MODEL PREDIKSI LEVEL MUKA AIR BENGAWAN SOLO RATA-RATA HARIAN DI STASIUN PENGAMATAN BOJONEGORO
|
|
- Doddy Susman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 MODEL PREDIKSI LEVEL MUKA AIR BENGAWAN SOLO RATA-RATA HARIAN DI STASIUN PENGAMATAN BOJONEGORO Umboro Lasminto & Listya Hery Mularto Jurusan Teknik Sipil, Fakultas Teknik Sipil dan Perencanaan Institut Teknologi Sepuluh Nopember Surabaya ABSTRAK Makalah ini berisi hasil penelitian yang dilakukan untuk membangun model prediksi level muka air di stasiun pengamatan Bojonegoro. Model dibangun dengan menggunakan teknik Model Tree Machine Learning. Model Tree menghasilkan beberapa fungsi linier yang transparan dan lebih diterima oleh pengambil keputusan. Pembangunan model didahului dengan pemilihan atribut input dengan menghitung korelasi antara variabel output dengan masing-masing variabel input. Model Tree dapat menghasilkan fungsi-fungsi linier dengan jumlah sangat banyak, oleh sebab itu untuk memperkecil jumlah persamaan dapat dilakukan dengan memotong jumlah cabang dari model dengan menggunakan pruning factor. Angka pruning factor semakin besar maka jumlah cabang yang dipotong menjadi banyak dan fungsi linier yang dihasilkan oleh model lebih sedikit. Pemotongan jumlah cabang pada model membawa dampak menurunnya performa dari model. Model prediksi yang dibangun dengan Model Tree pada penelitian ini memiliki performa cukup baik untuk memprediksi level muka air harian rata-rata di Stasiun Bojonegoro dengan input data dari stasiun Babat, Cepu, Karangnongko dan Napel. Model ini berguna untuk melengkapi data level muka air di stasiun Bojonegoro yang kosong dan sebagai awal dari pembangunan model peramalan banjir Bengawan Solo di stasiun Bojonegoro. Kata kunci: Prediksi, level muka air, Model Tree, Pruning Factor 1. PENDAHULUAN Sungai Bengawan Solo merupakan sungai terpanjang di Pulau Jawa dengan panjang sungai kurang lebih 600 km. Daerah aliran sungai (DAS) bengawan Solo dibagi menjadi Sub DAS Bengawan Solo hulu dengan luas 6.07 km, Sub DAS Kali Madiun dengan luas km dan Sub DAS Bengawan Solo Hilir seluas 673 km. Aliran air dari Sub DAS Bengawan Solo Hulu dan Sub DAS Kali Madiun bertemu di Ngawi dan kemudian mengalir ke hilir. Aliran air Sungai Bengawan Solo hilir selain berasal dari Sub DAS Bengawan Solo Hulu dan Sub DAS Kali Madiun juga berasal dari Sub-Sub DAS dari anak-anak sungai di sepanjang Sungai bagian hilir. Pada sungai Bengawan Solo Hilir terdapat beberapa stasiun pengamatan muka air sungai yaitu Napel, Karangnongko, Cepu, Bojonegoro, Babat dan stasiun-stasiun lainnya. Kelima stasiun pengamatan yang disebut diatas memiliki data rekaman pengamatan level muka air lebih lengkap dari stasiun-stasiun yang lain. Namun dalam rekaman serial data beberapa tahun di Stasiun Bojonegoro masih terdapat datadata yang kosong akibat tidak tercatatnya level muka air karena peralatan rusak maupun sebab lain. Tujuan dari penelitian ini adalah membangun model prediksi level permukaan air rata-rata harian sungai Bengawan Solo di stasiun pengamatan Bojonegoro untuk memperkirakan level muka air berdasarkan dari data atau informasi level muka air di stasiun yang lain baik di hulu maupun dihilirnya.. TINJAUAN PUSTAKA Banyak aplikasi model input-output dalam praktek digunakan untuk memprediksi data ISBN No A-1
2 Umboro Lasminto & Listya Hery Mularto numerik yang bersifat kontinyu yang dihubungkan dengan studi kasus tertentu. Ada beberapa teknik pembelajaran yang melakukan prediksi nilai numerik seperti regresi standar, Neural Network, dan Regression Tree. Regresi standar bukan cara yang baik untuk merepresentasikan sebuah fungsi karena regresi standar memaksakan hubungan linier pada data. Neural network lebih kuat dalam merepresentasikan namun model tidak menyatakan sesuatu tentang struktur fungsi yang direpresentasikannya. Regression Tree melakukan pendekatan sebuah fungsi dengan sebuah konstanta. Teknik lain yang dikembangkan untuk mengurangi kelemahan yang ada pada Regression Tree adalah Model Tree (MT). Model Tree menggunakan ide yaitu membagi parameter ruang menjadi sub-sub parameter ruang dan membuat setiap sub parameter ruang tersebut satu model regresi linier seperti terlihat pada Gambar 1. Sehingga model yang dihasilkan terlihat seperti sebuah model modular atau seperti sebuah Committee Machine dengan model linier dispesialisasikan ke subset ruang input tertentu. Menggunakan konsep sebuah pohon, setiap daun dari model mohon tersebut berisi satu Linier Model (LM). Pendekatan Model Tree didasarkan pada prinsip teori informasi yang memungkinkan untuk memisahkan parameter ruang multi dimensi dan secara otomatis membangun model berdasarkan kriteria kualitas. Gambar 1. konsep dari Regression dan M5 Model Tree Pemisahan di model tree mengikuti ide dari decision tree, namun perbedaannya model tree memiliki fungsi regresi linier pada daun-daun modelnya sedangkan decision tree pada daun-daun modelnya terdiri dari class label. Perhitungan yang diperlukan pada model tree meningkat secara cepat dengan bertambahnya dimensi. Model tree melakukan pembelajaran lebih efisien dan dapat menyelesaikan masalah dengan dimensi sangat banyak. Kelebihan utamanya adalah model tree lebih kecil dari decision tree, keputusannya jelas dan fungsi regresinya tidak melibatkan banyak variabel. Algoritma yang dikenal sebagai M5 digunakan untuk membangun model tree (Quinlan, 199). Tujuannya adalah membangun sebuah model yang menghubungkan sebuah nilai target dari kasus training pada input atributnya. Kualitas dari model akan diukur dengan akurasi dimana akan memprediksi nilai target. Kriteria pemisahan dalam algoritma M5 Model Tree didasarkan pada perlakuan standar deviasi dari nilai class yang menjangkau sebuah node sebagai sebuah ukuran error pada node itu, dan menghitung pengurangan yang diharapkan pada error ini sebagai hasil evaluasi pada setiap atribut pada node tersebut. Persamaan untuk menghitung standard deviation reduction (SDR) adalah:..(1) Dimana T menggambarkan set data yang menjangkau node; T i merepresentasikan subset dari data yang memiliki hasil ke-i dari set potensial dan sd merepresentasikan standar deviasi. Setelah mengevaluasi semua kemungkinan pemisahan, M5 memisahkan dan memilih satu yang maksimum dalam mereduksi error yang diharapkan. Pemisahan di M5 berhenti manakala nilai class dari semua data kejadian yang menjangkau sebuah node hanya mengalami sedikit perubahan atau hanya sedikit data kejadian yang tertinggal. Pemisahan tersebut terkadang menghasilkan jumlah linier model berlebihan sehingga harus di pangkas, sebagai contoh menggantikan suatu sub-pohon dengan suatu daun. Di langkah akhir, suatu proses memperlancar dilakukan sebagai kompensasi pada diskontinyuitas yang tajam yang akan terjadi diantara model-model linier yang bersebelahan pada daun dari model yang dipangkas, terutama untuk model yang dibangun dari data yang jumlahnya sedikit. Dalam memperlancar, persamaan linier yang bersebelahan diperbaharui sedemikian sehingga output hasil prediksi untuk vektor input yang bertetangga bersesuaian pada persamaan yang berbeda menjadi dekat nilainya. Proses yang lebih detail dapat ISBN No A-
3 Model Prediksi Level Muka Air Bengawan Solo Rata-Rata Harian di Stasiun Pengamatan Bojonegoro ditemui dalam Quinlan (199) dan dijelaskan pula oleh Witten & Frank (000). 3. METODOLOGI Untuk membangun model prediksi level muka air di Stasiun Bojonegoro (BN), tersedia data hasil pengamatan level muka air di stasiun pengamat muka air lain yaitu : stasiun Napel (NP), stasiun Karangnongko (KN), stasiun Cepu (CP), dan stasiun Babat (BB). Sebelum menggunakan data dari stasiun-stasiun diatas sebagai input model maka perlu diketahui hubungan antara data stasiun tersebut dengan menghitung cross correlation untuk mengetahui seberapa besar korelasinya. Selanjutnya untuk menentukan variabel (attribute) input dari model dilakukan perhitungan korelasi dari masing-masing calon variabel terhadap target prediksi yaitu level muka air di stasiun Bojonegoro. Simulasi model dilakukan dengan 6 skenario. Masing skenario ini dibedakan dengan nilai Pruning Factor yang berbeda. Tujaannya adalah mendapatkan model yang sederhana tetapi masih memiliki performa yang baik. Pruning factor dari model adalah 0.5, 1,, 3, 4 dan 5. Setiap attribute model terdiri dari 4973 hari data level muka air masing-masing stasiun. Dari 4973 data tersebut 90% digunakan untuk proses training (kalibrasi) dan 10 % digunakan untuk Cross-Validation. Selain iut dilakukan test split dengan menggunakan data sebesar 66 %. Performa setiap model dievaluasi berdasarkan nilai Coeffisien Correlation (CC), Mean Absolut Error (MAE), Root Mean Square Error (RMSE), Relative Absolut Error (RAE), Root Relative Square Error (RRSE) dan Jumlah Linear Model (LM). 4. ANALISA DAN HASIL Hasil perhitungan korelasi masing-masing stasiun terhadap stasiun Bojonegoro ditampilkan pada Tabel 1. dibawah ini. TABEL 1 KORELASI DARI MASING-MASING STASIUN PENGAMAT MUKA AIR Atribute NP KN CP BB KN 0.5 CP BB BN Dari hasil analisa cross-correlation pada tabel di atas terlihat bahwa korelasi terbesar antara stasiun pengamatan Napel dan Babat yaitu Sedangkan korelasi terbesar diperoleh antara data stasiun Cepu dan Stasiun Napel. Secara keseluruhan korelasi data level muka air dari setiap stasiun pengamatan cukup besar sehingga data dari masing-masing stasiun pengamat memiliki hubungan yang cukup kuat dan dapat digunakan sebagai paramater dari model. Hasil Korelasi dari attribute output dengan masing-masing attribute input disajikan pada Gambar. Gambar. Korelasi antara attribute input terhadap attribute output Hasil korelasi attribute output data stasiun Bojonegoro (BNt) dengan attribute input data stasiun Napel sehari sebelumnya (NPt- 1) adalah 0,9, sedangkan korelasi dengan attribute input data stasiun Napel pada hari yang sama (NPt) adalah 0.6. Korelasi data di stasiun Napel sehari sebelumnya lebih besar dari hasil korelasi data stasiun Napel pada waktu yang sama dengan Stasiun Bojonegoro. Demikian juga hasil perhitungan korelasi data di stasiun yang lain yaitu stasiun Karangnongko sehari sebelum (KNt-1) lebih besar dari Karangnongko hari yang sama (KNt), data di stasiun Cepu sehari sebelumnya (CPt-1) lebih besar dari data di stasiun Cepu pada waktu yang sama (CPt). Sedangkan korelasi data di stasiun Babat sehari sebelumnya (BBt-1) lebih kecil dari data di stasiun Babat pada hari yang sama. Hal ini disebabkan oleh posisi stasiun Babat berada di hilir stasiun Bojonegoro. Namun karena nilai koefisien korelasi Stasiun Babat cukup besar yaitu 0.4, maka data stasiun Babat juga dapat digunakan sebagai attribute input. ISBN No A- 3
4 Umboro Lasminto & Listya Hery Mularto Selengkapnya attribute input untuk model prediksi level muka air di stasiun Bojonegoro disajikan pada Tabel. Napel (NPt-1) Napel (NPt) TABEL ATTRIBUTE MODEL PREDIKSI Input Output Karangnongko (KNt-1) Karangnongko (KNt) Cepu (CPt-1) Cepu (CPt) Babat (BBt-1) Babat (BBt) Bojonegoro (BNt) Simulasi model dilakukan dengan menggunakan software WEKA 3- yang dikembangkan oleh Waikato University. Hasil simulasi keenam model dengan perbedaan angka pruning factor ditampilkan dalam Gambar 3 s/d Gambar. Pada Gambar 3. Menunjukkan bahwa dengan meningkatnya Pruning Factor menyebabkan menurunnya korelasi antara attribute input dan attribute output. Gambar 4. Menunjukkan bahwa peningkatan Pruning Factor menyebabkan harga Mean Absolut Error meningkat. Harga MAE terendah 0.4 meter dan tertinggi 0.5 meter. Gambar 4. Mean Absolut Error Gambar 5. Menunjukkan bahwa peningkatan Pruning Factor menyebabkan harga Root Mean Square Error meningkat. Model 1 memiliki RMSE 0.60 dan meningkat sampai model 6 memiliki RMSE Gambar 6 dan Gambar 7. menunjukkan bahwa peningkatan Pruning Factor menyebabkan prosentase dari Relative Absolut Error dan Root Relative Square Error meningkat sejalan dengan meningkatnya MAE dan RMSE. Gambar 5. Root Mean Square Error Gambar 3. Coefisien Correlation Gambar 6. Relative Absolut Error ISBN No A-4
5 Model Prediksi Level Muka Air Bengawan Solo Rata-Rata Harian di Stasiun Pengamatan Bojonegoro Gambar 7. Root Relative Square Error Sedangkan Gambar. menunjukkan bahwa peningkatan Pruning Factor menyebabkan terjadinya penurunan yang cukup tajam pada jumlah Linear Model (LM) dari jumlah LM 317 menjadi jumlah LM tinggal. Gambar. Jumlah Linier model Performa masing-masing model dari hasil kalibrasi (training), cross-validation dan test split dari masing-masing model disajikan pada Tabel 3. N o TABEL 3 PERFORMA MASING-MASING MODEL Test P LM Performa Model F CC MAE RM-SE RAE (m) (m) (%) RRSE (%) Validasi Split Validasi Split Validasi Split Berdasarkan nilai performa tabel di atas maka bila diinginkan model dengan nilai error paling kecil maka dapat dipilih model pertama. Namun perlu diingat bahwa model pertama terdiri dari 317 fungsi linier yang tentukan jumlah ini cukup banyak. Sedangkan bila diinginkan model paling sederhana maka dapat digunakan model prediksi ke enam dengan hanya fungsi linier. Model ini memiliki akurasi paling rendah dari model-model yan lain. Pertimbangan yang lain adalah dapat memilih model dengan jumlah linear model tidak terlalu banyak tetapi akurasi yang dihasilkan masih cukup baik. Untuk mendapatkan gambaran tentang perbandingan level muka air hasil prediksi dan level muka air hasil pengamatan di lapangan maka performa dari model 1 ditampilkan secara visual pada Gambar Validasi Split Validasi Split Validasi Split Gambar 9. Perbadingan level muka air prediksi dan observasi di stsiun Bojonegoro. 5. KESIMPULAN 1. Secara keseluruhan dari model 1 sampai model 6 memiliki performa cukup baik dengan nilai RMSE 0.7 meter (31 % dari ISBN No A- 5
6 Umboro Lasminto & Listya Hery Mularto level rata-rata dan 7. % dari level maksimum). Peningkatan RMSE dari model 1 ke model 6 tidak terlalu besar yaitu hanya 0.15 meter dibanding dengan penurunan jumlah Linier Model sebanyak SARAN 1. Untuk mendapatkan model dengan performa baik diperlukan pemilihan attribute dan data yang memiliki korelasi atau hubungan dengan atribut dan data yang akan diprediksi.. Metode penelitian ini dapat digunakan untuk memprediksi level muka air di lokasi stasiun yang lain. 7. DAFTAR PUSTAKA 1. Dulal, K. N. (00) Application of Data Driven Techniques in Hydrological Modelling, M.Sc. Thesis, HH 434, IHE, Delft, The Netherlands.. Frank, E., Wang, Y., Inglis, S., Holmes, G., and Witten, I.H., (1997) Using Model Trees for Classification, Machine Learning Juornal. Vol. 3, No. 1, pages Garner, S.R. (1995) WEKA : The Waikato Enviroment for Kowledge Analysis, Proc new Zealand Computer Science Research Students Confrence, University of Waikato, Hamilton, New Zealand, Pages Lasminto U (004), Aplikasi Artificial Network untuk Peramalan Banjir kali Surabaya, Seminar Nasional Universitas Pembangunan Nasional Surabaya. 5. Lasminto U. (004), Model Peramalan Banjir di Kali Surabaya, Seminar Nasional Penanganan Banjir Dies Natalis ke 44 ITS Surabaya 6. Lasminto U. (004), Peramalan Elevasi Permukaan Air untuk keperluan Pelayaran di Muara sungai Musi, Seminar Nasional Pertemuaan Ilmiah Tahunan XXI Himpunan Ahli Teknik Hidraulik Indonesia, Bali. 7. Lasminto U. (004), Aplikasi Model Non Linier M5 Model Tree untuk peramalan debit Banjir Kali Surabaya, Seminar Nasional Penanganan Banjir Dies Natalis ke 44 ITS Surabaya, 004. Lasminto, U. (004), Flood Modelling and Forecasting in the Surabaya River, M.Sc. Thesis, HH 479, IHE, Delft, The Netherlands. 9. Lasminto U. (005), Flood Forecasting at Gunungsari Dam for Surabaya Drainage Warning System, International Seminar On Early Warning Sistem of Disaster, Surabaya. 10. Lasminto, U. (007), Model Peramalan permukaan air sungai 4 jam kedepan di Muara Sungai Musi, Seminar Nasional Pasca Sarjana VII ITS 11. Shrestha, I., 003, Conceptual and Data Driven Hydrological Modelling of Bagmati River Basin, Nepal, M.Sc. Thesis, HH 451, IHE, Delft, The Netherlands 1. Siek, M.B., (003) Flexibility and Optimality in Model Trees Learning with Application to Water-related Problem, M.Sc. Thesis, HH 47, IHE, Delft, The Netherlands. 13. Sikonja, M.R. and Kononenko, I. (199) Pruning Regression Trees with MDDL. ECAI 9, 13 th European Conference in Artificial Intelligence. 14. Solomatine, D. P. and Dulal, K. N. (00) Model Tree as an Alternative to Neural Network in Rainfall Runoff Modelling, Hydrological Sciences Journal, Vol. 4, No. 3, Pages Solomatine, D. P. (001) Data Driven Modelling: Machine learning, Data Mining and Knowledge Discovery, IHE lecture notes, HH4/0/1 16. Waikato ML Group (1996) Tutorial-Weka the Waikato for Knowledge Analysis, Departement of Computer Science, University of Waikato, November, Pages Waikato ML Group (1997) User Manual- Weka the Waikato for Knowledge Analysis. Departement of Computer Science, University of Waikato, June, Pages Wang, Y. and Witten, I.H. (1997) Introduction of Model Trees for Predicting Continuous Classes. Proceeding of the Poster Papers of the European Conference on machine Learning, University of Economics, Faculty of Informatic and Statistic, Prague, Czech Republic, Pages ISBN No A-6
UJI KINERJA MODEL PERAMALAN MUKA AIR BANJIR BENGAWAN SOLO DI STASIUN PENCATATAN BOJONEGORO
UJI KINERJA MODEL PERAMALAN MUKA AIR BANJIR BENGAWAN SOLO DI STASIUN PENCATATAN BOJONEGORO Umboro Lasminto*, Listiya Hery Mularto** * Dosen Jurusan Teknik Sipil Institut Teknologi Sepuluh Nopember - Kampus
Lebih terperinciSumber : Hasil olah data,2009
pengelompokan data terlihat data curah hujan yang tercatat di Stasiun Poncokusumo yang cukup baik yaitu sebesar.52 untuk time lag (waktu sekarang) namun bila digeser sampai dengan minus 3 hari nilai korelasinya
Lebih terperinciMODEL TREE DENGAN SISTEM PERSAMAAN NON LINIER SETAHUN KEDEPAN UNTUK PERAMALAN (FORECASTING)ALIRAN SUNGAI
MODEL TREE DENGAN SISTEM PERSAMAAN NON LINIER UNTUK PERAMALAN (FORECASTING)ALIRAN SUNGAI SETAHUN KEDEPAN Sulianto Jurusan Teknik Sipil, Fakultas Teknik, Universitas Muhammadiyah Malang Alamat Korespondensi
Lebih terperinciPEMODELAN PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH
PEMODELAN PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH Nama Mahasiswa : Mahmudi NRP : 317 25 715 Pembimbing : Ir. Soetoyo M.Sc. Dr. Ir. Edijatno,PHD.DEA. ABSTRAK Debit harian yang masuk Bendungan
Lebih terperinciPENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU
PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih terperinciPERENCANAAN PENINGKATAN KAPASITAS FLOODWAY PELANGWOT SEDAYULAWAS SUNGAI BENGAWAN SOLO
JURNAL TEKNIK POMITS Vol. 1, No. 1, (13) 1-7 PERENCANAAN PENINGKATAN KAPASITAS FLOODWAY PELANGWOT SEDAYULAWAS SUNGAI BENGAWAN SOLO Bachtiar Riyanto, Dr. Techn. Umboro Lasminto, ST., M.Sc. Jurusan Teknik
Lebih terperinciPenerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien
1 Penerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien Ketut Wisnu Antara 1, Gede Thadeo Angga Kusuma 2 Jurusan Pendidikan Teknik Informatika Universitas Pendidikan Ganesha
Lebih terperinciPERMODELAN HUJAN DEBIT PADA DAERAH ALIRAN SUNGAI BENGAWAN SOLO DENGAN DISTRIBUTED MODEL MENGGUNAKAN INTEGRATED FLOOD ANALYSIS SYSTEM (IFAS)
PERMODELAN HUJAN DEBIT PADA DAERAH ALIRAN SUNGAI BENGAWAN SOLO DENGAN DISTRIBUTED MODEL MENGGUNAKAN INTEGRATED FLOOD ANALYSIS SYSTEM (IFAS) Hary Puji Astuti dan Umboro Lasminto Program Studi Magister Teknik
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Mining 2.1.1 Pengertian Data Mining Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka dibutuhkan metode analisis yang tepat. Data mining
Lebih terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Dasar Penelitian Penelitian ini dilakukan berdasarkan rumusan masalah yang telah dijabarkan pada bab sebelumnya yaitu untuk mengklasifikasikan kelayakan kredit calon debitur
Lebih terperinciPENELUSURAN BANJIR (STAGE HYDROGRAPH) MENGGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENELUSURAN BANJIR (STAGE HYDROGRAPH) MENGGUNAKAN JARINGAN SARAF TIRUAN (Studi Kasus: DAS Siak) 1 Manyuk Fauzi, 1 Imam Suprayogi, 2 Ashral 1 Dosen Jurusan Teknik Sipil, Fakultas Teknik, Universitas Riau
Lebih terperinciDESAIN PENGENDALIAN PINTU AIR DENGAN METODE SLIDING MODE CONTROL (SMC)
J. Math. and Its Appl. ISSN: 1829-605X Vol. 13, No. 1, Mei 2016, 13-22 DESAIN PENGENDALIAN PINTU AIR DENGAN METODE SLIDING MODE CONTROL (SMC) Moh. Fahmi Muzaki 1, Erna Apriliani 2, Sri Suprapti H 3 1,2,3
Lebih terperinciBAB II TINJAUAN PUSTAKA Indeks Prestasi Kumulatif dan Lama Studi. menggunakan dokumen/format resmi hasil penilaian studi mahasiswa yang sudah
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Indeks Prestasi Kumulatif dan Lama Studi Mahasiswa yang telah menyelesaikan keseluruhan beban program studi yang telah ditetapkan dapat dipertimbangkan
Lebih terperinciGENANGAN DI KABUPATEN SURABAYA
PROYEK AKIHR TUGAS AKHIR ANALISA PENANGGULANGAN SISTEM DRAINASE BANJIR SALURAN KALI LAMONG KUPANG TERHADAP JAYA AKIBAT PEMBANGUNAN GENANGAN DI KABUPATEN APARTEMEN GRESIK PUNCAK BUKIT GOLF DI KOTA SURABAYA
Lebih terperinciLEARNING ARTIFICIAL INTELLIGENT
LEARNING ARTIFICIAL INTELLIGENT Outline Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes Data Latih 1 Decision Tree??? Pelamar IPK Wawancara Diterima P1 Bagus Tinggi P2
Lebih terperinciMoch. Ali Machmudi 1) 1) Stmik Bina Patria
UJI PENGARUH KARAKTERISTIK DATASET PADA PERFORMA ALGORITMA KLASIFIKASI Moch. Ali Machmudi 1) 1) Stmik Bina Patria 1) Jurusan Manjemen Informatika-D3 Email : 1 aliadhinata@gmail.com 1) Abstrak Tujuan utama
Lebih terperinciBAB I PENDAHULUAN 1-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teknologi informasi dan komputer akhir-akhir ini mengalami perkembangan yang sangat pesat tidak terkecuali pada aplikasi-aplikasi database. Di
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : D22.5411 / Healthcare Datamng Revisi 1 Satuan Kredit Semester : 2 sks Tgl revisi : 1 Agustus 2014 Jml Jam kuliah dalam seminggu
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : 56601 / Data Warehouse dan Data Mng Revisi 1 Satuan Kredit Semester : 3 sks Tgl revisi : 1 September 2014 Jml Jam kuliah
Lebih terperinciPerencanaan Sistem Drainase Perumahan Grand City Balikpapan
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 1 Perencanaan Sistem Drainase Perumahan Grand City Balikpapan Rossana Margaret, Edijatno, Umboro Lasminto Jurusan Teknik Sipil, Fakultas Teknik Sipil dan
Lebih terperinciOleh : Rahanimi Pembimbing : Dr. M Isa Irawan, M.T
PERAMALAN JUMLAH MAHASISWA PENDAFTAR PMDK JURUSAN MATEMATIKA MENGGUNAKAN METODE AUTOMATIC CLUSTERING DAN RELASI LOGIKA FUZZY (STUDI KASUS di INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA) Oleh : Rahanimi
Lebih terperinciData Mining II Estimasi
Data Mining II Estimasi Matakuliah Data warehouse Universitas Darma Persada Oleh: Adam AB Data Mining-2012-a@b 1 Tahapan proses datamining Input (Data) Metode (Algoritma Data Mining) Output (Pola/Model/
Lebih terperinciPEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE
PEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Program Studi Sistem Informasi, STMIK
Lebih terperinciPenerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa
Penerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa Seno Setiyawan 1, Yuliana Susanti 2,Tri Atmojo Kusmayadi 3 1,3 Program Studi Matematika FMIPA, Universitas Sebelas Maret 2 Program
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN:
KAJIAN KOMPARASI ALGORITMA C4.5, NAÏVE BAYES DAN NEURAL NETWORK DALAM PEMILIHAN PENERIMA BEASISWA (Studi Kasus pada SMA Muhammadiyah 4 Jakarta ) Ulfa Pauziah Program Studi Teknik Informatika, Universitas
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciData Mining Terapan dengan Matlab
Pendahuluan i ii Data Mining Terapan dengan Matlab Pendahuluan iii DATA MINING TERAPAN DENGAN MATLAB Oleh : Budi Santosa Edisi Pertama Cetakan Pertama, 2007 Hak Cipta 2007 pada penulis, Hak Cipta dilindungi
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Penambangan Data (Data Mining) Pengertian data mining, berdasarkan beberapa orang: 1. Data mining (penambangan data) adalah suatu proses untuk menemukan suatu pengetahuan atau
Lebih terperinciKLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK
KLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK YUANDRI TRISAPUTRA & OKTARINA SAFAR NIDA (SIAP 16) Pendahuluan Latar Belakang
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 terperinciTEKNIK KLASIFIKASI POHON KEPUTUSAN UNTUK MEMPREDIKSI KEBANGKRUTAN BANK BERDASARKAN RASIO KEUANGAN BANK
TEKNIK KLASIFIKASI POHON KEPUTUSAN UNTUK MEMPREDIKSI KEBANGKRUTAN BANK BERDASARKAN RASIO KEUANGAN BANK 1 Nurma Jayanti Sulistyo Puspitodjati 3 Tety Elida 1 jurusan sistem informasi, universitas gunadarma
Lebih terperinciBAB I PENDAHULUAN. Gabungan antara karakteristik hujan dan karakteristik daerah aliran sungai
BAB I PENDAHULUAN 1.1. Latar Belakang Curah hujan tidak bekerja sendiri dalam membentuk limpasan (runoff). Gabungan antara karakteristik hujan dan karakteristik daerah aliran sungai (DAS) sangat mempengaruhi
Lebih terperinciPREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Technologia Vol 9, No.1, Januari Maret 2018 11 PREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Yusri Ikhwani Fakultas Teknologi Informasi Universitas Islam
Lebih terperinciPenentuan Daya Tampung Beban Pencemaran Kali Madiun (Segmen Wilayah Kota Madiun) Menggunakan Program QUAL2Kw
Penentuan Daya Tampung Beban Pencemaran Kali Madiun (Segmen Wilayah Kota Madiun) Adam Rusnugroho 33 08 100 006 Ujian Akhir Skripsi Jurusan Teknik Lingkungan Fakultas Teknik Sipil dan Perencanaan Institut
Lebih terperinciKLASIFIKASI KARAKTERISTIK MAHASISWA UNIVERSITAS COKROAMINOTO PALOPO MENGGUNAKAN METODE NAÏVE BAYES DAN DECISION TREE. Yuli Hastuti
Jurnal Dinamika, September 2016, halaman 34-41 P-ISSN: 2087 7889 E-ISSN: 2503 4863 Vol. 07. No.2 KLASIFIKASI KARAKTERISTIK MAHASISWA UNIVERSITAS COKROAMINOTO PALOPO MENGGUNAKAN METODE NAÏVE BAYES DAN DECISION
Lebih terperinciAnalisa Perubahan Kualitas Air Akibat Pembuangan Lumpur Sidoarjo Pada Muara Kali Porong
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: 2337-3539 (2301-9271 Print) 1 Analisa Perubahan Kualitas Air Akibat Pembuangan Lumpur Sidoarjo Pada Muara Kali Porong Gita Angraeni (1), Suntoyo (2), dan
Lebih terperinciALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA
53 ALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA Marwana*) Abstract : Abstract-This study is a simulation for memperiksi victory in a football game using the C4.5 data
Lebih terperinciTINJAUAN PUSTAKA. Definisi Data Mining
TINJAUAN PUSTAKA Definisi Data Mining Sistem Manajemen Basis Data tingkat lanjut dan teknologi data warehousing mampu untuk mengumpulkan banjir data dan untuk mentransformasikannya ke dalam basis data
Lebih terperinciEducational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa
Educational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Universitas Nusantara PGRI Kediri Kontak Person: Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Kampus
Lebih terperinciPerencanaan Penanggulangan Banjir Akibat Luapan Sungai Petung, Kota Pasuruan, Jawa Timur
JURNAL TEKNIK ITS Vol. 6, No. 2 (2017), 2720 (201928X Print) C82 Perencanaan Penanggulangan Banjir Akibat Luapan Sungai Petung, Kota Pasuruan, Jawa Timur Aninda Rahmaningtyas, Umboro Lasminto, Bambang
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA KLASIFIKASI NAÏVE BAYESIAN, LAZY-IBK, ZERO-R, DAN DECISION TREE- J48
PERBANDINGAN KINERJA ALGORITMA KLASIFIKASI NAÏVE BAYESIAN, LAZY-IBK, ZERO-R, DAN DECISION TREE- J48 Sulidar Fitri Teknik Informatika STMIK AMIKOM Yogyakarta email : inboxfitri@gmail.com Abstraksi Penelitian
Lebih terperinciPENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE
PENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE Castaka Agus Sugianto Program Studi Teknik lnformatika Politeknik TEDC Bandung
Lebih terperinciBAB VI KESIMPULAN DAN SARAN
121 BAB VI KESIMPULAN DAN SARAN Pada bab ini dijelaskan mengenai beberapa kesimpulan yang didapat setelah melakukan serangkaian uji coba dan evaluasi terhadap aplikasi yang telah dibuat. Dalam bab ini
Lebih terperinciPENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL
PENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL Besse Helmi Mustawinar Teknik Informatika FTKOM Universitas Cokroaminoto Palopo Jl Latamacelling Nomor 19 Palopo,
Lebih terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciBAB I PENDAHULUAN. Machine learning (ML), bagian dari kecerdasan buatan (artificial
BAB I PENDAHULUAN 1. 1.1. Latar Belakang Machine learning (ML), bagian dari kecerdasan buatan (artificial intelligence), merupakan metode untuk mengoptimalkan performa dari sistem dengan mempelajari data
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pendahuluan Didalam bab ini menceritakan semua teori-teori yang digunakan didalam proses algoritma decision tree, algoritma Random tree dan Random Florest serta teoriteori dan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pendidikan adalah salah satu aspek terpenting bagi kehidupan manusia, yang dapat mempengaruhi manusia itu sendiri, juga menjadi faktor pendukung dalam setiap sektor
Lebih terperinciPENGKOMBINASIAN POHON KEPUTUSAN DATA PENCILAN KELAS DAN POHON KEPUTUSAN DATA NORMAL UNTUK PENINGKATAN AKURASI PREDIKSI CACAT PERANGKAT LUNAK
PENGKOMBINASIAN POHON KEPUTUSAN DATA PENCILAN KELAS DAN POHON KEPUTUSAN DATA NORMAL UNTUK PENINGKATAN AKURASI PREDIKSI CACAT PERANGKAT LUNAK Utomo Pujianto 1, Daniel Oranova Siahaan 2 1 Jurusan Teknik
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database
Lebih terperinciPenggunaan Pohon Keputusan untuk Data Mining
Penggunaan Pohon Keputusan untuk Data Mining Indah Kuntum Khairina NIM 13505088 Program Studi Teknik Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jalan Ganesha
Lebih terperinciKLASTERISASI BERDASARKAN KESAMAAN POLA DENGAN MENGGUNAKAN ALGORITMA PCLUSTER (Kata kunci: Penggalian Data, Klasterisasi Kesamaan Pola)
PRESENTASI TUGAS AKHIR KI091391 KLASTERISASI BERDASARKAN KESAMAAN POLA DENGAN MENGGUNAKAN ALGORITMA PCLUSTER (Kata kunci: Penggalian Data, Klasterisasi Kesamaan Pola) Penyusun Tugas Akhir : Kartika Wijayati
Lebih terperinciHasil dan Analisis. Simulasi Banjir Akibat Dam Break
Bab IV Hasil dan Analisis IV. Simulasi Banjir Akibat Dam Break IV.. Skenario Model yang dikembangkan dikalibrasikan dengan model yang ada pada jurnal Computation of The Isolated Building Test Case and
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciMETODE PENELITIAN HASIL DAN PEMBAHASAN
5. Oleh karena itu untuk meningkatkan akurasinya, proses learning harus dihentikan lebih awal atau melakukan pemotongan tree secara umum. Untuk itu diberikan 2 (dua) buah threshold yang harus dipenuhi
Lebih terperinciPERBANDINGAN DECISION TREE
84 2015 Jurnal Krea-TIF Vol: 03 No: 02 PERBANDINGAN DECISION TREE PADA ALGORITMA C 4.5 DAN ID3 DALAM PENGKLASIFIKASIAN INDEKS PRESTASI MAHASISWA (Studi Kasus: Fasilkom Universitas Singaperbangsa Karawang)
Lebih terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciDATA MINING KLASIFIKASI BERBASIS DECISION TREE. Ramadhan Rakhmat Sani, M.Kom
DATA MINING KLASIFIKASI BERBASIS DECISION TREE Ramadhan Rakhmat Sani, M.Kom Text Book Outline 1. Algoritma Data Mining Algoritma ID3 Algoritma C4.5 Algoritma C4.5 Introduction Algoritma C4.5 merupakan
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciAnalisis Akurasi Support Vector Machine...
ANALISIS AKURASI SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF UNTUK PRAKIRAAN BEBAN LISTRIK HARIAN SEKTOR INDUSTRI Luqman Assaffat 1 * 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciAPLIKASI PREDIKSI KELULUSAN MAHASISWA DENGAN METODE LINEAR DISCRIMINANT ANALYSIS
APLIKASI PREDIKSI KELULUSAN MAHASISWA DENGAN METODE LINEAR DISCRIMINANT ANALYSIS Sulistio PT Adicipta Inovasi Teknologi (AdIns) Jakarta email : sulistio.workmail@gmail.com Abstrak Aplikasi Prediksi Status
Lebih terperinciBAB 1 PENDAHULUAN. 1 Universitas Indonesia. Implementasi algoritma clustering..., Adolf Pandapotan
BAB 1 PENDAHULUAN Saat ini, kebutuhan manusia akan informasi sangat besar. Informasi yang penting harus disimpan karena bisa saja digunakan untuk masa yang akan datang. Sebagai contoh informasi penjualan
Lebih terperinciPenerapan Klasifikasi Decision Tree dan Model Log Linear dalam Penanganan Kecelakaan Kerja
PRISMA 1 (2018) https://journal.unnes.ac.id/sju/index.php/prisma/ Penerapan Klasifikasi Decision Tree dan Model Log Linear dalam Penanganan Kecelakaan Kerja Sofi Khoirun Nisak, Jaka Nugraha Fakultas Matematika
Lebih terperinciPemanfaatan Educational Data Mining (EDM)...
PEMANFAATAN EDUCATIONAL DATA MINING (EDM) UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS: TI-S1 UDINUS) Defri Kurniawan 1*, Wibowo Wicaksono 1 dan Yani Parti Astuti 1 1
Lebih terperinciBAB II TINJAUAN PUSTAKA
2.1 Tinjauan Empiris BAB II TINJAUAN PUSTAKA Pada penelitian ini, peneliti menggunakan beberapa penelitian yang pernah dilakukan sebelumnya sebagai tinjauan studi. Berikut ialah tinjauan empiris yang digunakan:
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Berkembangnya teknologi telah membuat banyak informasi bermunculan. Informasi-informasi tersebut tertuang dalam bentuk dokumen terutama dokumen digital. Semakin
Lebih terperincihttp://www.brigidaarie.com proses menganalisa data untuk mencari polapola tersembunyi dengan menggunakan metodologi otomatis Istilah lain : Machine Learning Knowledge Discovery in Database (KDD) Predictive
Lebih terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
Lebih terperinciPrediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov
JURNAL SAINS DAN SENI POMITS Vol. 6, No.2, (2017) 2337-3520 (2301-928X Print) A 39 Prediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov Risa Septi Pratiwi Daryono Budi Utomo Jurusan
Lebih terperinciSungai dan Daerah Aliran Sungai
Sungai dan Daerah Aliran Sungai Sungai Suatu alur yang panjang di atas permukaan bumi tempat mengalirnya air yang berasal dari hujan disebut alur sungai Perpaduan antara alur sungai dan aliran air di dalamnya
Lebih terperinciIDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.
IDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.5 Amelia Halim 1) dan Joko Lianto Buliali 2) 1) Program Studi Magister
Lebih terperinciIMPLEMENTASI TEKNIK SELEKSI FITUR INFORMATION GAIN PADA ALGORITMA KLASIFIKASI MACHINE LEARNING UNTUK PREDIKSI PERFORMA AKADEMIK SISWA
IMPLEMENTASI TEKNIK SELEKSI FITUR INFORMATION GAIN PADA ALGORITMA KLASIFIKASI MACHINE LEARNING UNTUK PREDIKSI PERFORMA AKADEMIK SISWA Betha Nurina Sari 1) 1) Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciSTUDI KOMPARASI METODE KLASIFIKASI DUA KELAS
Program Studi MMT-ITS, Surabaya Pebruari 007 STUDI KOMPARASI METODE KLASIFIKASI DUA KELAS Budi Santosa dan Devi Rosita Hanum Teknik Industri Institut Teknologi Sepuluh Nopember Email: budi_s@ie.its.ac.id,
Lebih terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (2017) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-116 (Online) Artikel Perancangan Aplikasi Prediksi Kelulusan Mahasiswa Tepat Waktu Pada
Lebih terperinciPENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA
PENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA Yasinta Agustyani, Yuliana Susanti, dan Vika Yugi Program Studi Matematika Fakultas
Lebih terperinciANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA
ANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA Prawidya Destarianto 1, Wahyu Kurnia Dewanto 2, Hermawan Arief Putranto 3 1,2,3 Jurusan, Teknologi
Lebih 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 terperinciJURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
JURNA TEKNIK, (2014) 1-6 1 AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciBAB IX ANALISIS REGRESI
BAB IX ANALISIS REGRESI 1. Model Analisis Regresi-Linear Analisis regresi-linear adalah metode statistic yang dapat digunakan untuk mempelajari hubungan antarsifat permasalahan yang sedang diselidiki.
Lebih terperinciSistem Deteksi Kebocoran pada Jaringan Pipa Air PDAM Menggunakan Analisis Tekanan dengan Metode Extreme Learning Machine
Sistem Deteksi Kebocoran pada Jaringan Pipa Air PDAM Menggunakan Analisis Tekanan dengan Metode Extreme Learning Machine Abstrak Muh.Taufiq Hardiyanto Umar 1 Ahmad Zaky Abbas 1, A. Ejah Umraeni Salam 2
Lebih terperinciPendahuluan : Evaluasi*
MMA10991 Topik Khusus - Machine Learning Pendahuluan : Evaluasi* Dr. rer. nat. Hendri Murfi * Beberapa bagian dari slide ini adalah terjemahan dari slide Data Mining oleh I. H. Witten, E. Frank dan M.
Lebih terperinciBAB 3 METODE PENELITIAN
31 BAB 3 METODE PENELITIAN 3.1 Pengumpulan Data (Data gathering). Pengumpulan data harus mampu mendeskripsikan data yang ada, serta memiliki kontribusi terhadap pengetahuan. Data yang tidak lengkap perlu
Lebih terperinciPENERAPAN ALGORITMA KLASIFIKASI DATA MINING C4.5 PADA DATASET CUACA WILAYAH BEKASI
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 368~372 368 PENERAPAN ALGORITMA KLASIFIKASI DATA MINING C4.5 PADA DATASET CUACA WILAYAH BEKASI Adhika Novandya AMIK BSI Bekasi e-mail:
Lebih terperinciMODEL HIDROLOGI RUNTUN WAKTU UNTUK PERAMALAN DEBIT SUNGAI MENGGUNAKAN METODE ARTIFICIAL NEURAL NETWORK (ANN) (Studi Kasus : Sub DAS Siak Hulu)
MODEL HIDROLOGI RUNTUN WAKTU UNTUK PERAMALAN DEBIT SUNGAI MENGGUNAKAN METODE ARTIFICIAL NEURAL NETWORK (ANN) (Studi Kasus : Sub DAS Siak Hulu) Rendy Fadly 1), Imam Suprayogi 2), Manyuk Fauzi 2) 1) Mahasiswa
Lebih terperinciANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN
ANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN Abstrak Vinsensius Rinda Resi - NIM : A11.2009.04645 Program Studi Teknik
Lebih terperinci1 Pendahuluan. 1.1 Latar Belakang Masalah
1 Pendahuluan 1.1 Latar Belakang Masalah Kebutuhan masyarakat akan perkiraan cuaca terutama curah hujan ini menjadi sangat penting untuk merencanakan segala aktifivitas mereka. Curah hujan juga memiliki
Lebih terperinciMODEL KLASIFIKASI KELAYAKAN KREDIT KOPERASI KARYAWAN DENGAN ALGORITMA DECISION TREE
MODEL KLASIFIKASI KELAYAKAN KREDIT KOPERASI KARYAWAN DENGAN ALGORITMA DECISION TREE Putri Kurnia Handayani Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box
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 terperinciSISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU
SISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU Jonathan Rinaldy 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi Informatika & Komputer
Lebih terperinciHASIL DAN PEMBAHASAN. Setiap tahapan di dalam penelitian ini akan ditunjukkan di dalam Tabel 2.
6 tahap ini, pola yang telah ditemukan dipresentasikan ke pengguna dengan teknik visualisasi agar pengguna dapat memahaminya. Deskripsi aturan klasifikasi akan dipresentasikan dalam bentuk aturan logika
Lebih terperinciPEMROSESAN CITRA SATELIT DAN PEMODELAN UNTUK MEMPREDIKSI PENYEBARAN BANJIR BENGAWAN SOLO MENGGUNAKAN METODE NAVIER STOKES
PEMROSESAN CITRA SATELIT DAN PEMODELAN UNTUK MEMPREDIKSI PENYEBARAN BANJIR BENGAWAN SOLO MENGGUNAKAN METODE NAVIER STOKES Ratih Febrianty 1), Ir. Dadet Pramadihanto, M.Eng, Ph.D 2, Ir. Wahjoe Tjatur Sesulihatien,
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciMODEL PERAMALAN INFLOW WADUK PLTA KOTO PANJANG MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
MODEL PERAMALAN INFLOW WADUK PLTA KOTO PANJANG MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM 1 Ria Utami, 2 Imam Suprayogi, 2 Yohanna Lilis Handayani 1 Mahasiswa Jurusan Teknik Sipil, Fakultas
Lebih terperinci