METODE KLASIFIKASI DENGAN ALGORITMA NAÏVE BAYES UNTUK REKOMENDASI PENJURUSAN SMA TERANG BANGSA
|
|
|
- Hartanti Hardja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Techno.COM, Vol. 15, No. 3, Agustus 216: METODE KLASIFIKASI DENGAN ALGORITMA NAÏVE BAYES UNTUK REKOMENDASI PENJURUSAN SMA TERANG BANGSA Andrew Yova Kencana 1, Setia Astuti 2 1,2 Jurusan Teknik Ilmu Komputer,Universitas Dian Nuswantoro, Semarang Jl. Imam Bonjol Semarang andrewyova@rocketmail.com 1, setia.astuti@dsn.dinus.ac.id 2 Abstrak SMA Terang Bangsa adalah salah satu sekolah yang sedang menerapkan pendidikan kurikulum 213. Di mana kurikulum 213 ini adalah penjurusan yang dilakukan di kelas X. Berbeda dengan tahun lalu di mana penjurusan di lakukan di kelas XI menggunakan faktor nilai-nilai SMA maka di kurikulum baru ini menggunakan faktor nilai SMP mereka. Penelitian ini bertujuan untuk membuat aplikasi data mining klasifikasi menggunakan algoritma Naive Bayes. Algoritma Naive Bayes ini adalah algoritma yang menggunakan teknik probabilitas sederhana berdasarkan penerapan aturan bayes. Atribut yang di gunakan dalam penelitian ini adalah NIS (No Induk Siswa), nilai rata-rata pelajaran IPA, nilai rata-rata Matematika, nilai rata-rata Bahasa Inggris, dan minat. Hasil dari penelitian ini adalah terimplementasinya aplikasi data mining sebagai klasifikasi penjurusan Siswa SMA Terang Bangsa. Kata kunci : Data Mining, Algoritma Naïve Bayes, Penjurusan SMA, Kurikulum 213. Abstract SMA Terang Bangsa is one of the schools that are implementing the education curriculum in 213. Where the 213 curriculum is majors that is done in class X. Unlike the last year where the majors in class XI using Senior High School grades, so in this new curriculum they using junior high school grades. This research aims to make the application of data mining classification using Naive Bayes algorithm. Naive Bayes algorithm is an algorithm that uses simple probability techniques based on the application of Bayes rule. Attributes used in this study are NIS (Student ID), the average value of science courses, the average value of Mathematics, the average value of English, and majors. The results of this study is data mining application as majors classification of SMA Terang Bangsa student. Keywords : Data Mining, Naïve Bayes Algorithm, High School Majors,Curriculum PENDAHULUAN Teknologi saat ini sudah sangat berkembang dengan cepat dalam tahuntahun ini. Di jaman ini banyak teknologi di gunakan untuk membantu pekerjaan manusia dalam hal pencatatan barang dagangan, membantu membuat keputusan dalam suatu masalah, dan sebagainya. Salah satunya adalah membuat keputusan dalam penjurusan anak kelas SMA ke jurusan IPA maupun IPS. Sekarang anak-anak SMP saat ingin melanjutkan bidang studinya 195 ke SMA kelas X sudah dalam penjurusan IPA atau IPS. Di karenakan adanya kurikulum tahun 213 yang baru dalam pendidikan SMA tahun ini. Berbeda dengan tahun 26 di mana saat penjurusan di lakukan di kelas X ke kelas XI tahun ini kelas X sudah dalam penjurusan IPA maupun IPS. SMA Terang Bangsa adalah Sekolah SMA yang sedang melaksanakan kurikulum pendidikan tahun 213 ini. Dengan adanya penjurusan ini siswa di harapkan mampu menguatkan bakat,
2 Techno.COM, Vol. 15, No. 3, Agustus 216: minat dan kemampuan yang dia miliki agar siswa mampu berprestasi di bidang yang mereka sukai ini. Di SMA Terang Bangsa ini memiliki 2 penjurusan yaitu IPA dan IPS. Di Kelas X penjurusan IPA ada 3 kelas sedangkan penjurusan IPS ada 6 kelas. Saat ini di SMA Terang Bangsa saat melakukan penjurusan mereka masih menggunakan data yang ada misalnya angket minat penjurusan. Di angket minat penjurusan terdapat pertanyaan minat yang di inginkan siswa, dan nilai-nilai rapot smp mereka yang terdiri dari nilai matematika, IPA, dan Bahasa Inggris. Dari situlah mereka menarik kesimpulan untuk mengelompokan siswa ke dalam IPA maupun IPS. Saat ini SMA Terang Bangsa sudah menerapkan pekerjaan yang melibatkan komputer seperti mengatur absensi, Sistem keuangan, Daftar Siswa, dan lain sebagainya. Program yang mereka gunakan adalah kebanyakan MS-Office. Pada sistem Absensi di SMA Terang Bangsa mereka sudah menggunakan program dengan bahasa PHP. Di sini mereka menunjukan bahwa SMA Terang Bangsa juga sedang meningkatkan pekerjaan mereka dengan menggunakan bantuan komputer. Dalam Penelitian ini Peneliti menggunakan program dengan bahasa JAVA. Data yang ada berupa data angket nilai SMP mereka dan Minat mereka. Metode yang digunakan untuk penelitian ini adalah metode Naïve Bayes. Metode ini adalah teknik metode data mining dalam klasifikasi sebuah data yang berlabel. Data yang ada di SMA Terang Bangsa cocok di gunakan untuk metode ini karena datanya berlabel. Data dari Variabel tersebut bersifat bebas, dan tidak saling berkaitan sehingga bila dalam penggunaan program Konventional (if then.) tidak mungkin di lakukan sehingga data ini cocok di gunakan dengan metode Naïve Bayes. Maka dari permasalahan yang telah di jelaskan di atas maka penulis ingin meneliti dan menyelesaikan permasalahan dengan menggunakan Teknik Data Mining yaitu klasifikasi dengan judul Metode Klasifikasi Dengan Algoritma Naïve Bayes untuk rekomendasi Penjurusan SMA Terang Bangsa. 2. METODE PENELITIAN 2.1 Data Mining Data mining adalah sebuah proses pencarian secara otomatis informasi yang berguna dalam tempat penyimpanan dat berukuran besar. Teknik data mining digunakan untuk memeriksa basis data berukuran besar sebagai cara untuk menemukan pola yang baru dan berguna[1]. Data mining, sering juga di sebut knowledge discovery in database (KDD). KDD adalah kegiatan yag meliputi pengumpulan, pemakaian data, historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar[2]. 2.2 Klasifikasi Classification adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Motede-metode classification yang lain adalah Bayesian, Neural network, genetic algorithm, fuzzy, case based reasoning, dan k-nearest neighbor [1]. 2.3 Algoritma Naïve Bayes Algoritma Naïve Bayes Classifier merupakan algoritma yang di gunakan
3 Techno.COM, Vol. 15, No. 3, Agustus 216: untuk mencari nilai probabilitas tertinggi untuk mengklasifikasi data uji pada kategori yang paling tepat. [3][4][5] Teorema Bayes memiliki bentuk umum sebagai berikut. = (1) Dalam hal ini : X = Data dengan class yang belum di ketahui H= Hipotesis data X merupakan suatu class spesifik P(H X) = probabilitas hipotesis h berdasar kondisi X (Posteriori probability) P(H) = probabilitas hipotesis H (Prior probability) P(X H) Probabilitas X berdasarkan kondisi pada hipotesis H P(X) = Probabilitas dari X. 3. HASIL DAN PEMBAHASAN 3.1 Pengolahan Data Data yang di dapat di SMA Terang bangsa sebanyak 25. Sebelum di proses ke dalam aplikasi maka di olah dulu di excel ke bentuk yang lebih mudah untuk dijadikan sebagai formula Naïve Bayes seperti gambar berikut : Tabel 1 : Tabel Data Siap Olah No NIS Rata-Rata Mat Rata-rata IPA Rata-rata Binggris Minat Kelas Middle Middle Low IPS IPS High Middle Middle IPS IPS Middle Middle Middle IPA IPA High Middle High - IPA Middle Middle Middle IPS IPS Middle Middle Middle IPS IPS Middle Middle Middle IPS IPS Middle Middle Middle - IPS High High High - IPS Middle High Middle IPS IPA Middle Middle Middle - IPS Middle Middle High - IPS Middle Middle Middle - IPS Middle Middle Middle - IPS Low Middle Middle IPA IPA Ketentuan untuk mengubah nilai nominalnya adalah sebagai berikut : 1. Di katakan High bila nilai di atas 84 ( X > 84 ) 2. Di katakan Middle bila nilai di antara/ sama dengan 6 sampai di bawah atau sama dengan 84. ( 6 < = X < = 84 ) 3. Di katakan low bila nilai di bawah 6 (X < 6) 3.2 Hasil Implementasi Setelah 25 Data sudah di konversikan maka mendapatkan Formula Sebagai berikut : Untuk probabiliatas Kelas IPA Untuk probabiliatas Kelas IPS P(IPA)= 83 P(IPS)= 122 P(Matematika Mid) = 53 P(Matematika Mid) = 111 P(Matematika High) = 3 P(Matematika High) = 5 P(Matematika low) = P(Matematika low) = 6 P(IPA Mid) = 44 P(IPA Mid) = 112 P(IPA High) = 39 P(IPA High) = 1 P(IPA low) = P(IPA low) =
4 Techno.COM, Vol. 15, No. 3, Agustus 216: P(B Inggris Mid) = 45 P(B Inggris Mid) = 16 P(B Inggris High) = 38 P(B Inggris High) = 15 P(B Inggris low) = P(B Inggris low) = 1 P(Minat -) = 25 P(Minat -) = 71 P(Minat IPA) = 51 P(Minat IPA) = 19 P(Minat IPS) = 7 P(Minat IPS) = 32 Sehingga membentuk Probabilitas sebagai berikut : 1. Untuk Pobabilitas Kelas IPA = P (IPA) = 83/25 = Tabel 2: Tabel Probabilitas IPAClass ge Mat ge IPA ge Binggr is Minat IPA High Middle Low IPA IPS Untuk Probabilitas Kelas IPS = P (IPS) = 122/25 = Tabel 3: Tabel Probabilitas IPS Class IPS High Middle Low ge Binggr is Minat IPA IPS Ketika Mendapat probabilitas IPA dan IPS bernilai maka dapat di klasifikasian sebagai kelas IPS. Di dapat hasil 81 Percobaan yang menyatakan Siswa mendapat kelas IPA terdapat 18 percobaan dan 63 percobaan menghasilkan Nilai IPA. Tabel 4: Percobaan 1 sampai 2 Percobaan ke Rata-Rata Mat Rata-rata IPA Rata-rata Binggris Minat Kelas 1 High High High - IPA 2 High High High IPA IPA 3 High High High IPS IPA 4 High High Middle - IPA 5 High High Middle IPA IPA 6 High High Middle IPS IPA 7 High High Low - IPS 8 High High Low IPA IPS 9 High High Low IPS IPS 1 High Middle High - IPA 11 High Middle High IPA IPA 12 High Middle High IPS IPA 13 High Middle Middle - IPA 14 High Middle Middle IPA IPA 15 High Middle Middle IPS IPA 16 High Middle Low - IPS 17 High Middle Low IPA IPS 18 High Middle Low IPS IPS 19 High Low High - IPS 2 High Low High IPA IPS Tabel 5: Percobaan 21 sampai 4 Percobaan ke Rata-Rata Mat Rata-rata IPA Rata-rata Binggris Minat Kelas 21 High Low High IPS IPS 22 High Low Middle - IPS 23 High Low Middle IPA IPS 24 High Low Middle IPS IPS 25 High Low Low - IPS 26 High Low Low IPA IPS 27 High Low Low IPS IPS 28 Middle High High - IPA 29 Middle High High IPA IPA 3 Middle High High IPS IPA 31 Middle High Middle - IPA 32 Middle High Middle IPA IPA 33 Middle High Middle IPS IPS 34 Middle High Low - IPS 35 Middle High Low IPA IPS 36 Middle High Low IPS IPS 37 Middle Middle High - IPS 38 Middle Middle High IPA IPA 39 Middle Middle High IPS IPS 4 Middle Middle Middle - IPS ge Mat ge IPA Contoh Perhitungan manual : siswa NIS dengan atribut Nilai average : Matematika : Middle IPA : High
5 Techno.COM, Vol. 15, No. 3, Agustus 216: B.Inggris : Middle Minat : IPS Maka siswa tersebut masuk ke kelas? Untuk Probabilitas IPA : P(IPA) = * * * P(IPA) = Untuk Probabilitas IPS P(IPS) = * * * P(IPS) = P(IPA) = P(IPA)/(P(IPA)+P(IPS)) P(IPA) = / ( ) P(IPA) = P(IPS) = P(IPS)/(P(IPA)+P(IPS)) P(IPS) = / ( ) P(IPS) = Karna P(IPS) lebih besar dari P(IPA) maka kelasnya masuk ke kelas IPS 4. KESIMPULAN Kesimpulan dari penelitian di atas adalah dapat mengklasifikasi Siswa SMA Terang Bangsa dengan teknik klasifikasi data mining menggunakan metode naïve bayes yang di imlementasi dengan bahasa pemrograman java. 5. SARAN Saran untuk peneliti selanjutnya agar dapat memperbaiki kelemahan penelitian ini, di antaranya : 1. Perlu adanya penggunaan smoothing correction agar menghindari probabilitas (nol). 2. Data yang digunakan berupa nominal, bisa di ubah ke bentuk numeric. 3. Peneliti menggunakan metode Naïve Bayes classification, di harapkan peneliti selanjutnya bisa menggunakan metodemetode lainnya seperti id3, c.4.5, dan sebagainya. DAFTAR PUSTAKA 3.3 Simulasi Aplikasi Aplikasi di buat dengan menggunakan Java Netbeans dan XAMPP sebagai databasenya. Gambar 1. Simulasi Program [1] J. Han and M. Kamber, Data Mining : Concept and Techniques Second Edition. San Francisco: Morgan Kaufmann Publishers, 26. [2] B. Santosa, Data Mining Teknik Pemanfaatan Data untuk keperluan Bisnis, 1st ed. Yogyakarta: Graha Ilmu, 27. [3] K Bambang, E. Syahril, and S.S. Opim, "Dunia Teknologi Informasi," Klasifikasi Konten Berita Dengan Metode Text Mining, vol. 1, pp , 212. [4] Y. S. NUGROHO, "Data Mining Menggunakan Algoritma Naive
6 Bayes Untuk Klasifikasi Kelulusan Mahasiswa Universitas Dian Nuswantoro.," Dian Nuswantoro Fakultas Ilmu Komputer Skripsi, 214. [5] O. KRISTANTO, "PENERAPAN ALGORITMA KLASIFIKASI DATA MINING ID3 UNTUK MENENTUKAN PENJURUSAN SISWA SMAN6 SEMARANG," Dian Nuswantoro Fakultas Ilmu Komputer Skripsi, 214. Techno.COM, Vol. 15, No. 3, Agustus 216:
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining
IMPLEMENTASI METODE BAYESIAN DALAM PENJURUSAN DI SMA BRUDERAN PURWOREJO STUDI KASUS: SMA BRUDERAN PURWOREJO
IMPLEMENTASI METODE BAYESIAN DALAM PENJURUSAN DI SMA BRUDERAN PURWOREJO STUDI KASUS: SMA BRUDERAN PURWOREJO Sendy Winanta Yetli Oslan, Gunawan Santoso Abstrak Penjurusan siswa kelas X SMA yang akan naik
IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSI DATA ULANG PENSIUN
IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSI DATA ULANG PENSIUN Wendi Wirasta, Novia Ervianti 2 Dosen Sistem Informasi, STMIK LPKIA Bandung 2 Program Studi Sistem Informasi, STMIK LPKIA Bandung
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peminatan siswa SMA Negeri 8 Bandung dilakukan di kelas X SMA setelah tahap daftar ulang. Hal tersebut berdasarkan aturan kurikulum 2013 [11]. Peminatan merupakan hal
IMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA NAÏVE BAYES DALAM MENENTUKAN PENGUNDURAN DIRI CALON MAHASISWA PADA UNIVERSITAS DIAN NUSWANTORO SEMARANG
1 IMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA NAÏVE BAYES DALAM MENENTUKAN PENGUNDURAN DIRI CALON MAHASISWA PADA UNIVERSITAS DIAN NUSWANTORO SEMARANG Muhammad Efendi Program Studi Teknik Informatika
PERBANDINGAN 3 METODE DALAM DATA MINING UNTUK PREDIKSI PENERIMA BEASISWA BERDASARKAN PRESTASI DI SMA NEGERI 6 SURAKARTA
PERBANDINGAN 3 METODE DALAM DATA MINING UNTUK PREDIKSI PENERIMA BEASISWA BERDASARKAN PRESTASI DI SMA NEGERI 6 SURAKARTA Naskah Publikasi Program Studi Informatika Fakultas Komunikasi dan Informatika Oleh
Penentuan Jurusan Sekolah Menengah Atas Menggunakan Metode K-Nearest Neighbor Classifier Pada SMAN 16 Semarang
1 Penentuan Jurusan Sekolah Menengah Atas Menggunakan Metode K-Nearest Neighbor Classifier Pada SMAN 16 Semarang Ari Sulistiyo 1 1,3 Jurusan Teknik Informatika, FASILKOM UDINUS Jln. Nakula 1 No.5-11 Semarang
SISTEM REKOMENDASI PENJURUSAN PADA SEKOLAH MENENGAH ATAS MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER
JURNAL SISTEM REKOMENDASI PENJURUSAN PADA SEKOLAH MENENGAH ATAS MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER THE SYSTEM OF RECOMMENDATION MAJOR TO THE SENIOR HIGH SCHOOL BY USING NAÏVE BAYES CLASSIFIER Oleh:
SISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR
Cogito Smart Journal/VOL. 1/NO. 1/DESEMBER 2015IJCCS ISSN: 1 97 55 SISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR Ratih Kumalasari Niswatin 1) Teknik
PROGRAM BANTU PENEMPATAN PERSEDIAAN BARANG SANITER PADA DUA TOKO DENGAN METODE NAÏVE BAYES
PROGRAM BANTU PENEMPATAN PERSEDIAAN BARANG SANITER PADA DUA TOKO DENGAN METODE NAÏVE BAYES Umi Proboyekti, Djoni Dwiyana Abstrak Barang saniter merupakan salah satu macam barang yang dijual di toko bahan
APLIKASI PENENTUAN ANGGOTA KELAS UNGGULAN DENGAN METODE NAÏVE BAYES
APLIKASI PENENTUAN ANGGOTA KELAS UNGGULAN DENGAN METODE NAÏVE BAYES SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Teknik (S.Kom) Pada Program Studi Teknik Informatika Oleh:
PENERAPAN 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
PEMBENTUKAN 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,
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
PENERAPAN DATA MINING UNTUK KLASIFIKASI PENJURUSAN SEKOLAH MENENGAH ATAS PADA SMA 1 KAJEN DENGAN MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK KLASIFIKASI PENJURUSAN SEKOLAH MENENGAH ATAS PADA SMA 1 KAJEN DENGAN MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER Maghriza Fakri Adilla 1, T. Sutojo 2 1,2 Jurusan Teknik Informatika-S1,
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Klasifikasi Proses Penjurusan Siswa Tingkat SMA Menggunakan Data Mining
INFORMATICS FOR EDUCATORS AND PROFESSIONALS, Vol.1, No. 1, Desember 2016, 65 69 E-ISSN: 2548-3412 65 Klasifikasi Proses Penjurusan Siswa Tingkat SMA Menggunakan Data Mining Fata Nidaul Khasanah 1,* 1 Teknik
PENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT
PENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT Dedy Ahmad Kurniawan 1), Danny Kriestanto 2) Teknik Informatika, STMIK AKAKOM e-mail: dedyahmad.akakom10@gmail.com 1), danny@akakom.ac.id 2) ABSTRAK
BAB II KAJIAN PUSTAKA. pola seperti teknik statistic dan matematika (Larose, 2005).
BAB II KAJIAN PUSTAKA A. Data Minning Data minning adalah suatu proses menemukan hubungan yang berarti, pola dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan
BAB I PENDAHULUAN. jurusan ditentukan berdasarkan standar kriteria tiap jurusan.
BAB I PENDAHULUAN 1.1 Latar Belakang Pratiwi (2014) berpendapat Sekolah Menengah Atas (SMA) merupakan suatu instansi pendidikan yang di dalamnya terdapat proses pengambilan keputusan jurusan siswa kelas
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Oleh : Selvia Lorena Br Ginting, Reggy Pasya Trinanda. Abstrak
TEKNIK DATA MINING MENGGUNAKAN METODE BAYES CLASSIFIER UNTUK OPTIMALISASI PENCARIAN PADA APLIKASI PERPUSTAKAAN (STUDI KASUS : PERPUSTAKAAN UNIVERSITAS PASUNDAN BANDUNG) Oleh : Selvia Lorena Br Ginting,
Kata kunci : metode pencarian, perpustakaan, Naïve Bayes Classifier.
PENGGUNAAN METODE NAÏVE BAYES CLASSIFIER PADA APLIKASI PERPUSTAKAAN Selvia Lorena Br Ginting,S.Si., MT 1, Reggy Pasya Trinanda 2 1,2 Jurusan Teknik Komputer Unikom, Bandung 1 selvialorena@yahoo.com, 2
BAB 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
Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa
Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa dengan Metode NAÏVE BAYES M. Ridwan Effendi Fakultas Komputer Jurusan Sistem Informasi Universitas Mohammad Husni Thamrin Jakarta Email :
SISTEM PENDUKUNG KEPUTUSAN PEMILIHANKELAS UNGGULAN IPA DI SMA NEGERI 1 PATIANROWO MENGGUNAKAN METODE NAÏVE BAYES
SISTEM PENDUKUNG KEPUTUSAN PEMILIHANKELAS UNGGULAN IPA DI SMA NEGERI 1 PATIANROWO MENGGUNAKAN METODE NAÏVE BAYES SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom)
Perkiraan Waktu Studi Mahasiswa Menggunakan Metode Klasifikasi Dengan Algoritma Naive Bayes
Perkiraan Waktu Studi Mahasiswa Menggunakan Metode Klasifikasi Dengan Algoritma Naive Bayes Lestari Handayani 1, Eka Lona Maulida 2 Teknik Informatika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Saat ini media sosial seperti Twitter telah berkembang pesat. Data global menyebut pada akhir Desember 2014 Twitter memiliki 284 juta pengguna aktif. Dick Costolo
PERBANDINGAN 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
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Studi Sebelum melakukan penelitian penulis terlebih dahulu melakukan tinjauan pustaka dari penelitian lain dan penelitian tentang prediksi penjurusan
LEARNING. Program Studi Ilmu Komputer FPMIPA UPI RNI IK460(Kecerdasan Buatan)
LEARNING Jiawei Han and Micheline Kamber. 2006. Data Mining Concepts and Techniques. San Fransisco : Elsevier M.Tim Jones. Artificial Intelligence A System Approach. Slide Kuliah Data Mining - Klasifikasi,
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PROMOSI (Studi kasus Universitas Bina Darma Palembang)
J u r n a l 1 IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PROMOSI (Studi kasus Universitas Bina Darma Palembang) Deny Wahyudi 1, A.Haidar Mirza,S.T.,M.Kom. 2, Merrieayu
Abidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
PENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA
PENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA 1 Muhammad Hafiz Ardiansyah, 2 Wahyu Nurjaya WK 1 Program Studi Teknik Informatika,
ALGORITMA NAÏVE BAYES UNTUK MELIHAT FAKTOR-FAKTOR YANG MEMPENGARUHI KULIT TERBAKAR
JURNAL STMIK ANTAR BANGSA VOL. III NO. 2 AGUSTUS 2014 ALGORITMA NAÏVE BAYES UNTUK MELIHAT FAKTOR-FAKTOR YANG MEMPENGARUHI KULIT TERBAKAR Rahmawati Abstract The skin is the most outer part of the body that
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Internet saat ini merupakan kebutuhan pokok yang tidak bisa dipisahkan dari segenap sendi kehidupan. Berbagai pekerjaan ataupun kebutuhan dapat dilakukan melalui media
APLIKASI SURVEY POLITIK UNIVERSITAS BRAWIJAYA MALANG (ASUPOL) : STUDI KASUS PEMILIHAN BEM PTIIK 2012 (PEMILWA 2012)
APLIKASI SURVEY POLITIK UNIVERSITAS BRAWIJAYA MALANG (ASUPOL) : STUDI KASUS PEMILIHAN BEM PTIIK 2012 (PEMILWA 2012) Afiqie Fadhihansah 1*, Dio Dharmawan 1**, Fridha Agustina 1**, Irwan Nugrahanto 1*, Maharani
PENERAPAN DATA MINING UNTUK ESTIMASI NILAI MATEMATIKA DENGAN MENGGUNAKAN ALGORITMA REGRESI LINEAR PADA SMA KESATRIAN 1 SEMARANG
PENERAPAN DATA MINING UNTUK ESTIMASI NILAI MATEMATIKA DENGAN MENGGUNAKAN ALGORITMA REGRESI LINEAR PADA SMA KESATRIAN 1 SEMARANG Cindy Eka Febriana 1, Usman Sudibyo 2 Teknik Informatika, Fakultas Ilmu Komputer,
PENERAPAN DATA MINING UNTUK POLA KELULUSAN SISWA SMA DENGAN MENGGUNAKAN METODE ASSOCIATION RULES MINING ( STUDI KASUS SMAN 8 BATAM )
PENERAPAN DATA MINING UNTUK POLA KELULUSAN SISWA SMA DENGAN MENGGUNAKAN METODE ASSOCIATION RULES MINING ( STUDI KASUS SMAN 8 BATAM ) Raja Syahida Urfi Mahasiswa Informatika, FT UMRAH, sya_ariesta@ymail.com
REKOMENDASI PENENTUAN PENERIMA BANTUAN IURAN (PBI) MENGGUNAKAN KLASIFIKASI ALGORITMA NAIVE BAYES
REKOMENDASI PENENTUAN PENERIMA BANTUAN IURAN (PBI) MENGGUNAKAN KLASIFIKASI ALGORITMA NAIVE BAYES SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer ( S.Kom. ) Pada Jurusan
DATA MINING MENGGUNAKAN ALGORITMA NAÏVE BAYES UNTUK KLASIFIKASI KELULUSAN MAHASISWA UNIVERSITAS DIAN NUSWANTORO ABSTRAK
DATA MINING MENGGUNAKAN ALGORITMA NAÏVE BAYES UNTUK KLASIFIKASI KELULUSAN MAHASISWA UNIVERSITAS DIAN NUSWANTORO Oleh: Yuda Septian Nugroho Jurusan Sistem Informasi, Fakultas Ilmu Komputer, Universitas
PENERAPAN 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
SOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA
SOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA Ade Putra Fakultas Vokasi, Program Studi Komputerisasi Akuntansi Universitas Bina Darma
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN:
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Klasifikasi Naive Bayes Untuk Strategi Pemasaran Mahasiswa Baru di Universitas Dian Nuswantoro Naive Bayes Classification in marketing strategy of
Pemanfaatan 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
JURNAL 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,
PENERAPAN 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
PENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI
PENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI Laily Hermawanti Program Studi Teknik informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro 1B Jogoloyo Demak Telpon
PERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI
Techno.COM, Vol. 15, No. 3, Agustus 2016: 241-245 PERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI Didik Srianto 1, Edy Mulyanto 2 1,2 Teknik Informatika,
DATA MINING UNTUK REKOMENDASI KERJA BAGI ALUMI DENGAN ALGORITMA GARC(GAIN BASED ASSOCIATION RULE CLASSIFICTION)
DATA MINING UNTUK REKOMENDASI KERJA BAGI ALUMI DENGAN ALGORITMA GARC(GAIN BASED ASSOCIATION RULE CLASSIFICTION) Steffi Budi Fauziah¹, Shaufiah², Mahmud Dwi Suliiyo³ ¹Teknik Informatika,, Universitas Telkom
BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Mahasiswa merupakan bagian terpenting dalam menentukan kualitas suatu perguruan tinggi. Kualitas perguruan tinggi dapat dinilai dari mutu dosen dan tenaga kependidikan,
TEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD
Jurnal Teknik Komputer Unikom Komputika Volume 3, No.2-2014 TEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD Selvia Lorena Br Ginting 1), Wendi Zarman
Sekip Utara Yogyakarta * 1 2
IJCCS, Vol.9, No.1, January 2015, pp. 1~12 ISSN: 1978-1520 1 Klasifikasi Data NAP (Nota Analisis Pembiayaan) untuk Prediksi Tingkat Keamanan Pemberian Kredit (Studi Kasus : Bank Syariah Mandiri Cabang
CONTOH KASUS DATA MINING
CONTOH KASUS DATA MINING CONTOH KASUS DATA MINING Sebuah rumah sakit ingin ingin menekan biaya perawatan pasien tanpa mengurangi kualitas pelayanan. Salahsatu potensi yang dapat dimanfaatkan pada penerapan
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu pelayanan dalam dunia perbankan adalah pemberian pinjaman kredit kepada nasabah yang memenuhi syarat perbankan. kredit merupakan sumber utama penghasilan
Jurnal 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
KLASIFIKASI JENIS BIMBINGAN DAN KONSELING SISWA SMKN 1 KEDIRI MENGGUNAKAN NAIVE BAYES CLASSIFIER DAN NEAREST NEIGHBOR
Nusantara of Engginering (NoE)/Vol. 1/No. 2/ISSN: 255-668 22 KLASIFIKASI JENIS BIMBINGAN DAN KONSELING SISWA SMKN 1 KEDIRI MENGGUNAKAN NAIVE BAYES CLASSIFIER DAN NEAREST NEIGHBOR Erna Daniati Program Studi
BAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan
PEMBOBOTAN KORELASI PADA NAÏVE BAYES CLASSIFIER
PEMBOBOTAN KORELASI PADA NAÏVE BAYES CLASSIFIER Burhan Alfironi Muktamar 1), Noor Akhmad Setiawan 2), Teguh Bharata Adji 3) 1), 2), 3) Teknik Elektro dan Teknologi Informasi Universitas Gadjah Mada Jl.
SKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik Informatika OLEH :
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN JURUSAN PADA PENDAFTARAN SISWA BARU JALUR PRESTASI MENGGUNAKAN METODE NAÏVE BAYES (Studi Kasus di SMKN 1 Boyolangu Tulungagung) SKRIPSI Diajukan Untuk Memenuhi Sebagian
PENERAPAN DATA MINING DALAM MENENTUKAN JURUSAN SISWA
PENERAPAN DATA MINING DALAM MENENTUKAN JURUSAN SISWA Alfa Saleh Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan Email : alfasoleh1@gmail.com Abstrak
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di lakukan oleh Muhammad Toha dkk (2013), Sylvia Pretty Tulus (2014), Johan
APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang)
Hapsari Dita Anggraeni, Ragil Saputra, Beta Noranita APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA Erik Hadi Saputra 1), Burhan Alfironi Muktamar 2) 1), 2) Teknik Informatika
PERBANDINGAN METODE KLASIFIKASI NAÏVE BAYES DAN K-NEAREST NEIGHBOR PADA ANALISIS DATA STATUS KERJA DI KABUPATEN DEMAK TAHUN 2012
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 831-838 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN METODE KLASIFIKASI NAÏVE BAYES DAN K-NEAREST NEIGHBOR
JURNAL PENERAPAN ALGORITMA NAIVE BAYES UNTUK PREDIKSI LAMA STUDI MAHASISWA PADA JURUSAN SISTEM INFORMASI SEKOLAH TINGGI MANAJEMEN INFORMATIKA
JURNAL PENERAPAN ALGORITMA NAIVE AYES UNTUK PREDIKSI LAMA STUDI MAHASISWA PADA JURUSAN SISTEM INFORMASI SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER (STMIK) KADIRI IMPLEMENTATION OF NAIVE AYES ALGORITHM
BAB I PENDAHULUAN. program studi para siswa (Ruslan,1986:13). Tujuan dari penjurusan (Ruslan, 1986:14), yaitu
BAB I PENDAHULUAN A. Latar Belakang Sekolah Menengah Atas (SMA) merupakan jenjang pendidikan menengah yang mengutamakan penyiapan siswa untuk melanjutkan pendidikan yang lebih tinggi dengan pengkhususan.
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Irwan Budiman 1, Dodon Turianto Nugrahadi 2, Radityo Adi Nugroho 3 Universitas Lambung Mangkurat 1,2,3 irwan.budiman@unlam.ac.id
REKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER
REKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER Titis Suwartiningsih (11 1065 1116) 1, Bagus Setya Rintyarna,
BAB 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)
Prosiding SENTIA 2015 Politeknik Negeri Malang Volume 7 ISSN:
KLASIFIKASI TUGAS AKHIR UNTUK MENENTUKAN DOSEN PEMBIMBING MENGGUNAKAN NAÏVE BAYES CLASSIFIER (NBC) Putri Elfa Mas`udia 1 Politeknik Negeri Malang E-mail : putri.elfa@polinema.ac.id Abstrak Pemilihan dosen
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Data Mining Data mining merupakan disiplin ilmu yang mempelajari metode untuk mengekstrak pengetahuan atau menemukan pola dari suatu data (Han and Kamber, 2006). Data mining sering
JURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA
JURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA IMPLEMENTATION OF DATA MINING WITH C4.5 ALGORITHM TO PREDICT STUDENT ACHIEVEMENT Oleh: SITI MUHIMATUL KHOIROH NPM
PENERAPAN DATA MINING MENGGUNAKAN ALGORITME C4.5 DALAM PENENTUAN JURUSAN SISWA SMA NEGERI 2 SURAKARTA
PENERAPAN DATA MINING MENGGUNAKAN ALGORITME C4.5 DALAM PENENTUAN JURUSAN SISWA SMA NEGERI 2 SURAKARTA oleh NADYA AL FITRIANI M0111060 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh
( ) ( ) (3) II-1 ( ) ( )
BAB II LANDASAN TEORI 2.1 Naïve Bayes Classifier 2.1.1 Teorema Bayes Bayes merupakan teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema Bayes (atau aturan Bayes) dengan
IMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO)
IMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO) Andika Elok Amalia 1), Muhammad Zidny Naf an 2) 1), 2) Program Studi Informatika ST3 Telkom Jl D.I.
KLASIFIKASI DOKUMEN REPOSITORY SECARA OTOMATIS MENGGUNAKAN METODE BAYESIAN NETWORK
Lukman Syafie / JUPITER Volume XV No.2 (2016) 109 KLASIFIKASI DOKUMEN REPOSITORY SECARA OTOMATIS MENGGUNAKAN METODE BAYESIAN NETWORK Lukman Syafie Staf Pengajar Teknik Informatika, Fakultas Ilmu Komputer
Alfa Saleh. Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan
PENERAPAN DATA MINING DENGAN METODE KLASIFIKASI NAÏVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DALAM MENGIKUTI ENGLISH PROFICIENCY TEST (Studi Kasus : Universitas Potensi Utama) Alfa Saleh Teknik Informatika
APLIKASI PENJURUSAN SISWA SESUAI BAKAT DAN MINAT DI SMA NEGERI 1 KARANGANYAR KABUPATEN DEMAK. Makalah
APLIKASI PENJURUSAN SISWA SESUAI BAKAT DAN MINAT DI SMA NEGERI 1 KARANGANYAR KABUPATEN DEMAK Makalah Program Studi Informatika Fakultas Komunikasi dan Informatika Diajukan Oleh : Devi Oktaviantiani Drs.
KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING
KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING Moh Ahsan Universitas Kanjuruhan Malang ahsan@unikama.ac.id ABSTRAK. Universitas Kanjuruhan Malang
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
PENGGUNAAN ALGORITMA KLASIFIKASI DALAM DATA MINING
PENGGUNAAN ALGORITMA KLASIFIKASI DALAM DATA MINING A ang Subiyakto Program Studi Sistem Informasi Fakultas Sains dan Teknologi UIN Jakarta Jl. Ir. H. Juanda No. 95 Ciputat Tangerang Banten 15412 E-mail:
BAB 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
PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5
1 PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5 Dina Maurina, Ahmad Zainul Fanani S.Si, M.Kom Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula
SISTEM REKOMENDASI PENGAMBILAN KATEGORI SKRIPSI DENGAN PERHITUNGAN NAIVE BAYES
SKRIPSI SISTEM REKOMENDASI PENGAMBILAN KATEGORI SKRIPSI DENGAN PERHITUNGAN NAIVE BAYES Oleh: Muhammad Amdanibik 11.1.03.0.025 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS NUSANTRA PGRI
Keoptimalan Naïve Bayes Dalam Klasifikasi
Keoptimalan Naïve Bayes Dalam Klasifikasi M. Ammar Shadiq Program Ilmu Komputer FPMIPA Universitas Pendidikan Indonesia ammar.shadiq@gmail.com Abstrak Naïve Bayes adalah salah satu algoritma pembelajaran
Implementasi Algoritma Naïve Bayes untuk Memprediksi Penjurusan Siswa di SMA Kesatrian 1 Semarang
Implementasi Algoritma Naïve Bayes untuk Memprediksi Penjurusan Siswa di SMA Kesatrian 1 Semarang Muchamad Hasan Bisri 1 1,3 Jurusan Teknik Informatika, FASILKOM UDINUS Jln. Nakula 1 No 5-11 Semarang 50131
PERBANDINGAN ANALISIS KLASIFIKASI ANTARA DECISION TREE DAN SUPPORT VECTOR MACHINE MULTICLASS UNTUK PENENTUAN JURUSAN PADA SISWA SMA
PERBANDINGAN ANALISIS KLASIFIKASI ANTARA DECISION TREE DAN SUPPORT VECTOR MACHINE MULTICLASS UNTUK PENENTUAN JURUSAN PADA SISWA SMA (Studi Kasus Nilai Mata Pelajaran Pokok di SMA Negeri 1 Jepara) SKRIPSI
BAB I PENDAHULUAN 1.1. Latar Belakang
3 BAB I PENDAHULUAN 1.1. Latar Belakang Semakin banyaknya pengunaan teknologi informasi pada pemerintahan, dapat mempermudah masyarakat dalam pelayanan masyarakat itu sendiri. Seperti misalnya ketika sesorang
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tuntutan belajar bagi peserta didik tidak hanya menuntut kemampuan akedemik (hard skill), peserta didik juga dituntut untuk dapat meningkatkan kemampuan personalnya
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
PEMBENTUKAN 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
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA NASKAH PUBLIKASI
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA NASKAH PUBLIKASI diajukan oleh Burhan Alfironi Muktamar 10.11.3697 kepada
BAB II TINJAUAN PUSTAKA. mengenai penelitian terdahulu, tentang prediksi lama masa studi mahasiswa,
BAB II TINJAUAN PUSTAKA 2.1 Terdahulu Dalam penelitian ini, peneliti juga menyertakan beberapa uraian singkat mengenai penelitian terdahulu, tentang prediksi lama masa studi mahasiswa, klasifikasi, metode
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Situs belanja online sering disebut juga dengan situs e-commerce yaitu suatu proses membeli dan menjual produk-produk secara elektronik oleh konsumen dan dari perusahaan
Klasifikasi Posting Twitter Kemacetan Lalu Lintas Kota Bandung Menggunakan Naive Bayesian Classification
IJCCS, Vol.7, No.1, January 2013, pp. 13~22 ISSN: 1978-1520 13 Klasifikasi Posting Twitter Kemacetan Lalu Lintas Kota Bandung Menggunakan Naive Bayesian Classification Sandi Fajar Rodiyansyah* 1, Edi Winarko
KLASIFIKASI METODE NAIVE BAYES DALAM DATA MINING UNTUK MENENTUKAN KONSENTRASI SISWA ( STUDI KASUS DI MAS PAB 2 MEDAN )
KLASIFIKASI METODE NAIVE BAYES DALAM DATA MINING UNTUK MENENTUKAN KONSENTRASI SISWA ( STUDI KASUS DI MAS PAB 2 MEDAN ) Alfa Saleh Teknik Informatika STMIK Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A,
KLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER
KLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (STUDI KASUS : Calon Pendonor Darah di Kota Semarang) SKRIPSI Disusun Oleh : DHIMAS BAYUSUSETYO NIM. 24010212130081 DEPARTEMEN
Klasifikasi. Diadaptasi dari slide Jiawei Han
Klasifikasi Diadaptasi dari slide Jiawei Han http://www.cs.uiuc.edu/~hanj/bk2/ Pengantar Classification Memprediksi kelas suatu item Membuat model berdasarkan data pelatihan dan digunakan untuk mengklasifikasi
PENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5
PENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5 Annisak Izzaty Jamhur Universitas Putera Indonesia YPTK Padang e-mail: annisakizzaty@yahoo.com Abstract