BAB 4. Hasil Dan Pembahasan
|
|
- Handoko Kurnia
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 4 Hasil Dan Pembahasan 4.1 Implementasi Sistem Pada bagian ini, akan dibahas implementasi dari setiap perancangan yang sudah dibuat pada bab sebelumnya Proses Normalisasi Data Spasial Seperti yang telah dijelaskan pada bagian perancangan sistem, sebelum melakukan clustering data user harus memasukkan data berupa data spasial. Data spasial tersebut akan dinormalisasi terlebih dahulu menggunakan rumus Min-Max Normalization. Pada bagian ini akan dibahas proses normalisasi untuk salah satu objek dari data yang dimasukkan oleh user yaitu longitude = dan latitude = dengan nilai minimal untuk longitude adalah dan nilai minimal untuk latitude adalah , sedangkan nilai maksimal untuk longitude adalah dan nilai maksimal untuk latitude adalah Berikut ini adalah proses normalisasi tersebut dengan nilai minimal baru yang diinginkan untuk longitude dan latitude adalah nol dan nilai maksimal baru untuk keduanya adalah Normalisasi longitude ( ) 28
2 29 ( ) - Normalisasi latitude ( ) ( ) ( ) ( ) Dari proses normalisasi di atas, dapat dilihat bahwa data longitude yang baru adalah dan data latitude yang baru adalah Proses normalisasi tersebut dilakukan pada semua objek data yang dimasukkan oleh user. Data spasial yang menjadi kasus dalam penelitan ini dapat dilihat pada Lampiran 1 dan hasil normalisasi dapat dilihat pada Lampiran 2. Implementasi proses normalisasi tersebut dalam program yang dibuat dituliskan dengan kode seperti pada Kode Program 4.1. Kode Program 4.1 Proses Normalisasi Data 1. $setdata = normalisasi($namadb, $kolom1, $kolom2); 2. $A = $setdata[0]; 3. $mina = $setdata[1]; 4. $maxa = $setdata[2]; 5. $C = $setdata[3]; 6. $D = $setdata[4]; 7. for($i=0; $i<count($a); $i++) { 8. $x = round(($a[$i][0]-$mina[0][0])/($maxa[0][0]- $mina[0][0])*($d[0]-$c[0])+$c[0], 6); 9. $y = round(($a[$i][1]-$mina[0][1])/($maxa[0][1]- $mina[0][1])*($d[1]-$c[1])+$c[1], 6); }
3 30 Pada baris 1 dari Kode Program 4.1, dapat dilihat program memanggil fungsi normalisasi dengan parameter nama database yang digunakan serta kolom yang berisi data latitude dan longitude. Nilai yang dikembalikan dari fungsi tersebut adalah nilai terkecil dan terbesar data yang akan dinormalisasi serta range yang diinginkan untuk proses normalisasi tersebut. Pengkodean untuk normalisasi data dengan rumus Min-Max Normalization terdapat pada baris 8 dan baris 9 dari Kode Program Proses Clustering Setelah data spasial dinormalisasi, data tersebut akan dikelompokkan melalui proses clustering. Proses clustering dilakukan menggunakan Algoritma K-Means. Berikut ini adalah proses clustering terhadap data yang sudah dinormalisasi sesuai dengan penjelasan mengenai Algoritma K-Means pada bab sebelumnya. 1. Menentukan nilai K atau jumlah cluster dan centroid Misalkan nilai K yang dimasukkan adalah dua, sehingga centroid yang ditentukan juga sebanyak dua centroid. Centroid awal dalam algoritma K-Means ditentukan secara acak, sehingga hasil clustering dapat berubah-ubah. Pada kasus dalam penelitian ini, jumlah cluster yang baik dengan hasil clustering tidak banyak perubahan adalah dua. Oleh karena itu, pada bagian ini akan dibahas prose clustering untuk jumlah cluster dua. Adapun centroid dari objek tersebut adalah latitude dan longitude dari
4 31 objek nomor satu ( , ) yang dapat disimbolkan dengan C 1 dan objek nomor dua ( , ) yang dapat disimbolkan dengan C Mengelompokkan data ke dalam cluster Data dikelompokkan berdasarkan jarak terdekat ke centroid yang dihitung menggunakan fungsi jarak yaitu Euclidean Distance. Berikut ini adalah contoh perhitungan jarak antara objek dan centroid, untuk objek dengan longitude = dan latitude = Jarak objek ke C 1 ( ) ( ) - Jarak objek ke C 2 ( ) ( ) Perhitungan jarak dilakukan pada semua objek data seperti contoh di atas. Berdasarkan hasil perhitungan jarak maka anggota cluster satu berjumlah 10 dan anggota cluster dua berjumlah 69. Hasil perhitungan jarak dapat dilihat pada Lampiran 3. Implementasi perhitungan jarak pada program dituliskan dengan kode seperti pada Kode Program 4.2. Kode Program 4.2 Perhitungan Jarak 1. function jarak($obj, $cent) { 2. $x = pow(($obj[0]-$cent[0]),2); 3. $y = pow(($obj[1]-$cent[1]),2); 4. return round(sqrt($x + $y), 2); 5. }
5 32 Pada Kode Program 4.2 terdapat fungsi jarak dengan parameter obj yaitu data objek yang akan dikelompokkan serta cent sebagai centroid yang akan digunakan untuk menghitung jarak. Fungsi jarak melakukan perhitungan jarak antara masingmasing objek data ke centroid yang sudah ditentukan. Sesuai dengan penjelasan mengenai Algoritma K-Means, maka langkah selanjutnya adalah mengelompokkan tiap data ke dalam cluster. Data dikelompokkan berdasarkan hasil perhitungan jarak minimum. Implementasi pengelompokkan data pada sistem dapat dilihat pada Kode Program 4.3. Kode Program 4.3 Pengelompokan Data 1. function clustering($data, $centroids, $k) { 2. foreach($data as $indexdataobj => $dataobj) { 3. foreach($centroids as $centroid) { 4. $arrjarak[$indexdataobj][] = jarak($dataobj, $centroid); 5. } 6. } 7. foreach($arrjarak as $indexjarak => $jarak) { 8. $cluster = mincent($jarak); 9. $arrtempcluster[$cluster][] = $indexjarak; 10. $arrjarak_dari_clusters = array("$indexjarak" => $jarak); 11. } 12. if(count($arrtempcluster) < $k) { 13. $latlngcluster = maxcent($arrjarak_dari_clusters); 14. foreach($arrtempcluster as $tempindex => $tempcluster) { 15. foreach($tempcluster as $tempobj) { 16. if($tempobj == $latlngcluster) { 17. $clusters[$k+1][] = $tempobj; 18. } else { 19. $clusters[$tempindex][] = $tempobj; 20. } 21. } 22. } 23. } else { 24. $clusters = $arrtempcluster; 25. } 26. return $clusters; 27. }
6 33 Pada Kode Program 4.3 terdapat fungsi clustering yang berfungsi untuk melakukan pengelompokan data. Secara garis besar, fungsi ini akan memanggil fungsi jarak untuk menghitung jarak dan hasilnya ditampung dalam variabel arrjarak. Setelah itu, akan diambil nilai minimum dari hasil perhitungan tersebut. Nilai minimum dari masing-masing objek kemudian dikelompokkan satu cluster yang sama. 3. Menghitung ulang K cluster Setelah selesai mengelompokan objek ke dalam cluster, langkah selanjutnya adalah menghitung K cluster dengan centroid yang baru. Centroid baru ditentukan dengan cara sebagai berikut : - Centroid satu (C 1 ) ( ) - Centroid dua (C 2 ) ( ) Berdasarkan hasil perhitungan centroid baru sesuai dengan cara di atas, maka centroid baru untuk C 1 adalah ( , ) dan untuk C 2 adalah ( , ). Setelah mendapatkan centroid baru, ulangi langkah kedua dan langkah ketiga sampai tidak ada lagi objek data yang berpindah cluster. Implementasi perhitungan centroid baru dapat dilihat pada Kode Program 4.
7 34 Kode Program 4.4 Perhitungan Centroid Baru 1. function centroidbaru($latlng) { 2. $x = 0; 3. $y = 0; 4. foreach($latlng as $k) { 5. $x = $x + $k[0]; 6. $y = $y + $k[1]; 7. } 8. $center[0] = round($x / count($latlng), 6); 9. $center[1] = round($y / count($latlng), 6); 10. return $center; 11. } 12. function hitungcent($clusters, $data) { 13. foreach($clusters as $nocluster => $arrobjcluster) { 14. foreach($arrobjcluster as $objcluster) { 15. $arrobjcluster_latlng[$nocluster][] = $data[$objcluster]; 16. } 17. } 18. foreach($arrobjcluster_latlng as $objcluster_latlng) { 19. $cluster_centers[] = centroidbaru($objcluster_latlng); 20. } 21. return $cluster_centers; 22. } Pada Kode Program 4.4 terdapat dua fungsi yaitu fungsi centroidbaru dan hitungcent. Secara garis besar, fungsi hitungcent akan memanggil fungsi centroidbaru seperti pada baris 19 untuk melakukan perhitungan centroid baru yang akan digunakan pada iterasi berikutnya dari algoritma K-Means. Setiap kode program yang menerapkan proses algoritma K- Means akan dijalankan melalui fungsi kmeans seperti pada Kode Program 4.5.
8 35 Kode Program 4.5 Eksekusi Algoritma K-Means 1. function kmeans($data, $k) { 2. if($k <= 0) { 3. echo "Nilai K = ".$k.". K harus bilangan positif!"; 4. exit(0); 5. } 6. $centroidlama = centroid($data, $k); 7. while(true) { 8. $clusters = clustering($data, $centroidlama, $k); $centroidbaru = hitungcent($clusters, $data); if($centroidlama === $centroidbaru) { 9. return(array ($centroidbaru, $clusters)); 10. } 11. $centroidlama = $centroidbaru; 12. } 13. } Pada Kode Program 4.5 terdapat fungsi kmeans yang akan dieksekusi untuk melakukan proses algoritma K-Means. Program akan menentukan nilai centroid awal dengan memanggil fungsi centroid pada baris 6. Baris 7 sampai baris 12 merupakan perulangan yang dilakukan untuk mendapatkan hasil clustering setelah tidak ada lagi data yang berpindah cluster. Hasil dari proses clustering akan ditampilkan oleh program seperti pada Gambar 4.1. Gambar 4.1 Hasil Clustering
9 36 Data yang dimasukkan oleh user adalah data mengenai potensi bahan tambang di Provinsi Papua Barat dengan jumlah titik sebanyak 79 titik. Berdasarkan hasil clustering pada Gambar 12, dapat dilihat bahwa nilai K yang dimasukkan oleh user adalah dua sehingga jumlah cluster yang dibuat juga sebanyak dua cluster. Selain itu, juga terdapat link Lihat Peta yang dapat digunakan untuk melihat peta dari hasil clustering yang sudah dilakukan Proses Konversi Data Ke Data Spasial Setelah melakukan clustering data, data yang sudah dinormalisasi harus dikembalikan ke dalam bentuk spasial terlebih dahulu dan kemudian ditampilkan menggunakan Heatmap. Pengkodean untuk mengembalikan data ke dalam bentuk spasial dapat dilihat pada Kode Program 4.6. Kode Program 4.6 Mengembalikan Data Spasial 1. $setdata = normal($namadb, $kolom1, $kolom2); 2. $B = $setdata[0]; 3. $mina = $setdata[1]; 4. $maxa = $setdata[2]; 5. $C = $setdata[3]; 6. $D = $setdata[4]; for($i=0; $i<count($b); $i++) { 9. $x = round(($b[$i][0]/(($d[0]-$c[0])+$c[0]))* ($maxa[0][0]-$mina[0][0])+$mina[0][0], 6); 10. $y = round(($b[$i][1]/(($d[1]-$c[1])+$c[1]))* ($maxa[0][1]-$mina[0][1])+$mina[0][1], 6); }
10 37 Kode Program 4.6 merupakan pengkodean untuk mengembalikan data yang sudah dinormalisasi menjadi data spasial. Pada kode program tersebut dapat dilihat bahwa program memanggil fungsi normal yang berfungsi untuk mengambil data yang akan dikembalikan. Proses pengembalian data menjadi bentuk spasial terdapat pada baris 7 sampai baris 9 dari Kode Program 4.6. Setelah berhasil mengembalikan data dalam bentuk spasial, data akan ditampilkan menggunakan Heatmap Proses Menampilkan Data Data yang telah dikelompokkan dan dikonversi kembali dalam bentuk spasial akan ditampilkan menggunakan Heatmap. Berdasarkan kasus yang digunakan dalam penelitian ini, maka daerah yang berpotensi menghasilkan bahan tambang akan berwarna merah. Pengkodean untuk menampilkan data tersebut dapat dilihat pada Kode Program 4.7.
11 38 Kode Program 4.7 Menampilkan Data Dengan Heatmap 1. downloadurl("../skripsi/fungsi/map_xml.php?namadb="+ namadb, function(data) { 2. var xml = data.responsexml; 3. var markers = xml.documentelement. getelementsbytagname("marker"); 4. for (var i = 0; i < markers.length; i++) { 5. var nama = markers[i].getattribute("nama"); 6. var cluster = markers[i].getattribute ("cluster"); 7. var point = new google.maps.latlng (parsefloat(markers[i]. getattribute("lat")), parsefloat(markers[i]. getattribute("lng"))); 8. disk_points.push(point); 9. var html = "<b>" + nama + "</b><br>anggota <i>cluster</i> " + cluster; 10. var marker = new google.maps.marker({ position: point}); bindinfowindow(marker, map, infowindow, html); marker_array.push(marker); 11. } 12. }); 13. pointarray = new google.maps.mvcarray(disk_points); 14. heatmap = new google.maps.visualization. HeatmapLayer({ 15. data: pointarray 16. }); 17. heatmap.set('radius', 25); 18. heatmap.set('gradient', gradient); Kode Program 4.7 merupakan potongan dari fungsi initialize dengan parameter nama database yang digunakan. Fungsi tersebut dijalankan program untuk menampilkan data yang sudah dikelompokkan melalui clustering menggunakan Heatmap. Baris 1 dari Kode Program 4.7 memanggil data yang sudah dikembalikan ke dalam bentuk spasial sebelumnya. Data tersebut kemudian digunakan oleh fungsi initialize untuk ditampilkan dalam peta seperti yang terlihat pada baris 5 sampai baris 7 dari Kode Program 4.7 dan kemudian disimpan dalam
12 39 variabel pointarray pada baris 13. Pengkodean untuk menampilkan data dalam variabel pointarray dengan Heatmap terdapat pada baris 17 sampai baris 19 dari Kode Program 4.7. Data yang ditampilkan oleh Heatmap dapat dilihat pada Gambar 4.2. Gambar 4.2 Peta Hasil Clustering Gambar 4.2 menunjukkan hasil clustering dari data yang dimasukkan oleh user. Dari gambar tersebut dapat dilihat bahwa daerah yang berpotensi menghasilkan bahan tambang berwarna merah. Pada gambar tersebut juga terdapat form Tambah Objek Baru yang dapat digunakan jika user ingin menambah objek baru. Jika gambar tersebut diperbesar, maka akan ditampilkan detail dari masing-masing titik berupa informasi mengenai objek yang terdapat pada titik tersebut seperti yang ditunjukkan pada Gambar 4.3.
13 40 Gambar 4.3 Informasi Objek Tiap Titik 4.2 Pengujian Black Box Testing Setelah melakukan implementasi terhadap perancangan yang telah dibuat, maka tahap selanjutnya dalam penelitian ini adalah pengujian. Pengujian yang dilakukan yaitu Black Box Testing. Black Box Testing bisa juga disebut sebagai functional testing, sebab pengujian dilakukan pada tiap fungsi yang ada pada program (Saleh, 2009). Pada pengujian dengan Black Box Testing, akan diuji validitas dari fungsi-fungsi yang ada. Fungsi yang berhasil ditandai dengan ( ), sedangkan fungsi yang gagal ditandai dengan ( ). Hasil dari pengujian tersebut dapat dilihat pada Tabel 4.1.
14 41 Tabel 4.1 Hasil Black Box Testing FUNGSI SKENARIO INPUT HASIL VALIDITAS Upload File Mengunggah dokumen data objek Dokumen Excel Dokumen berhasil diunggah Normalisasi Mengubah data spasial ke dalam bentuk Kartesius Clustering View Map Insert Data Mengelompookan objek ke dalam cluster Menampilkan peta hasil clustering Menambahkan data objek yang baru pada peta Latitude dan Longitude objek Nilai K dan Dokumen Excel Menekan link Lihat Peta Menekan titik objek yang diinginkan dan tombol TAMBAH Data berhasil dinormalisasi Setiap cluster memiliki objeknya masingmasing Daerah hasil clustering berwarna merah Jumlah objek bertambah, anggota cluster berubah Black Box Testing dilakukan oleh programmer yang membuat program tersebut, dalam hal ini peneliti. Fungsi-fungsi yang digunakan untuk melakukan clustering diuji melalui Black Box Testing tersebut. Berdasarkan hasil pengujian pada Tabel 4.1, setiap fungsi sudah berjalan dengan baik atau valid.
15 Pengujian Penelitian Selain Black Box Testing, juga dilakukan pengujian terhadap penelitian yang dilakukan. Pengujian ini dilakukan untuk melihat kembali tujuan dari penelitian ini, yaitu clustering data spasial. Pengujian dilakukan melalui nilai K yang dimasukkan. Hasil dari pengujian tersebut dapat dilihat pada Tabel 4.2. Tabel 4.2 Hasil Pengujian Penelitian Nilai K Durasi Jumlah Durasi Jumlah Nilai K Clustering Anggota Clustering Anggota detik Cluster 1 : 79 Cluster 1 : detik Cluster 1 : 40 Cluster 2 : 3 Cluster 2 : 39 Cluster 3 : 3 Cluster 1 : 30 Cluster 4 : detik detik Cluster 2 : 38 Cluster 5 : 10 Cluster 3 : 11 Cluster 6 : 20 Cluster 1 : 10 Cluster 7 : detik Cluster 2 : 27 Cluster 8 : 10 Cluster 3 : 32 Cluster 1 : 1 Cluster 4 : 10 Cluster 2 : 3 Cluster 1 : 11 Cluster 3 : 3 Cluster 2 : 27 Cluster 4 : detik Cluster 3 : detik Cluster 5 : 10 Cluster 4 : 3 Cluster 6 : 22 Cluster 5 : 11 Cluster 7 : 13 Cluster 1 : 7 Cluster 8 : 3 Cluster 2 : 18 Cluster 9 : detik Cluster 3 : 17 Cluster 1 : 1 Cluster 4 : detik Cluster 2 : 1 Cluster 5 : 3 Cluster 3 : 3
16 detik Cluster 6 : 11 Cluster 4 : 2 Cluster 1 : 5 Cluster 5 : 14 Cluster 2 : 6 Cluster 6 : 10 Cluster 3 : 21 Cluster 7 : 22 Cluster 4 : 11 Cluster 8 : 13 Cluster 5 : 23 Cluster 9 : 3 Cluster 6 : 3 Cluster 10 : 10 Cluster 7 : 10 Pada Tabel 4.2 dapat dilihat bahwa semakin besar nilai K yang diberikan tidak mempengaruhi durasi clustering. Hal ini terlihat dari durasi clustering yang terus berubah-ubah untuk tiap nilai K. Berdasarkan hasil tersebut, dapat dikatakan bahwa durasi clustering tidak bergantung pada nilai K yang diberikan. Selain itu, hasil yang diperoleh dari pengujian penelitian yaitu mendapatkan daerah yang paling berpotensi menghasilkan bahan tambang. Hasil tersebut dapat dilihat pada Gambar 4.4.
17 44 Centroid 1 Centroid 2 Centroid 3 Centroid 4 Gambar 4.4 Hasil Pengujian Penelitian Gambar 4.4 menunjukkan hasil clustering dengan nilai K empat, sehingga ada empat cluster yang dibuat dari proses clustering tersebut. Pada Tabel 4.2 dapat dilihat bahwa cluster terbaik untuk menghasilkan potensi tambang dengan nilai K empat adalah cluster tiga, sedangkan pada Gambar 4.4 dapat dilihat bahwa cluster terbaik untuk menghasilkan potensi tambang adalah cluster dua. Perbedaan ini disebabkan karena centroid yang digunakan dalam Algoritma K-Means ditentukan secara acak.
Perancangan Clustering Data Menggunakan Algortima K-Means Berbasis Heatmap (Studi Kasus : Provinsi Papua Barat)
Perancangan Clustering Data Menggunakan Algortima K-Means Berbasis Heatmap (Studi Kasus : Provinsi Papua Barat) 1 ) Sylvia Pretty Tulus, 2) Hendry Program Studi Teknik Infromatika Fakultas Teknologi Informasi
Lebih terperinciBab 3 Metode Penelitian
Bab 3 Metode Penelitian 3.1 Metode Penelitian Pada penelitian ini, dilakukan beberapa tahapan yang saling berkaitan antara satu tahap dengan tahap lainnya. Flowchart tahapan penelitian yang dilakukan dapat
Lebih terperinciBAB III METODE DAN PERANCANGAN SISTEM. menggunakan referensi jurnal, e-book, dan artikel terkait.
BAB III METODE DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Metode penelitian yang digunakan dalam penelitian ini adalah sebagai berikut. 1. Studi Literatur Pada tahap ini, dilakukan pencarian referensi
Lebih terperinciGambar 5.1 Form Master Pegawai
BAB V HASIL DAN PEMBAHASAN 5.1. Hasil Penelitian Pada bagian ini akan dijelaskan gambaran mengenai hasil uji coba sistem/aplikasi yang telah di implementasikan.pada penelitian ini,penulis mengimplementasikan
Lebih terperinciBab 2 Tinjauan Pustaka
Bab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu Adapun penelitian terdahulu yang berkaitan dalam penelitian ini berjudul Penentuan Wilayah Usaha Pertambangan Menggunakan Metode Fuzzy K-Mean Clustering
Lebih terperinciPerancangan Clustering Data Menggunakan Algoritma K-Means Berbasis Heat Map
Perancangan Clustering Data Menggunakan Algoritma K-Means Berbasis Heat Map Laporan Penelitian Diajukan kepada Fakultas Teknologi Informasi untuk Memperoleh Gelar Sarjana Komputer Peneliti: Sylvia Pretty
Lebih terperinciBAB IV ANALISIS DAN PERANCANGAN
BAB IV ANALISIS DAN PERANCANGAN 4.1. Analisa 4.1.1 Analisis Data Pada tahap analisa data ini akan dibahas mengenai citra CT Scan yang akan dilakukan proses segmentasi atau pengelompokan data. Data citra
Lebih terperinciPengenalan Pola. K-Means Clustering
Pengenalan Pola K-Means Clustering PTIIK - 2014 Course Contents 1 Definisi k-means 2 Algoritma k-means 3 Studi Kasus 4 Latihan dan Diskusi K-Means Clustering K-Means merupakan salah satu metode pengelompokan
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Hasil Implementasi dari perancangan cetak biru sistem yang telah dilakukan pada bab sebelumnya menghasilkan tampilan piranti lunak. Tampilan aplikasi tersebut dapat dilihat
Lebih terperinciTugas Modul 2-3. <?php //Header File XML header("content-type: text/xml"); include("koneksi.php");
A. DataLokasi Tugas Modul 2-3
Lebih terperinciReview : Definisi Clustering. Metode untuk menemukan kelompok pada data berdasarkan kriteria tertentu.
Clustering Kmeans Review : Definisi Clustering Metode untuk menemukan kelompok pada data berdasarkan kriteria tertentu. K Means K Means clustering adalah metode untuk mengelompokkan item ke dalam k kelomopk
Lebih terperinciBab Implementasi Sistem
37 Bab 4 Hasil dan Pembahasan 4.1 Implementasi Sistem Basis Data Implementasi model sistem basis data merupakan implementasi dari perancangan basis data yang telah dibuat pada bab sebelumnya. Berdasarkan
Lebih terperinciBAB 3 ANALISA SISTEM
BAB 3 ANALISA SISTEM Pada perancangan suatu sistem diperlakukan analisa yang tepat, sehingga proses pembuatan sistem dapat berjalan dengan lancar dan sesuai seperti yang diinginkan. Setelah dilakukan analisis
Lebih terperinciBAB III ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN III.1. Analisis Masalah Inventoris bagi perusahaan merupakan hal yang sangat penting dalam sistem operasionalnya. Pengawasan terhadap Inventoris merupakan tolak ukur sebuah
Lebih terperinciJl. Raya Dukuhwaluh Purwokerto )
Sistem Klasterisasi Menggunakan Metode K-Means dalam Menentukan Posisi Access Point Berdasarkan Posisi Hotspot di Universitas Muhammadiyah Purwokerto (Clustering System Using K-Means Method in Determining
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
BAB V HASIL DAN PEMBAHASAN 5.1 Hasil Penelitian Pada bagian ini akan dijelaskan gambaran mengenai hasil uji coba sistem/aplikasi yang telah di implementasikan.pada penelitian ini,penulis mengimplementasikan
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Pada bab ini akan dijelaskan tampilan hasil dari aplikasi yang telah dibuat, yang digunakan untuk memperjelas tentang tampilan-tampilan dari Sistem Informasi
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1 Tampilan Hasil Berikut adalah tampilan hasil dan pembahasan dari Sistem Informasi Geografis Pos Polisi Penertiban Lalu Lintas Kota Medan. IV.1.1 Tampilan Menu Utama Tampilan
Lebih terperinciBAB IV HASIL DAN UJI COBA. Adapun tampilan hasil dari sistem informasi geografis daftar instansi yang
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Adapun tampilan hasil dari sistem informasi geografis daftar instansi yang bekerjasama dengan Bimble Basics di kota Medan, adalah sebagai berikut : IV.1.
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM Bab ini menjelaskan tentang analisa data, rancangan sistem, dan skenario pengujian. Bagian analisa data meliputi data penelitian, analisis data, data preprocessing.
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Pada bab ini akan dijelaskan tampilan hasil dari aplikasi yang telah dibuat, yang digunakan untuk memperjelas tentang tampilan-tampilan dari Sistem Informasi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perguruan tinggi merupakan suatu sarana dalam proses pembelajaran. Pembelajaran adalah proses interaksi mahasiswa dengan dosen dan sumber belajar pada lingkungan belajar.
Lebih terperinciBAB 3 Metodologi 3.1 Kerangka Berpikir
BAB 3 Metodologi 3.1 Kerangka Berpikir Kerusakan bangunan akibat gempa bumi menjadi salah satu penyebab dominan jatuhnya korban jiwa. Dibutuhkan suatu upaya untuk meminimalisasikan kerusakan bangunan akibat
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Hasil Berikut ini dijelaskan tentang hasil dari Perancangan Sistem Informasi Geografis Lokasi Bimbingan Belajar Di Kota Medan Berbasis Web, yang berisi tentang daftar bimbingan
Lebih terperinciIMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN PENJURUSAN KELAS IPA, IPS, DAN SASTRA
IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN PENJURUSAN KELAS IPA, IPS, DAN SASTRA Nama : Nandang Syaefulloh NPM : 55412243 Fakultas : Teknologi Industri Jurusan : Teknik Informatika Pembimbing
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Bab ini menjelaskan mengenai analisis dan proses perancangan. Bagian analisis meliputi deskripsi umum sistem yang dibangun, spesifikasi kebutuhan perangkat lunak, data
Lebih terperinciPENGELOMPOKAN BIMBINGAN BELAJAR MENGGUNAKAN METODE CLUSTERING DI SMA NEGERI 1 CILAKU KABUPATEN CIANJUR
PENGELOMPOKAN BIMBINGAN BELAJAR MENGGUNAKAN METODE CLUSTERING DI SMA NEGERI 1 CILAKU KABUPATEN CIANJUR SIDANG SKRIPSI Oleh Adry Rahadinata 10108069 Penguji 1 Andri Heryandi, S.T., M.T. Penguji 2 Adam Mukharil
Lebih terperinciBab 4 Hasil dan Pembahasan
Bab 4 Hasil dan Pembahasan Pada bagian ini akan dibahas tentang hasil aplikasi berdasarkan perancangan pada bab sebelumnya beserta dengan pembahasannya. Pada bagian ini juga dijelaskan tentang hasil pengujian
Lebih terperinciPerancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors Gede Aditra
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Hasil Hasil dari perancangan serta uji coba yang dilakukan dari sistem yang telah selesai dan dapat digunakan. Hasil sistem yang dibuat merupakan sistem keamanan dalam pengiriman
Lebih terperinciBAB V IMPLEMENTASI DAN PENGUJIAN
BAB V IMPLEMENTASI DAN PENGUJIAN 5.1. Tahapan Implementasi Tahap implementasi ini dilakukan setalah tahap analisa dan perancangan selesai dilakukan. Dalam tahap implementasi ini akan dilakukan pengkodingan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Bab ini menjelaskan tentang analisis dan perancangan dalam membangun Aplikasi Data Mining. Analisis meliputi analisis data mining, analisis lingkungan sistem serta
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Pada bagian ini menjelaskan hasil yang didapatkan selama penelitian yang telah dilakukan berdasarkan perumusan & tujuan penelitian, yaitu: 1) penerapan algoritma density k-means
Lebih terperinciyang menunjang dalam pengembangan program cluster. Aplikasi cluster ini dikembangkan pada laptop, dengan spesifikasi terdapat
BAB IV IMPLEMENTASI Bab ini akan menjelaskan mengenai implementasi dari sistem yang akan dikembangkan, berdasarkan hasil analisis yang telah diperoleh sebelumnya. Bab ini terdiri dari penjelasan mengenai
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Adapun yang akan dibahas pada bab ini yaitu mengenai hasil dari pembahasan Sistem Informasi Geografis Lokasi Gramedia di Sumatera Utara, yang telah dibuat serta akan dipaparkan
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM
BAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM 4.1 Implementasi Tahap ini dilakukan setelah perancangan selesai dilakukan dan selanjutnya akan diimplementasikan pada bahasa pemrograman yang akan digunakan. Tujuan
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Hasil IV.1.1. Tampilan Form Login Mulai menggunakan Aplikasi pertama sekali pengguna diminta untuk mengisikan username dan password pengguna sebagai login menggunakan aplikasi
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Hasil Berikut ini dijelaskan tentang tampilan hasil dari Perancangan Sistem Informasi Geografis Lokasi Loket Bus di Kota Medan dapat dilihat sebagai berikut : IV.1.1. Hasil
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring dengan perkembangan jaman, komputer semakin banyak berperan di dalam kehidupan masyarakat. Hampir semua bidang kehidupan telah menggunakan komputer sebagai
Lebih terperinciLAMPIRAN A DATA LENGKAP HASIL PERCOBAAN 1 DAN 2
LAMPIRAN A DATA LENGKAP HASIL PERCOBAAN 1 DAN 2 Tabel A.1 Hasil pengenalan percobaan 1 No. Citra Uji Dengan Clustering Hasil Pengenalan Tanpa Clustering Jumlah Iterasi Pencarian Dengan Tanpa Cluster Cluster
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Tampilan Hasil Berikut ini dijelaskan tentang tampilan hasil dari pembuatan Sistem Informasi Geografis Lokasi Yang Terkena Dampak Bencana Gunung Sinabung Berbasis Web
Lebih terperinciSISTEM PENGELOMPOKAN PELANGGAN PADA SEBUAH TOKO ONLINE DENGAN MENGGUNAKAN METODE CLUSTERING DAN ALGORITMA K-MEANS TUGAS AKHIR
SISTEM PENGELOMPOKAN PELANGGAN PADA SEBUAH TOKO ONLINE DENGAN MENGGUNAKAN METODE CLUSTERING DAN ALGORITMA K-MEANS TUGAS AKHIR FARSI LOSA WERDIANSYAH 41812120085 PROGRAM STUDI SISTEM INFORMASI FAKULTAS
Lebih terperinciImplementasi Algoritma Fuzzy C-Means Untuk Clustering Penderita Tuberculosis di Kota Semarang
Implementasi Algoritma Fuzzy C-Means Untuk Clustering Penderita Tuberculosis di Kota Semarang Implementation Of Fuzzy C-Means Algorithm For Clustering Tuberculois Patients at Semarang. Devi Dwi R¹, Etika
Lebih terperinciProsiding SENATEK 2015 Fakultas Teknik, Universitas Muhammadiyah Purwokerto Purwokerto, 28 November 2015, ISBN
SISTEM KLASTERISASI MENGGUNAKAN METODE K-MEANS DALAM MENENTUKAN POSISI ACCESS POINT BERDASARKAN POSISI PENGGUNA HOTSPOT DI UNIVERSITAS MUHAMMADIYAH PURWOKERTO Achmad Fauzan*, Abid Yanuar Badharudin, Feri
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Hasil Berikut ini dijelaskan tentang tampilan hasil dari Sistem Informasi Geografis Lokasi Sekolah Dasar Negeri Di Kota Binjai Berbasis Web dapat dilihat sebagai berikut
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1. IMPLEMENTASI Setelah ada nya tahap desain mengenai Sistem Informasi Monitorig Pembayaran Dan Pengambilan Produk Kartu Perdana Bundling ini maka diperlukan sebuah
Lebih terperinci4. BAB IV IMPLEMENTASI DAN PENGUJIAN
4. BAB IV IMPLEMENTASI DAN PENGUJIAN Sebelum program di implementasikan, maka program harus bebas dari kesalahan. Kesalahan program yang mungkin terjadi antara lain karena kesalahan penulisan (coding),
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA
SEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA Kamil Malik Jurusan Teknik Informatika STT Nurul Jadid Paiton nomor1001@gmail.com Andi Hutami Endang Jurusan Teknik Informatika
Lebih terperinciTUGAS PENGENALAN POLA K-MEANS CLUSTERING. Disusun Oleh : Putrisia Hendra Ningrum Adiaty (06/195033/PA/11129)
TUGAS PENGENALAN POLA K-MEANS CLUSTERING Disusun Oleh : Putrisia Hendra Ningrum Adiaty (06/195033/PA/11129) ELEKTRONIKA DAN INSTRUMENTASI JURUSAN ILMU KOMPUTER DAN ELEKTRONIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB IV IMPLEMENTASI PERANCANGAN
BAB IV IMPLEMENTASI PERANCANGAN 4.1 Rancangan Layar Gambar 4.1 Struktur rancangan sistem pengarsipan Surat Ukur secara digital 4.2 Perancangan Database Tahap awal dalam perancangan sistem ini yaitu membuat
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Pada bab ini akan dijelaskan tampilan hasil dari aplikasi yang telah dibuat, yang digunakan untuk memperjelas tentang tampilan-tampilan dari Sistem Informasi
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Analisis cluster merupakan salah satu alat yang penting dalam pengolahan data statistik untuk melakukan analisis data. Analisis cluster merupakan seperangkat metodologi
Lebih terperinciBAB IV HASIL DAN UJICOBA
BAB IV HASIL DAN UJICOBA IV.1. Tampilan Hasil Berikut ini dijelaskan mengenai tampilan hasil dari perancangan data mining varian produk elektronik sound system dengan metode K-Means Clustering yang dapat
Lebih terperinci1. Pendahuluan. 2. Tinjauan Pustaka
1. Pendahuluan Perkembangan teknik visualisasi data semakin berkembang mulai dari yang sederhana sampai yang kompleks. Heatmap merupakan salah satu teknologi visualisasi yang mempresentasikan data menggunakan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. tempat bagi para mahasiswa maupun dosen untuk belajar dan menambah
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Permasalahan Perpustakaan merupakan salah satu gudang ilmu pengetahuan bagi sebagian masyarakat. Perpustakaan STIKOM Surabaya merupakan salah satu tempat
Lebih terperinciDATA MINING. Pertemuan 9. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 9 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2016 Clustering Data Mining Penklusteran (clustering) digunakan untuk
Lebih terperinciMETODE CLUSTERING DENGAN ALGORITMA K-MEANS. Oleh : Nengah Widya Utami
METODE CLUSTERING DENGAN ALGORITMA K-MEANS Oleh : Nengah Widya Utami 1629101002 PROGRAM STUDI S2 ILMU KOMPUTER PROGRAM PASCASARJANA UNIVERSITAS PENDIDIKAN GANESHA SINGARAJA 2017 1. Definisi Clustering
Lebih terperinciSISTEM PENENTUAN JURUSAN SEKOLAH MENENGAH ATAS NEGERI 1 KARANGMOJO
SISTEM PENENTUAN JURUSAN SEKOLAH MENENGAH ATAS NEGERI 1 KARANGMOJO Maria Etik Sulistiyani1), Bambang Soedijono2), Syamsul A. Syahdan3) 1,2,3) Magister Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
65 BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Setelah tahap analisa dan tahap perancangan sistem aplikasi yang sudah dijelaskan pada Bab III, maka tahap selanjutnya merupakan tahap implementasi.
Lebih terperinciBAB 3 PERANCANGAN SISTEM
21 BAB 3 PERANCANGAN SISTEM 3.1 Arsitektur Sistem Template Formulir Sample Karakter Pengenalan Template Formulir Pendefinisian Database Karakter Formulir yang telah diisi Pengenalan Isi Formulir Hasil
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Setelah melalui tahap analisis dan tahap perancangan terhadap aplikasi berbasis web menggunakan framework codeigniter, tahapan selanjutnya adalah implementasi
Lebih terperinciBAB III ANALISIS III.1 Analisis Konseptual Teknik Pengolahan Data
BAB III ANALISIS III.1 Analisis Konseptual Teknik Pengolahan Data Data sudah menjadi bagian penting dalam pengambilan keputusan. Data telah banyak terkumpul baik itu data transaksi perbankan, data kependudukan,
Lebih terperinciFungsi : Dasar Fungsi
PRAKTIKUM 13 Fungsi : Dasar Fungsi A. TUJUAN PEMBELAJARAN 1. Memecah program dalam fungsi fungsi yang sederhana. 2. Menjelaskan tentang pemrograman terstruktur. B. DASAR TEORI Fungsi adalah suatu bagian
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
61 BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis 3.1.1 Analisis Permasalahan Proses Segmentasi citra dapat dilakukan dengan berbagai cara, antara lain dengan metode konvensional secara statistik maupun
Lebih terperinci.: Analisis Gerombol - Bagian 2 :.
seri tulisan data mining.: Analisis Gerombol - Bagian 2 :. Penggerombolan Tak Berhirarki - Algoritma k-means Bagus Sartono bagusco@gmail.com June 4, 2016 Abstract Pada seri tulisan ini akan dipaparkan
Lebih terperinciBab IV Implementasi Sistem
37 Bab IV Implementasi Sistem Implementasi aplikasi penjadwalan kereta api dengan menggunakan algoritma genetik didalam penelitian ini menggunakan bahasa pemrogramman C# dan database MySQL 5. Adapun perancangan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Tampilan Hasil Penulis merancang program sistem informasi geografis pengiriman buah import pada PT. Sekar Mulia Abadi berbasis Web dengan menggunakan bahasa pemrograman
Lebih terperinciDAFTAR ISI HALAMAN JUDUL... LEMBAR PERSETUJUAN... LEMBAR PENGESAHAN... iii. LEMBAR PERNYATAAN... iv RIWAYAT HIDUP... KATA PENGANTAR...
DAFTAR ISI HALAMAN JUDUL... Halaman i LEMBAR PERSETUJUAN... ii LEMBAR PENGESAHAN... iii LEMBAR PERNYATAAN... iv RIWAYAT HIDUP... v KATA PENGANTAR... vi DAFTAR ISI... vii DAFTAR TABEL... xi DAFTAR GAMBAR...
Lebih terperinciJavaScript. Pemrograman Web 1. Genap
JavaScript Pemrograman Web 1 Genap 2011-2012 Popup Box JavaScript memiliki tiga macam Popup Box, yaitu : Alert box Biasanya digunakan untuk memberikan informasi ke pengguna. Confirm box Biasanya digunakan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Pada bab ini akan dijelaskan mengenai tampilan hasil perancangan Sistem Informasi Penentuan Siswa Berprestasi pada SMA Swa Bina Karya dengan tujuan agar para
Lebih terperinciBAB IV IMPLEMENTASI. Gambar 4.1 Tampilan Database Nobel.
BAB IV IMPLEMENTASI Tahap implementasi merupakan tahap kelanjutan dari tahap perancangan system. Dalam tahap ini juga merupakan tahap meletakan system supaya siap untuk dioperasikan dan dapat dilihat sebagai
Lebih terperinciGambar 3.1 Contoh Citra yang digunakan
BAB III DATASET DAN RANCANGAN PENELITIAN Pada bab ini dijelaskan tentang dataset citra yang digunakan dalam penelitian ini serta rancangan untuk melakukan penelitian. 3.1 DATASET PENELITIAN Penelitian
Lebih terperinciPANDUAN DATA ENTRY SISFO PENGUNGSI BADAN NASIONAL PENANGANAN BENCANA DIREKTORAT PENANGANAN PENGUNGSI
017 PANDUAN DATA ENTRY SISFO PENGUNGSI BADAN NASIONAL PENANGANAN BENCANA DIREKTORAT PENANGANAN PENGUNGSI DAFTAR ISI PENDAHULUAN... Membuka Aplikasi... Gambaran Umum Aplikasi... LOGIN DATA ENTRY... SETTING
Lebih terperinciBAB 3 PERANCANGAN DAN IMPLEMENTASI APLIKASI PETA UI BERBASIS GOOGLE MAPS
BAB 3 PERANCANGAN DAN IMPLEMENTASI APLIKASI PETA UI BERBASIS GOOGLE MAPS 3.1 Perancangan Aplikasi Peta UI Berbasis Google Maps Dalam membangun aplikasi peta UI berbasis Google Maps, konfigurasinya adalah
Lebih terperinciBAB I PENDAHULUAN. informasi yang akurat sangat dibutuhkan dalam kehidupan sehari-hari, sehingga
BAB I PENDAHULUAN I.1. Latar Belakang Dengan kemajuan teknologi informasi dewasa ini, kebutuhan akan informasi yang akurat sangat dibutuhkan dalam kehidupan sehari-hari, sehingga informasi akan menjadi
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1. Implementasi Implementasi adalah sebuah tahap dimana analisa dan rancangan yang sudah dibuat sebelumnya dijalankan. Pada tahap ini perangkat keras dan perangkat lunak
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Hasil Berdasarkan hasil dari perancangan yang telah dirancang oleh penulis dapat dilihat pada gambar-gambar berikut ini. IV.1.1. Tampilan Awal Tampilan ini adalah tampilan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 3.1 Analisis ANALISIS DAN PERANCANGAN Pada penelitian ini akan dibangun sistem yang dapat digunakan untuk mengklasifikasi pasien menurut body mass index (BMI), Basal Metabolic Rate (BMR), usia dan
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Hasil IV.1.1. Tampilan Form Login Tampilan form login merupakan form untuk memasukan ID User dan Password agar program dapat dibuka seperti pada gambar IV.1 berikut ini
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Untuk menjalankan alat bantu normalisasi ini dibutuhkan sarana perangkat keras
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi 4.1.1 Spesifikasi Sistem Untuk menjalankan alat bantu normalisasi ini dibutuhkan sarana perangkat keras dan piranti lunak sebagai berikut : Spesifikasi
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA Adapun yang akan dibahas pada bab ini yaitu mengenai hasil dari pembahasan Sistem Informasi Geografis Lokasi Rumah Makan Padang di kota medan, yang telah dibuat serta akan dipaparkan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam bagian ini dijelaskan aktifitas yang dilakukan dalam melakukan penelitian dibagi menjadi 2 (dua) yaitu: 1) Perancangan Skenario; dan 2) Penerapan Skenario. 3.1. Perancangan
Lebih terperinciBAB IV PERANCANGAN. proses utama yaitu pembentukan kunci, proses enkripsi dan proses dekripsi.
BAB IV PERANCANGAN 4.1 Perancangan Pada Bab III telah dijelaskan bahwa algoritma RSA memiliki 3 buah proses utama yaitu pembentukan kunci, proses enkripsi dan proses dekripsi. Diasumsikan proses pembentukan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Adapun tampilan hasil dari sistem informasi geografis lokasi gedung
BAB IV HASIL DAN PEMBAHASAN IV.1. TampilanHasil Adapun tampilan hasil dari sistem informasi geografis lokasi gedung bioskop di Medan adalah sebagai berikut: IV.1.1. Tampilan Menu User IV.1.1.1.Tampilan
Lebih terperinciBAB IV TESTING DAN IMPLEMENTASI SISTEM
BAB IV TESTING DAN IMPLEMENTASI SISTEM 4.1 IMPLEMENTASI SISTEM Pada tahapan implementasi dan pengujian sistem, akan dilakukan setelah tahap analisis dan perancangan selesai dilakukan. Pada sub bab ini
Lebih terperinciBAB IV PEMBAHASAN. commit to user
digilib.uns.ac.id 26 BAB IV PEMBAHASAN 4.1 Analisis Kebutuhan Sistem 4.1.1 Deskripsi Data Data yang berhasil dikumpulkan dari hasil wawancara dengan pegawai Kementrian Sosial di dapatkan data hasil survey
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di lakukan oleh Muhammad Toha dkk (2013), Sylvia Pretty Tulus (2014), Johan
Lebih terperinciBAB V IMPLEMENTASI DAN PENGUJIAN SISTEM
BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM 5.1. Implementasi Kegiatan implementasi atau penerapan dilakukan dengan dasar yang telah direncanakan dalam rencana implementasi. Pada penerapan sistem yang diusulkan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1 Tampilan Hasil Adapun hasil dan pembahasan sistem informasi penentuan harga pokok penjualan pada CV. Anugrah adalah sebagai berikut : IV.1.1 Tampilan Input 1. Form Login
Lebih terperinciBAB IV PEMBAHASAN. Pada penelitian ini menggunakan data mahasiswa Fakultas Teknik alumni
BAB IV PEMBAHASAN Pada penelitian ini menggunakan data mahasiswa Fakultas Teknik alumni 2013-2015, rentan waktu itu di jadikan sebagai bahan penelitian karena cukup relevan dengan tahun sekarang, faktor
Lebih terperinciBAB IV IMPLEMENTASI SISTEM DAN PENGUJIAN
BAB IV IMPLEMENTASI SISTEM DAN PENGUJIAN 4.1 Implementasi Sistem Pada tahap implementasi, merupakan tahapan penerapan dan pengujian dari portal informasi yang sudah dirancang. Penerapan rancangan yang
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Hasil Berikut ini dijelaskan tentang tampilan hasil dari Perancangan Sistem Informasi Geografis Lokasi Pusat Provider Jaringan Internet Kota Medan di Sumatera Utara dapat
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI SISTEM
BAB IV IMPLEMENTASI DAN EVALUASI SISTEM 4.1 Implementasi Implementasi ini merupakan hasil skenario dari desain implementasi data yang telah dijelaskan pada bab sebelumnya, dalam hal ini objek dari implemtasi
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Loket Bus merupakan tempat dimana masyarakat yang akan memesan atau membeli suatu tiket untuk menggunakan sarana transportasi bus sebagai keperluan
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Pada bab ini akan di jelaskan tampilan hasil dari aplikasi yang telah dibuat, yang digunakan untuk memperjelas tentang tampilan-tampilan yang ada pada Sistem
Lebih terperinci1.2 Rumusan Masalah 1.3 Batasan Masalah 1.4 Tujuan Penelitian
Penerapan Data Mining dengan Menggunakan Metode Clustering K-Mean Untuk Mengukur Tingkat Ketepatan Kelulusan Mahasiswa Program Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang
Lebih terperinciSEMINAR PROGRESS TUGAS AKHIR
SEMINAR PROGRESS TUGAS AKHIR PENGEMBANGAN SISTEM REKOMENDASI PEMINJAMAN BUKU BERBASIS WEB MENGGUNAKAN METODE SELF ORGANIZING MAP CLUSTERING PADA BADAN PERPUSTAKAAN DAN KEARSIPAN (BAPERSIP) PROVINSI JAWA
Lebih terperinciSKRIPSI RONNY BENEDIKTUS SIRINGORINGO
ANALISIS PERBANDINGAN PROSES CLUSTER MENGGUNAKAN K- MEANS CLUSTERING DAN K-NEAREST NEIGHBOR PADA PENYAKIT DIABETES MELLITUS SKRIPSI RONNY BENEDIKTUS SIRINGORINGO 131421021 PROGRAM STUDI S1 ILMU KOMPUTER
Lebih terperinciBAB V IMPLEMENTASI DAN PENGUJIAN. harus dijalankan diantaranya adalah: hal-hal yang harus dipersiapkan adalah sebagai berikut:
BAB V IMPLEMENTASI DAN PENGUJIAN 5.1 Implementasi sistem Tahap implementasi sistem ini merupakan tahap meletakan sistem supaya siap untuk dioperasikan. Dalam implementasi perancangan aplikasi web E-Commerce
Lebih terperinci