Analisis dan Implementasi Algoritma Graph-based K-Nearest Neighbour untuk Klasifikasi Spam pada Pesan Singkat
|
|
- Vera Lesmono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Analisis dan Implementasi Aloritma Graph-based K-Nearest Neihbour untuk Klasifikasi Spam pada Pesan Sinkat Gde Surya Pramartha Proram Studi Sarjana Teknik Informatika Fakultas Informatika Telkom University Bandun, Indonesia Abstrak : Pesan sinkat atau Short Messae Service (SMS) adalah salah satu layanan komunikasi yan sanat populer pada mobile phone saat ini karena kemudahan penunaan, sederhana, cepat, dan murah. Meninkatnya penunaan mobile phone ini dimanfaatkan oleh banyak pihak untuk mendapatkan keuntunan, salah satunya adalah menirimkan spam melalui SMS. Spam biasanya berisikan iklan dari suatu produk, promosi, atau malware yan sanat menanu penuna mobile phone. Oleh sebab itu, dalam tuas akhir ini dibuatlah SMS spam filter untuk menyarin SMS yan menunakan aloritma Graph-based K- Nearest Neihbour (GKNN). SMS yan didapatkan terlebih dahulu di preprocessin kemudian data akan direpresentasikan ke dalam model raf berbobot dan berarah. Penujian aloritma dilakukan denan menunakan skenario pembaian data 5-fold dan 10-fold dan didapatkan hasil denan rata-rata akurasi mencapai 99,06% untuk 5-fold dan 99,13% untuk 10-fold. Kata Kunci : spam, spam filterin, preprocessin, klasifikasi, k-nearest neihbour, raphbased k-nearest neihbour I. Pendahuluan Pesan sinkat atau Short Messae Service (SMS) adalah salah satu layanan komunikasi yan sanat populer pada mobile phone saat ini. SMS diunakan oleh jutaan penuna mobile phone setiap harinya karena kemudahan penunaan, sederhana, cepat, dan murah [1. Generasi terbaru dari mobile phone, yan biasanya disebut smart phone, menunakan SMS tidak hanya sebaai alat berkomunikasi, namun jua diunakan untuk berbaai kebutuhan seperti otentifikasi mobilebankin,dan sinkronisasi media sosial (Facebook, Twitter) [1. Meninkatnya penunaan smart phone saat ini dimanfaatkan oleh banyak pihak untuk mendapatkan keuntunan, salah satunya adalah menirimkan spam melalui SMS. Spam, didefinisikan oleh The Spam Track pada Text Retrieval Conference (TREC) adalah suatu konten yan tidak diminta dan tidak dikehendaki yan dikirim sembaran, baik lansun maupun tidak lansun oleh penirim yan tidak memiliki hubunan denan penerima [2. Spam SMS adalah Spam yan dikirim melalui SMS. Spam biasanya berisikan iklan dari suatu produk, promosi, atau malware. Bai kebanyakan oran, hal ini sanatlah menanu sehina membuat penananan terhadap spam pada SMS sanat pentin untuk dilakukan. Dari kondisi tersebut, maka pada tuas akhir ini, dibuatlah suatu cara untuk melakukan penyarinan pada SMS dan melakukan klasifikasi SMS ke dalam kateori spam dan bukan spam (ham). 1
2 Klasifikasi adalah suatu teknik pada data minin, dimana terdapat set atau kumpulan data yan sudah memiliki label dan diunakan untuk membuat model untuk menentukan label dari data yan besar [3. Beberapa aloritma yan dapat diunakan untuk melakukan klasifikasi adalah pohon keputusan ( Decision tree), Bayesian Classifier, SVM (Support Vector Machine), Neural Network, dan KNN (k- Nearest Neihbour) [4. Kumpulan data yan sudah memiliki label disebut data trainin. Pada kasus ini, data trainin yan diunakan berupa kumpulan SMS yan cenderun bebas dan tidak teratur, sehina sebelum dilakukan proses klasifikasi, data SMS yan didapatkan terlebih dahulu di preprocessin untuk membersihkan, menyederhanakan dan membuat data lebih teratur. Preprocessin yan dilakukan berupa penananan sinkatan, menhilankan tanda baca, stemmin, tokenisasi dan feature selection. Dari penelitian yan pernah dilakukan tentan klasifikasi, didapatkan hasil bahwa aloritma Graph-based K- Nearest Neihbour(GKNN) dapat melakukan klasifikasi SMS denan tinkat akurasi sebesar 98,9% [5. Berdasarkan penelitian tersebut, maka dipilihlah GKNN sebaai aloritma yan diunakan untuk melakukan proses klasifikasi pada SMS filter di tuas akhir ini. Pada Jurnal ini selanjutnya akan membahas : pada baian II, akan membahas tentan tinjauan pustaka, baian III membahas tentan ambaran umum sistem, baian IV akan membahas tentan hasil penujian dan baian V berisi kesimpulan. II. Tinjauan Pustaka Short Messae Service (SMS) Pesan sinkat atau Short Messae Service (SMS) adalah salah satu layanan komunikasi yan sanat populer pada mobile phone. SMS diunakan oleh jutaan penuna mobile phone setiap harinya karena kemudahan penunaan, sederhana, cepat, dan murah [1. Servis dari SMS diatur oleh pusat distribusi pesan yan disebut SMSC ( Short Messae Service Center) yan bertanunjawab dalam menirimkan pesan ke perankat penuna. Gambaran dari sistem dasar SMS adalah sebaai berikut : Komponen lainnya yaitu MSC (Mobile Switchin Center), bertanunjawab pada proses routin call dan pesan. Call Tower atau BTS (Base Station) bertuas untuk menambil peniriman pesan ke perankat mobile. Sedankan GMSC ( Gateway Mobile Switchin Center) bertanunjawab dalam menambil peniriman pesan antar jarinan atau antar operator mobile [9. Spam Filterin Gambar 1. Sistem dasar SMS Spam adalah suatu konten yan tidak diminta dan tidak dikehendaki yan dikirim sembaran, baik lansun maupun tidak lansun oleh penirim yan tidak memiliki hubunan denan penerima [2. Spam biasanya berisikan iklan dari suatu produk, promosi, atau malware yan bersifat meruikan bai penerimanya. Spam filter adalah suatu teknik yan secara otomatis mendeteksi spam denan tujuan melakukan penyarinan terhadap pesan yan masuk. Terdapat beberapa teknik yan dapat diterapkan 2
3 untuk menurani spam pada mobile. Conten-based filterin adalah teknik yan palin banyak diunakan untuk melakukan filterin spam [10. Beberapa aloritma yan termasuk dalam teknik Contentbased filterin adalah Bayesian classifier, SVM (Support Vector Machine), KNN (k- Nearest Neihbour), dan Neural Network. Teknik ini melakukan filterin berdasarkan isi dari suatu pesan kemudian akan di klasifikasikan ke dalam kelas spam atau bukan spam. Model Representasi Berbasis Graf Graf adalah kumpulan (set) titiktitik atau node yan memiliki bobot yan dihubunkan denan aris atau ede. Pada model representasi data berbasis raf, dimisalkan G adalah suatu raf, yan memiliki 3 tupel: G= (V,E,FWM), dimana V adalah kumpulan node, E adalah kumpulan ede yan terhubun ke node. FWM (Feature Weiht Matrix) adalah bobot dari ede yan menhubunkan node. -Node: setiap node pada raf merepresentasikan sebuah token dari hasil feature selection yan dilakukan sebelumnya. Token ini bersifat unik di setiap kelompoknya. -Ede: ede pada raf dibentuk berdasarkan kemunculan 2 buah token pada kelompok raf secara berurutan. -Feature Weiht Matrix(FWM) : misalkan terdapat 2 buah feature/token yaitu i dan j, maka bobot dari FWM(i,j) atau W(i,j) adalah frekuensi kemunculan urutan 2 buah feature tersebut dalam kelompok raf Untuk meninkatkan penukuran denan representasi data berbasis raf, dihitun jua frekuensi kemunculan dari suatu feature pada kelompok raf yaitu W(i,i) sehina pada raf menyimpan informasi berupa frekuensi dari suatu feature dan frekuensi kemunculan 2 buah feature secara berurutan [12. Klasifikasi Klasifikasi adalah supervised learnin method denan tujuan untuk dapat menentukan kelas dari suatu objek ke dalam kateori yan telah didefinisikan sebelumnya. Beberapa aloritma yan dapat diunakan untuk melakukan klasifikasi adalah pohon keputusan ( Decision tree), Bayesian Classifier, SVM (Support Vector Machine), Neural Network, dan KNN (k-nearest Neihbour) [11. Proses klasifikasi biasanya terdiri dari 2 fase yaitu learnin dan test. Pada fase learnin, sebaian data yan telah diketahui kelasnya diunakan untuk membentuk model prediksi. Pada fase test, dilakukan penujian terhadap model yan dibentuk denan data lainnya untuk menetahui akurasi dari model tersebut. Graph-based K-Nearest Neihbour (GKNN) Graph-based K-Nearest Neihbour (GKNN) merupakan penembanan dari K-Nearest Neihbour dimana pada GKNN data trainin terlebih dahulu di representasikan ke dalam bentuk model raf. Tujuannya untuk mempercepat waktu dalam menhitun similarity antara dokumen yan diklasifikasikan denan jumlah sampel dokumen yan besar. Denan representasi ke model data raf, maka dapat mempercepat perhitunan tanpa menurani ukuran sampel data. Suatu raf terdiri dari node, ede dan bobot dari ede, untuk menukur similarity antara 2 raf, maka dilakukan klasifikasi untuk menukur similarity-nya ( i, c i). Feature weiht (FW) mendefinisikan similarity antara 2 buah raf berdasarkan bobot dari node dan ede yan terdapat pada kedua raf. Perhitunan FW : 3
4 Gambar 2. Pseudo code menhitun Feature weiht [12 Nft(Node fit percent) menunjukkan berapa banyak node pada train raf denan bobot>0 jua ada pada test raf. Nft dapat didefinisikan sebaai berikut : (1) Pertama-tama hitun nilai Nft dari test kata dan train kata denan menhitun frekuensi dari setiap feature pada raf yaitu nilai W(i,i) Jika nilai Nft lebih besar daripada threshold, maka akan dihitun nilai FW dari 2 buah raf. Sebaliknya, jika nilai Nft lebih kecil daripada threshold, maka 2 raf yan dihitun bukan berada dalam satu kateori, sehina tidak perlu menhitun nilai FW. Denan cara ini, kompleksitas dari perhitunan similarity dapat dipercepat. Perhitunan GKNN dapat dilihat pada pseudo code berikut ini : Gambar 3. Pseudo code klasifikasi denan GKNN [12 Penukuran Performansi Penukuran performansi dilakukan untuk menetahui kemampuan dari sistem yan dibanun. Untuk dapat menentukan kebenaran dari hasil yan didapatkan, maka akan dibandinkan hasil dari sistem denan data aslinya. a. Accuracy merupakan ukuran yan diunakan untuk menetahui seberapa besar kebenaran yan didapatkan, dari keseluruhan data. b. Precision merupakan ukuran yan diunakan untuk menetahui seberapa besar hasil yan telah terpilih itu benar 4
5 Sistem c. Recall merupakan ukuran yan diunakan untuk menetahui seberapa besar yan benar itu terpilih. Spam Spam True Positif False Positif False Neatif True Neatif dilakukan pembanunan model raf yan merepresentasikan kata-kata pada tahap preprocessin. Setelah itu, raf tersebut diproses denan aloritma GKNN dan pesan pada data testin dikelompokkan kedalam kateori spam atau bukan spam berdasarkan data trainin yan sudah dikateorikan. Gambaran umum dari sistem dapat dilihat sebaai berikut: Start Trainin set Preprocessin Testin Case Foldin Slan Handlin Stopword Eliminati Sistem Spam Feature Selection Tokeniza tion Stemmin Spam True Positif False Positif False Neatif True Neatif Dari ketia penukuran tersebut, sistem dianap sanat baik ketika persentasi hasil dari ketianya dapat mencapai nilai Build Graph(Trainin ) Learnin Alorith Preprocessin( Trainin) Model Preprocessin (Testin) Build Graph(Testin) Accuracy terbaik atau mendekati setidaknya 99%. Spam III. Gambaran Umum Sistem Secara umum sistem yan akan dibanun pada tuas akhir ini adalah sistem untuk melakukan filterin terhadap pesan yan masuk dan melakukan penklasifikasian ke dalam 2 kateori, yaitu spam dan bukan spam. Aloritma yan diunakan untuk proses klasifikasi adalah Graph-based k-nearest Neihbour (GKNN) dimana data trainin akan di preprocessin terlebih dahulu, kemudian Dari ambaran umum sistem di atas, terdapat beberapa proses yaitu : 1. Preprocessin Finish Gambar 4.Gambaran umum sistem Pada proses ini, trainin dan testin yan berupa SMS yan belum bersih (teratur,konsisten) akan di proses sehina menhasilkan data yan lebih teratur dan konsisten. Proses yan dilakukan adalah : 5
6 a. Case Foldin Merubah kata-kata pada data menjadi huruf kecil dan menhilankan semua karakter selain huruf dan anka. b. Slan Handlin Menatasi isi SMS yan berisi kata sinkatan ke dalam arti aslinya c. Stopword Elimination Menhilankan kata-kata yan dianap umum yan tidak terlalu berpenaruh terhadap kualitas data. d. Stemmin Merubah kembali kata-kata yan menalami penambahan imbuhan atau perubahan bentuk kata. e. Tokenization Memecah kalimat pada SMS menjadi kata berdasarkan spasi untuk memudahkan proses selanjutnya selanjutnya. f. Feature Selection Suatu metode yan diunakan untuk menhilankan kata-kata yan tidak memiliki arti atau noisy feature, sehina dapat menyederhanakan perhitunan dan meninkatkan akurasi. 2. Build Graph Setelah dilakukan tahap preprocessin, maka dihasilkan data yan sudah siap diunakan yaitu preprocessin. ini kemudian diunakan sebaai input untuk representasi data berbasis raf. Setiap node pada raf menunjukkan sebuah token yan dipilih pada saat tahap preprocessin. Token ini berupa sebuah kata unik dalam suatu kelompok raf. Ede dibentuk berdasarkan urutan kemunculan antara 2 buah kata. Feature Weiht Matrix diunakan untuk meunjukkan bobot dari ede. Train in Grap Train in Grap h GKNN Model trainin Train in Grap Trai nin Gambar 5. Skema pembanunan model dari trainin raph Testin Graph Model testin Spam Gambar 6. Skema penklasifikasian data testin dari testin raph 6
7 3. Learnin Alorithm Tabel 1. Pembaian 5-fold Pada proses ini dilakukan impelemtasi dari aloritma GKNN, hasil raf yan sudah dibanun sebelumnya akan dijadikan model untuk melakukan klasifikasi. Kelompo k Sampel SMS ke- Spa m Penujian Testin Trainin 4. Model Pada proses ini, data testin yan sudah dibentuk menjadi raf akan diproses denan model klasifikasi. Hasil dari proses ini adalah menentukan kelas dari setiap SMS pada data test yaitu spam atau ham (bukan spam).dari hasil penentuan kelas tersebut, akan didapatkan pula akurasi dari model klasifikasi. IV. Penujian Untuk mendapatkan data trainin dan data testin untuk penujian pada tuas akhir ini, diunakan pembaian menunakan teknik k-fold cross validation denan membai data menjadi k baian, dan menkombinasikan hasil pembaian sebaai data trainin dan data testin. Nilai k yan umum diunakan adalah 5 dan 10, pembaian ini dilakukan untuk melihat penaruh jumlah data terhadap hasil penujian. Dari data set yan telah didapatkan yaitu SMSSpamCollection [8 denan rincian total SMS sebanyak 5574 denan SMS spam berjumlah 747 dan SMS ham berjumlah 4827, SMS spam yan dipakai untuk penujian berjumlah 700 dan SMS ham berjumlah 4000.Kemudian dari data tersebut, dibai menjadi data trainin dan data testin sesuai penunaan 5-fold dan 10-fold denan rincian sebaai berikut : A B C D E Kelom pok Sampe l Tabel 2. Pembaian 10-fold SMS ke- Spam Penujian Testin A A B C B A B C D E C BCDE ACDE ABDE ABCE ABCD Trainin BCDEF ACDEF ABDEF D D ABCEF 7
8 E E ABCDF F F ABCDE Perbandinan Hasil Skenario(5-fold) G H I J G H I J ABCDE FHIJ ABCDE FGIJ ABCDE FGHJ ABCDE FGHI , , , , ,5 75 Precision Recall Accuracy I II III Skenario untuk penujian pada tuas akhir ini adalah menunakan pembaian data 5-fold dan 10-fold dan menkombinasikannya denan nilai threshold dan Jumlah SMS per Graf untuk melihat penaruh keduanya. Nilai threshold yan diunakan adalah 0.01, 0.025, dan Sedankan untuk Jumlah SMS per Graf diunakan nilai 5,8, dan 10 sehina terdapat 9 kombinasi nilai yan diunakan dalam skenario. untuk panjan list yan diunakan dalam diklasifikasi ditentukan oleh nilai K. Nilai K yan diunakan dalam penujian adalah 5. Tabel 3. Nilai Skenario Threshold dan Jumlah SMS per Trainin Graf Threshold Jumlah SMS per Trainin Graf I II III IV V VI 0.04 VII VIII IX , , , , , Perbandinan Hasil Penukuran Waktu (5-fold) I II III IV V VI VII VIII IX Perbandinan Hasil Skenario (10-fold) Precision Recall Accuracy I II III 8
9 Perbandinan Hasil Penukuran Waktu (10-fold) pemrosesan tercepat dibandinkan skenario lainnya. 5. Untuk Jumlah data trainin yan diunakan, pada pembaian data 5-fold hampir semua hasil akurasi di setiap skenario yan dilakukan memiliki nilai lebih kecil dibandinkan denan hasil akurasi jika menunakan pembaian data 10-fold. 0 I II III IV V VI VII VIII IX Dari hasil penujian yan dilakukan, maka dapat dikatakan bahwa 1. Untuk Precision, seluruh skenario mendapatkan hasil yan sanat baik yaitu 100%, yan berarti bahwa sistem mendeteksi spam denan sanat baik. 2. Untuk Recall, hasil terbaik didapatkan denan melakukan skenario I yaitu 99,86% baik pada Pembaian data 5-fold maupun pada pembaian data 10-fold. Hasil terburuk didapatkan denan skenario IX yaitu 79,29% pada pembaian data 5-fold dan 80,43% pada pembaian data 10- fold. 3. Untuk Accuracy, rata-rata akurasi pada pembaian data 5-fold mencapai 99,06% dan pada pembaian data 10-fold mencapai 99,16%. Itu berarti sistem sanat baik dalam menentukan SMS spam dan ham. 4. Untuk waktu, skenario I baik pada pembaian data 5-fold maupun 10-fold membutuhkan waktu pemrosesan lebih lama dibandinkan skenario lainnya. Sedankan skenario IX pada pembaian data 5-fold dan 10- fold membutuhkan waktu Dari hasil yan didapatkan,diketahui bahwa aloritma GKNN meman efektif untuk diunakan dalam SMS spam filterin dimana untuk semua skenario, nilai akurasi yan didapatkan mencapai 99,06% untuk pembaian data 5-fold dan 99,16% untuk pembaian data 10-fold. V. Kesimpulan Berdasarkan penujian serta analisis yan telah dilakukan pada tuas akhir ini, dapat diambil beberapa kesimpulan, yaitu : 1. Penerapan aloritma GKNN dilakukan denan membentuk model klasifikasi yan terdiri dari kumpulan Trainin Graf yan merupakan representasi dari data trainin yan sudah melalui tahap preprocessin. 2. Proses klasifikasi SMS dilakukan denan menuji model klasfikasi yan telah dibuat denan data testin yan direpresentasikan ke dalam raf yan membentuk sebuah Testin Graf dan dilakukan pencarian nilai Feature Weiht (FW) untuk menentukan tinkat kesamaan antara Trainin Graf dan Testin Graf. Semakin tini nilai FW, maka semakin tini kemunkinan kedua raf tersebut berada pada satu kateori, yaitu spam atau ham. 3. Nilai threshold dan Jumlah SMS per Trainin Graf mempenaruhi hasil akurasi dan waktu 9
10 pemrosesan. Semakin kecil nilai threshold dan Jumlah SMS per trainin Graf yan diunakan, maka semakin tini nilai akurasi yan didapatkan, namun membutuhkan waktu pemrosesan yan semakin lama. Sebaliknya, semakin besar nilai threshold dan jumlah SMS per trainin raf yan diunakan, maka semakin rendah nilai akurasi yan didapatkan, namun membutuhkan waktu pemrosesan semakin sedikit. 4. Jumlah data trainin yan diunakan berpenaruh terhadap hasil yan didapatkan. Semakin banyak data trainin yan diunakan, nilai akurasi yan dihasilkan semakin tini. 5. Rata-rata nilai akurasi yan diperoleh dari penujian terhadap aloritma GKNN mencapai 99,06% untuk penujian denan pembaian data 5-fold dan 99,16% untuk penujian denan pembaian data 10-fold, yan artinya SMS spam filter yan dibuat sanat baik dalam melakukan klasifikasi Saran yan dapat diberikan untuk penembanan atau penelitian selanjutnya adalah : Penerapan dapat dilakukan untuk mendeteksi SMS bukan hanya SMS berbahasa inris saja, tetapi dapat dilakukan pada bahasa selain bahasa inris. Daftar Pustaka [1 M. Z. Rafique and M. Abulaish, "Graph-Based Learnin Model for Detection of SMS Spam on Smart Phones". [2 G. V. Cormack and D. R. Cheriton, " Spam Filterin: A systematic Review," pp , [3 B. M. Ramaeri, "DATA MINING TECHNIQUES AND APPLICATIONS," Indian Journal of Computer Science and Enineerin, vol. 1, pp [4 T. P. Ho, H.-S. Kan and S.-R. Kim, "Graph-Based KNN Alorithm for Spam SMS Detection," Universal Computer Science, [5 "Slan Dictionary - Text Slan & Internet Slan Words," NoSlan.com, [Online. Available: [Accessed 23 June [6 "RANKS NL," [Online. Available: [Accessed 23 June [7 "Snowball," [Online. Available: [Accessed 23 June [8 UCI, "SMS Spam Collection Set," [Online. Available: SMS+Spam+Collection. [Accessed 23 June [9 D. Belem and F. Duarte-Fiueiredo, "Content Filterin for SMS System Based on Bayesian Classifier and 10
11 Word Groupin," [10 [11 [12 [13 [14 [15 J. M. G. Hidalo, G. C. Brinas and E. P. Sanz, "Content Based SMS Spam Filterin". S. R. Sinh, H. A. Murthy and T. A. Gonsalves, "Feature Selection for Text Classification Based on Gini Coefficient of Inequality," Workshop and Conference Proceedins 10, pp , Z. Wan and Z. Liu, "Graph-based KNN Text Classification," Seventh International Conference, T. M. Mahmoud and A. M. Mahfouz, "SMS Spam Filterin Technique Based on Artificial Immune System," IJCSI, P. Kantor, F. Robert, F.-Y. Wan, G. Muresan, D. D. Zen, H. Chen and R. C. Merkle, Intelleence and Security Informatics, Atlanta: Spriner, "Collectin SMS Messae for a Public Research Group," National University of Sinapore, 6 September [Online. Available: SCorpus/history.jsp. [Accessed 2 November
Analisis dan Implementasi Algoritma Graph-based K-Nearest Neighbour untuk Klasifikasi Spam pada Pesan Singkat
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 5899 Analisis dan Implementasi Algoritma Graph-based K-Nearest Neighbour untuk Klasifikasi Spam pada Pesan Singkat Gde Surya
Lebih terperinciBandung, Indonesia Bandung, Indonesia
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6353 Analisis dan Implementasi Pengklasifikasian Pesan Singkat pada Penyaringan SMS Spam Menggunakan Algoritma Multinomial Naïve
Lebih terperinciJURNAL ITSMART Vol 3. No 2. Desember 2014 ISSN :
IMPLEMENTASI ALGORITMA ITERATIVE DIHOTOMISER PADA PENYELEKSIAN PROGRAM MAHASISWA WIRAUSAHA UNS Tisna Dedi Utama Sari Widya Sihwi Afrizal Doewes Jurusan Informatika Jurusan Informatika Jurusan Informatika
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai konsep dasar masalah. penjadwalan kuliah, algoritma memetika serta komponen algoritma
BAB II LANDASAN TEORI Pada bab ini akan dibahas menenai konsep dasar masalah penjadwalan kuliah, aloritma memetika serta komponen aloritma memetika. Aoritma memetika diilhami dari proses evolusi makhluk
Lebih terperincipengukuran karakteristik I-V transistor. Kemudian dilanjutkan dengan penyesuaian (fitting) hasil tersebut menggunakan model TOM.
BAB III HASIL DAN DISKUSI Bab ini berisi hasil dan diskusi. Pekerjaan penelitian dimulai denan melakukan penukuran karakteristik I-V transistor. Kemudian dilanjutkan denan penyesuaian (fittin hasil tersebut
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Ruan Linkup Ruan linkup keiatan dalam penulisan tuas akhir ini adalah PT. Tembaa Mulia Semanan Tbk. (Divisi Aluminium) yan berlokasi di Jalan Daan Moot KM. 16, Semanan,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
9 BAB 1 PENDAHULUAN Latar Belakang Short Message Service (SMS) merupakan salah satu media komunikasi yang banyak digunakan saat ini karena praktis untuk digunakan dan biaya pengirimannya murah. Namun,
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
3.1 Persiapan Data BAB III ANALISA DAN PERANCANGAN SISTEM Dalam pengerjaan tugas akhir ini data yang digunakan adalah kalimat tanya Berbahasa Indonesia, dimana kalimat tanya tersebut diambil dari soal-soal
Lebih terperinciSPASIAL CLASIFICATION MINING UNTUK MENENTUKAN PRAKIRAAN CURAH HUJAN BERDASARKAN KARAKTERISTIK WILAYAH
Studia Informatika: Jurnal Sistem Informasi, 9(2), 206, 89-20 SPASIAL CLASIFICATION MINING UNTUK MENENTUKAN PRAKIRAAN CURAH HUJAN BERDASARKAN KARAKTERISTIK WILAYAH Eva Khudzaeva Proram Studi Sistem Informasi,
Lebih terperinciPENGEMBANGAN DAN ANALISIS TES KIMIA BERBASIS OPEN- ENDED PROBLEM UNTUK MENGUKUR KEMAMPUAN BERPIKIR KREATIF SISWA
SEMINAR NASIONAL KIMIA DAN PENDIDIKAN KIMIA VII Penuatan Profesi Bidan Kimia dan Pendidikan Kimia Melalui Riset dan Evaluasi Proram Studi Pendidikan Kimia Jurusan P.MIPA FKIP UNS Surakarta, 18 April 2015
Lebih terperinciImplementasi dan Analisis Klasifikasi Spam Pada Pesan Singkat Seluler Dengan Pendekatan Collaborative Filtering Menggunakan Naïve Bayes
Implementasi dan Analisis Klasifikasi Spam Pada Pesan Singkat Seluler Dengan Pendekatan Collaborative Filtering Menggunakan Naïve Bayes Implementation and Analysis of Spam Classification on Short Text
Lebih terperinciISSN : e-proceeding of Engineering : Vol.2, No.3 Desember 2015 Page 7838
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.3 Desember 2015 Page 7838 Filtering SMS Spam Menggunakan Metode Artificial Immune System (AIS) dan Algoritma Tokenization With Vectors SMS Spam
Lebih terperinciNur Indah Pratiwi, Widodo Universitas Negeri Jakarta ABSTRAK
Klasifikasi Dokumen Karya Akhir Mahasiswa Menggunakan Naïve Bayes Classifier (NBC) Berdasarkan Abstrak Karya Akhir Di Jurusan Teknik Elektro Universitas Negeri Jakarta Nur Indah Pratiwi, Widodo Universitas
Lebih terperinciLAMPIRAN. Lampiran 1. Hasil Wawancara
L.1 LAMPIRAN Lampiran 1 Hasil Wawancara Hasil Wawancara denan Kepala Personalia : Apakah Proses perekrutan di perusahaan telah dapat memenuhi permintaan tenaa kerja? Menurut saya, aktivitas perekrutan
Lebih terperinciKETERAMPILAN BERPIKIR TINGKAT TINGGI PESERTA DIDIK SMA PADA PEMBELAJARAN KONSEPPROTISTAMELALUI PENDEKATAN INKUIRI TERBIMBING. Oleh : Fathul Zannah *
KETERAMPILAN BERPIKIR TINGKAT TINGGI PESERTA DIDIK SMA PADA PEMBELAJARAN KONSEPPROTISTAMELALUI PENDEKATAN INKUIRI TERBIMBING Oleh : Fathul Zannah * Abstrak Keiatan pembelajaran di SMAN 2 Banjarbaru sudah
Lebih terperinciSTUDI ANALISA PERHITUNGAN DAN PENGATURAN RELAI ARUS LEBIH DAN RELAI GANGGUAN TANAH PADA KUBIKEL CAKRA 20 KV DI PT XYZ. Budi Yanto Husodo 1,Muhalan 2
STUDI ANALISA PERHITUNGAN DAN PENGATURAN RELAI ARUS LEBIH DAN RELAI GANGGUAN TANAH PADA KUBIKEL CAKRA 20 KV DI PT XYZ Budi Yanto Husodo 1,Muhalan 2 1,2 Proram Studi Teknik Elektro, Fakultas Teknik Universitas
Lebih terperinciAnalisis dan Implementasi Algoritma Differential Evolution Pada Jaringan Syaraf Tiruan Studi Kasus Prediksi Masa Studi Mahasiswa
Analisis dan Implementasi Aloritma Differential Evolution Pada Jarinan Syaraf Tiruan Studi Kasus Prediksi Masa Studi Mahasiswa Fahrudin Julianto 1, Jondri MSi 2, Rita Rismala ST.,MT 3 Fakultas Informatika
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1. 1.1 Latar Belakang Perkembangan dunia telekomunikasi meningkat secara signifikan dalam kurun waktu satu dekade terahir. Tidak hanya dari segi jumlah pengguna, jenis layanan yang ditawarkanpun
Lebih terperinciJURNAL SAINTIFIK VOL.2 NO.2, JULI Murtafiah Universitas Sulawesi Barat
Penaruh Kecerdasan Emosional, Pola Asuh Orantua, dan Minat Belajar terhadap Prestasi Belajar Matematika Siswa kelas XI IPA SMA Neeri di Kota Parepare Murtafiah Universitas Sulawesi Barat e-mail: murtafiahq@mail.com
Lebih terperinciMENINGKATKAN KEMAMPUAN MEMBEDAKAN WARNA BENDA MELALUI METODE PEMBERIAN TUGAS PADA ANAK USIA 4-5 TAHUN
MENINGKATKAN KEMAMPUAN MEMBEDAKAN WARNA BENDA MELALUI METODE PEMBERIAN TUGAS PADA ANAK USIA 4- TAHUN Evania Suryaninsih, Indri Astuti, Lukmanulhakim PG-PAUD FKIP Universitas Tanjunpura, Ponti email: Eva_Suryaninsih@mail.com
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Penelitian 4.1.1 Support Vector Machines (SVM) Setelah melalui proses training dan testing dengan metode Support Vector Machines (SVM), diperoleh hasil yang tertera
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Dalam bab ini akan dijabarkan analisa, yang meliputi analisa masalah dan gambaran umum masalah yang sedang dibahas, perancangan sistem serta desain antarmuka (user interface)
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Saat ini media sosial seperti Twitter telah berkembang pesat. Data global menyebut pada akhir Desember 2014 Twitter memiliki 284 juta pengguna aktif. Dick Costolo
Lebih terperinciPENGEMBANGAN MEDIA PEMBELAJARAN FLIPCHART UNTUK MENINGKATKAN PENGETAHUAN BENCANA GEMPA BUMI PADA SISWA DI SMP N 1 CAWAS
PENGEMBANGAN MEDIA PEMBELAJARAN FLIPCHART UNTUK MENINGKATKAN PENGETAHUAN BENCANA GEMPA BUMI PADA SISWA DI SMP N 1 CAWAS Disusun sebaai salah satu syarat menyelesaikan Proram Studi Strata 1 pada Jurusan
Lebih terperinciEVALUASI SETTING RELAY OCR, GFR DAN RECLOSER PASCA REKONFIGURASI JARINGAN DISTRIBUSI PADA TRAFO 2 GARDU INDUK SRONDOL SEMARANG MENGGUNAKAN ETAP 12.6.
EVALUASI SETTING RELAY, DAN RECLOSER PASCA REKONFIGURASI JARINGAN DISTRIBUSI PADA TRAFO 2 GARDU INDUK SRONDOL SEMARANG MENGGUNAKAN ETAP 12.6.0 Susatyo Handoko *, Junintyastuti, Isa Abdullah Departemen
Lebih terperinciKLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR
KLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR Dewi Pramudi Ismi 1), Ardiansyah 2) 1 Program Studi Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. jenis dokumen, yaitu dokumen training dan dokumen uji. Kemudian dua
BAB IV HASIL DAN PEMBAHASAN 4.1. Dokumen yang digunakan Pada penelitian yang dilakukan oleh penulis ini menggunakan dua jenis dokumen, yaitu dokumen training dan dokumen uji. Kemudian dua jenis dokumen
Lebih terperinci10/11/2014. CIG4E3 / Pengolahan Citra Digital BAB 8. Image Segmentation (Edge Detection) Definisi Egde. Cara Kerja Spatial Filter [1]
CI4E3 / Penolahan Citra Diital BAB 8. Imae Sementation Ede Detection Intellient Computin and Multimedia ICM Deinisi Ede Ede adalah batas antara dua daerah denan nilai ra-level an relati berbeda atau denan
Lebih terperinciImplementasi Pembelajaran Kooperatif Ni Komang Sukertiasih 69
GaneÇ Swara Vol. 4 No. Pebruari 2 IMPLEMENTASI PEMBELAJARAN KOOPERATIF DENGAN METODE SNOWBALL THROWING PADA POKOK BAHASAN LIMIT FUNGSI UNTUK MENINGKATKAN AKTIVITAS DAN PRESTASI BELAJAR SISWA KELAS XI IPA
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI II.1 Text Mining Text Mining merupakan penerapan konsep dan teknik data mining untuk mencari pola dalam teks, proses penganalisaan teks guna menemukan informasi yang bermanfaat untuk
Lebih terperinciOptimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika
Optimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika Siti Mutrofin 1, Arrie Kurniawardhani 2, Abidatul Izzah 3, Mukhamad Masrur 4 Universitas Pesantren Tinggi Darul Ulum
Lebih terperinciOPTIMASI KLASIFIKASI SEL TUNGGAL PAP SMEAR MENGGUNAKAN CORRELATION BASED FEATURES SELECTION (CFS) BERBASIS C4.5 DAN NAIVE BAYES
INFORMATIKA, Vol.3 September 2016, pp. 148~155 ISSN: 2355-6579 E-ISSN: 2528-2247 148 OPTIMASI KLASIFIKASI SEL TUNGGAL PAP SMEAR MENGGUNAKAN CORRELATION BASED FEATURES SELECTION () BERBASIS C4.5 DAN NAIVE
Lebih terperincip da p da Gambar 2.1 Gaya tekan pada permukaan elemen benda yang ter benam aliran fluida (Mike Cross, 1987)
6.3 Gaya Hambat Udara Ketika udara melewati suatu titik tankap baik itu udara denan kecepatan konstan ( steady ) maupun denan kecepatan yan berubah berdasarkan waktu (unsteady ), kecenderunan alat tersebut
Lebih terperinciEVALUASI KETEPATAN KLASIFIKASI KELULUSAN TES KETERAMPILAN SNMPTN BIDANG OLAHRAGA MENGGUNAKAN ANALISIS DISKRIMINAN KERNEL
EVALUASI KETEPATAN KLASIFIKASI KELULUSAN TES KETERAMPILAN SNMPTN BIDANG OLAHRAGA MENGGUNAKAN ANALISIS DISKRIMINAN KERNEL Yosiana Fitria. W, Bamban Widjanarko Otok Mahasiswa Proram Sarjana, Jurusan Statistika
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 KLASIFIKASI PADA TEXT MINING Budi Susanto Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa
Lebih terperinciANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA
ANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA Prawidya Destarianto 1, Wahyu Kurnia Dewanto 2, Hermawan Arief Putranto 3 1,2,3 Jurusan, Teknologi
Lebih terperinciPRESENTASI TUGAS AKHIR KI PERANCANGAN DAN PEMBANGUNAN MODUL REKOMENDASI SECTION PADA OPEN JOURNAL SYSTEM (OJS)
PRESENTASI TUGAS AKHIR KI091391 PERANCANGAN DAN PEMBANGUNAN MODUL REKOMENDASI SECTION PADA OPEN JOURNAL SYSTEM (OJS) (Kata kunci: Jurnal, K-Nearest Neighbor, Karya Ilmiah, Klasifikasi Penyusun Tugas Akhir
Lebih terperinci2016 SISTEM PRED IKSI SPAM ACCOUNT PAD A MED IA SOSIAL TWITTER D ENGAN MENGGUNAKAN ALGORITMA C4.5
1 BAB I PENDAHULUAN Dalam bab ini akan dibahas latar belakang dilaksanakannya penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian sistematika penulisan. 1.1 Latar Belakang
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Budi Susanto KLASIFIKASI PADA TEXT MINING Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa algoritma klasifikasi: KNN Naïve Bayes Decision
Lebih terperinciBAB III METODOLOGI. Support Vector Machines (SVM) merupakan salah satu metode machine
BAB III METODOLOGI 3.1 Hipotesis Support Vector Machines (SVM) merupakan salah satu metode machine learning yang dapat melakukan klasifikasi data dengan sangat baik. Metode ini bertujuan untuk mendapatkan
Lebih terperinciPerbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik
Perbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik Imam Sutoyo AMIK BSI JAKARTA e-mail: imam.ity@bsi.ac.id Abstrak - Klasifikasi peserta didik merupakan kegiatan yang sangat penting
Lebih 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 terperinciTINJAUAN PUSTAKA. i dari yang terkecil ke yang terbesar. Tebaran titik-titik yang membentuk garis lurus menunjukkan kesesuaian pola
TINJAUAN PUSTAKA Analisis Diskriminan Analisis diskriminan (Discriminant Analysis) adalah salah satu metode analisis multivariat yan bertujuan untuk memisahkan beberapa kelompok data yan sudah terkelompokkan
Lebih terperinciPerbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor
Perbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor Yusra 1, Dhita Olivita 2, Yelfi Vitriani 3 1,2,3 Jurusan Teknik
Lebih terperinciSMS Filtering Menggunakan Naive Bayes Classifier dan FP-Growth Algorithm Frequent Itemset
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6124 SMS Filtering Menggunakan Naive Bayes Classifier dan FP-Growth Algorithm Frequent Itemset Dea Delvia Arifin 1, Shaufiah,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kehadiran teknologi web yang interaktif telah merubah cara orang mengekspresikan pandangan dan opininya. Saat ini pengguna dapat menulis ulasan suatu produk pada situs
Lebih terperinciBAB II TINJAUAN PUSTAKA. penelitian yang penting (Baharudin, Lee and Khan, 2010). Beberapa peneliti telah
BAB II TINJAUAN PUSTAKA Beberapa peneliti yang melakukan penelitian menganggap text mining menjadi sangat penting karena kemudahan untuk mendapatkan data elektronik dari berbagai macam sumber, karena itu
Lebih terperinciBAB I PENDAHULUAN.
BAB I PENDAHULUAN 1.1. Latar Belakang Saat ini smartphone telah berevolusi menjadi komputer pribadi kecil dan portabel yang memungkinkan pengguna untuk melakukan penjelajahan internet, mengirim e-mail
Lebih terperinciANALISIS KLASIFIKASI SENTIMEN LEVEL ASPEK MENGGUNAKAN PENDEKATAN PEMBELAJARAN SUPERVISED
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3654 ANALISIS KLASIFIKASI SENTIMEN LEVEL ASPEK MENGGUNAKAN PENDEKATAN PEMBELAJARAN SUPERVISED ASPECT LEVEL SENTIMENT CLASSIFICATION
Lebih terperinciKLASIFIKASI DOKUMEN REPOSITORY SECARA OTOMATIS MENGGUNAKAN METODE BAYESIAN NETWORK
Lukman Syafie / JUPITER Volume XV No.2 (2016) 109 KLASIFIKASI DOKUMEN REPOSITORY SECARA OTOMATIS MENGGUNAKAN METODE BAYESIAN NETWORK Lukman Syafie Staf Pengajar Teknik Informatika, Fakultas Ilmu Komputer
Lebih terperinciANALISIS SENTIMEN DATA KRITIK DAN SARAN PELATIHAN APLIKASI TEKNOLOGI INFORMASI (PATI) MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN DATA KRITIK DAN SARAN PELATIHAN APLIKASI TEKNOLOGI INFORMASI (PATI) MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE LAPORAN TUGAS AKHIR Diajukan untuk Memenuhi Persyaratan Guna Meraih Gelar
Lebih terperinciLAPORAN KALIBRASI ALAT UKUR VOLUMETRIK
LAPORAN KALIBRASI ALAT UKUR VOLUMETRIK I. JUDUL PRAKTIKUM : KALIBRASI ALAT UKUR VOLUMETRIK II. TANGGAL PRAKTIKUM : Selasa, 12 Austus 2014 III. TANGGAL LAPORAN: Rabu, 20 Austus 2014 IV. GURU PEMBIMBING
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini, microblogging menjadi sangat popular untuk alat komunikasi antara pengguna internet. Setiap hari jutaan pesan muncul di website penyedia microblogging diantaranya
Lebih terperinciKomparasi Algoritma Support Vector Machine, Naïve Bayes Dan C4.5 Untuk Klasifikasi SMS
Vol.2 No.2, November 2017, pp. 7~13 ISSN: 2527-449X E-ISSN: 2549-7421 7 Komparasi Algoritma Support Machine, Naïve Dan C4.5 Untuk Klasifikasi SMS Retno Sari STMIK Nusa Mandiri e-mail: bee.retno@gmail.com
Lebih terperinciOPTIMASI TEKNIK KLASIFIKASI MODIFIED K NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI TEKNIK KLASIFIKASI MODIFIED K NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA GENETIKA Optimization Techniques Modi ed k Nearest Neighbor Classi cation Using Genetic Algorithm Siti Mutro n 1, Abidatul
Lebih terperinciTINGKAT ASUPAN ENERGI DAN PROTEIN DENGAN STATUS GIZI BAYI USIA 6-24 BULAN
TINGKAT ASUPAN ENERGI DAN PROTEIN DENGAN STATUS GIZI BAYI USIA 6-4 BULAN Arimina Hartati Pontoh* *Akademi Kebidanan Griya Husada, Jl. Dukuh Pakis Baru II no. Surabaya Email :admin@akbid-riyahusada.ac.id
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Penelitian terdahulu sangat penting bagi penulis untuk mengetahui referensi dan hubungan antara penelitian terdahulu dengan penelitian yang dilakukan saat ini, sehingga hal duplikasi
Lebih terperinciPerbandingan Algoritma Pendeteksian Spam
Perbandingan Algoritma Pendeteksian Spam Andros, Dimas Prawita, Juan Karsten, Maldy Vinandar Fakultas Ilmu Komputer, Universitas Indonesia Depok, Jawa Barat, Indonesia andros@ui.ac.id, dimas.prawita@ui.ac.id,
Lebih terperinciPELABELAN PADA GRAPH ( ), DENGAN
PELABELAN PADA GRAPH, DENGAN Yuliarti 1) Purwanto 2) FMIPA Universitas Neeri Malan E-mail : yulia.anwar91@yahoo.com ABSTRAK: Pelabelan raph adalah pemetaan yan memetakan elemen elemen raph (titik atau
Lebih terperinciPenghitungan panjang fetch efektif ini dilakukan dengan menggunakan bantuan peta
Bab II Teori Dasar Gambar. 7 Grafik Rasio Kecepatan nin di atas Laut denan di Daratan. 5. Koreksi Koefisien Seret Setelah data kecepatan anin melalui koreksi-koreksi di atas, maka data tersebut dikonversi
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah 1.2 Hipotesis
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Setiap matakuliah memiliki silabus perkuliahan yang berisi materi-materi mengenai matakuliah tersebut. Silabus disusun berdasarkan buku-buku referensi utama
Lebih terperinciAnalisis Pengaruh Jarak Sirip Vertikal Dan Kecepatan Angin Terhadap Perpindahan Panas Pada Motor 4 Tak
Analisis Penaruh Jarak Sirip Vertikal Dan Kecepatan Anin Terhadap Perpindahan Panas Pada Motor 4 Tak Mustafa 1 1 adalah Dosen Fakultas Teknik Universitas Merdeka Madiun Abstract One of the problems in
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan yaitu metode eksperimental dimana metode ini bekerja dengan memanipulasi dan melakukan kontrol pada objek penelitian
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Meningkatnya perkembangan teknologi juga diikuti dengan berkembangnya penggunaan berbagai situs jejaring sosial. Salah satu jejaring sosial yang sangat marak digunakan
Lebih terperinci20 SEBATIK STMIK WICIDA
0 SEBATIK STMIK WICIDA SISTEM INFORMASI PENGGAJIAN DAN MONITORING KEHADIRAN PEGAWAI HONORER DAN PADA KANTOR SISTEM ADMINISTRASI MANUNGGAL SATU ATAP (SAMSAT) UNIT PELAKSANAAN TEKNIS DAERAH (UPTD) KABUPATEN
Lebih terperinciKlasifikasi Spam dengan Menggunakan Metode Support Vector Machine dan k-nearest Neighbor
D-344 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print) Email Spam dengan Menggunakan Metode Support Vector Machine dan k-nearest Neighbor Shiela Novelia Dharma Pratiwi, Brodjol
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Situs belanja online sering disebut juga dengan situs e-commerce yaitu suatu proses membeli dan menjual produk-produk secara elektronik oleh konsumen dan dari perusahaan
Lebih terperinciImplementasi Pengembangan Smart Helpdesk di UPT TIK UNS Menggunakan Algoritma Naive Bayes Classifier
Implementasi Pengembangan Smart Helpdesk di UPT TIK UNS Menggunakan Algoritma Naive Bayes Classifier Wachid Daga Suryono 1, Ristu Saptono 2, Wiranto 3 Program Studi Informatika, Fakultas Matematika dan
Lebih terperinciKlasifikasi Teks Pesan Spam Menggunakan Algoritma Naïve Bayes
Klasifikasi Teks Pesan Spam Menggunakan Algoritma Naïve Bayes Ika Novita Dewi 1, Catur Supriyanto 2 Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Semarang 50131 1 ikadewi@research.dinus.ac.id, 2
Lebih terperinciPREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION Hamsir Saleh Hamsir.saleh@gmail.com Fakultas Ilmu Komputer Universitas Ichsan Gorontalo Abstrak Memprediksi kebangkrutan
Lebih terperinciKlasifikasi Teks Bahasa Indonesia Pada Corpus Tak Seimbang Menggunakan NWKNN
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Klasifikasi Teks Bahasa Indonesia Pada Corpus Tak Seimbang Menggunakan NWKNN Achmad Ridok 1), Retnani Latifah 2) Filkom
Lebih terperinciBAB II DASAR TEORI. Gambar 2.1 : Gaya pada roket Sumber : (Benson, 2010)
5 BAB II DASAR TEORI.1 Prinsip Kerja Roket Roket merupakan wahana luar ankasa, peluru kendali, atau kendaraan terban yan mendapatkan doronan melalui reaksi roket terhadap keluarnya secara cepat bahan fluida
Lebih terperinciBAB I PENDAHULUAN. Jumlah spam di dunia semakin meningkat secara eksponensial.
BAB I PENDAHULUAN 1.1 Latar Belakang Jumlah email spam di dunia semakin meningkat secara eksponensial. Dilaporkan bahwa pada tahun 1978 sebuah email spam dikirimkan ke 600 alamat email. Sedangkan pada
Lebih terperinciStemming pada Preprocessing Twit Berbahasa Indonesia dengan Mengimplementasikan Algoritma Fonetik Soundex untuk Proses Klasifikasi
Stemming pada Preprocessing Twit Berbahasa Indonesia dengan Mengimplementasikan Algoritma Fonetik Soundex untuk Proses Klasifikasi Stemming in Indonesian Language Twit Preprocessing Implementing Phonetic
Lebih terperinciANALISIS SENTIMEN PADA TWITTER TERHADAP JASA TRANSPORTASI ONLINE DI INDONESIA DENGAN METODE SUPPORT VECTOR MECHINE
DRAFT JURNAL ANALISIS SENTIMEN PADA TWITTER TERHADAP JASA TRANSPORTASI ONLINE DI INDONESIA DENGAN METODE SUPPORT VECTOR MECHINE SENTIMENT ANALYSIS FOR TWITTER ABOUT ONLINE INDONESIAN TRANSPORTATION WITH
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Berkembangnya teknologi telah membuat banyak informasi bermunculan. Informasi-informasi tersebut tertuang dalam bentuk dokumen terutama dokumen digital. Semakin
Lebih terperinciANALISIS KARAKTERISTIK GELOMBANG DAN PASANG SURUT PADA DAERAH PANTAI PAAL KECAMATAN LIKUPANG TIMUR KABUPATEN MINAHASA UTARA
ANALISIS KARAKTERISTIK GELOMBANG DAN PASANG SRT PADA DAERAH PANTAI PAAL KECAMATAN LIKPANG TIMR KABPATEN MINAHASA TARA Chandrika Mulyabakti M. Ihsan Jasin, J. D. Mamoto Fakultas Teknik Jurusan Sipil niversitas
Lebih terperinciBAB I PENDAHULUAN. untuk bisa mengeluarkan pendapat dan ekspresi secara bebas. Itu artinya perusahaan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pesatnya perkembangan media sosial menawarkan pengguna kesempatan untuk bisa mengeluarkan pendapat dan ekspresi secara bebas. Itu artinya perusahaan tidak lagi memiliki
Lebih terperinciGambar 1.1 Nilai Ekspor Mebel Indonesia, dan negara-negara pesaing di Asia, 2005
BAB I PENDAHULUAN 1.1 Latar Belakan Funiture merupakan salah satu kebutuhan dalam setiap rumah. Funsinya tak hanya untuk memperindah interior dalam rumah tapi jua untuk sebuah estetika yan mencitrakan
Lebih terperinciImplementasi dan Analisa Granular Support Vector Machine with Data Cleaning (GSVM-DC) untuk Spam Filtering
Implementasi dan Analisa Granular Support Vector Machine with Data Cleaning (GSVM-DC) untuk E-mail Spam Filtering Proposal Tugas Akhir KBK: Rekayasa Perangkat Lunak dan Data (RPLD) Moh. Mahsus 113060088
Lebih terperinciIMPLEMENTASI K NEAREST NEIGHBOR (KNN) PADA KLASIFIKASI ARTIKEL WIKIPEDIA INDONESIA
IMPLEMENTASI K NEAREST NEIGHBOR (KNN) PADA KLASIFIKASI ARTIKEL WIKIPEDIA INDONESIA Erik Hardiyanto 1, Faisal Rahutomo 2, Dwi Puspitasari 3 Jurusan Teknologi Informasi, Program Studi Teknik Informatika,
Lebih terperinciMoch. Ali Machmudi 1) 1) Stmik Bina Patria
UJI PENGARUH KARAKTERISTIK DATASET PADA PERFORMA ALGORITMA KLASIFIKASI Moch. Ali Machmudi 1) 1) Stmik Bina Patria 1) Jurusan Manjemen Informatika-D3 Email : 1 aliadhinata@gmail.com 1) Abstrak Tujuan utama
Lebih terperinciPERATURAN PEMERINTAH REPUBLIK INDONESIA NOMOR 10 TAHUN 1979 TENTANG PENILAIAN PELAKSANAAN PEKERJAAN PEGAWAI NEGERI SIPIL PRESIDEN REPUBLIK INDONESIA,
PERATURAN PEMERINTAH REPUBLIK INDONESIA NOMOR 10 TAHUN 1979 TENTANG PENILAIAN PELAKSANAAN PEKERJAAN PEGAWAI NEGERI SIPIL PRESIDEN REPUBLIK INDONESIA, Menimban : a. dalam ranka usaha menjamin obyektifitas
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penelitian Terkait 2.1.1. Implementasi Opinion Mining Pernah dilakukan penelitian tentang opinion mining membahas tentang ekstraksi data opini publik pada perguruan tinggi.
Lebih terperinciE-Jurnal Sariputra, Juni 2015 Vol. 2(2)
HUBUNGAN PENGETAHUAN PERAWAT TENTANG PATIENT SAFETY DENGAN TINDAKAN PENCEGAHAN RISIKO PASIEN JATUH DI RUANG INTERNA RSUD MARIA WALANDA MARAMIS AIRMADIDI RELATIONS NURSES KNOWLEDGE ABOUT PATIENT SAFETY
Lebih terperinciPEMODELAN MATEMATIS UNTUK MENGHITUNG KEMAMPUAN PRODUKSI SUMUR GAS
Fakultas MIPA, Universitas Neeri Yoyakarta, 16 Mei 009 PEMODELAN MATEMATIS UNTUK MENGHITUNG KEMAMPUAN PODUKSI SUMU GAS Mohammad Taufik Jurusan Fisika FMIPA Universitas Padjadjaran Jl. aya Bandun - Sumedan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sumber opini teks saat ini tersedia berlimpah di internet akan tetapi belum sepenuhnya dimanfaatkan karena masih kurangnya tool yang ada, sedangkan perkembangan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Selain sebagai media komunikasi, Twitter memberikan akses bagi pihak ketiga yang ingin mengembangkan aplikasi yang memanfaatkan layanannya melalui Twitter API. Salah
Lebih terperinciBAB I PENDAHULUAN BAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN BAB I PENDAHULUAN 1.1 Latar Belakang Intelligent agent, sebagai bagian dari kecerdasan buatan yang dapat diterapkan pada sistem dalam menyelesaikan sebuah permasalahan. Agen yang diterapkan
Lebih terperinciGambar II.1. Skema Sistem Produksi
Bab II Tinjauan Pustaka II.1 Sistem Produksi Sistem produksi minyak merupakan jarinan pipa yan berunsi untuk menalirkan luida (minyak) dari reservoir ke separator. Reservoir terletak di bawah permukaan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis sentimen merupakan proses dalam mengolah, memahami, dan mengekstrak data dalam bentuk teks terhadap suatu topik, kejadian ataupun individu untuk mendapatkan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciANALISIS KOORDINASI SIMPANG JALAN DIPONEGORO KOTA METRO
ANALISIS KOORINASI SIMPANG JALAN IPONEGORO KOTA METRO Ida Hadijah Jurusan Teknik Sipil, Fakultas Teknik, Universitas Muhammadiyah Metro Jl. Ki Hajar ewantara 15 A Metro, Lampun. Email : cv.sadakonsultan@yahoo.co.id
Lebih terperinciBAB I. Pendahuluan. 1. Latar Belakang Masalah
BAB I Pendahuluan 1. Latar Belakang Masalah Semakin canggihnya teknologi di bidang komputasi dan telekomunikasi pada masa kini, membuat informasi dapat dengan mudah didapatkan oleh banyak orang. Kemudahan
Lebih terperinciUKDW 1. BAB 1 PENDAHULUAN Latar Belakang Masalah
1. BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Universitas yang baik dan terpercaya selalu memperhatikan perkembangan dan kondisi yang terjadi di universitas tersebut, salah satunya dengan memantau kinerja
Lebih terperinciDESAIN BENTUK SUDUT SUDUT ARAH RADIAL PADA POMPA SENTRIFUGAL
DESAIN BENTUK SUDUT SUDUT ARA RADIAL PADA POMPA SENTRIFUGAL Kennie A. Lempoy Abstrak Permasalahan pada ketidakpuasan konsumen pada penunaan pompa air khususnya yan diunakan di rumah tana, pada saat ini
Lebih terperinci