PREFERENSI KARAKTERISTIK KOPI 3 IN 1 MENGGUNAKAN METODE POHON REGRESI DAN KLASIFIKASI FITRIYANTO
|
|
- Irwan Cahyadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PREFERENSI KARAKTERISTIK KOPI 3 IN 1 MENGGUNAKAN METODE POHON REGRESI DAN KLASIFIKASI FITRIYANTO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010
2 RINGKASAN FITRIYANTO. Preferensi Karakteristik Kopi 3 in 1 Menggunakan Metode Pohon Regresi dan Klasifikasi. Dibimbing oleh AUNUDDIN dan LA ODE ABDUL RAHMAN. Saat ini, banyak perusahaan yang berlomba-lomba memproduksi kopi 3 in 1. Hal ini menimbulkan tantangan bagi salah satu pihak perusahaan kopi 3 in 1, yaitu PT X yang memproduksi kopi X. Perusahaan ini harus lebih pandai menciptakan produk yang disukai masyarakat agar produknya laris di pasaran. Untuk mengetahui apakah produk sudah disukai oleh konsumen perlu dilakukan evaluasi produk. Tahap awal yang dapat dilakukan oleh PT X adalah eksplorasi data dengan membuat klasifikasi karakteristik kopi X. Analisis yang dapat digunakan untuk membuat klasifikasi adalah metode pohon regresi dan klasifikasi (classification and regression trees). Pohon regresi dan klasifikasi adalah salah satu metode eksplorasi data yaitu berupa teknik pohon keputusan. Pohon keputusan yang digunakan pada penelitian ini adalah pohon klasifikasi. Penelitian ini menghasilkan pohon klasifikasi optimum dengan peubah penjelas yang masuk kedalam pohon yaitu kekuatan aroma kopi dan kekuatan rasa susu. Hasil klasifikasi sebanyak tiga klasifikasi karakteristik kopi X dengan dua klasifikasi memiliki label kelas bahwa konsumen menyukai produk kopi X dan sisanya memiliki label kelas bahwa konsumen biasa saja terhadap produk ini. Kata kunci: pohon klasifikasi, kopi 3 in 1
3 PPREFERENSI KARAKTERISTIK KOPI 3 IN 1 MENGGUNAKAN METODE POHON REGRESI DAN KLASIFIKASI FITRIYANTO Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika pada Departemen Statistika DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010
4 Judul : Preferensi Karakteristik Kopi 3 in 1 Menggunakan Metode Pohon Regresi dan Klasifikasi Nama : Fitriyanto NRP : G Menyetujui: Pembimbing I, Pembimbing II, Prof. Dr. Ir. Aunuddin, M.Sc NIP La Ode Abdul Rahman, S.Si, M.Si Mengetahui: Ketua Departemen Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Dr. Ir. Hari Wijayanto, M.Si NIP Tanggal Lulus:
5 KATA PENGANTAR Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa atas segala rahmat, hidayah, kemudahan, dan karunia-nya sehingga skripsi yang berjudul Preferensi Karakteristik Kopi 3 in 1 Menggunakan Metode Pohon Regresi dan Klasifikasi ini dapat diselesaikan dengan baik. Pada kesempatan ini, penulis mengucapkan terima kasih kepada: 1. Bapak Prof. Dr. Ir. Aunuddin, M.Sc sebagai ketua komisi pembimbing atas kesabarannya dalam membimbing dan memberi ide, saran serta kritik membangun selama penulisan karya ilmiah ini. 2. Bapak La Ode Abdul Rahman, S.Si, M.Si selaku dosen pembimbing atas seluruh masukan dan dukungan yang diberikan sehingga karya ilmiah ini dapat diselesaikan dengan baik. 3. Ibu Pika Silvianti selaku penguji luar atas kesediaannya memberikan saran dan membantu penulis dalam menyempurnakan karya ilmiah ini. 4. Bapak Kelik Harjono dan M Mufti Mubarak yang telah bersedia membantu penulis untuk memperoleh data yang digunakan dalam karya ilmiah ini. 5. Ibu Endang, Mba Susan dan suluruh Ibu pengasuh di Yayasan Namira yang telah membantu membiayai kuliah penulis 6. Ibu dan kakak tersayang atas segala dukungan dan semangat yang tak henti-hentinya selama ini. 7. Nurhayati atas diskusi dan semangatnya dalam membantu penulis menyelesaikan penulisan ini. 8. Teman-teman STK 43. Terima kasih atas diskusi dan motivasinya. Penulis sangat berharap karya ilmiah ini dapat bermanfaat bagi penulis dan pembaca. Bogor, Desember 2010 Fitriyanto
6 RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 18 Mei 1988 sebagai anak bungsu dari pasangan Bapak Wardaya dan Ibu Sutarni. Penulis mengawali pendidikan dasar pada tahun 1994 di SD Negeri 03 Petang Jakarta dan lulus pada tahun Penulis melanjutkan sekolah ke SLTP Negeri 131 Jakarta hingga tahun Selanjutnya, penulis menamatkan pendidikan menengah atas di SMA Negeri 49 Jakarta pada tahun 2006 dan pada tahun yang sama penulis diterima di Perguruan Tinggi Institut Pertanian Bogor melalui jalur SPMB dengan mayor Statistika dan minor Manajemen Fungsional. Selama menjadi mahasiswa, Penulis aktif di kelembagaan kemahasiswaan IPB sebagai anggota Himpunan Keprofesian Gamma Sigma Beta Statistika IPB. Penulis pernah menjadi asisten dosen untuk mata kuliah rancangan percobaan pada semester enam dan mata kuliah metode statistika pada semester tujuh. Penulis juga pernah bekerja menjadi staf promosi di bimbingan belajar dan olah data Statistics Centre periode tahun 2008 sampai 2009.
7 DAFTAR ISI Halaman DAFTAR TABEL... viii DAFTAR GAMBAR... viii DAFTAR LAMPIRAN... viii PENDAHULUAN Latar Belakang... 1 Tujuan... 1 TINJAUAN PUSTAKA Pohon Regresi dan Klasifikasi... 1 Pemilihan Pemilah... 1 Penentuan Simpul Terminal... 2 Penandaan Label Kelas... 2 Penentuan Pohon Optimum... 2 DATA DAN METODE Data... 3 Metode... 3 HASIL DAN PEMBAHASAN Deskripsi Peubah Respon... 3 Analisis Pohon Klasifikasi Menggunakan Metode Pohon Regresi dan Klasifikasi... 4 SIMPULAN DAN SARAN Simpulan... 6 Saran... 6 DAFTAR PUSTAKA... 6 LAMPIRAN... 7
8 DAFTAR TABEL Halaman 1 Statistik Deskriptif Kesukaan Konsumen terhadap Kopi X Secara Keseluruhan Urutan Pohon Klasifikasi... 4 DAFTAR GAMBAR Halaman 1 Struktur Pohon Klasifikasi Pohon Klasifikasi Optimum Pohon Klasifikasi Hasil Pengembangan Satu Tahap dari Pohon Klasifikasi Optimum... 5 DAFTAR LAMPIRAN Halaman 1 Karakteristik Peubah Nilai Tingkat Salah Pengklasifikasian Pengganti Relatif Validasi Silang Setiap Pohon Pohon Klasifikasi Hasil Pengembangan Dua Tahap dari Pohon Klasifikasi Optimum... 9
9 1 PENDAHULUAN Latar Belakang Saat ini banyak perusahaan yang memproduksi kopi 3 in 1 dengan berbagai merek. Salah satu untuk jenis minuman ini adalah kopi X. Kopi X merupakan minuman kopi 3 in 1 susu, yaitu campuran antara kopi, gula dan susu yang diproduksi oleh PT X. Banyaknya perusahan yang berlombalomba memproduksi kopi 3 in 1, mengakibatkan adanya persaingan yang ketat. Adanya persaingan menimbulkan tantangan bagi salah satu pihak perusahaan kopi 3 in 1, yaitu PT X. Pihak perusahaan minuman ini harus lebih pandai menciptakan produk agar produknya laris di pasaran. Pada kenyataannya, sering kali suatu konsumen menginginkan produk dengan karakteristik tertentu. Oleh karena itu, PT X harus menciptakan produk yang disukai konsumen. Untuk mengetahui apakah produk sudah disukai oleh konsumen perlu dilakukan evaluasi produk. Tahap awal yang dapat dilakukan oleh PT X adalah eksplorasi data. Eksplorasi data yang dapat dilakukan berbentuk klasifikasi. Analisis yang dapat digunakan untuk membuat klasifikasi adalah metode pohon regresi dan klasifikasi (classification and regression trees). Sedangkan untuk tahap selanjutnya dapat dilakukan dengan metode lain. Tujuan Tujuan penelitian ini adalah membuat klasifikasi karakteristik kopi X yang disukai menggunakan metode pohon regresi dan klasifikasi. TINJAUAN PUSTAKA Pohon Regresi dan Klasifikasi Pohon regresi dan klasifikasi (classification and regression trees) adalah salah satu metode eksplorasi data yaitu berupa teknik pohon keputusan. Metode ini dikembangkan oleh Leo Breiman, Jerome H. Friedman, Richard A. Olshen dan Charles J. Stone sekitar tahun Pohon regresi dan klasifikasi merupakan pendekatan yang populer untuk membangun klasifikasi berdasarkan pohon biner (Mulier 1998). Metode ini akan menghasilkan pohon regresi jika peubah responnya kontinu dan menghasilkan pohon klasifikasi jika peubah responnya kategorik. Pohon klasifikasi merupakan penyekatan data secara berulang (rekursif) dan menghasilkan sekatan yang biner, karena selalu membagi kumpulan data menjadi dua sekatan. Hal ini dapat ditunjukan dalam suatu gambar struktur pohon (Gambar 1). ya C A C tidak Gambar 1 Struktur pohon klasifikasi B Node/ Simpul cabang Simpul terminal Menurut Breiman et al. (1993), pohon klasifikasi terdiri dari tiga elemen, yaitu: 1. Pemilihan pemilah. 2. Penentuan simpul terminal. 3. Penandaan label kelas. Misalkan (X, y) merupakan peubah penjelas dan peubah respon dengan X=(x 1, x 2,..., xq)єr q tersusun dari q vektor penjelas dan y={1, 2,..., j} vektor label yang berkaitan, sehingga terdapat himpunan data L={(x n, j n ), n=1, 2,..., N}. T dinamakan pohon klasifikasi sedangkan t T dinamakan simpul pohon. Elemen minimum dari T dinamakan akar(t). Jika g,h T dan sisi kiri bagian simpul t (g=l(h)) atau sisi kanan simpul t (g=r(h)), maka h dinamakan simpul induk (induk(g)) dan g dinamakan simpul anak (anak(h)). Jika h=induk(g) atau h=induk(induk(g)), g dinamakan keturunan(h) dan h dinamakan tertua(g). T t adalah himpunan bagian dari T yang memuat t dan seluruh keturunan t. Pemangkasan cabang T t dari T dengan cara menghilangkan seluruh keturunan(t) dari T yaitu potong seluruh T t kecuali akar(t t ). Pohon terpangkas dinotasikan dengan T-T t (Kardiana et al. 2006). Pemilihan Pemilah Pada tahap ini akan dicari pemilah yang menurunkan tingkat keheterogenan yang paling tinggi dari setiap simpul. Breiman et al. (1993) menjelaskan bahwa impuritas merupakan ukuran keheterogenan suatu simpul. Fungsi impuritas yang dapat digunakan adalah indeks Gini. Bila nilai impuritas suatu simpul semakin besar maka semakin heterogen simpul tersebut. C
10 2 Nilai impuritas menggunakan indeks Gini pada simpul t, i(t), dapat ditulis sebagai berikut: =1 dimana p(j t) adalah peluang unit pengamatan dalam kelas ke-j berasal dari simpul t yang dinyatakan sebagai berikut: = / / dengan adalah peluang awal kelas ke-j, adalah banyaknya unit pengamatan yang termasuk dalam kelas ke-j, dan adalah banyaknya unit pengamatan yang termasuk dalam kelas ke-j pada simpul t. Pemilahan dimulai dari ruang umum dengan cara memeriksa nilai-nilai dari setiap peubah penjelas. Misalkan untuk setiap peubah penjelas x q dimana x q X, q=(1, 2,..., m). Untuk peubah penjelas yang dapat diurutkan, pemilah peubah penjelas dilakukan dengan bentuk x q c lawan x q > c, c adalah bilangan riil. Jika peubah penjelas x q yang tidak dapat diurutkan dengan b kategori, dimana b {b1, b2,..., b d }, d adalah banyaknya kategori peubah penjelas ke-q, maka b kategori dibagi menjadi dua himpunan saling lepas (akan terdapat sebanyak 2 b-1-1 kemungkinan pemilah) Misalkan terdapat calon pemilah s yang memilah t menjadi t L (dengan proporsi P L ) dan menjadi t R (dengan proporsi P R ), maka kebaikan dari s didefinisikan sebagai penurunan impuritas:, = Pengembangan pohon dilakukan dengan cara, pada simpul t 1, carilah s* yang memberikan nilai penurunan impuritas tertinggi yaitu:, =max dengan S adalah gugus yang berisi semua kemungkinan penyekatan. Maka t 1 dipilah menjadi t 2 dan t 3 menggunakan s*. Dengan cara yang sama dilakukan juga pencarian pemilah terbaik pada t 2 dan t 3 secara terpisah, dan seterusnya. Sehingga didapatkan penurunan keheterogenan pohon dengan membelah simpul t sebagai berikut:, = dimana p(t) adalah peluang amatan berada pada simpul t yang dapat ditulis sebagai berikut: = / Penentuan Simpul Terminal Suatu simpul t akan menjadi simpul terminal atau tidak akan dipilah kembali, apabila adanya batasan minimum jumlah pengamatan. Umumnya jumlah pengamatan minimum pada simpul sebesar 5 dan terkadang berjumlah 1 (Breiman et al. 1993). Maka selanjutnya t tidak dipilah lagi tetapi dijadikan simpul terminal dan hentikan pembentukan pohon. Penandaan Label Kelas Label kelas dari simpul terminal ditentukan berdasarkan aturan jumlah terbanyak, yaitu jika P(j 0 t) = max P(j t), maka label kelas untuk terminal t adalah j 0 (Breiman et al. 1993). Penentuan Pohon Optimum Breiman et al. (1993) menjelaskan bahwa pohon klasifikasi T tidak dibatasi ukurannya. Pohon klasifikasi terbesar memberikan nilai salah pengklasifikasian paling kecil sehingga kita akan selalu cenderung memilih pohon ini untuk prakiraan. Tetapi, pohon ini cukup kompleks dalam menggambarkan struktur data. Sehingga perlu dipilih pohon optimal yang berukuran sederhana tetapi memberikan tingkat salah pengklasifikasian pengganti yang kecil. Salah satu cara penentuan pohon klasifikasi dengan pemangkasan (pruning). Pemangkasan berturut-turut memangkas beberapa bagian pohon. Hal ini bertujuan untuk memperoleh pohon yang berukuran sederhana. Ukuran pemangkasan yang digunakan untuk memperoleh ukuran pohon yang optimum adalah biaya kompleksitas (cost-complexcity). Persamaan ukuran biaya kompleksitas adalah: = + dengan adalah tingkat salah pengklasifikasian pada pohon bagian T k untuk k 1, adalah himpunan simpul terminal pada T k, adalah banyaknya simpul
11 3 terminal pada T k, dan α adalah parameter biaya kompleksitas. Tingkat salah pengklasifikasian penggganti didapatkan dengan cara amatan induk L yang berukuran n dibagi secara acak menjadi v kelompok, yaitu L 1, L 2,..., L v yang sedapat mungkin berukuran sama. Himpunan data untuk membentuk pohon ke-v adalah L (v) = L - L v, dimana v = 1, 2,..., V yang digunakan untuk membentuk v urutan pohon T (v) (α). Bila ukuran v besar, maka seharusnya memiliki tingkat salah pengklasifikasian yang sama dengan T(α) = T(α k ) = T k. Tingkat salah pengklasifikasian pengganti T(α) sebagai berikut: = 1 ) dengan N adalah banyaknya data pada L, c(i j) adalah biaya salah pengklasifikasian responden kelas ke-j diklasifikasikan sebagai responden kelas ke-i. dimana N i j adalah banyaknya responden kelas ke-j diklasifikasikan sebagai responden kelas ke-i., = ( ) dengan ( ) adalah banyaknya responden kelas ke-j diklasifikasikan sebagai responden kelas ke-i oleh T (v) (α). Kemudian gunakan amatan induk L untuk membentuk urutan {T k } dengan α k α < α k+1. Definisikan = maka tingkat salah pengklasifikasian pengganti validasi silang pada pohon bagian T k sebagai berikut: ( )= ( ( )) Hasil proses pemangkasan berupa sederet pohon klasifikasi T k dan dengan validasi silang v-lipatan dapat ditentukan pohon optimum T k0 sebagai berikut: ( )=min ( ( )) DATA DAN METODE Data Data yang digunakan untuk penelitian ini adalah data CLT (Central Location Test) untuk produk kopi 3 in 1 di beberapa kota di Indonesia yang didapat dari Pixel Research (PT. Global Insight Indonesia). Pengambilan data dengan mengumpulkan beberapa responden pada suatu tempat tertentu dan memberikan kopi X yang sudah dihidangkan kemudian responden menjawab pertanyaan pada lembar pertanyaan. Total responden sebanyak 415 orang dari tiga kota yaitu Bandung, Cimahi dan Sukabumi. Produk kopi yang dicobakan kepada responden merupakan produk kopi baru yang dilambangkan dengan produk kopi X. Semua responden merupakan peminum kopi 3 in 1 dengan merek tertentu. Peubah respon merupakan peubah kategorik yang bernilai 1 sampai 9 dengan skala ordinal. Responden yang suka dengan produk kopi X (y=3) terdiri dari skala 7 sampai 9, responden yang biasa saja dengan produk kopi X (y=2) terdiri dari skala 5 sampai 6, dan responden yang tidak suka dengan produk kopi X (y=1) terdiri dari skala 1 sampai 4. Peubah penjelas merupakan peubah kategorik yang bernilai 1 sampai 5 dengan skala ordinal. Peubah penjelas yang digunakan sebanyak sembilan peubah yang mencirikan karakteristik dari produk kopi 3 in 1 susu. Sembilan peubah penjelas tersebut adalah kekutan aroma kopi, warna, tekstur ampas, kekentalan, kekuatan rasa kopi, kekuatan aroma susu, kekuatan rasa susu, kepahitan, dan kemanisan. Metode Tahapan-tahapan yang dilakukan dalam penelitian ini adalah: 1. Melakukan analisis statistika deskriptif terhadap peubah respon. 2. Melakukan analisis pohon klasifikasi menggunakan metode pohon regresi dan klasifikasi. 3. Melakukan intepretasi hasil. Software yang digunakan untuk analisis adalah CART ver 4.0 dan Answertree ver 3.0. HASIL DAN PEMBAHASAN Deskripsi Peubah Respon Deskripsi tingkat kesukaan konsumen terhadap kopi X secara keseluruhan dapat dikategorikan pada Tabel 1. Tabel 1 Statistik deskriptif kesukaan konsumen terhadap kopi X secara keseluruhan Frekuensi Persentase Tidak Suka Biasa Saja Suka Total
12 4 Pada Tabel 1 dapat dilihat bahwa terdapat tiga kategori yaitu konsumen yang tidak suka, biasa saja dan suka terhadap produk kopi X. Konsumen yang suka terhadap produk kopi X sebanyak 354 orang (85.30%), konsumen yang biasa saja sebanyak 58 orang (13.98%) dan konsumen yang tidak suka sebanyak 3 orang (0.72%). Secara deskriptif dapat dikatakan bahwa sebagian besar konsumen menyukai kopi X. Analisis Pohon Klasifikasi Menggunakan Metode Pohon Regresi dan Klasifikasi Hasil analisis berupa urutan pohon klasifikasi. Hasil analisis ini disajikan pada Tabel 2. Pada Tabel 2 dapat dilihat bahwa terjadi pemangkasan pohon klasifikasi dari nomor pohon satu sampai nomor pohon tujuh. Pohon klasifikasi optimum tercapai pada nomor pohon tujuh. Jika nomor pohon semakin besar maka jumlah simpul terminal semakin kecil namun jika nomor pohon semakin besar maka nilai parameter kompleksitas semakin besar. Tabel 2 Urutan pohon klasifikasi Nomor Pohon Jumlah Simpul Parameter Terminal Kompleksitas E ** ** pohon klasifikasi optimum Pohon klasifikasi optimum diperoleh dari pemangkasan pohon klasifikasi terbesar yang menggunakan batasan minimum jumlah amatan pada simpul induk sebanyak 5 sedangkan simpul anak sebanyak 1. Pohon klasifikasi optimum disajikan pada Gambar 2. Proses pemangkasan pohon klasifikasi ini dilakukan dengan dasar aturan biaya kompleksitas minimum dan validasi silang 10 lipatan. Pohon klasifikasi ini tercapai pada parameter kompleksitas bernilai Pohon klasifikasi ini memiliki tiga simpul terminal. Peubah penjelas yang masuk kedalam pohon klasifikasi optimum yaitu kekuatan aroma kopi dan kekuatan rasa susu. Peubah pertama yang menyekat adalah kekuatan aroma kopi. Hal ini menyatakan bahwa peubah ini merupakan peubah yang dominan dalam pembentukan pohon klasifikasi. Konsumen sebanyak 415 orang, konsumen yang merasa kekuatan aroma kopi sangat kurang kuat atau kurang kuat sebanyak 71 orang mengelompok pada simpul 1 (kiri) sedangkan konsumen yang merasa kekuatan aroma kopi pas, kuat atau sangat kuat sebanyak 344 orang mengelompok pada simpul 2 (kanan). Simpul 2 merupakan simpul terminal. Penurunan keheterogenan pohon pada simpul pertama sebesar sangat kurang kuat, <=kurang kuat Node 3 tidak suka biasa saja suka Total (6.27) 26 kesukaan kopi X secara keseluruhan sangat kurang kuat, <=kurang kuat Node 1 tidak suka biasa saja suka Total (17.11) 71 Kekuatan Rasa Susu Improvement= Node 0 tidak suka biasa saja suka Total (100.00) 415 Kekuatan Aroma Kopi Improvement= pas, kuat, sangat >kurang kuat kuat Node 4 biasa saja suka Total (10.84) 45 pas, kuat, sangat >kurang kuat kuat Node 2 tidak suka biasa saja suka Total (82.89) 344 Gambar 2 Pohon klasifikasi optimum Pada simpul 1, konsumen yang merasa kekuatan rasa susu sangat kurang kuat atau kurang kuat sebanyak 26 orang mengelompok pada simpul 3 (kiri) sedangkan konsumen yang merasa kekuatan rasa susu pas, kuat atau sangat kuat sebanyak 45 orang mengelompok pada simpul 4 (kanan). Simpul 3 dan 4 merupakan simpul terminal. Penurunan keheterogenan pohon pada simpul 1 sebesar Hasil pohon klasifikasi optimum yaitu tiga klasifikasi karakteristik kopi X. Klasifikasi yang terbentuk sebagai berikut: 1. Kekuatan aroma kopi dan kekuatan rasa susu kurang. Label kelas pada klasifikasi ini adalah konsumen biasa saja terhadap kopi X. 2. Kekuatan aroma kopi kurang namun kekuatan rasa susu pas atau kuat. Label kelas pada klasifikasi ini adalah konsumen suka terhadap kopi X. 3. Kekuatan aroma kopi pas atau kuat. Label kelas pada klasifikasi ini adalah konsumen suka terhadap kopi X.
13 5 Karakteristik kopi X yang disukai konsumen pada pohon klasifikasi ini yaitu kopi X pada klasifikasi kedua dan ketiga. Konsumen yang suka dengan kopi X sebanyak 389 orang, konsumen yang menyukai karakteristik kopi X pada klasifikasi kedua sebanyak 45 orang sedangkan pada klasifikasi ketiga sebanyak 344 orang. Hal ini menjelaskan bahwa sebagian besar konsumen menyukai karakteristik kopi pada klasifikasi ketiga. Jika pohon optimum dikembangkan satu tahap lagi maka menghasilkan pohon dengan pencabangan dari simpul 2. Pohon ini disajikan pada Gambar 3. Pohon ini tercapai pada parameter kompleksitas bernilai Pohon ini memiliki tiga peubah penjelas yang masuk kedalam pohon klasifikasi yaitu kekuatan aroma kopi, kekuatan rasa susu dan kekuatan rasa kopi. Pohon ini memiliki jumlah klasifikasi lebih banyak dibandingkan dengan pohon klasifikasi optimum yaitu sebanyak lima buah. Pada simpul 2, konsumen yang merasa kekuatan rasa kopi sangat kurang kuat, kurang kuat atau pas sebanyak 323 orang mengelompok pada simpul 5 (kiri) sedangkan konsumen yang merasa kekuatan rasa kopi kuat atau sangat kuat sebanyak 21 orang mengelompok pada simpul 6 (kanan). Simpul 5 merupakan simpul terminal. Penurunan keheterogenan pohon pada simpul 2 sebesar Pada simpul 6, konsumen yang merasa kekuatan aroma kopi pas sebanyak 15 orang mengelompok pada simpul 13 (kiri) sedangkan konsumen yang merasa kekuatan aroma kopi kuat atau sangat kuat sebanyak 6 orang mengelompok pada simpul 14 (kanan). Simpul 13 dan 14 merupakan simpul terminal. Penurunan keheterogenan pohon pada simpul 6 sebesar Hasil pengembangan satu tahap dari pohon klasifikasi optimum yaitu pohon klasifikasi dengan lima klasifikasi karakteristik kopi X. Klasifikasi yang terbentuk sebagai berikut: 1. Kekuatan aroma kopi dan kekuatan rasa susu kurang. Label kelas pada klasifikasi ini adalah konsumen biasa saja terhadap kopi X. 2. Kekuatan aroma kopi kurang namun kekuatan rasa susu pas atau kuat. Label kelas pada klasifikasi ini adalah konsumen suka terhadap kopi X. 3. Kekuatan aroma kopi pas atau kuat namun kekuatan rasa kopi kurang atau pas. Label kelas pada klasifikasi ini adalah konsumen suka terhadap kopi X. kesukaan kopi X secara keseluruhan Node 0 tidak suka biasa saja suka Total (100.00) 415 Kekuatan Aroma Kopi Improvement= Sangat kurang kuat, <=kurang kuat kurang kuat Node 1 tidak suka biasa saja suka Total (17.11) 71 Kekuatan Rasa Susu Improvement= pas, kuat, sangat kuat >kurang kuat Node 2 tidak suka biasa saja suka Total (82.89) 344 Kekuatan Rasa Kopi Improvement= Sangat kurang kuat, <=kurang kuat kurang kuat pas, kuat, sangat kuat >kurang kuat sangat kurang kuat, <=Pas kurang kuat, pas kuat, sangat kuat >Pas Node 3 tidak suka biasa saja suka Total (6.27) 26 Node 4 biasa saja suka Total (10.84) 45 Node 5 biasa saja suka Total (77.83) 323 Node 6 tidak suka biasa saja suka Total (5.06) 21 Kekuatan Aroma Kopi Improvement= pas <=Pas kuat, sangat kuat >Pas Node 13 biasa saja suka Total (3.61) 15 Node 14 tidak suka biasa saja suka Total (1.45) 6 Gambar 3 Pohon klasifikasi hasil pengembangan satu tahap dari pohon klasifikasi optimum
14 6 4. Kekuatan aroma kopi pas dan kekuatan rasa kopi pas atau kuat. Label kelas pada klasifikasi ini adalah konsumen suka terhadap kopi X. 5. Kekuatan aroma kopi dan kekuatan rasa kopi kuat. Label kelas pada klasifikasi ini adalah konsumen biasa saja terhadap kopi X. Karakteristik kopi X yang disukai konsumen pada pohon klasifikasi ini yaitu kopi X pada klasifikasi kedua, ketiga dan keempat. Konsumen yang suka dengan kopi X sebanyak 383 orang, konsumen yang menyukai karakteristik kopi X pada klasifikasi kedua sebanyak 45 orang, pada klasifikasi ketiga sebanyak 323 orang, dan pada klasifikasi keempat sebanyak 15 orang. Hal ini menjelaskan bahwa sebagian besar konsumen menyukai karakteristik kopi pada klasifikasi ketiga. Klasifikasi kedua, ketiga dan keempat memiliki label kelas bahwa konsumen menyukai produk X sedangkan sisanya memiliki label kelas bahwa konsumen biasa saja terhadap kopi X. Konsumen terbanyak terdapat pada klasifikasi ketiga yaitu sebanyak 323 orang sedangkan kosumen yang paling sedikit terdapat pada klasifikasi kelima yaitu sebanyak 6 orang. Pohon klasifikasi yang akan dipilih merupakan pohon klasifikasi yang memiliki nilai R CV terkecil. Jika melihat pohon hasil pencabangan satu tahap dari pohon klasifikasi optimum, pohon ini lebih terperinci namun ada klasifikasi yang jumlah konsumennya sedikit. Sehingga pohon klasifikasi yang dipilih yaitu pohon klasifikasi optimum. SIMPULAN DAN SARAN Simpulan Pohon klasifikasi yang terbentuk sebanyak delapan urutan pohon klasifikasi. Pohon klasifikasi yang akan dipilih merupakan pohon klasifikasi yang memiliki nilai R CV terkecil. Sehingga pohon klasifikasi yang dipilih yaitu pohon klasifikasi optimum. Pohon klasifikasi optimum menghasilkan tiga klasifikasi karakteristik kopi X. Klasifikasi yang terbentuk sebagai berikut: 1. Kekuatan aroma kopi dan kekuatan rasa susu kurang. Label kelas pada klasifikasi ini adalah konsumen biasa saja terhadap kopi X. 2. Kekuatan aroma kopi kurang namun kekuatan rasa susu pas atau kuat. Label kelas pada klasifikasi ini adalah konsumen suka terhadap kopi X. 3. Kekuatan aroma kopi pas atau kuat. Label kelas pada klasifikasi ini adalah konsumen suka terhadap kopi X. Karakteristik kopi X yang disukai yaitu kopi X pada klasifikasi kedua dan ketiga. Saran Untuk penelusuran peubah penjelas dalam pendugaan tingkat kesukaan konsumen secara keseluruhan terhadap kopi 3 in 1, dapat menggunakan metode analisis yang lain seperti metode pohon gabungan. DAFTAR PUSTAKA Breiman L, JH Friedman, RA Olshen, CJ Stone Classification and Regression Trees. New York: Chapman and Hall. Kardiana A, Aunuddin, AH Wigena, H Wijayanto Metode Klasifikasi Berstruktur Pohon Biner: Kasus Prakiraan Sifat Hujan Bulanan di Bogor. Yogyakarta, 17 Juni Seminar Nasional Aplikasi Teknologi Informasi (SNATI). hlm: G21-G25. Kurniawan T Penerapan Metode Pemangkasan dalam CART (Classification and Regression Trees): Kasus Pendugaan Status Gizi Anak di Kecamatan Bogor Timur [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Mulier C Learning From Data Concept, Theory, and Methods. New York: John Wiley & Sons, Inc. Sinambela YS Penerapan Metode Pohon Klasifikasi dengan Algoritma CART pada Data Status Daerah Kabupaten di Indonesia [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Wulandari SA Analisis Tingkat Keberhasilan Mahasiswa S2 IPB Menggunakan Pendekatan Pohon Regresi [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
15 LAMPIRAN 7
16 8 Lampiran 1 Karakteristik peubah Kode Peubah Keterangan Y Kesukaan Kopi X Secara Keseluruhan 1: tidak suka 2: biasa saja 3: suka X1 Kekuatan Aroma Kopi 1: sangat kurang kuat 2: kurang kuat 4: kuat 5: sangat kuat X2 Warna 1: terlalu terang 2: terang 4: gelap 5: terlalu gelap X3 Tekstur Ampas 1: terlalu halus 2: halus 4: kasar 5: terlalu kasar X4 Kekentalan 1: terlalu encer 2: encer 4: kental 5: terlalu kental X5 Kekuatan Rasa Kopi 1: sangat kurang kuat 2: kurang kuat 4: kuat 5: sangat kuat X6 Kekuatan Aroma Susu 1: sangat kurang kuat 2: kurang kuat 4: kuat 5: sangat kuat X7 Kekuatan Rasa Susu 1: sangat kurang kuat 2: kurang kuat 4: kuat 5: sangat kuat X8 Kepahitan 1: sangat kurang pahit 2: kurang pahit 4: pahit 5: terlalu pahit X9 Kemanisan 1: sangat kurang manis 2: kurang manis 4: manis 5: terlalu manis Lampiran 2 Nilai tingkat salah pengklasifikasian pengganti relatif validasi silang setiap pohon Nomor Pohon Tingkat Salah Pengklasifikasian Pengganti Relatif Validasi Silang / / / / / / ** / / E-04
17 9 Lampiran 2 Pohon klasifikasi hasil pengembangan dua tahap dari pohon klasifikasi optimum kesukaan kopi X secara keseluruhan Node 0 tidak suka biasa saja suka Total (100.00) 415 Kekuatan Aroma Kopi Improvement= Sangat kurang kuat, <=kurang kurang kuat Node 1 tidak suka biasa saja suka Total (17.11) 71 Kekuatan Rasa Susu Improvement= Pas, kuat, sangat kuat >kurang kuat Node 2 tidak suka biasa saja suka Total (82.89) 344 Kekuatan Rasa Kopi Improvement= Sangat kurang kuat, <=kurang kurang kuat Pas, kuat, sangat kuat >kurang kuat Sangat kurang kuat, kurang <=Pas kuat, pas Kuat, sangat kuat >Pas Node 3 tidak suka biasa saja suka Total (6.27) 26 Node 4 biasa saja suka Total (10.84) 45 Node 5 biasa saja suka Total (77.83) 323 Node 6 tidak suka biasa saja suka Total (5.06) 21 Kepahitan Improvement= Kekuatan Aroma Kopi Improvement= Sangat kurang pahit, <=kurang pahit Pas, pahit, terlalu >kurang pahit pahit pas <=Pas Kuat, sangat kuat >Pas Node 9 biasa saja suka Total (4.82) 20 Node 10 biasa saja suka Total (6.02) 25 Node 13 biasa saja suka Total (3.61) 15 Node 14 tidak suka biasa saja suka Total (1.45) 6 Kemanisan Improvement= Sangat kurang manis, kurang <=Pas manis, pas Node 15 biasa saja suka Total (3.86) 16 Manis, terlalu manis >Pas Node 16 biasa saja suka Total (0.96) 4 Kepahitan Improvement= Sangat kurang pahit <=Sangat kurang pahit Node 27 biasa saja suka Total (0.48) 2 Kurang pahit >Sangat kurang pahit Node 28 biasa saja suka Total (3.37) 14
PENGARUH PERAN DOSEN PEMBIMBING TERHADAP KUALITAS TUGAS AKHIR (Studi Kasus : Mahasiswa Fmipa Unsyiah)
BIAStatistics (2016) Vol. 10, No. 1, hal. 8-16 PENGARUH PERAN DOSEN PEMBIMBING TERHADAP KUALITAS TUGAS AKHIR (Studi Kasus : Mahasiswa Fmipa Unsyiah) Nany Salwa 1, Fitriana A.R. 2, and Junita Aiza 3 1,
Lebih terperinciPENENTUAN FAKTOR-FAKTOR MEMILIH MEREK DENGAN METODE CART DAMAS ESMU HAJI
PENENTUAN FAKTOR-FAKTOR MEMILIH MEREK DENGAN METODE CART DAMAS ESMU HAJI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 ABSTRAK DAMAS ESMU HAJI.
Lebih terperinciANALISIS KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA FEM DAN FAPERTA MENGGUNAKAN METODE CHART
Xplore, 2013, Vol. 2(1):e3(1-8) c 2013 Departemen Statistika FMIPA IPB ANALISIS KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA FEM DAN FAPERTA MENGGUNAKAN METODE CHART Fira Nurahmah Al Amin,Indahwati,Yenni
Lebih terperinciBAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) Odds Ratio
21 BAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) 3.1 Regresi Logistik Biner Regresi logistik berguna untuk meramalkan ada atau tidaknya karakteristik berdasarkan prediksi
Lebih terperinciPENERAPAN METODE CART
E-ISSN 2527-9378 Jurnal Statistika Industri dan Komputasi Volume 2, No. 2, Juli 2017, pp. 78-83 PENERAPAN METODE CART (CLASSIFICATION AND REGRESSION TREES) UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI
Lebih terperinciPENERAPAN METODE CHAID DAN REGRESI LOGISTIK DALAM ANALISIS SEGMENTASI PASAR KONSUMEN AQUA DIMAS FAJAR AIRLANGGA
PENERAPAN METODE CHAID DAN REGRESI LOGISTIK DALAM ANALISIS SEGMENTASI PASAR KONSUMEN AQUA DIMAS FAJAR AIRLANGGA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPENENTUAN KONDISI OPTIMUM PADA PEMBENTUKAN POHON TERBAIK DENGAN METODE POHON KLASIFIKASI (CLASSIFICATION TREE)
Natural Vol. 11, No. 2, Mei 2007, hal. 112-118. PENENTUAN KONDISI OPTIMUM PADA PEMBENTUKAN POHON TERBAIK DENGAN METODE POHON KLASIFIKASI (CLASSIFICATION TREE) A. Efendi dan H. Kusdarwati Program Studi
Lebih terperinciMETODE KLASIFIKASI BERSTRUKTUR POHON BINER (STUDI KASUS PADA PRAKIRAAN SIFAT HUJAN BULANAN DI BOGOR) 1) T
METODE KLASIFIKASI BERSTRUKTUR POHON BINER (STUDI KASUS PADA PRAKIRAAN SIFAT HUJAN BULANAN DI BOGOR) 1) T Aan Kardiana 2), Aunuddin 3), Aji Hamim Wigena 3), Hari Wijayanto 3) 2) Jurusan Teknik Informatika,
Lebih terperinciSeminar Tugas Akhir. Analisis Klasifikasi Kesejahteraan Rumah Tangga di Propinsi Jawa Timur dengan Pendekatan CART ARCING. Surabaya, Juli 2011
Surabaya, Juli 2011 Seminar Tugas Akhir Analisis Klasifikasi Kesejahteraan Rumah Tangga di Propinsi Jawa Timur dengan Pendekatan CART ARCING Ibrahim Widyandono 1307 100 001 Pembimbing : Dr. Bambang Widjanarko
Lebih terperinciPENERAPAN METODE RANDOM FOREST DALAM DRIVER ANALYSIS NARISWARI KARINA DEWI
PENERAPAN METODE RANDOM FOREST DALAM DRIVER ANALYSIS NARISWARI KARINA DEWI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 RINGKASAN NARISWARI KARINA
Lebih terperinciKlasifikasi Kegiatan Partisipasi Ekonomi Perempuan Di Jawa Timur Dengan Pendekatan CART (Classification And Regression Trees)
1 Klasifikasi Kegiatan Partisipasi Ekonomi Perempuan Di Jawa Timur Dengan Pendekatan CART (Classification And Regression Trees) Sharfina Widyandini dan Vita Ratnasari Jurusan Statistika, Fakultas MIPA,
Lebih terperinciKLASIFIKASI PENYAKIT DIABETES MELITUS DENGAN METODE CHAID (CHI SQUARE AUTOMATIC INTERACTION DETECTION) DAN CART (CLASSIFICATION AND REGRESSION TREE)
Surabaya, 3 Juli 2013 Seminar Hasil Tugas Akhir KLASIFIKASI PENYAKIT DIABETES MELITUS DENGAN METODE (CHI SQUARE AUTOMATIC INTERACTION DETECTION) DAN (CLASSIFICATION AND REGRESSION TREE) Dosen Pembimbing
Lebih terperinciPEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA CART ( CLASSIFICATION AND REGRESSION TREES ) ( STUDI KASUS PENYAKIT DIABETES SUKU PIMA INDIAN )
PEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA CART ( CLASSIFICATION AND REGRESSION TREES ) ( STUDI KASUS PENYAKIT DIABETES SUKU PIMA INDIAN ) PT Jasa Marga ro) C abang Semarang SKRIPSI Disusun Oleh
Lebih terperinciANALISIS KINERJA INSTITUT PERTANIAN BOGOR BERDASARKAN SURVEI KEPUASAN MAHASISWA DAN EPBM AHMAD CHAERUS SUHADA
ANALISIS KINERJA INSTITUT PERTANIAN BOGOR BERDASARKAN SURVEI KEPUASAN MAHASISWA DAN EPBM AHMAD CHAERUS SUHADA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPOHON KLASIFIKASI DAN POHON REGRESI KEBERHASILAN MAHASISWA PASCASARJANA PROGRAM STUDI STATISTIKA IPB
Forum Statistika dan Komputasi, April 2005, p: 15 21 ISSN : 08538115 Vol. 10 No. 1 POHON KLASIFIKASI DAN POHON REGRESI KEBERHASILAN MAHASISWA PASCASARJANA PROGRAM STUDI STATISTIKA IPB Ida Mariati H. 1),
Lebih terperinciBAB I PENDAHULUAN. ada tiga, yaitu association rules, classification dan clustering.
BAB I PENDAHULUAN 1.1. Latar Belakang Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data. Informasi yang
Lebih terperinciPENERAPAN METODE REGRESI BERSTRUKTUR POHON PADA PENDUGAAN LAMA PENYUSUNAN SKRIPSI MAHASISWA ARTIKEL ILMIAH
PENERAPAN METODE REGRESI BERSTRUKTUR POHON PADA PENDUGAAN LAMA PENYUSUNAN SKRIPSI MAHASISWA ARTIKEL ILMIAH Artikel Ilmiah Ini Diambil Dari Sebagian Skripsi Untuk Memenuhi Persyaratan Penyelesaian Program
Lebih terperinciANALISIS CART KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA DI FEM DAN FAPERTA FIRA NURAHMAH AL AMIN
ANALISIS CART KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA DI FEM DAN FAPERTA FIRA NURAHMAH AL AMIN DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPENDEKATAN CART UNTUK MENDAPATKAN FAKTOR YANG MEMPENGARUHI TERJANGKITNYA PENYAKIT DEMAM TIFOID DI ACEH UTARA
PENDEKATAN CART UNTUK MENDAPATKAN FAKTOR YANG MEMPENGARUHI TERJANGKITNYA PENYAKIT DEMAM TIFOID DI ACEH UTARA Dina Yuanita Mahasiswa Jurusan Statistika FMIPA-ITS (1306 100 056) M. Syahid Akbar, S.Si, M.Si
Lebih terperinciAnalisis CART (Classification And Regression Trees) pada Faktor-Faktor yang Mempengaruhi Kepala Rumah Tangga di Jawa Timur Melakukan Urbanisasi
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X D-100 Analisis CART (Classification And Regression Trees) pada Faktor-Faktor yang Mempengaruhi Kepala Rumah Tangga di Jawa Timur Melakukan
Lebih terperinciModel Machine Learning CART Diabetes Melitus
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 2017, Hal. 485-491 p-issn: 2580-4596; e-issn: 2580-460X Halaman 485 Ria Dhea Layla Nur Karisma 1, Bambang Widjanarko
Lebih terperinciKLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN 2014 MENGGUNAKAN METODE CHAID DAN CART
KLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN 2014 MENGGUNAKAN METODE CHAID DAN CART SKRIPSI Disusun Oleh : NOVIE ERISKA ARITONANG 24010211140081 JURUSAN STATISTIKA FAKULTAS SAINS DAN
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) ( X Print) D-54
JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 2337-3520 (2301-928X Print) D-54 Klasifikasi Pengangguran Terbuka Menggunakan CART (Classification and Regression Tree) di Provinsi Sulawesi Utara Febti
Lebih terperinciHary Mega Gancar Prakosa Dosen Pembimbing Dr. Suhartono, S.Si, M.Sc Co Pembimbing Dr. Bambang Wijanarko Otok, S.Si, M.
KLASIFIKASI KESEJAHTERAAN RUMAH TANGGA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN BOOTSTRAP AGGREGATTING CLASSIFICATION AND REGRESSION TREES Hary Mega Gancar Prakosa 1307 100 077 Dosen Pembimbing Dr. Suhartono,
Lebih terperinciPEMODELAN DATA PANEL SPASIAL DENGAN DIMENSI RUANG DAN WAKTU TENDI FERDIAN DIPUTRA
PEMODELAN DATA PANEL SPASIAL DENGAN DIMENSI RUANG DAN WAKTU TENDI FERDIAN DIPUTRA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 RINGKASAN TENDI
Lebih terperinciMETODE ENSEMBLE PADA CART UNTUK PERBAIKAN KLASIFIKASI KEMISKINAN DI KABUPATEN JOMBANG
METODE ENSEMBLE PADA CART UNTUK PERBAIKAN KLASIFIKASI KEMISKINAN DI KABUPATEN JOMBANG MUHAMMAD JAMAL MUTTAQIN 1311 201 205 PEMBIMBING DR. BAMBANG WIDJANARKO OTOK, M.SI. SANTI PUTERI RAHAYU, M.SI., PH.D.
Lebih terperinciKLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN 2014 MENGGUNAKAN METODE CHAID DAN CART
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 183-192 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN
Lebih terperinciPERBANDINGAN KLASIFIKASI NASABAH KREDIT MENGGUNAKAN REGRESI LOGISTIK BINER DAN CART (CLASSIFICATION AND REGRESSION TREES) Abstract
Perbandingan Klasifikasi (Agung Waluyo) PERBANDINGAN KLASIFIKASI NASABAH KREDIT MENGGUNAKAN REGRESI LOGISTIK BINER DAN CART (CLASSIFICATION AND REGRESSION TREES) Agung Waluyo 1, Moch. Abdul Mukid 2, Triastuti
Lebih terperinciPendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada Pasien Kanker Tiroid
Pendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada Pasien Kanker Tiroid Sri Hartati Selviani Handayani dan Santi Wulan Purnami Jurusan Statistika, Fakultas
Lebih terperinciSeminar Hasil Tugas Akhir
Seminar Hasil Tugas Akhir Pendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada pasien Kanker Tiroid Sri Hartati Selviani Handayani 1311106007 Pembimbing :
Lebih terperinciPENERAPAN POHON KLASIFIKASI DAN BOOTSTRAP AGGREGATING DALAM KLASIFIKASI USIA MENARCHE (Studi Kasus: SMPN Ragunan dan SMPN 1 Dramaga) IIS ISTIQOMAH
PENERAPAN POHON KLASIFIKASI DAN BOOTSTRAP AGGREGATING DALAM KLASIFIKASI USIA MENARCHE (Studi Kasus: SMPN Ragunan dan SMPN 1 Dramaga) IIS ISTIQOMAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciMETODE POHON REGRESI DAN PROSEDUR REGRESI BERTATAR UNTUK SEGMENTASI DATA
JMA, VOL. 7, NO.1, JULI, 2008, 39-54 39 METODE POHON REGRESI DAN PROSEDUR REGRESI BERTATAR UNTUK SEGMENTASI DATA BUDI SUHARJO Departemen Matematika, Fakultas Matematika dan Imu Pengetahuan Alam, Institut
Lebih terperinciPERBANDINGAN ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN REGRESI LOGISTIK BINER DAN CART (CLASSIFICATION AND REGRESSION TREES)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 215-225 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN
Lebih terperinciKlasifikasi Hasil Pap Smear Test Kanker Serviks Berdasarkan Faktor Resiko (Studi Kasus Di Rumah Sakit Swasta Surabaya
1 Klasifikasi Hasil Pap Smear Test Kanker Serviks Berdasarkan Faktor Resiko (Studi Kasus Di Rumah Sakit Swasta Surabaya Yuristian Ramdani dan Santi Wulan Purnami Jurusan Statistika, Fakultas Matematika
Lebih terperinciPENDEKATAN CART UNTUK MENDAPATKAN FAKTOR YANG MEMPENGARUHI TERJANGKITNYA PENYAKIT DEMAM TIFOID DI ACEH UTARA
PENDEKATAN CART UNTUK MENDAPATKAN FAKTOR YANG MEMPENGARUHI TERJANGKITNYA PENYAKIT DEMAM TIFOID DI ACEH UTARA Muhammad Sjahid Akbar 1, Dina Yuanita, dan Sri Harini 3 1, Jurusan Statistika ITS 3 Jurusan
Lebih terperinciANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN BOOTSTRAP AGGREGATING CLASSIFICATION AND REGRESSION TREES (BAGGING CART)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 81-90 Online di: http://eournal-s1.undip.ac.id/index.php/gaussian ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN BOOTSTRAP AGGREGATING
Lebih terperinciPendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada Pasien Kanker Tiroid
JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 2337-3520 (2301-928X Print) D-24 Pendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada Pasien Kanker Tiroid
Lebih terperinciPENERAPAN METODE RANDOM FOREST DALAM DRIVER ANALYSIS (The Application of Random Forest in Driver Analysis)
, April 2011 p : -43 ISSN : 0853-811 Vol 16 No.1 PENERAPAN METODE RANDOM FOREST DALAM DRIVER ANALYSIS (The Application of Random Forest in Driver Analysis) Nariswari Karina Dewi 1, Utami Dyah Syafitri
Lebih terperinciPREDIKSI NASABAH POTENSIAL MENGGUNAKAN METODE KLASIFIKASI POHON BINER
PREDIKSI NASABAH POTENSIAL MENGGUNAKAN METODE KLASIFIKASI POHON BINER Ari Wibowo Program Studi Teknik Informatika Politeknik Negeri Batam Jl. Parkway No 1, Batam Center, Batam Telp 0778-469856, Fax 0778-463620
Lebih terperinciKlasifikasi Nilai Peminat SBMPTN (Seleksi Bersama Masuk Perguruan Tinggi Negeri) ITS dengan Pendekatan Classification and Regression Trees (CART)
D193 Klasifikasi Nilai Peminat SBMPTN (Seleksi Bersama Masuk Perguruan Tinggi Negeri) ITS dengan Pendekatan Classification and Regression Trees (CART) Lely Dwi Bhekti Pratiwi, Wahyu Wibowo, dan Ismaini
Lebih terperinciKAJIAN PENDEKATAN REGRESI SINYAL P-SPLINE PADA MODEL KALIBRASI. Oleh : SITI NURBAITI G
KAJIAN PENDEKATAN REGRESI SINYAL P-SPLINE PADA MODEL KALIBRASI Oleh : SITI NURBAITI G14102022 DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2007 ABSTRAK SITI
Lebih terperinciBAB III METODE POHON KLASIFIKASI QUEST
BAB III METODE POHON KLASIFIKASI QUEST 3.1 Metode Berstruktur Pohon Istilah pohon dalam matematika dikenal dalam teori graf. Pertama kali konsep pohon digunakan oleh Gustav Kirchhoff (184-1887) dalam bidang
Lebih terperinciPENERAPAN DAN PERBANDINGAN CARA PENGUKURAN RESPON PADA ANALISIS KONJOIN
PENERAPAN DAN PERBANDINGAN CARA PENGUKURAN RESPON PADA ANALISIS KONJOIN (Studi Kasus: Preferensi Mahasiswa Statistika IPB Angkatan 44, 45, dan 46 terhadap Minat Bidang Kerja) DONNY ARIEF SETIAWAN SITEPU
Lebih terperinciBAGGING CLASSIFICATION TREES UNTUK PREDIKSI RISIKO PREEKLAMPSIA (Studi Kasus : Ibu Hamil Kategori Penerima Jampersal di RSUD Dr. Moewardi Surakarta)
Prediksi Risiko (Moch. Abdul Mukid) BAGGING CLASSIFICATION TREES UNTUK PREDIKSI RISIKO PREEKLAMPSIA (Studi Kasus : Ibu Hamil Kategori Penerima Jampersal di RSUD Dr. Moewardi Surakarta) Moch. Abdul Mukid
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada BAB II ini akan disampaikan materi-materi yang berkaitan dengan konsep data mining, yang merupakan landasan bagi pembahasan klasifikasi untuk evaluasi kinerja pegawai. 2. 1 Tinjauan
Lebih terperinciEksplorasi Kinerja Dosen Tersertifikasi dalam Melaksanakan Tridharma Perguruan Tinggi di Indonesia
Xplore, 2013, Vol. 2(1):e2(1-8) c 2013 Departemen Statistika FMIPA IPB Eksplorasi Kinerja Dosen Tersertifikasi dalam Melaksanakan Tridharma Perguruan Tinggi di Indonesia Rizky Nurkhaerani, Hari Wijayanto,
Lebih terperinciPERBANDINGAN ANALISIS KLASIFIKASI NASABAH MENGGUNAKAN REGRESI LOGISTIK BINER DAN (CLASSIFICATION AND REGRESSION TREES)
PERBANDINGAN ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN REGRESI LOGISTIK BINER DAN CART (CLASSIFICATION AND REGRESSION TREES) SKRIPSI Oleh : AGUNG WALUYO 24010210141020 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciPRAKIRAAN SIFAT HUJAN MENGGUNAKAN METODE POHON KLASIFIKASI
Statistika, Vol. 1, No. 1, Mei 2013 PRAKIRAAN SIFAT HUJAN MENGGUNAKAN METODE POHON KLASIFIKASI Dwi Haryo Ismunarti Jurusan Ilmu Kelautan, Fakultas Perikanan dan Ilmu Kelautan, UNDIP Email: dwiharyois@gmail.com
Lebih terperinciMETODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE
METODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2010 RINGKASAN
Lebih terperinciSKRIPSI. Disusun Oleh : ZULFA WAHYU MARDIKA NIM. J2E
PEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA CART (CLASSIFICATION AND REGRESSION TREES) (STUDI KASUS KREDIT MACET DI PD. BPR-BKK PURWOKERTO UTARA) SKRIPSI Disusun Oleh : ZULFA WAHYU MARDIKA NIM.
Lebih terperinciANALISIS NILAI EKONOMI LAHAN (LAND RENT) PADA LAHAN PERTANIAN DAN PERMUKIMAN DI KECAMATAN CIAMPEA, KABUPATEN BOGOR. Oleh ANDIKA PAMBUDI A
ANALISIS NILAI EKONOMI LAHAN (LAND RENT) PADA LAHAN PERTANIAN DAN PERMUKIMAN DI KECAMATAN CIAMPEA, KABUPATEN BOGOR Oleh ANDIKA PAMBUDI A14304075 PROGRAM STUDI EKONOMI PERTANIAN DAN SUMBERDAYA FAKULTAS
Lebih terperinciPENGGUNAAN REGRESI SPLINE ADAPTIF BERGANDA UNTUK DATA RESPON BINER AZWIRDA AZIZ SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2005
1 PENGGUNAAN REGRESI SPLINE ADAPTIF BERGANDA UNTUK DATA RESPON BINER AZWIRDA AZIZ SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2005 2 SURAT PERNYATAAN Dengan ini saya menyatakan bahwa tesis yang berjudul
Lebih terperinciJURNAL PREDIKSI PRESTASI SISWA SEKOLAH DASAR MENGGUNAKAN ALGORITMA CART PREDICTION ELEMENTARY SCHOOL STUDENT ACHIEVEMENT USING CART ALGORITHM
JURNAL PREDIKSI PRESTASI SISWA SEKOLAH DASAR MENGGUNAKAN ALGORITMA CART PREDICTION ELEMENTARY SCHOOL STUDENT ACHIEVEMENT USING CART ALGORITHM Oleh: BENI KURNIAWAN 12.1.03.02.0201 Dibimbing oleh : 1. Resty
Lebih terperinciIDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK
IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK Mohamad Jajuli Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciMETODE CART UNTUK ANALISIS KOLEKTIBILITAS PEMBAYARAN KREDIT PT. N KURNIA SHOLIHAT
METODE CART UNTUK ANALISIS KOLEKTIBILITAS PEMBAYARAN KREDIT PT. N KURNIA SHOLIHAT DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN MENGENAI
Lebih terperinciANALISIS EKUITAS MEREK KECAP SERTA IMPLIKASINYA TERHADAP STRATEGI BAURAN PEMASARAN DI KOTA TANGERANG (Studi Kasus: Kecap Merek ABC dan Bango)
ANALISIS EKUITAS MEREK KECAP SERTA IMPLIKASINYA TERHADAP STRATEGI BAURAN PEMASARAN DI KOTA TANGERANG (Studi Kasus: Kecap Merek ABC dan Bango) DISUSUN OLEH: EFENDY A14104121 PROGRAM STUDI MANAJEMEN AGRIBISNIS
Lebih terperinciEVALUASI KELAYAKAN KREDIT DENGAN METODE CLASSIFICATION AND REGRESION TREE (CART)
EVALUASI KELAYAKAN KREDIT DENGAN METODE CLASSIFICATION AND REGRESION TREE (CART) Mirfan*) Abstract : Credit worthiness evaluation is an important element in the provision of credit to borrowers. Lending
Lebih terperinciANALISIS LOYALITAS KONSUMEN DAN SENSITIVITAS HARGA BEBERAPA MEREK KECAP MANIS DI KOTA DEPOK (Kasus Kecap Merek Bango, ABC, dan Nasional)
ANALISIS LOYALITAS KONSUMEN DAN SENSITIVITAS HARGA BEBERAPA MEREK KECAP MANIS DI KOTA DEPOK (Kasus Kecap Merek Bango, ABC, dan Nasional) Oleh : BERTHA ELIZABET A14104131 PROGRAM STUDI MANAJEMEN AGRIBISNIS
Lebih terperinciPENGGEROMBOLAN DUA TAHAP DESA-DESA DI JAWA TENGAH ALIFTA DIAH AYU RETNANI
PENGGEROMBOLAN DUA TAHAP DESA-DESA DI JAWA TENGAH ALIFTA DIAH AYU RETNANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2012 RINGKASAN ALIFTA DIAH AYU RETNANI.
Lebih terperinciANALISIS PENETAPAN HARGA POKOK PRODUKSI PEPAYA (Carica papaya) DENGAN METODE ACTIVITY BASED COSTING PADA PT. CIPTA DAYA AGRI JAYA DI BOGOR JAWA BARAT
ANALISIS PENETAPAN HARGA POKOK PRODUKSI PEPAYA (Carica papaya) DENGAN METODE ACTIVITY BASED COSTING PADA PT. CIPTA DAYA AGRI JAYA DI BOGOR JAWA BARAT OLEH : EDWIN HAPOSAN A14102671 POGRAM EKSTENSI MANAJEMEN
Lebih terperinciSTUDI ELEMEN MENTAL MAP LANSKAP KAMPUS UNIVERSITAS INDONESIA, DEPOK HADRIAN PRANA PUTRA
STUDI ELEMEN MENTAL MAP LANSKAP KAMPUS UNIVERSITAS INDONESIA, DEPOK HADRIAN PRANA PUTRA DEPARTEMEN ARSITEKTUR LANSKAP FAKULTAS PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2010 RINGKASAN HADRIAN PRANA PUTRA.
Lebih terperinciKlasifikasi Risiko Infeksi pada Bayi Baru Lahir di Rumah Sakit Umum Daerah Sidoarjo Menggunakan Metode Classification Trees
JURAL SAIS DA SEI ITS Vol. 5, o.1, (2016) 2337-3520 (2301-928X Prin D-26 Klasifikasi Risiko Infeksi pada Bayi Baru Lahir di Rumah Sakit Umum Daerah Sidoarjo Menggunakan Metode Classification Trees Aulia
Lebih terperinci" lepuktaigan danpujian adahk
" lepuktaigan danpujian adahk tujuari daii iiilakhiryairg iigiri dicapai ohh orang yarg Gerpieran pendeli" ( C. C. Lacon ) ANALISIS EFEK SAMPING STERILISASI WANITA MENGGUNAKAN POHON KLASIFIKASI RESPONS
Lebih terperinciFAKTOR-FAKTOR SOSIAL EKONOMI YANG MEMPENGARUHI FERTILITAS PEREMPUAN DENGAN LAMA PERKAWINAN DI BAWAH 10 TAHUN DI PROVINSI JAWA BARAT LIESTIA NOVIANI
FAKTOR-FAKTOR SOSIAL EKONOMI YANG MEMPENGARUHI FERTILITAS PEREMPUAN DENGAN LAMA PERKAWINAN DI BAWAH 10 TAHUN DI PROVINSI JAWA BARAT LIESTIA NOVIANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciEKSPLORASI KINERJA DOSEN TERSERTIFIKASI DALAM MELAKSANAKAN TRIDHARMA PERGURUAN TINGGI DI INDONESIA RIZKY NURKHAERANI
i EKSPLORASI KINERJA DOSEN TERSERTIFIKASI DALAM MELAKSANAKAN TRIDHARMA PERGURUAN TINGGI DI INDONESIA RIZKY NURKHAERANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciPPDAFTAR GAMBAR Gambar Halaman Yuni Melawati, 2013
PPDAFTAR GAMBAR Gambar 2.1 Contoh Pohon Keputusan untuk Mengklasifikasikan Pembelian Komputer... 19 3.1 Diagram CART... 29 3.2 Pohon Keputusan Sementara... 37 3.3 Pohon Keputusan Optimum... 38 3.4 Pohon
Lebih terperinciPENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA
PENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciMODEL REGRESI LOGISTIK BINER DAN METODE CART DALAM KLASIFIKASI STATUS DESA DI BALI I NYOMAN PUTRAYASA PENDIT
MODEL REGRESI LOGISTIK BINER DAN METODE CART DALAM KLASIFIKASI STATUS DESA DI BALI I NYOMAN PUTRAYASA PENDIT DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciMETODE CART DAN CHAID UNTUK PENGKLASIFIKASIAN MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS JEMBER
1 METODE CART DAN CHAID UNTUK PENGKLASIFIKASIAN MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS JEMBER SKRIPSI Oleh Ida Rahmawati NIM 071810101073 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA
Lebih terperinciPENGARUH PENINGKATAN JUMLAH PENDUDUK TERHADAP PERUBAHAN PEMANFAATAN RUANG DAN KENYAMANAN DI WILAYAH PENGEMBANGAN TEGALLEGA, KOTA BANDUNG
PENGARUH PENINGKATAN JUMLAH PENDUDUK TERHADAP PERUBAHAN PEMANFAATAN RUANG DAN KENYAMANAN DI WILAYAH PENGEMBANGAN TEGALLEGA, KOTA BANDUNG DIAR ERSTANTYO DEPARTEMEN ARSITEKTUR LANSKAP FAKULTAS PERTANIAN
Lebih terperinciANALISIS KEBERHASILAN STUDI MAHASISWA PROGRAM MAGISTER SEKOLAH PASCASARJANA IPB SITI KHOIRIYAH
ANALISIS KEBERHASILAN STUDI MAHASISWA PROGRAM MAGISTER SEKOLAH PASCASARJANA IPB SITI KHOIRIYAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN
Lebih terperinciMETODE POHON GABUNGAN PADA CART UNTUK ANALISA KESEJAHTERAAN RUMAH TANGGA DI BANJARMASIN
Technologia Vol 7, No.1, Januari Maret 2016 15 METODE POHON GABUNGAN PADA CART UNTUK ANALISA KESEJAHTERAAN RUMAH TANGGA DI BANJARMASIN Galih Mahalisa, S.Kom, M.Kom (galih.mahalisa@gmail.com) ABSTRAK Kemiskinan
Lebih terperinciANALISIS FAKTOR RISIKO PENYAKIT JANTUNG KORONER DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK DAN CHAID: KASUS DI RSUP DR. WAHIDIN SUDIROHUSODO MAKASSAR
ANALISIS FAKTOR RISIKO PENYAKIT JANTUNG KORONER DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK DAN CHAID: KASUS DI RSUP DR. WAHIDIN SUDIROHUSODO MAKASSAR ASTRI ATTI SEKOLAH PASCASARJANA INSTITUT PERTANIAN
Lebih terperinci3 HASIL DAN PEMBAHASAN
10 3 HASIL DAN PEMBAHASAN Gambaran Umum Tempat Penelitian Kampus STAKPN Tarutung berada di Kecamatan Tarutung Kabupaten Tapanuli Utara Propinsi Sumatera Utara yang berdiri sejak tahun 1999. STAKPN Tarutung
Lebih terperinciANALISIS CHAID UNTUK IDENTIFIKASI KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA
Xplore, 2013, Vol. 2(1):e10(1-5) c 2013 Departemen Statistika FMIPA IPB ANALISIS CHAID UNTUK IDENTIFIKASI KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA Rindy Anggun Pertiwi, Indahwati, Farit
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 583-592 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA CART (CLASSIFICATION
Lebih terperinciANALISIS PERILAKU KONSUMEN DALAM PEMBELIAN KAPSUL HERBAL DR LIZA (Studi Kasus Hotel Salak The Heritage Bogor, Jawa Barat)
ANALISIS PERILAKU KONSUMEN DALAM PEMBELIAN KAPSUL HERBAL DR LIZA (Studi Kasus Hotel Salak The Heritage Bogor, Jawa Barat) Oleh : Zahakir Haris A14104638 PROGRAM SARJANA EKSTENSI MANAJEMEN AGRIBISNIS FAKULTAS
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kesejahteraan umum merupakan salah satu tujuan dari pembangunan nasional Negara Indonesia. Hal ini disebutkan dengan jelas pada Pembukaan Undang-Undang dasar 1945 di
Lebih terperinciANALISIS BIAYA DAN PROFITABILITAS PRODUKSI ROTI PADA BELLA BAKERY DI PONDOK GEDE, BEKASI. Oleh : TANTRI DEWI PUTRIYANA A
ANALISIS BIAYA DAN PROFITABILITAS PRODUKSI ROTI PADA BELLA BAKERY DI PONDOK GEDE, BEKASI Oleh : TANTRI DEWI PUTRIYANA A14104105 PROGRAM STUDI MANAJEMEN AGRIBISNIS FAKULTAS PERTANIAN INSTITUT PERTANIAN
Lebih terperinciPENGEMBANGAN PRODUK MARSHMALLOW DARI GELATIN KULIT IKAN KAKAP MERAH (Lutjanus sp.)
PENGEMBANGAN PRODUK MARSHMALLOW DARI GELATIN KULIT IKAN KAKAP MERAH (Lutjanus sp.) Oleh : Dwi Sartika C34104025 PROGRAM STUDI TEKNOLOGI HASIL PERIKANAN FAKULTAS PERIKANAN DAN ILMU KELAUTAN INSTITUT PERTANIAN
Lebih terperinciLEONARD DHARMAWAN A
ANALISIS PENGARUH PROGRAM PEMERINTAH TERHADAP TINGKAT KEMISKINAN RUMAH TANGGA DI PEDESAAN MELALUI PROGRAM BANTUAN LANGSUNG TUNAI (BLT) DAN RAKSA DESA (Kasus Desa Cibatok Satu, Kecamatan Cibungbulang, Kabupaten
Lebih terperinciMANFAAT KEMITRAAN AGRIBISNIS BAGI PETANI MITRA
MANFAAT KEMITRAAN AGRIBISNIS BAGI PETANI MITRA (Kasus: Kemitraan PT Pupuk Kujang dengan Kelompok Tani Sri Mandiri Desa Majalaya Kecamatan Majalaya Kabupaten Karawang, Provinsi Jawa Barat) Oleh : ACHMAD
Lebih terperinciMETODE KLASIFIKASI BERSTRUKTUR POHON DENGAN ALGORITMA QUEST DAN ALGORITMA CART (Aplikasi pada Data Pasien Penyakit Jantung) SKRIPSI
METODE KLASIFIKASI BERSTRUKTUR POHON DENGAN ALGORITMA QUEST DAN ALGORITMA CART (Aplikasi pada Data Pasien Penyakit Jantung) SKRIPSI NUR SAUNAH RANGKUTI 130803016 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP SIKAP DAN PERILAKU MEMBELI BUKU BAJAKAN PADA MAHASISWA IPB PUSPA WIDYA UTAMI
ANALISIS FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP SIKAP DAN PERILAKU MEMBELI BUKU BAJAKAN PADA MAHASISWA IPB PUSPA WIDYA UTAMI DEPARTEMEN ILMU KELUARGA DAN KONSUMEN FAKULTAS EKOLOGI MANUSIA INSTITUT PERTANIAN
Lebih terperinciPENGARUH KONDISI RUANG, FREKUENSI DAN VOLUME PENYIRAMAN TERHADAP PERTUMBUHAN DAN PERIODE LAYAK DISPLAY Dracaena marginata Tricolour
PENGARUH KONDISI RUANG, FREKUENSI DAN VOLUME PENYIRAMAN TERHADAP PERTUMBUHAN DAN PERIODE LAYAK DISPLAY Dracaena marginata Tricolour Oleh : Ita Lestari A34301058 PROGRAM STUDI HORTIKULTURA FAKULTAS PERTANIAN
Lebih terperinciANALISIS IPK MAHASISWA PENERIMA BEASISWA BIDIK MISI IPB DENGAN PENDEKATAN METODE CHAID FERRY ANTONI MS
ANALISIS IPK MAHASISWA PENERIMA BEASISWA BIDIK MISI IPB DENGAN PENDEKATAN METODE CHAID FERRY ANTONI MS DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2012
Lebih terperinciPENGELOLAAN PEMANGKASAN TANAMAN KAKAO (Theobroma cacao L.) DI KEBUN RUMPUN SARI ANTAN I, PT SUMBER ABADI TIRTASANTOSA, CILACAP, JAWA TENGAH
PENGELOLAAN PEMANGKASAN TANAMAN KAKAO (Theobroma cacao L.) DI KEBUN RUMPUN SARI ANTAN I, PT SUMBER ABADI TIRTASANTOSA, CILACAP, JAWA TENGAH Oleh IKA WULAN ERMAYASARI A24050896 DEPARTEMEN AGRONOMI DAN HORTIKULTURA
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilakukan di Jurusan Ilmu Komputer Fakultas Matematika dan
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini dilakukan di Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu penelitian dilakukan
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI TINGKAT PENGEMBALIAN KREDIT MIKRO PT BPD JABAR BANTEN KCP DRAMAGA OLEH FRANSISCUS HALOHO H
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI TINGKAT PENGEMBALIAN KREDIT MIKRO PT BPD JABAR BANTEN KCP DRAMAGA OLEH FRANSISCUS HALOHO H14053267 DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT
Lebih terperinciPENERAPAN METODE CART DAN AGREGAT BOOTSTRAP DALAM KLASIFIKASI STATUS GIZI BALITA DI KECAMATAN TAMAN SARI, KABUPATEN BOGOR SASNI TRIANA PUTRI
PENERAPAN METODE CART DAN AGREGAT BOOTSTRAP DALAM KLASIFIKASI STATUS GIZI BALITA DI KECAMATAN TAMAN SARI, KABUPATEN BOGOR SASNI TRIANA PUTRI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciFaktor-Faktor Yang Mem pengaruhi Waktu Penyusunan Tugas Akhir Mahasiswa S1 (Studi Kasus : Mahasiswa FMIPA Unsyiah)
Jurnal Gradien Vol. 10 No.2 Juli 2014 : 1000-1004 Faktor-Faktor Yang Mem pengaruhi Waktu Penyusunan Tugas Akhir Mahasiswa S1 (Studi Kasus : Mahasiswa FMIPA Unsyiah) Nany Salwa 1, Fitriana A.R 1 dan Sri
Lebih terperinciANALISIS KORELASI KANONIK ANTARA CURAH HUJAN GCM DAN CURAH HUJAN DI INDRAMAYU. Oleh : Heru Novriyadi G
ANALISIS KORELASI KANONIK ANTARA CURAH HUJAN GCM DAN CURAH HUJAN DI INDRAMAYU Oleh : Heru Novriyadi G4004 PROGRAM STUDI STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciANALISIS PENGARUH PERKEMBANGAN PASAR MODAL TERHADAP PEREKONOMIAN INDONESIA OLEH EDI SUMANTO H
ANALISIS PENGARUH PERKEMBANGAN PASAR MODAL TERHADAP PEREKONOMIAN INDONESIA OLEH EDI SUMANTO H14102021 DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR 2006 RINGKASAN EDI
Lebih terperinciPENERAPAN ANALISIS POHON REGRESI PADA DATA PERLINDUNGAN SOSIAL PUTRI DWI ANDINI
PENERAPAN ANALISIS POHON REGRESI PADA DATA PERLINDUNGAN SOSIAL PUTRI DWI ANDINI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2012 ABSTRAK PUTRI DWI ANDINI.
Lebih terperinciMETODE PEMULUSAN DENGAN REGRESI TERTIMBANG LOKAL KEKAR
" I METODE PEMULUSAN DENGAN REGRESI TERTIMBANG LOKAL KEKAR Oleh SUDARTIANTO PROGRAM PASCASARJANA INSTITUT PERTANIAN BOGOR 1992 RI NGKASAN Sudartianto. Metode Pemulusan dengan Regresi Tertimbang Lokal Kekar
Lebih terperinciMETODE PEMULUSAN DENGAN REGRESI TERTIMBANG LOKAL KEKAR
" I METODE PEMULUSAN DENGAN REGRESI TERTIMBANG LOKAL KEKAR Oleh SUDARTIANTO PROGRAM PASCASARJANA INSTITUT PERTANIAN BOGOR 1992 RI NGKASAN Sudartianto. Metode Pemulusan dengan Regresi Tertimbang Lokal Kekar
Lebih terperinciKlasifikasi Penderita Diabetes Melitus dengan Metode CHAID (Chi-Squared Automatic Interaction Detection) dan CART (Classification and Regression Tree)
Klasifikasi Penderita Diabetes Melitus dengan Metode CHAID (Chi-Squared Automatic Interaction Detection) dan CART (Classification and Regression Tree) Ria Dhea Layla N.K (1), Brodjol Sutijo Suprih U. (2),
Lebih terperinciPREFERENSI MAHASISWA IPB TERHADAP MATA KULIAH METODE STATISTIKA MENGGUNAKAN ANALISIS KONJOIN
PREFERENSI MAHASISWA IPB TERHADAP MATA KULIAH METODE STATISTIKA MENGGUNAKAN ANALISIS KONJOIN (Studi Kasus: Mahasiswa IPB Program Strata Satu yang Mengambil Mata Kuliah Metode Statistika 2009/2010) EKA
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PERILAKU KONSUMEN DALAM PEMBELIAN MINYAK GORENG BERMEREK DAN TIDAK BERMEREK
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PERILAKU KONSUMEN DALAM PEMBELIAN MINYAK GORENG BERMEREK DAN TIDAK BERMEREK (Kasus : Rumah Makan di Kota Bogor) EKO SUPRIYANA A.14101630 PROGRAM STUDI EKSTENSI
Lebih terperinci