Nuswantoro,
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI 3.1. Data Mining Data mining adalah proses menganalisa data dari perspektif yang berbeda dan menyimpulkannya menjadi informasi-informasi penting yang dapat dipakai untuk meningkatkan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Data Mining Data mining adalah bagian dari knowledge discovery di database yang menganalisa database berukuran besar untuk menemukan pola yang berguna pada data (Silberschatz,
Lebih terperinciPERTEMUAN 14 DATA WAREHOUSE
PERTEMUAN 14 DATA WAREHOUSE Data Warehouse Definisi : Data Warehouse adalah Pusat repositori informasi yang mampu memberikan database berorientasi subyek untuk informasi yang bersifat historis yang mendukung
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 terperinciPENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN
PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN Fina Nasari 1 1 Sistem Informasi, STMIK Potensi Utama 3 Jalan K.L. Yos Sudarso KM.
Lebih terperinciPenentuan Pemenang Tender Menggunakan Kombinasi K- Nearest Neighbor dan Cosine Similarity (Studi Kasus PT. Unichem Candi Indonesia)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 1986-1990 http://j-ptiik.ub.ac.id Penentuan Pemenang Tender Menggunakan Kombinasi K- Nearest Neighbor
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 terperinciSILABUS, RPP, RPS SISTEM PENDUKUNG KEPUTUSAN. Program Studi Informatika FAKULTAS TEKNIK- UNIVERSITAS PGRI SEMARANG
SILABUS,, RPS SISTEM PENDUKUNG KEPUTUSAN Program Studi Informatika FAKULTAS TEKNIK- FORMULIR No.Dokumen FM-01-AKD-1516 No. Revisi FORMAT SILABUS Halaman 1 dari 1 SILABUS PEMBELAJARAN Fakultas/Program studi
Lebih terperinciMuhammad Syukri Mustafa* 1, I Wayan Simpen 2 1,2. Teknik Informatika STMIK Dipanegara * 1 2
270 ISSN: 2354-5771 Perancangan Aplikasi Prediksi Kelulusan Tepat Waktu Bagi Mahasiswa Baru Dengan Teknik Data Mining (Studi Kasus: Data Akademik Mahasiswa STMIK Dipanegara Makassar) Muhammad Syukri Mustafa*
Lebih terperinciDATA MINING. Pertemuan 1. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 1 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2016 Ketentuan Perkuliahan Perkuliahan diselenggarakan 14 kali pertemuan
Lebih 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 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 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 terperinciAnalisis Frekuensi Pola Pembelian Konsumen Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Bon Bon Resto Semarang
Analisis Frekuensi Pola Pembelian Konsumen Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Bon Bon Resto Semarang Nur Imam Fachruzi Fakultas Ilmu Komputer, Universitas Dian
Lebih terperinciKlasterisasi Data Kesehatan Penduduk untuk Menentukan Rentang Derajat Kesehatan Daerah dengan Metode K-Means
Klasterisasi Data Kesehatan Penduduk untuk Menentukan Rentang Derajat Kesehatan Daerah dengan Metode K-Means Nielza Atthina Jurusan Teknik Informatika Universitas Islam Indonesia Yogyakarta 09523458@students.uii.ac.id
Lebih terperinciSISTEM APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASITINGKAT KELULUSAN MAHASISWA
SISTEM APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASITINGKAT KELULUSAN MAHASISWA Dwi Retnosari Departement Teknik Informatika Universitas Islam Kalimantan, Banjarmasin E-mail: dwiretnosarisari@yahoo.co.id
Lebih terperinciANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN
ANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN Eka Novita Sari (0911010) Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl.
Lebih terperinciPENGAMBILAN KEPUTUSAN UNTUK PENENTUAN BEASISWA TEPAT SASARAN MENGGUNAKAN METODE DECISION TREE DI SMK TARUNA BAKTI KERTOSONO
PENGAMBILAN KEPUTUSAN UNTUK PENENTUAN BEASISWA TEPAT SASARAN MENGGUNAKAN METODE DECISION TREE DI SMK TARUNA BAKTI KERTOSONO SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana
Lebih terperinciINTELEGENSI BUATAN. Mesin Pembelajaran (Machine Learning)
INTELEGENSI BUATAN Mesin Pembelajaran (Machine Learning) M. Miftakul Amin, M. Eng. e-mail: mmiftakulamin@gmail.com website : http://mafisamin.web.ugm.ac.id Jurusan Teknik Komputer Politeknik Negeri Sriwijaya
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 terperinciJurnal Ilmiah Fakultas Teknik LIMIT S Vol.13 No 1 September 2017
PREDIKSI KELAYAKAN KREDIT SEPEDA MOTOR DENGAN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR 1 Hernalom Sitorus, 2 RizwanAndreansyah Fakultas Teknik Informatika 1) Dosen Fakultas Teknik 2) Lulusan Teknik Informatika
Lebih terperinciANALISIS ASSOCIATION RULES ALGORITMA APRIORI PENJUALAN KAOS TRAVELLING
ANALISIS ASSOCIATION RULES ALGORITMA APRIORI PENJUALAN KAOS TRAVELLING Kanthi Wulandari Mahasiswa Program Studi Statistika Universitas Islam Indonesia kanthiwuland@gmail.com Asriyanti Ali Mahasiswa Program
Lebih terperinciDATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5
DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5 Dwi Untari A11.2010.05410 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas
Lebih terperinciDATA MINING POTENSI AKADEMIK SISWA BERBASIS ONLINE
Didik Setiyadi, Ali Nurdin DATA MINING POTENSI AKADEMIK SISWA BERBASIS ONLINE 1 DIDIK SETIYADI, 2 ALI NURDIN 1,2 Sekolah Tinggi Manajemen Informatika dan Komputer Eresha Program Studi : Teknik Informatika
Lebih terperinci